LOCALIZACIÓN DE NÓDULOS PULMONARES UTILIZANDO REPRESENTACIONES PROFUNDAS CONTEXTUALES

Simple item page
dc.contributor.advisorMartinez Carrillo, Fabio
dc.contributor.advisorGuayacán Chaparro, Luis Carlos
dc.contributor.authorGutiérrez Benavides, Carlos Andrés
dc.contributor.authorMorantes Duarte, David Santiago
dc.contributor.evaluatorBautista Rozo, Lola Xiomara
dc.contributor.evaluatorPedraza Ferreira, Gabriel Rodrigo
dc.date.accessioned2025-02-24T20:27:54Z
dc.date.available2025-02-24T20:27:54Z
dc.date.created2025-02-21
dc.date.issued2025-02-21
dc.description.abstractEl 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.
dc.description.abstractenglishLung cancer (LC) is the leading cause of cancer-related mortality worldwide . In 2020, 2.21 million new cases and 1.8 million deaths were reported due to this disease . Early diagnosis of LC involves the timely identification of lung nodules (LN), which are small lesions suspected of malignancy, usually detected through computed tomography (CT) scans. However, this process relies on the purely observational interpretation of images by radiologists, making it subjective . Moreover, LNs account for only 0.03% to 0.3% of the total size of a CT image and share morphological similarities with anatomical structures such as blood vessels, which can lead to LNs being overlooked or to the detection of false positives (FP) . To assist in this task, computational methods have been developed to localize LNs by learning and extracting patterns and textural features from LNs . However, these methods tend to focus on local characterization (convolutions), losing context information in CT images . This study explores the detection of LNs in CT images by combining a foundational model (MF) and graph networks. Initially, GroundingDINO is used to generate global visual representations, capturing the semantic and anatomical context of the images. These representations guide the initial LN predictions. Subsequently, graph networks refine the predictions by capturing spatial and contextual relationships between the LNs and surrounding anatomical structures, contributing to FP reduction. This approach leverages the MF’s ability to identify relevant features and the graph networks’ capacity to model the context, improving LN detection.
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/20.500.14071/45071
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-SinDerivadas 2.5 Colombia (CC BY-ND 2.5 CO)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.titleLOCALIZACIÓN DE NÓDULOS PULMONARES UTILIZANDO REPRESENTACIONES PROFUNDAS CONTEXTUALES
dc.title.englishLOCALIZATION OF PULMONARY NODULES USING DEEP CONTEXTUAL REPRESENTATIONS
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:
Nota de proyecto.pdf
Size:
406.72 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
121.42 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
10.74 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