Classificação de nódulos pulmonares a partir de imagens de tomografia computadorizada 3D utilizando redes neurais convolucionais.

Abstract

câncer é uma das doenças mais letais tanto no Brasil quanto no cenário global. Dentre os seus tipos, o câncer de pulmão é o que apresenta maior número de mortes, tornando crucial o diagnóstico precoce para um tratamento eficaz. Uma das manifestações dessa doença é na forma de nódulos pulmonares, sendo que eles podem ser classificados como sólidos, parcialmente sólidos e de padrão vidro-fosco. A tomografia computadorizada (TC) é uma das principais modalidades para detecção dessa neoplasia. Com isso, o uso do Deep Learning, em específico as Redes Neurais Convolucionais (CNNs), vem crescendo no auxílio ao diagnóstico e classificação dessas lesões. Portanto, o objetivo deste trabalho é desenvolver uma ferramenta capaz de classificar nódulos pulmonares tridimensionais nos seus três diferentes tipos. Neste estudo, utilizou-se um conjunto de dados composto por 294 exames retrospectivos laudados, disponibilizados pelo Centro Hospitalar e Universitário de São João em Porto, Portugal. As imagens de TC passaram por projeções tridimensionais e foram utilizadas CNNs para classificação, sendo elas Resnet-18, 34, 50, 101 e 152. Dentre os resultados obtidos, destacou-se a ResNet-34, que obteve uma acurácia final de 88%. Obteve também uma sensibilidade de 89% para nódulos sólidos e 98% para o vidro-fosco, embora não tenha sido capaz de classificar nódulos parcialmente sólidos. Portanto, o estudo evidenciou que as Redes Neurais Convolucionais são capazes de classificar lesões sólidas e vidro-fosco, embora não tenha mostrado eficácia para os nódulos parcialmente sólidos.

Cancer is a lethal disease, both in Brazil and on a global scale. Among its types, lung cancer has the highest number of fatalities, making early diagnosis crucial for effective treatment. One of the manifestations of this disease is in the form of pulmonary nodules, which can be classified as solid, partially solid, and ground-glass opacities. Computed Tomography (CT) is one of the primary diagnostic tools for detecting this neoplasm. Consequently, the use of Deep Learning, specifically Convolutional Neural Networks (CNNs), has been growing in assisting with the diagnosis and classification of these lesions. Therefore, the objective of this study is to develop a tool capable of classifying three-dimensional pulmonary nodules into their three different types. In this study, a dataset composed of 294 retrospectively interpreted exams was used, provided by the Centro Hospitalar e Universitário de São João in Porto, Portugal. The CT images underwent three-dimensional projections, and CNNs were used for classification, including Resnet-18, 34, 50, 101, and 152. Among the results obtained, ResNet-34 stood out, achieving a final accuracy of 88%. It also achieved a sensitivity of 89% for solid nodules and 98% for ground-glass opacities, although it was not capable of classifying partially solid nodules. Therefore, the study demonstrated that Convolutional Neural Networks are capable of classifying solid and ground-glass lesions, although they did not prove to be effective for partially solid nodules.