Classificação de nódulos do pulmão através de Redes Neuronais Artificiais
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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. |
id |
RCAP_068847e2218b64916a4d4b67944bf30c |
---|---|
oai_identifier_str |
oai:ubibliorum.ubi.pt:10400.6/7188 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Classificação de nódulos do pulmão através de Redes Neuronais ArtificiaisMatlabNeural Networks ToolboxNódulo PulmonarRede Neuronal ArtificalDomínio/Área Científica::Ciências Médicas::Ciências BiomédicasA 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.This thesis aims to develop an artificial neural network for the CT lung images classification. An artificial neural network to classify an image as containing benign or malignant nodules was built. 80 images, 40 contained benign nodules and other malignant nodules were used. The images have undergone the process of preprocessing and segmenting and then were extracted features, which are used as neural network input variables. The extracted features were the area, perimeter and diameter of the nodule and contrast, correlation, energy, homogeneity, media entropy, kurtosis, skewness and image standard deviation. This whole process was conducted in computational tool Matlab R2014b. We tested several artificial neural network topologies in which the intermediate layer neuron number has been modified. The performance of the neural network was evaluated based on the Pearson regression coefficient (R) and the mean squared error (MSE), and the best model presented for R = 0.93 and NDE = 0.136. The development of the neural network was performed on Neural Networks Toolbox Matlab R2014b. The developed neural network is of the type feedforward backpropagation, and as a training algorithm is used Levenberg Marquardt algorithm. The network has an intermediate layer activated by logarithmic sigmoid transfer function, comprised 100 neurons in the intermediate layer and contains only one neuron in the output layer. With the Artificial Neural Network developed yielded a sensitivity of 97.5% and a specificity of 100%. So if framed in a CAD system will be an important tool to aid the diagnosis.Souza, José António Menezes Felippe deuBibliorumCarvalho, Denise Seguro2019-08-26T16:07:28Z2016-10-62016-11-072016-11-07T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10400.6/7188TID:202274497porinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-12-15T09:46:22Zoai:ubibliorum.ubi.pt:10400.6/7188Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T00:47:45.383470Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Classificação de nódulos do pulmão através de Redes Neuronais Artificiais |
title |
Classificação de nódulos do pulmão através de Redes Neuronais Artificiais |
spellingShingle |
Classificação de nódulos do pulmão através de Redes Neuronais Artificiais Carvalho, Denise Seguro Matlab Neural Networks Toolbox Nódulo Pulmonar Rede Neuronal Artifical Domínio/Área Científica::Ciências Médicas::Ciências Biomédicas |
title_short |
Classificação de nódulos do pulmão através de Redes Neuronais Artificiais |
title_full |
Classificação de nódulos do pulmão através de Redes Neuronais Artificiais |
title_fullStr |
Classificação de nódulos do pulmão através de Redes Neuronais Artificiais |
title_full_unstemmed |
Classificação de nódulos do pulmão através de Redes Neuronais Artificiais |
title_sort |
Classificação de nódulos do pulmão através de Redes Neuronais Artificiais |
author |
Carvalho, Denise Seguro |
author_facet |
Carvalho, Denise Seguro |
author_role |
author |
dc.contributor.none.fl_str_mv |
Souza, José António Menezes Felippe de uBibliorum |
dc.contributor.author.fl_str_mv |
Carvalho, Denise Seguro |
dc.subject.por.fl_str_mv |
Matlab Neural Networks Toolbox Nódulo Pulmonar Rede Neuronal Artifical Domínio/Área Científica::Ciências Médicas::Ciências Biomédicas |
topic |
Matlab Neural Networks Toolbox Nódulo Pulmonar Rede Neuronal Artifical Domínio/Área Científica::Ciências Médicas::Ciências Biomédicas |
description |
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. |
publishDate |
2016 |
dc.date.none.fl_str_mv |
2016-10-6 2016-11-07 2016-11-07T00:00:00Z 2019-08-26T16:07:28Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10400.6/7188 TID:202274497 |
url |
http://hdl.handle.net/10400.6/7188 |
identifier_str_mv |
TID:202274497 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799136372747927552 |