Classificação de nódulos do pulmão através de Redes Neuronais Artificiais

• Autor(a) principal: Carvalho, Denise Seguro
• Data de Publicação: 2016
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.6/7188
• topic: Matlab; Neural Networks Toolbox; Nódulo Pulmonar; Rede Neuronal Artifical; Domínio/Área Científica::Ciências Médicas::Ciências Biomédicas

A presente dissertação tem como objetivo o desenvolvimento de uma rede neuronal artificial para a classificação de imagens tomográficas do pulmão. Foi construída uma rede neuronal artificial que classificasse uma imagem como contendo nódulos benignos ou malignos. Foram utilizadas 80 imagens, 40 continham nódulos benignos e as restantes nódulos malignos. As imagens passaram por o processo de pré-processamento e segmentação e de seguida foram extraídas características, sendo estas utilizadas como variáveis de entrada da rede neuronal. As características extraídas foram a área, perímetro e diâmetro do nodulo e contraste, correlação, energia, homogeneidade, média, entropia, curtose, assimetria e desvio-padrão da imagem. Todo este processo foi realizado na ferramenta computacional Matlab R2014b. Foram testadas várias topologias de redes neuronais artificias em que o número de neurónios da camada intermédia foi modificado. O desempenho da rede neuronal foi avaliado tendo como base o Coeficiente de Regressão de Pearson (R) e o Erro Quadrático Médio (EQM), sendo que o melhor modelo apresentou para R=0.93 e EQM=0.136. O desenvolvimento da rede neuronal foi efetuado na Neural Networks Toolbox do Matlab R2014b. A rede neuronal desenvolvida é do tipo Feedforward Backpropagation, como algoritmo de treino foi utilizado o algoritmo Levenberg-Marquardt. A rede possui uma camada intermédia, ativada pela função de transferência sigmoide logarítmica, composta por 100 neurónios na camada intermédia e contem apenas 1 neurónio na camada de saída. Com a Rede Neuronal Artificial desenvolvida obteve-se uma sensibilidade de 97,5% e uma especificidade de 100%. Assim sendo caso enquadrado num sistema CAD será uma ferramenta relevante no auxílio ao diagnóstico.