Use este identificador para citar ou linkar para este item: https://repositorio.unipampa.edu.br/jspui/handle/riu/8452
Tipo: Trabalho de Conclusão de Curso
Título: Deep Learning: Convolutional Neural Networks for lung cancer detection and classification
Autor(es): Garcia, Ignacio Pineiro
Primeiro Orientador: Nunes, Gerson Alberto Leiria
1° Membro da banca: Nunes, Gerson Alberto Leiria
2° Membro da banca: Heinen, Milton Roberto
3° Membro da banca: Ramos, Fábio Luis Livi
Resumo: O câncer pulmonar é uma doença causada pelo incontrolável crescimento de tecido nos pulmões. Esse tipo de tumor maligno, representa o câncer com maior taxa de mortalidade ao redor do mundo. Afortunadamente, quando este tipo de câncer é detectado nas etapas iniciais, causa um grande incremento na taxa de sobrevivência dos pacientes. Primeiramente, graças a tecnologia de escaneamento de Tomografia Computadorizada (CT), é possível obter informação detalhada das partes internas do corpo, e essa informação pode ser utilizada no treinamento de sistemas para detectar e classificar nódulos malignos. Além disso, imagens extraídas de CTs normalmente tem uma grande dimensionalidade, assim demandando ao especialistas um grande esforço de tempo empregado durante processo análise. Ao mesmo tempo, estes profissionais precisam cuidar de diversos pacientes, com diferentes casos. Consequentemente, fatores como a fadiga podem fazer com que estes profissionais cometam erros. Sistemas de Diagnóstico Assistido por Computador se provam extremamente úteis nestes casos, visto que podem ajudar os especialistas através de uma automação na detecção dos nódulos suspeitos, e assim melhorar a eficiência e a qualidade do diagnóstico. Redes Neurais Convolucionais Profundas são consideradas o estado da arte na área de reconhecimento de objetos e padrões, e devido às melhoras apresentadas nas áreas de software e hardware, o desenvolvimento deste tipo de sistemas é algo possível. Arquiteturas profundas são modelos matemáticos com a habilidade de entender conceitos complexos através de uma composição de conceitos simples. Neste trabalho, foi desenvolvida uma arquitetura baseada em U-Net para detectar nódulos pulmonares em CT Scans. O desempenho do modelo foi avaliado em comparação aos resultados do Lung Nodule Analysis (LUNA16) Challenge, classificando-o entre as 20 melhores arquiteturas do desafio.
Abstract: Lung cancer is a disease caused by uncontrollable tissue growth in the lungs. This kind of malignant tumor has become the cancer with the highest mortality rate worldwide. Fortunately, when lung cancer is detected in its early stages, the survival rate of patients has great improvement. Due to the Computerized Tomography (CT) scans technology, it is possible to obtain detailed internal images of the body, and this information can be employed in the training of systems to detect and classify malignant nodules. Nevertheless, CT images normally have high dimensionality, and they require a great time effort of a specialist to be analyzed. Furthermore, these professionals need to take care of diverse patients in the meantime. Consequently, factors such as fatigue can lead them to make mistakes. Computer-Aided Diagnosis Systems are extremely useful in these cases, they can assist the specialists by automating the detection of suspected nodules, and hence improve the efficiency and quality of diagnosis. For instance, this type of system uses Machine Learning techniques to create a correlation between different features of a given disease, and eventually, learn to give accurate diagnoses. Moreover, the visual recognition process is made by Convolutional Neural Networks, which are considered state-of-the-art in the object and pattern recognition area. These models present a considerable precision gain, in exchange for their great computational costs. However, the recent improvements in both software and hardware areas play an essential role in this field, allowing the systems to build more complex Artificial Neural Networks, composed of numerous specialized layers. In particular, these systems are named Deep architectures. In conclusion, they are mathematical models that can construct complex concepts by creating a composition of simpler ones. In this work, an U-Net based architecture was employed to detect lung nodules in CT Scans. The model’s performance was evaluated against the Lung Nodule Analysis (LUNA16) Challenge results, ranking among the top 20 architectures in the challenge.
Palavras-chave: Deep learning
Convolutional neural networks
Lung cancer
CT scans
Aprendizado profundo
Redes neurais convolucionais
Câncer pulmonar
Tomografias computadorizadas
CNPq: CNPQ::ENGENHARIAS
Idioma: eng
País: Brasil
Editor: Universidade Federal do Pampa
Sigla da Instituição: UNIPAMPA
Campus: Campus Alegrete
Citação: GARCIA, Ignacio Pineiro. Deep Learning: Convolutional Neural Networks for lung cancer detection and classification. 2023. 79f. Trabalho de Conclusão de Curso (Bacharel em Engenharia da Computação) – Universidade Federal do Pampa, Curso de Ciência da Computação, Bagé, 2023
Tipo de Acesso: Acesso Aberto
URI: https://repositorio.unipampa.edu.br/jspui/handle/riu/8452
Data do documento: 1-Fev-2023
Aparece nas coleções:Engenharia de Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Trabalho_de_Conclusao_de_Curso___Ignacio_Garcia.pdf6.41 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.