Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/38674| Título: | Modelo de deep learning para análise de nódulos pulmonares em imagens médicas |
| Título(s) alternativo(s): | Deep learning model for pulmonary nodule analysis in medical images |
| Autor(es): | Martini, Gabriel Labres |
| Orientador(es): | Mendes Junior, José Jair Alves |
| Palavras-chave: | Inteligência artificial - Aplicações médicas Aprendizado profundo (Aprendizado do computador) Tomografia Pulmões - Câncer Processamento de imagens - Técnicas digitais Artificial intelligence - Medical applications Deep learning (Machine learning) Tomography Lungs - Cancer Image processing - Digital techniques |
| Data do documento: | 15-Mar-2024 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | MARTINI, Gabriel Labres. Modelo de deep learning para análise de nódulos pulmonares em imagens médicas. 2024. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica) - Universidade Tecnológica Federal do Paraná, Curitiba, 2024. |
| Resumo: | O câncer pulmonar é uma das principais causas de morte relacionadas ao câncer em todo o mundo, e o diagnóstico precoce é crucial para melhorar as taxas de sobrevivência dos pacientes. A tomografia computadorizada do tórax é uma ferramenta essencial para a detecção de nódulos pulmonares, que podem ser indicativos de câncer pulmonar. No entanto, a análise manual dessas imagens por radiologistas é uma tarefa demorada e sujeita a variabilidade inter-observador. Nessa perspectiva, este trabalho apresenta um software para análise de exames médicos de imagem utilizando aprendizagem de máquina. Essas imagens são provenientes de exames de tomografia computadorizada do tórax. O software desenvolvido realiza o processo de segmentação de possíveis nódulos pulmonares presentes na imagem e os classifica entre nódulos ou não-nódulos, servindo como uma ferramenta de auxílio a diagnóstico. O desenvolvimento foi realizado em linguagem Python, utilizando a biblioteca PyTorch para implementação da rede neural convolucional utilizando o modelo U-Net. Foi utilizada a base de dados LIDC-IDRI, que contém mais de 800 exames de tomografia de tórax, com anotações feitas por médicos radiologistas sobre os nódulos presentes. Como resultado, o sistema demonstrou capacidade de segmentar e classificar corretamente 85% dos nódulos pulmonares presentes nos exames da base de dados. |
| Abstract: | Lung cancer is one of the leading causes of cancer-related deaths worldwide, and early diagnosis is crucial for improving patient survival rates. Chest computed tomography scans are essential tools for detecting pulmonary nodules, which may be indicative of lung cancer. However, manual analysis of these images by radiologists is time-consuming and subject to inter-observer variability. In this perspective, this study presents software for the analysis of medical imaging exams using machine learning. These images are derived from chest tomography scans. The developed software performs the segmentation process of potential pulmonary nodules present in the image and classifies them as nodules or non-nodules, serving as a diagnostic aid tool. The development was carried out in Python language, using the PyTorch library to implement the convolutional neural network. The LIDC-IDRI database was used, which contains over 800 chest CT scans with annotations made by radiologists about the nodules present. As a result, the system demonstrated the ability to segment and classify 85% of the pulmonary nodules present in exams from the dataset accurately. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/38674 |
| Aparece nas coleções: | CT - Engenharia Eletrônica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| deeplearningnodulospulmonares.pdf | 1,36 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
