Diagnóstico de nódulos pulmonares em imagens de tomografia computadorizada usando redes neurais convolucionais evolutivas

Detalhes bibliográficos
Autor(a) principal: SILVA, Giovanni Lucca França da
Data de Publicação: 2017
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da UFMA
Texto Completo: http://tedebc.ufma.br:8080/jspui/handle/tede/1534
Resumo: Lung cancer is the leading cause of cancer death worldwide, which accounts for more than 17% percent of the total cancer related deaths. However, its early detection may help in a sharp drop in this mortality rate. Because of the arduous analysis process, alternatives such as computational tools that use image processing techniques and pattern recognition have been widely developed and explored for the early diagnosis of this disease, providing a second opinion to the specialist and making this process faster. Therefore, this work proposes a methodology for the diagnosis of slice-based lung nodules extracted from computed tomography images using evolutionary convolutional neural networks. Firstly, the nodules are divided into two sub-regions using the Otsu algorithm based on the particle swarm optimization algorithm. Then, the slices of the nodules and the slices of their sub-regions were resized to the 28 x 28 dimension and given as input simultaneously to the networks. The architecture of the model was composed of three convolutional neural networks sharing the same fully connected layer at the end. Being a parameterized model, the genetic algorithm was applied to optimize some parameters, such as the number of filters in the convolution layers and the number of neurons in the hidden layer. The proposed methodology was tested on the Lung Image Database Consortium and the Image Database Resource Initiative, resulting in a sensitivity of 94.66 %, specificity of 95.14 %, accuracy of 94.78 % and area under the ROC curve of 0.949.
id UFMA_a1c5162ff73ac0bc7a4cb2690b40c30f
oai_identifier_str oai:tede2:tede/1534
network_acronym_str UFMA
network_name_str Biblioteca Digital de Teses e Dissertações da UFMA
repository_id_str 2131
spelling SILVA, Aristófanes Corrêa288.745.363-72PAIVA, Anselmo Cardoso de375.523.843-87052.869.793-51http://lattes.cnpq.br/4300669916019534SILVA, Giovanni Lucca França da2017-05-30T19:36:59Z2017-01-31SILVA, Giovanni Lucca França da. Diagnóstico de nódulos pulmonares em imagens de tomografia computadorizada usando redes neurais convolucionais evolutivas. 2017. 72 f. Dissertação (Programa de Pós-Graduação em Ciência da Computação) - Universidade Federal do Maranhão, São Luís, 2017.http://tedebc.ufma.br:8080/jspui/handle/tede/1534Lung cancer is the leading cause of cancer death worldwide, which accounts for more than 17% percent of the total cancer related deaths. However, its early detection may help in a sharp drop in this mortality rate. Because of the arduous analysis process, alternatives such as computational tools that use image processing techniques and pattern recognition have been widely developed and explored for the early diagnosis of this disease, providing a second opinion to the specialist and making this process faster. Therefore, this work proposes a methodology for the diagnosis of slice-based lung nodules extracted from computed tomography images using evolutionary convolutional neural networks. Firstly, the nodules are divided into two sub-regions using the Otsu algorithm based on the particle swarm optimization algorithm. Then, the slices of the nodules and the slices of their sub-regions were resized to the 28 x 28 dimension and given as input simultaneously to the networks. The architecture of the model was composed of three convolutional neural networks sharing the same fully connected layer at the end. Being a parameterized model, the genetic algorithm was applied to optimize some parameters, such as the number of filters in the convolution layers and the number of neurons in the hidden layer. The proposed methodology was tested on the Lung Image Database Consortium and the Image Database Resource Initiative, resulting in a sensitivity of 94.66 %, specificity of 95.14 %, accuracy of 94.78 % and area under the ROC curve of 0.949.O câncer de pulmão é a maior causa de morte por câncer em todo mundo, representando mais de 17% do total de mortes relacionadas com câncer. No entanto, sua detecçãao precoce pode ajudar em uma queda acentuada nesta taxa de mortalidade. Devido ao árduo processo na análise dos exames por imagens, alternativas como sistemas computacionais que utilizam técnicas de