Deep ensemble para segmentação e classificação de nódulos pulmonares em tomografia computadorizada

Abstract

O câncer de pulmão é a principal causa de morte por câncer no mundo, em grande parte devido ao diagnóstico tardio da doença. Nesse contexto, a tomografia computadorizada desempenha papel central na detecção de nódulos pulmonares, que representam a forma mais frequente de apresentação da doença em estágios iniciais. No entanto, a análise desses exames é desafiadora em razão da variabilidade morfológica das lesões, da heterogeneidade dos protocolos de aquisição e da elevada carga de trabalho imposta aos especialistas. Este trabalho propõe e avalia um pipeline computacional baseado em redes neurais convolucionais e estratégias de ensemble para segmentação e classificação de nódulos pulmonares em tomografia computadorizada. Foram conduzidos três experimentos progressivos utilizando bases públicas amplamente empregadas na literatura. Inicialmente, realizou-se a classificação multiclasse de nódulos na base de dados LNDb, seguida pela classificação binária de nódulos malignos e benignos na base de dados LIDC-IDRI. Por fim, foi implementado um pipeline end-to-end que incorpora segmentação pulmonar e nodular antes da etapa de classificação. Os resultados indicaram que arquiteturas modernas de redes neurais convolucionais apresentam desempenho competitivo na classificação de nódulos pulmonares, enquanto estratégias de ensemble contribuem para maior robustez e estabilidade das predições. Em cenários mais complexos e heterogêneos, observou-se que o ensemble tende a favorecer métricas de sensibilidade, como o recall, em detrimento de métricas globais de desempenho. Esses achados reforçam o potencial de modelos computacionais como ferramentas de apoio à decisão clínica, especialmente em contextos de triagem e priorização visual, sem substituir a atuação do radiologista.

Lung cancer is the leading cause of cancer death worldwide, largely due to late-stage diagnosis. In this context, computed tomography plays a central role in the detection of pulmonary nodules, which represent the most common radiological manifestation of the disease at early stages. However, the analysis of these examinations is challenging because of lesion morphological variability, heterogeneous acquisition protocols, and the high workload imposed on specialists. This study proposes and evaluates a computational pipeline based on convolutional neural networks and deep ensemble strategies for pulmonary nodule segmentation and classification in computed tomography. Three progressive experimental scenarios were conducted using publicly available datasets widely adopted in the literature. First, a multiclass classification of pulmonary nodules was performed on the LNDb dataset. Subsequently, binary classification of malignant and benign nodules was carried out using the LIDC-IDRI dataset. Finally, an end-to-end pipeline incorporating lung and nodule segmentation before classification was implemented. The results demonstrate that modern convolutional neural network architectures achieve competitive performance in pulmonary nodule classification, while ensemble strategies contribute to increased robustness and prediction stability. In more complex and heterogeneous scenarios, the ensemble approach tended to favor sensitivity-related metrics, such as recall, at the expense of global performance measures. These findings highlight the potential of computational models as clinical decision support tools, particularly in triage and visual prioritization tasks, without replacing the role of the radiologist.