| Summary: | Submitted by Rosivalda Pereira (mrs.pereira@ufma.br) on 2017-06-23T21:24:53Z
No. of bitstreams: 1
AntonioCarvalho.pdf: 2731250 bytes, checksum: 35369a74be0aec3dd6b29a792c37fc35 (MD5) === Made available in DSpace on 2017-06-23T21:24:53Z (GMT). No. of bitstreams: 1
AntonioCarvalho.pdf: 2731250 bytes, checksum: 35369a74be0aec3dd6b29a792c37fc35 (MD5)
Previous issue date: 2016-10-10 === Lung cancer has been identi ed as the leading cause of death among cancer patients worldwide. The high rates of deaths and instances of records of this type of cancer worldwide demonstrate the importance of the development and research in order to produce resources for the detection and early diagnosis of this disease. Because of the exhaustive analysis process, alternatives such as computational tools that use image processing techniques and pattern recognition have been widely explored. Therefore, to assist the expert in the identi cation and diagnosis of nodules, systems are developed Computer-Aided Detection (CAD) and Computer-Aided Diagnostic (CADx). This thesis proposes the development of methods that reduce false positives, and the diagnosis of volumes of interest in computed tomography. The proposed methods are based on image processing techniques and pattern recognition. For this, biology concepts have been adapted and applied to the study of the branch of the diversity of species; such concepts are the phylogenetic diversity indexes used in this thesis as texture descriptors. In another aspect, techniques that measure the properties of the shape of radiological ndings have been developed and adapted. Subsequently, an evolutionary methodology is used for the selection of the best models for training. Finally, a support vector machine is applied to perform the classi cation. Promising results were found in the 833 tests that we performed; these tests were divided into 80% for training and 20% for testing. In general, for the best results, we have false positive reduction methods, an accuracy of 99.57%, sensitivity of 99.45%, speci city of 99.61%, and an ROC curve of 0.992. The results obtained for the classi cation of the degree of malignancy and benignity are: accuracy of 93.46%, sensitivity of 92.95%, speci city of 93.49%, and an ROC curve of 0.931. === O câncer de pulmão é apontado como a principal causa de morte entre os pacientes com câncer. As altas taxas de mortes e registros de ocorrências desse câncer em todo o mundo demonstram a importância do desenvolvimento e investigação, a fi m de produzir meios para a detecção e o diagnóstico precoce dessa doença. Devido ao exaustivo processo de análise, alternativas como ferramentas de cunho computacional que utilizam técnicas de processamento de imagens e do reconhecimento de padrões têm sido amplamente exploradas. Assim, para auxiliar o especialista na identifi cação e diagnóstico de nódulos, são desenvolvidos sistemas Computer-Aided Detection (CAD) e Computer-Aided Diagnostic (CADx). Esta tese propõe o desenvolvimento de métodos para redução de falsos positivos em um sistema CAD e diagnóstico de nódulos em tomografi a computadorizada. Os métodos propostas baseiam-se em técnicas de processamento de imagens e reconhecimento de padrões. Para tanto, foram adaptados e aplicados os conceitos da biologia no ramo do estudo da diversidade entre espécies, sendo esses os índices de diversidade logenética, usados nesta tese como descritores de textura. Em outro aspecto, foram desenvolvidas e adaptadas técnicas capazes de mensurar propriedades de forma dos achados radiológicos. Seguindo, usou-se uma metodologia evolutiva genética para seleção dos melhores modelos de treinamento. E por fi m, foi aplicada a máquina de vetor de suporte para realizar a classificação . Resultados promissores foram encontrados em teste com 833 exames divididos em 80% para treino e 20% para testes. Em linhas gerais, para os melhores resultados tem-se, nos métodos de redução de falsos positivos: uma acurácia de 99,57%, sensibilidade de 99,45%, especificidade de 99.61% e uma curva ROC de 0,992. Já nos resultados para a classificação quanto a taxa de malignidade e benignidade, obtiveram-se os seguintes valores: acurácia de 93,46%, sensibilidade de 92,95%, especificidade de 93,49% e uma curva ROC de 0,931.
|
|---|