processamento de imagens e reconhecimento de padrões têm sido amplamente desenvolvidos e explorados para o diagnóstico precoce desta doen¸ca, provendo uma segunda opinião para o especialista e tornando esse processo mais rápido. Diante disso, este trabalho propõe uma metodologia para o diagnóstico de nódulos pulmonares baseado nas fatias extraídas da tomografia computadorizada usando as redes neurais convolucionais evolutivas. Primeiramente, os nódulos são divididos em duas sub-regiões utilizando o algoritmo de Otsu baseado no algoritmo de otimização por enxame de partículas. Em seguida, as fatias dos nódulos e as fatias das suas sub-regiões foram redimensionadas para a dimensão 28 x 28 e dadas como entrada simultaneamente às redes. A arquitetura do modelo foi composta por três redes neurais convolucionais compartilhando a mesma camada completamente conectada no final. Tratando-se de um modelo parametrizado, o algoritmo genético foi aplicado para otimização de alguns parâmetros, tais como a quantidade de filtros nas camadas de convolução e a quantidade de neurônios na camada oculta. A metodologia proposta foi testada na base de imagens Lung Image Database Consortium e a Image Database Resource Initiative, resultando em uma sensibilidade de 94,66%, especifidade de 95,14%, acurácia de 94,78% e área sob a curva ROC de 0,949.Submitted by Rosivalda Pereira (mrs.pereira@ufma.br) on 2017-05-30T19:36:59Z No. of bitstreams: 1 GiovanniLucca.pdf: 1608375 bytes, checksum: 90ad0a568a12b861d1a2a3467c275a12 (MD5)Made available in DSpace on 2017-05-30T19:36:59Z (GMT). No. of bitstreams: 1 GiovanniLucca.pdf: 1608375 bytes, checksum: 90ad0a568a12b861d1a2a3467c275a12 (MD5) Previous issue date: 2017-01-31CAPESapplication/pdfporUniversidade Federal do MaranhãoPROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCETUFMABrasilCOORDENAÇÃO DO CURSO DE CIÊNCIAS DA COMPUTAÇÃO/CCETImagens médicasCâncer pulmonarAprendizagem profundaRede neural convolucionalAlgoritmo genéticoMedical imagesLung cancerDeep learningConvolutional neural networkGenetic algorithmProcessamento GráficoCancerologiaDiagnóstico de nódulos pulmonares em imagens de tomografia computadorizada usando redes neurais convolucionais evolutivasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFMAinstname:Universidade Federal do Maranhão (UFMA)instacron:UFMAORIGINALGiovanniLucca.pdfGiovanniLucca.pdfapplication/pdf1608375http://tedebc.ufma.br:8080/bitstream/tede/1534/2/GiovanniLucca.pdf90ad0a568a12b861d1a2a3467c275a12MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82255http://tedebc.ufma.br:8080/bitstream/tede/1534/1/license.txt97eeade1fce43278e63fe063657f8083MD51tede/15342023-01-18 14:20:15.29oai:tede2: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Biblioteca Digital de Teses e Dissertaçõeshttps://tedebc.ufma.br/jspui/PUBhttp://tedebc.ufma.br:8080/oai/requestrepositorio@ufma.br||repositorio@ufma.bropendoar:21312023-01-18T17:20:15Biblioteca Digital de Teses e Dissertações da UFMA - Universidade Federal do Maranhão (UFMA)false
dc.title.por.fl_str_mv Diagnóstico de nódulos pulmonares em imagens de tomografia computadorizada usando redes neurais convolucionais evolutivas
title Diagnóstico de nódulos pulmonares em imagens de tomografia computadorizada usando redes neurais convolucionais evolutivas
spellingShingle Diagnóstico de nódulos pulmonares em imagens de tomografia computadorizada usando redes neurais convolucionais evolutivas
SILVA, Giovanni Lucca França da
Imagens médicas
Câncer pulmonar
Aprendizagem profunda
Rede neural convolucional
Algoritmo genético
Medical images
Lung cancer
Deep learning
Convolutional neural network
Genetic algorithm
Processamento Gráfico
Cancerologia
title_short Diagnóstico de nódulos pulmonares em imagens de tomografia computadorizada usando redes neurais convolucionais evolutivas
title_full Diagnóstico de nódulos pulmonares em imagens de tomografia computadorizada usando redes neurais convolucionais evolutivas
title_fullStr Diagnóstico de nódulos pulmonares em imagens de tomografia computadorizada usando redes neurais convolucionais evolutivas
title_full_unstemmed Diagnóstico de nódulos pulmonares em imagens de tomografia computadorizada usando redes neurais convolucionais evolutivas
title_sort Diagnóstico de nódulos pulmonares em imagens de tomografia computadorizada usando redes neurais convolucionais evolutivas
author SILVA, Giovanni Lucca França da
author_facet SILVA, Giovanni Lucca França da
author_role author
dc.contributor.advisor1.fl_str_mv SILVA, Aristófanes Corrêa
dc.contributor.advisor1ID.fl_str_mv 288.745.363-72
