Clasificación de los nódulos pulmonares utilizando representaciones profundas dedicadas a la segmentación y caracterización de forma.
No Thumbnail Available
Date
2025-05-13
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Industrial de Santander
Abstract
El cáncer de pulmón presenta la mayor incidencia y mortalidad relacionada con el cáncer a nivel mundial; en 2022, aproximadamente el 18.7% de la población falleció por esta causa. El diagnóstico se basa en el análisis de nódulos pulmonares, pequeñas masas anormales consideradas precursores de la enfermedad y principales biomarcadores de las mismas, identificadas mediante tomografías computarizadas (TC) de baja dosis que permiten evaluar textura, tamaño, densidad y morfología. No obstante, su diagnóstico es subjetivo, reportándose un acuerdo bajo/moderado (kappa promedio de 0.51 y 0.57 para la variabilidad inter-intra-observador, respectivamente). En la actualidad, se han desarrollado diversas metodologías para la clasificación de los nódulos pulmonares, pero siguiendo estrategias supervisadas, con dependencia de anotaciones de expertos. Por tanto, este trabajo presenta una estrategia que permite realizar la clasificación los nódulos pulmonares utilizando representaciones profundas dedicadas a la segmentación y caracterización de la forma. Para ello, se implementó una U-Net con mecanismos de atención que permiten extraer características densas, enfatizando bordes y texturas. Adicionalmente, se integraron tokens radiológicos en el proceso, los cuales se concatenaron con el embebido generado por la U-Net, combinando información sobre lobulación, espiculación, textura y margen. Posteriormente, este embebido combinado se enriqueció al concatenarse con las características geométricas obtenidas a partir de las segmentaciones, como el área y el perímetro, logrando una representación final más robusta para la clasificación. El método fue evaluado en conjuntos de datos públicos, alcanzando un AUC de 93.02% ±0.0018, una sensibilidad de 94.86% ±0.010, una precisión de 95.79% ±0.005 y un F1-score de 95.32% ±0.005, lo que demuestra su potencial para el análisis y clasificación de nódulos pulmonares.
Description
Keywords
Nódulos pulmonares, Tomografía computarizada, Aprendizaje débilmente supervisado, Métodos discriminativos, Segmentación, Clasificación