Estratificación de la malignidad de los nódulos pulmonares en secuencias de tomografía computarizada (TC) utilizando representaciones discriminativas profundas

Simple item page
dc.contributor.advisorMartínez Carrillo, Fabio
dc.contributor.advisorRueda Olarte, Andrea del Pilar
dc.contributor.authorMoreno Tarazona, Alejandra
dc.contributor.evaluatorMalpica González, Norberto Antonio
dc.contributor.evaluatorRomo Bucheli, David Edmundo
dc.date.accessioned2023-08-08T14:49:54Z
dc.date.available2023-08-08T14:49:54Z
dc.date.created2023-08-04
dc.date.issued2023-08-04
dc.description.abstractEl cáncer de pulmón se mantiene como la principal causa de mortalidad relacionada con el cáncer a nivel mundial. Los nódulos son el principal hallazgo radiológico, típicamente observado a partir de tomografías computarizadas de baja dosis. Estas masas se estratifican de forma general según patrones texturales y geométricos, siguiendo los criterios establecidos por el protocolo Lung-RADS. No obstante, la caracterización del diagnóstico de los nódulos sigue siendo subjetivo, reportando un acuerdo moderado entre los expertos. Peor aún, únicamente el 5% de los nódulos tienen una correlación asociada con el cáncer de pulmón, lo que conduce a una alta tasa de falsos positivos durante el análisis de los expertos. Actualmente, los enfoques computacionales apoyan el diagnóstico a partir de las observaciones de los nódulos, pero fundamentalmente entre clases malignas y benignas. Incluso peor, muchos nódulos carecen de diagnóstico debido a su naturaleza indeterminada. Este trabajo introduce una arquitectura multi-atención dedicada a la clasificación múltiple de nódulos, que se beneficia de mapas de saliencia locales, intermedios y no locales, aprendidos a partir de ramas independientes. La validación incluye un extenso análisis respecto a las características de múltiple atención, permitiendo establecer una correlación con otros hallazgos radiológicos. Asimismo, se incluyó en este estudio una concordancia con múltiples radiólogos. El enfoque propuesto alcanza un AUC de 85,35% para una multi-clasificación clásica y un AUC promedio de 82,90% en un esquema de validación de uno contra todos. Ambos esquemas de clasificación se ejecutaron en una configuración de validación cruzada de k-fold, mostrando resultados competitivos en el estado del arte. Una vez realizado el entrenamiento de la arquitectura, los nódulos indeterminados fueron mapeados al método propuesto para obtener un soporte en la clasificación de la malignidad.
dc.description.abstractenglishLung cancer remains the principal cause of cancer-related deaths. Nodules are the main radiological finding, typically observed from low-dose CT scans. These masses are coarsely stratified according to textural and geometrical patterns, following criteria established by the Lung-RADS protocol. Nonetheless, the nodule characterization diagnosis remains subjective, reporting a moderate agreement among experts. Even worse, only the 5% of nodules have an associated correlation with lung cancer, which leads to a significant percentage of false positives during expert analysis. Today, computational approaches support diagnosis from nodule observations but principally between coarse malign and benign classes. Additionally, many nodules are unclassified due to their indeterminated nature. This work introduces a multi-attention architecture dedicated to multiple nodule classification, that takes advantage of local, intermediate, and non-local saliency maps, learned from independent branches. Validation includes an extensive analysis regarding multiple attention features, allowing to establish a correlation with other radiological findings. An agreement between four radiologists was also included in this study. The proposed approach achieves an AUC of 85.35% for a classical multi-classification and an AUC mean of 82.90% on a one-vs-all validation methodology. Both classification schemes were run into a k-fold cross-validation setup, showing competitive results in the state-of-the-art. After the training of the architecture was performed, the indeterminated nodules were mapped into the proposed method to support such challenging malignancy classification.
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Ingeniería de Sistemas e Informática
dc.description.googlescholarhttps://scholar.google.com/citations?user=X-N_A-QAAAAJ&hl=es
dc.description.orcidhttps://orcid.org/0000-0002-2066-6710
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/20.500.14071/14727
dc.language.isoeng
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programMaestría en Ingeniería de Sistemas e Informática
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.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectRepresentaciones discriminativas profundas
dc.subjectCT
dc.subjectCáncer de pulmón
dc.subjectClasificación de nódulos pulmonares
dc.subjectMódulos de atención
dc.subject.keywordDeep Discriminative Representations
dc.subject.keywordCT
dc.subject.keywordLung Cancer
dc.subject.keywordLung Nodule Classification
dc.subject.keywordAttention Modules
dc.titleEstratificación de la malignidad de los nódulos pulmonares en secuencias de tomografía computarizada (TC) utilizando representaciones discriminativas profundas
dc.title.englishPulmonary Nodules Malignancy Stratification Over Computed Tomography (CT) Sequences Using Deep Discriminative Representations
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
64.11 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
249.13 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
4.75 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
Maestría en Ingeniería de Sistemas e Informática