Comparação de redes pré-treinadas para a segmentação e classificação de nódulos pulmonares em imagens tomográficas

Abstract

Introdução: O câncer de pulmão é o segundo tipo de câncer mais incidente em todo o mundo. O rastreio deste câncer passa primariamente pela descoberta de nódulos pulmonares em imagens seccionais de tomografia computadorizada. Os nódulos são, portanto, um achado radiológico que viabiliza o diagnóstico precoce. No entanto, sua identificação e caracterização são tarefas que dependem da experiência do corpo clínico e, por vezes, levam a dificuldades nas decisões clínicas. Métodos: Métodos de visão computacional, como as redes neurais convolucionais têm sido utilizados para a segmentação e classificação de nódulos pulmonares. Para a segmentação, a U-Net foi implementada, enquanto que para a classificação, diferentes arquiteturas de redes pré-treinadas foram examinadas em busca da rede com maior poder preditivo, avaliando métricas como a pontuação de Intersecção sobre União (IoU), exatidão, precisão, sensibilidade e F1-Score. Resultados: Nas tarefas de segmentação, a U-Net apresentou uma IoU média de 0,806 no grupo de validação. Esse desempenho permitiu que alguns dos modelos testados atingissem valores de exatidão superiores a 75% na tarefa de classificação em ambos os conjuntos de dados. Conclusões: Ainda que os resultados sejam preliminares, o uso de CNNs apresenta promissora aplicabilidade na segmentação e classificação de nódulos pulmonares. Entretanto, aplicações futuras num contexto clínico, demandam a inclusão de mais bancos de dados, pré-processamento das imagens e inclusive alteração da abordagem de segmentação, como uma abordagem volumétrica. Dessa forma, espera-se que em trabalhos futuros, extraindo maiores informações das imagens possa-se atingir valores de classificação suficientes para auxílio ao diagnóstico médico na detecção do câncer.

Introduction: Lung cancer is the second most common type of cancer worldwide. Screening for this cancer primarily involves finding lung nodules on sectional computed tomography scans. Pulmonary nodules are considered radiological findings that enable early diagnosis. However, its identification and characterization are tasks that depend on the experience of the clinical staff and present difficulties in clinical decisions. Methods: We utilized two public datasets containing lung nodules that were previously labeled to test computer vision methods such as convolutional neural networks (CNN) in the task of segmentation and classification of lung nodules. For segmentation, U-Net was implemented, while for classification, different pre-trained CNNs were examined for the highest predictive evaluating metric, including Intersection over Union (IoU) score, accuracy, precision, recall and F1-Score. Results: In the segmentation tasks, U-Net presented an average IoU of 0.806 in the validation group. This performance allowed the CNN architectures to achieve accuracy values above 75% in the classification task on both data sets. Conclusions: Although the results are preliminary, the use of CNNs presents promising applicability in the segmentation and classification of pulmonary nodules. However, future applications in a clinical context require the inclusion of more databases, pre-processing of images and even changing the segmentation approach, such as a volumetric approach. Therefore, it is expected that in future work,extracting more information from the images classification values sufficient to aid medical diagnosis in the detection of cancer can be achieved.