Dissertação

{en_GB=Automatic Detection and Segmentation of Lung Lesions on CT scans using Deep Convolutional Neural Networks} {} EVALUATED

{pt=O cancro do pulmão é um dos cancros que actualmente afeta mais pacientes, com mais de dois milhões de novos casos por ano, sendo ainda um dos mais mortais, atingindo um índice de mortalidade de 60%. A utilização de rastreio recorrendo a tomografia computorizada foi responsável por um elevado incremento na detecção precoce de lesões pulmonares. Neste trabalho, propomos uma abordagem híbrida para a detecção e segmentação de lesões pulmonares em tomografias computorizadas, onde a tarefa da segmentação é assistida pela detecção prévia de regiões que contenham lesões. Para a tarefa de detecção introduzimos uma CNN residual profunda 2.5D, capaz de produzir modelos menos complexos, e que ´e aplicada sob a forma de uma janela deslizante. A tarefa de segmentação é abordada recorrendo a uma rede U-Net residual modificada, cujo treino ´e realizado recorrendo a uma função de custo baseada na soma da entropia cruzada e do coeficiente dice ponderado. Resultados experimentais com a base de dados LIDC-IDRI e na tarefa de segmentação de tumores pulmonares da competição Decathlon da Imagem Médica comprovam a capacidade da detecção (sensibilidade de 0.902) e de segmentação (coeficiente de dice de 0.709) da abordagem proposta. Os modelos foram ainda avaliados, sendo as suas principais características testas através de diversos testes de ablação com o intuito de verificar a sua contribuição para os modelos finais. Estes resultados confirmam o elevado potencial de modelos mais simples, com necessidades mais baixas de hardware, e consequentemente com uma aplicação mais generalizada., en=Lung cancer is the most pervasive and one of the deadliest types of cancer, leading to more than 2 million cases being diagnosed each year, and a mortality rate of 60%. CT screening trials have played a key role in improving early detection of lung cancer, which has shown to significantly improve patient survival. Apart from lesion detection, tumour segmentation is critical for developing radiomics signatures. In this work, we propose a novel hybrid approach for lung lesion detection and segmentation on CT scans, where the segmentation task is assisted by prior detection of regions containing lesions. For the detection task, we introduce a 2.5D residual deep CNN working in a sliding-window fashion, whereas segmentation is tackled by a modified residual U-Net with a weighted-dice plus cross-entropy loss. Experimental results on the LIDC-IDRI dataset and on the lung tumour task dataset within the Medical Segmentation Decathlon show competitive detection performance of the proposed approach (0.902 recall) and superior segmentation capabilities (0.709 dice score). Further validation of the models was also performed, with key components of both models tested through several ablation studies, in order to assess its contribution to the final models. These results confirm the high potential of simpler models, with lower hardware requirements, thus of more general applicability.}
{pt=Radiomics, cancro do pulmão, segmentação, deep learning, redes neuronais convolucionais, conecções residuais, en=Radiomics, lung cancer, segmentation, deep learning, convolutional neural network, residual connections}

novembro 15, 2019, 11:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Mário Alexandre Teles de Figueiredo

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Catedrático

ORIENTADOR

Nickolas Papanikolaou

Champalimaud Foundation

Investigador Principal