Banca de DEFESA: THIAGO JOSE BARBOSA LIMA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: THIAGO JOSE BARBOSA LIMA
DATA: 26/07/2021
HORA: 09:00
LOCAL: google Meet
TÍTULO: CLASSIFICAÇÃO AUTOMÁTICA DE NÓDULOS PULMONARES EM IMAGENS DE TOMOGRAFIA COMPUTADORIZADA USANDO REDES NEURAIS CONVOLUCIONAIS E BAG OF FEATURES
PALAVRAS-CHAVES: Imagens médicas. Nódulos pulmonares. TC. CNNs 2D e 3D. Bag of Features.
PÁGINAS: 70
GRANDE ÁREA: Engenharias
ÁREA: Engenharia Elétrica
RESUMO:

O câncer de pulmão é o de maior incidência no mundo. A detecção e o diagnóstico precoce permitem mais opções de tratamento e maior probabilidade de sobrevivência do paciente. Os exames padrão para o diagnóstico do câncer pulmonar são exames de imagem médicas, citologia de escarro e biópsia pulmonar. O exame de Tomografia Computadorizada (TC) de tórax tem papel importante no diagnóstico precoce de nódulos, o que pode aumentar a probabilidade de sobrevivência dos pacientes. Neste tipo de exame, os nódulos 3D são representados por diversas fatias 2D. Dessa forma, este trabalho aborda a classificação de nódulos pulmonares em benignos ou malignos em imagens de TC. Para isso, investigamos as redes pré-treinadas VGG16, VGG19, Inception, Resnet50 e Xception, para extração de características de cada fatia 2D do nódulo 3D. Em seguida, foi utilizado o Principal Component Analysis (PCA) para redução de dimensionalidade das características extraídas a partir das redes pré-treinadas.
Visto que a quantidade de fatias por nódulo são diferentes, foi aplicada a técnica de Bag of Features (BoF) para gerar vetores de características de mesma dimensionalidade, e na etapa de classificação, foi utilizada a Random Forest. Ainda, foi realizada a classificação utilizando Redes Neurais Convolucionais 2D e 3D, treinadas na própria base de imagens. Avaliamos o método proposto com 1.405 imagens segmentadas da base LIDC-IDRI e obtivemos acurácia de 95,41%, kappa de 0,8850, sensibilidade de 88,95%, especificidade de 97,99% e AUC de 0,9858. A principal conclusão obtida foi que a combinação pelo BoF de características extraídas de fatias 2D usando arquiteturas pré-treinadas produziu melhores resultados do que o treinamento de CNNs 2D e 3D nos nódulos. Além disso, o uso de BoF também torna a criação da assinatura do nódulo independente do número de fatias.

MEMBROS DA BANCA:
Externo à Instituição - ANDREA GOMES CAMPOS BIANCHI - UFOP
Interno - 1126212 - ANTONIO OSEAS DE CARVALHO FILHO
Presidente - 2025885 - FLÁVIO HENRIQUE DUARTE DE ARAÚJO
Interno - 2025063 - ROMUERE RODRIGUES VELOSO E SILVA