Detección de nódulos pulmonares usando una representación profunda de localización en secuencia de tomografía computarizada(DEEPLL)

Hernaández Bautista, Jonathan Yesid; Villalba Roa, Dylan Yesid

Detección de nódulos pulmonares usando una representación profunda de localización en secuencia de tomografía computarizada(DEEPLL)

dc.contributor.advisor	Martínez Carrillo, Fabio
dc.contributor.advisor	Sepulveda Sepulveda, Franklin Alexander
dc.contributor.author	Hernaández Bautista, Jonathan Yesid
dc.contributor.author	Villalba Roa, Dylan Yesid
dc.contributor.evaluator	Pertuz Arroyo, Said David
dc.contributor.evaluator	Niño Niño, Carlos Andrés
dc.date.accessioned	2023-05-16T13:17:12Z
dc.date.available	2023-05-16T13:17:12Z
dc.date.created	2023-05-15
dc.date.issued	2023-05-15
dc.description.abstract	Los nódulos son el principal indicador de cáncer de pulmón, generalmente observados como masas anormales en estudios de tomografía computarizada (TC). Sin embargo, en la rutina clínica se reporta una baja y muy variable sensibilidad, reportando resultados que van desde el 30% al 97%. Esta variación en la tarea de detección puede estar asociada a la variabilidad textural de los nódulos y a la subjetividad inherente a las observaciones de los expertos. A pesar de los múltiples enfoques para apoyar la detección de nódulos, la caracterización respectiva sigue siendo desafiante, especialmente para masas diminutas con sólo un 51% de sensibilidad. Este trabajo introduce una representación profunda YOLO multicanal que tiene la capacidad de localizar nódulos, representados a múltiples escalas en rutas de procesamiento independientes. El enfoque propuesto recupera cuadros delimitadores de diferentes rutas de procesamiento, localizando nódulos que pueden variar drásticamente en su tamaño. Además, en este trabajo se recuperan mapas de explicabilidad a partir de una eigen descomposición, que permite comparar las predicciones y reducir los falsos positivos. El enfoque propuesto se validó con respecto al conjunto de datos público LIDC, tomando nódulos con una mediana de acuerdo entre al menos tres radiólogos. En dicho conjunto de datos, el enfoque propuesto alcanzó un 88.01% de métrica de rendimiento competitivo (por sus siglas en inglés: CPM), y una sensibilidad del 93.64%.
dc.description.abstractenglish	Nodules are the main indicator of lung cancer, generally observed as abnormal masses in computed tomography (CT) studies. However, in routine clinical practice, low and highly variable sensitivity is reported, with results ranging from 30% to 97%. This variation in the detection task may be associated with the textural variability of nodules and the inherent subjectivity of expert observations. Despite multiple approaches to support nodule detection, the respective characterization remains challenging, especially for tiny masses with only 51% sensitivity. This work introduces a deep YOLO multichannel representation that has the ability to locate nodules, represented at multiple scales in independent processing paths. The proposed approach retrieves bounding boxes from different processing paths, locating nodules that can vary drastically in size. In addition, this work recovers explanatory maps from an eigen decomposition, which makes it possible to compare predictions and reduce false positives. The proposed approach was validated against the public LIDC dataset, taking nodules with a median agreement between at least three radiologists. In that dataset, the proposed approach achieved 88.01% of competition performance metric (CPM), and a sensitivity of 93.64%.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero Electrónico
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/14255
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería Electrónica
dc.publisher.school	Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Tomografía computarizada
dc.subject	aprendizaje profundo
dc.subject	nódulos pulmonares
dc.subject	localización
dc.subject	cáncer.
dc.subject.keyword	Computed tomography
dc.subject.keyword	deep learning
dc.subject.keyword	pulmonary nodules
dc.subject.keyword	localization
dc.subject.keyword	cancer
dc.title	Detección de nódulos pulmonares usando una representación profunda de localización en secuencia de tomografía computarizada(DEEPLL)
dc.title.english	Detection of pulmonary nodules using deep localization rendering in computed tomography sequences (DEEPLL)
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dspace.entity.type