Evaluación de técnicas para la detección de nódulos pulmonares en tomografías computarizadas

El cáncer de pulmón es el tercer cáncer más frecuente y la principal causa de muerte relacionada con el cáncer en el mundo. Este cáncer tiene una alta letalidad con una supervivencia global del 16% a los cinco años. Los síntomas son inespecíficos, por lo que el diagnóstico suele retrasarse. Para lograr un diagnóstico más temprano e iniciar el tratamiento en una fase no avanzada del cáncer para reducir la mortalidad, se realizan tomografías computarizadas de alta resolución (TC). Por lo tanto, se requieren técnicas avanzadas de procesamiento de imágenes y aprendizaje automático, ya que el gran volumen de imágenes que generan los equipos médicos hace que se revise mucha información para realizar un diagnóstico médico. Para el diagnóstico, las imágenes son analizadas por los especialistas para encontrar nódulos, medirlos y evaluarlos. Sin embargo, los nódulos encontrados en los pulmones tienen diferentes formas, dimensiones y texturas, lo que dificulta su identificación. Por ello, este trabajo presenta la implementación, análisis y evaluación de técnicas de aprendizaje profundo para la segmentación y clasificación de nódulos pulmonares en TAC, dando como resultado modelos de predicción con un porcentaje de precisión del 95,59% en la etapa de segmentación y un 97% en la etapa de clasificación para reducción de falsos positivos y se discute sobre una tercera etapa de clasificación por texturas. Según la plataforma “Grand Challenge”, son los mejores porcentajes de precisión a nivel mundial actualmente.

• Autores: Santos Naranjo, José Miguel
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2023
• Institución: Universidad de Ibagué
• Repositorio: Repositorio Universidad de Ibagué
• Idioma: spa
• OAI Identifier: oai:repositorio.unibague.edu.co:20.500.12313/4822
• Acceso en línea: https://hdl.handle.net/20.500.12313/4822
• Palabra clave: Tomografías pulmonares; Nódulos pulmonares - Tomografía; Cáncer de pulmón; Aprendizaje profundo; Nódulos; Tomografía computarizada; Red neuronal convolucional; Lung cancer; Early diagnosis; Deep Learning; Medical imaging; Nodules; Computer tomography; Convolutional neural network
• Rights: openAccess
• License: http://purl.org/coar/access_right/c_abf2