LOCALIZACIÓN DE NÓDULOS PULMONARES UTILIZANDO REPRESENTACIONES PROFUNDAS CONTEXTUALES
No Thumbnail Available
Date
2025-02-21
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Industrial de Santander
Abstract
El cáncer de pulmón (CP) es la principal causa de mortalidad por cáncer en el mundo . En 2020, se reportaron 2,21 millones de casos nuevos y 1,8 millones de muertes por esta enfermedad . El diagnóstico temprano del CP involucra la identificación oportuna de nódulos pulmonares (NP), los cuales son pequeñas lesiones sospechosas de malignidad, detectadas usualmente mediante estudios de tomografía computarizada (TC). Sin embargo, este proceso requiere de la interpretación meramente observacional de las imágenes por parte de los radiólogos, lo que resulta en un proceso subjetivo . Además, los NP representan entre el 0.03% y 0.3% del tamaño total de una imagen de TC 3, y comparten similitudes morfológicas con estructuras anatómicas como los vasos sanguíneos, lo que puede llevar a que sean pasados por alto o a la detección de falsos positivos (FP) . Como soporte para esta tarea, se han desarrollado métodos computacionales para localizar NP aprendiendo y extrayendo patrones y características texturales . Estos métodos, sin embargo, tienen un sesgo de caracterización local (convoluciones), perdiendo información del contexto en el TC7 . Este estudio explora la detección de NP en imágenes de TC mediante la combinación de un modelo fundacional (MF) y redes de grafos. Inicialmente, se utiliza Grounding-DINO para generar representaciones visuales globales, capturando el contexto semántico y anatómico de las imágenes. Estas representaciones guían la predicción inicial de NP. Posteriormente, las redes de grafos refinan las predicciones al capturar relaciones espaciales y contextuales entre los NP y las estructuras anatómicas circundantes, lo que contribuye a la reducción de FP. Este enfoque combina la capacidad del MF para identificar características relevantes con la fortaleza de las redes de grafos para modelar el contexto, mejorando la detección de NP.