Detecção e classificação de nódulos pulmonares utilizando aprendizagem profunda e inteligência de enxame

• Ano de defesa: 2019
• Autor(a) principal: Pinheiro, Cesar Affonso de Pinho
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Estado do Rio de Janeiro; Centro de Tecnologia e Ciências::Faculdade de Engenharia; BR; UERJ; Programa de Pós-Graduação em Engenharia Eletrônica
• Palavras-chave em Português: Electronic Engineering; Expert systems (computing); Cancer - Diagnosis; Neural networks (computing); Collective intelligence; Lung Cancer; Deep Learning; Swarm intelligence; Computer Aided Diagnosis Systems; Engenharia eletrônica; Sistemas especialistas (Computação); Câncer - Diagnóstico; Redes neurais (Computação); Inteligência coletiva; Câncer de Pulmão; Aprendizagem Profunda; Inteligência de Enxame; Sistemas de Diagnóstico Auxiliado por Computador; CNPQ::ENGENHARIAS
• Link de acesso: http://www.bdtd.uerj.br/handle/1/11762

O diagnóstico do câncer é geralmente uma tarefa árdua para a medicina, especialmente quando se trata do câncer pulmonar, um dos tipos mais letais e difíceis de tratar dessa terrível doença. A detecção tradicional do câncer de pulmão começa com uma inspeção visual em exames de tomografia computadorizada, feita por médicos especialistas. Por esse motivo, a detecção de nódulos pulmonares cancerígenos em estágios iniciais é um problema muito mais difícil. No entanto, deve-se investir nesta detecção precoce, pois ela aumenta drasticamente as chances de cura. Para ajudar a melhorar a detecção do câncer e as taxas de sobrevivência, engenheiros e cientistas têm desenvolvido sistemas de diagnóstico assistido por computador, os chamados "Sistemas CAD". Este trabalho utiliza técnicas de inteligência computacional para sugerir uma nova abordagem à solução do problema de detecção de nódulos cancerígenos pulmonares em exames de tomografia computadorizada. A tecnologia aplicada consiste em usar Aprendizagem Profunda e Inteligência de Enxame para desenvolver diferentes modelos de classificação de nódulos. No total, 14 algoritmos de Inteligência de Enxame e uma Rede Neural Convolucional usada para segmentação de imagens biomédicas foram usados para classificar nódulos pulmonares na base de dados Lung Image Database Consortium and Image Database Resource Initiative (LIDC-IDRI). O principal objetivo deste trabalho é utilizar os algoritmos de enxame para treinar modelos de redes neurais convolucionais por transferência de aprendizado e, com isso, verificar se este método é mais eficiente que os algoritmos de treinamento tradicionais, como o Backpropagation e Descida do gradiente. Os modelos desenvolvidos neste trabalho conseguiram alcançar desempenhos elevados, produzindo resultados compatíveis com os atuais modelos estado-da-arte em aplicações de detecção de câncer de pulmâo. Com os experimentos realizados neste trabalho, foi possível verificar a real eficácia do uso de algoritmos de inteligência de enxame para treinar modelos de transferência de aprendizagem profunda e afirmar a superioridade destas técnicas sobre os modelos treinados com backpropagation para este tipo de aplicação. Dos 14 algoritmos de enxame testados, 7 obtiveram melhor desempenho que o backpropagation, alcançando até 93,78% em acurácia, 93,59% em precisão, 93,04% em sensibilidade, 98,56% em especificidade e operando até 25% mais rápido.