Clasificación de los nódulos pulmonares utilizando representaciones profundas dedicadas a la segmentación y caracterización de forma.

Simple item page
dc.contributor.advisorMartínez Carrillo, Fabio
dc.contributor.advisorMoreno Tarazona, Alejandra
dc.contributor.authorMéndez Rivera, Laura Vanessa
dc.contributor.evaluatorArguello Fuentes, Henry
dc.contributor.evaluatorBacca Quintero, Jorge Luis
dc.date.accessioned2025-05-14T14:57:19Z
dc.date.available2025-05-14T14:57:19Z
dc.date.created2025-05-13
dc.date.issued2025-05-13
dc.description.abstractEl 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.
dc.description.abstractenglishLung cancer has the highest incidence and cancer-related mortality worldwide; in 2022, approximately 18.7% of the population died from this cause. Diagnosis is based on the analysis of pulmonary nodules—small abnormal masses considered precursors of the disease and key biomarkers—identified through low-dose computed tomography (CT), which allows for the assessment of texture, size, density, and morphology. However, the diagnosis is subjective, reporting a low/moderate agreement (average kappa of 0.51 and 0.57 for inter-intra-observer variability, respectively). Currently, several computational methodologies have been developed allowing the classification of lung nodules, mainly between extreme stages (benign vs malignant). However, these strategies are supervised and annotation-dependent by experts. The proposed methodology presents a strategy to classify pulmonary nodules using deep representations dedicated to segmentation and morphological characterization.A U-Net with attention mechanisms is employed, in order to extract dense features, enhancing edges, and textures. Additionally, radiological tokens were integrated into the process and concatenated with the U-Net embedding, incorporating information on lobulation, spiculation, texture, and margins. The combined embedding was further enriched by incorporating geometric features derived from the segmentations, such as area and perimeter, resulting in a more robust representation for classification. The proposed method was evaluated on public datasets by achieving an AUC of 93.02% ±0.005, a recall of 94.86% ±0.010, a precision of 95.79% ±0.005, and an F1-score of 95.32% ±0.005, demonstrating its potential for pulmonary nodule analysis and classification.
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero de Sistemas
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/45465
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programIngeniería de Sistemas
dc.publisher.schoolEscuela de Ingeniería de Sistemas e Informática
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAtribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectNódulos pulmonares
dc.subjectTomografía computarizada
dc.subjectAprendizaje débilmente supervisado
dc.subjectMétodos discriminativos
dc.subjectSegmentación
dc.subjectClasificación
dc.subject.keywordPulmonary nodules
dc.subject.keywordComputed tomography
dc.subject.keywordWeakly supervised learning
dc.subject.keywordDiscriminative methods
dc.subject.keywordSegmentation
dc.subject.keywordClassification
dc.titleClasificación de los nódulos pulmonares utilizando representaciones profundas dedicadas a la segmentación y caracterización de forma.
dc.title.englishLung nodule classification by using deep representations dedicated to segmentation and shape characterization.
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
90.63 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
402.91 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
1.39 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Ingeniería de Sistemas