dc.contributor.advisor-co1.fl_str_mv PAIVA, Anselmo Cardoso de
dc.contributor.advisor-co1ID.fl_str_mv 375.523.843-87
dc.contributor.authorID.fl_str_mv 052.869.793-51
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/4300669916019534
dc.contributor.author.fl_str_mv SILVA, Giovanni Lucca França da
contributor_str_mv SILVA, Aristófanes Corrêa
PAIVA, Anselmo Cardoso de
dc.subject.por.fl_str_mv Imagens médicas
Câncer pulmonar
Aprendizagem profunda
Rede neural convolucional
Algoritmo genético
topic Imagens médicas
Câncer pulmonar
Aprendizagem profunda
Rede neural convolucional
Algoritmo genético
Medical images
Lung cancer
Deep learning
Convolutional neural network
Genetic algorithm
Processamento Gráfico
Cancerologia
dc.subject.eng.fl_str_mv Medical images
Lung cancer
Deep learning
Convolutional neural network
Genetic algorithm
dc.subject.cnpq.fl_str_mv Processamento Gráfico
Cancerologia
description Lung cancer is the leading cause of cancer death worldwide, which accounts for more than 17% percent of the total cancer related deaths. However, its early detection may help in a sharp drop in this mortality rate. Because of the arduous analysis process, alternatives such as computational tools that use image processing techniques and pattern recognition have been widely developed and explored for the early diagnosis of this disease, providing a second opinion to the specialist and making this process faster. Therefore, this work proposes a methodology for the diagnosis of slice-based lung nodules extracted from computed tomography images using evolutionary convolutional neural networks. Firstly, the nodules are divided into two sub-regions using the Otsu algorithm based on the particle swarm optimization algorithm. Then, the slices of the nodules and the slices of their sub-regions were resized to the 28 x 28 dimension and given as input simultaneously to the networks. The architecture of the model was composed of three convolutional neural networks sharing the same fully connected layer at the end. Being a parameterized model, the genetic algorithm was applied to optimize some parameters, such as the number of filters in the convolution layers and the number of neurons in the hidden layer. The proposed methodology was tested on the Lung Image Database Consortium and the Image Database Resource Initiative, resulting in a sensitivity of 94.66 %, specificity of 95.14 %, accuracy of 94.78 % and area under the ROC curve of 0.949.
publishDate 2017
dc.date.accessioned.fl_str_mv 2017-05-30T19:36:59Z
dc.date.issued.fl_str_mv 2017-01-31
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.citation.fl_str_mv SILVA, Giovanni Lucca França da. Diagnóstico de nódulos pulmonares em imagens de tomografia computadorizada usando redes neurais convolucionais evolutivas. 2017. 72 f. Dissertação (Programa de Pós-Graduação em Ciência da Computação) - Universidade Federal do Maranhão, São Luís, 2017.
dc.identifier.uri.fl_str_mv http://tedebc.ufma.br:8080/jspui/handle/tede/1534
identifier_str_mv SILVA, Giovanni Lucca França da. Diagnóstico de nódulos pulmonares em imagens de tomografia computadorizada usando redes neurais convolucionais evolutivas. 2017. 72 f. Dissertação (Programa de Pós-Graduação em Ciência da Computação) - Universidade Federal do Maranhão, São Luís, 2017.
url http://tedebc.ufma.br:8080/jspui/handle/tede/1534
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.publisher.none.fl_str_mv Universidade Federal do Maranhão
dc.publisher.program.fl_str_mv PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET
dc.publisher.initials.fl_str_mv UFMA
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv COORDENAÇÃO DO CURSO DE CIÊNCIAS DA COMPUTAÇÃO/CCET
publisher.none.fl_str_mv Universidade Federal do Maranhão
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFMA
instname:Universidade Federal do Maranhão (UFMA)
instacron:UFMA
instname_str Universidade Federal do Maranhão (UFMA)
instacron_str UFMA
institution UFMA
reponame_str Biblioteca Digital de Teses e Dissertações da UFMA
collection Biblioteca Digital de Teses e Dissertações da UFMA
bitstream.url.fl_str_mv http://tedebc.ufma.br:8080/bitstream/tede/1534/2/GiovanniLucca.pdf
http://tedebc.ufma.br:8080/bitstream/tede/1534/1/license.txt
bitstream.checksum.fl_str_mv 90ad0a568a12b861d1a2a3467c275a12
97eeade1fce43278e63fe063657f8083
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFMA - Universidade Federal do Maranhão (UFMA)
repository.mail.fl_str_mv repositorio@ufma.br||repositorio@ufma.br
_version_ 1809926187053481984