Auxílio computadorizado ao diagnóstico do câncer de pulmão otimizado por GPU

• Main Author: Ferreira Júnior, José Raniery
• Other Authors: Oliveira, Marcelo Costa
• Language: Portuguese
• Published: Universidade Federal de Alagoas 2017
• Subjects: Pulmões - Câncer; Processamento eletrônico de dados; Diagnóstico por imagem; Lung-Cancer; Electronic data processing; Diagnostic Imaging; CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Online Access: http://www.repositorio.ufal.br/handle/riufal/1720

Lung cancer is the leading cause of cancer-related deaths in the world and its main manifestation occurs due to the appearance of pulmonary nodules. Pulmonary nodule classification is a complex task because it is a subjective and qualitative process that might be compromised by interpretation errors. Therefore, it is important to integrate computational tools to the pulmonary nodule classification process, since they have the potential to characterize objectively and quantitatively the lesions, so they can aid lung cancer diagnosis process. Content-Based Image Retrieval (CBIR) has been described as one of the most promissing differential diagnosis tool, since it is capable of retrieving similar cases from large image databases that were previously diagnosed. However, CBIR has some limitations, like the image feature extraction process and the time to compare one reference image with an image database. In this context, the goal of this work is to develop an algorithm to aid the diagnosis of lung cancer and the pulmonary nodule classification, using CBIR with the integration of three methods: 3D Texture Analysis and 3D Margin Sharpness Analysis for nodule characterization, and optimization on the execution time of the nodule comparison with paralelism on a Graphics Processing Unit (GPU). Images used in this work were computed tomography scans provided by the Lung Image Database Consortium, which has pulmonary nodules identified and classified by specialists according to the lesion’s likelihood of malignancy. Texture Attributes (TA) were extracted from a co-occurrence matrix obtained from the nodule volume. Margin Sharpness Attributes (MSA) were extracted from perpendicular lines drawn over the borders on all nodule slices. Integrated Attributes (IA) were created by concatenating TA and MSA. Euclidean distance was employed as similarity metric between feature vectors. CBIR algorithm’s precision was evaluated on the 10 most similar cases according to the likelihood of malignancy and with Precision and Recall parameters, on single-core, multi-core and many-core architectures. Results showed that MSA obtained more efficiency on pulmonary nodule retrieval, in the majority of precision evaluation scenarios, with the precision increase of 2% compared with TA. Texture attributes obtained the same efficiency as IA and presented higher mean precision only on benign nodule retrieval with Precision vs. Recall metric, with the precision increase of 3% compared with MSA. Results also showed that GPU, represented by the many-core device, was able to decrease execution time on image feature vector comparison and increase Euclidean distance performance on pulmonary nodule retrieval, with speedups of 16x, 17x and 19x. Therefore, CBIR allied to 3D margin sharpness descriptors and GPU optimization have big potential as a computer-based tool on lung cancer diagnosis and pulmonary nodule classification. === Fundação de Amparo a Pesquisa do Estado de Alagoas === O câncer de pulmão é o tipo de câncer que mais causa mortes no mundo e sua principal manifestação ocorre devido ao aparecimento de nódulos pulmonares. A classificação dos nódulos pulmonares é uma tarefa complexa que está sujeita a diversos erros de interpretação. Dessa forma, é importante integrar ferramentas computacionais ao processo de classificação de nódulos pulmonares, pois elas têm potencial de auxiliar no processo de diagnóstico do câncer de pulmão. Técnicas de recuperação de imagens baseada em conteúdo (CBIR - Content-Based Image Retrieval) têm sido descritas como ferramentas de diagnóstico diferencial promissoras, pois elas são capazes de recuperar em grandes bases de dados casos similares previamente diagnosticados. Contudo, a CBIR possui algumas limitações, como o processo de extração de características das imagens e o tempo de execução na comparação de uma imagem de referência com uma base de imagens. Neste contexto, o objetivo deste trabalho é desenvolver um algoritmo para o auxílio computadorizado à classificação de nódulos pulmonares utilizando CBIR, com a integração das técnicas: Análise de Textura 3D e Análise de Nitidez de Borda 3D para a caracterização dos nódulos pulmonares, e otimização no tempo de execução da comparação entre os nódulos pulmonares com paralelismo em uma unidade de processamento gráfico (GPU - Graphics Processing Unit). As imagens utilizadas neste trabalho são de tomografia computadorizada provenientes do projeto público Lung Image Database Consortium, que possui nódulos pulmonares identificados e classificados por especialistas segundo a probabilidade de malignidade da lesão radiológica. Atributos de Textura (AT) foram extraídos a partir da matriz de coocorrência obtida sobre o volume do nódulo. Atributos de Nitidez de Borda (ANB) foram extraídos a partir de linhas ortogonais traçadas sobre as bordas da lesão em todas as fatias do volume. Atributos Integrados (AI) foram criados a partir da concatenação dos AT e ANB. Distância Euclidiana foi utilizada como métrica de similaridade entre os vetores de características. A avaliação do algoritmo de CBIR desenvolvido utilizou as métricas de Precisão vs. Revocação e precisão para os 10 casos mais similares segundo a probabilidade de malignidade dos nódulos, em arquiteturas single-core, multi-core e many-core. Os resultados mostraram que os ANB obtiveram maior eficiência na recuperação dos nódulos pulmonares, na maioria dos cenários da avaliação de precisão, com aumento de precisão de 2 pontos percentuais em relação aos AT e AI na recuperação dos 10 casos mais similares. Os AT obtiveram mesma eficiência que os AI e apresentaram maior precisão média apenas na recuperação de nódulos benignos, com aumento de precisão de 3 pontos percentuais em relação aos ANB, quando empregada Precisão vs. Revocação. Os resultados mostraram também que a GPU conseguiu diminuir o tempo de execução na comparação dos vetores de características e aumentar o desempenho da distância Euclidiana na recuperação dos nódulos pulmonares, com ganhos de performance de até 19x. Com isto, a CBIR aliada aos atributos de nitidez de borda 3D e otimização em GPU possuem grande potencial como ferramenta computacional ao diagnóstico do câncer de pulmão e classificação de nódulos pulmonares.