Compartilhamento |
![]() ![]() |
Use este identificador para citar ou linkar para este item:
http://www.bdtd.uerj.br/handle/1/11762
Tipo do documento: | Dissertação |
Título: | Detecção e classificação de nódulos pulmonares utilizando aprendizagem profunda e inteligência de enxame |
Título(s) alternativo(s): | Detection and classification of pulmonary nodules using deep learning and swarm intelligence |
Autor: | Pinheiro, Cesar Affonso de Pinho ![]() |
Primeiro orientador: | Nedjah, Nadia |
Primeiro coorientador: | Mourelle, Luiza de Macedo |
Primeiro membro da banca: | Seixas, José Manoel de |
Segundo membro da banca: | Werneck, Vera Maria Benjamim |
Resumo: | O diagnóstico do câncer é geralmente uma tarefa árdua para a medicina, especialmente quando se trata do câncer pulmonar, um dos tipos mais letais e difíceis de tratar dessa terrível doença. A detecção tradicional do câncer de pulmão começa com uma inspeção visual em exames de tomografia computadorizada, feita por médicos especialistas. Por esse motivo, a detecção de nódulos pulmonares cancerígenos em estágios iniciais é um problema muito mais difícil. No entanto, deve-se investir nesta detecção precoce, pois ela aumenta drasticamente as chances de cura. Para ajudar a melhorar a detecção do câncer e as taxas de sobrevivência, engenheiros e cientistas têm desenvolvido sistemas de diagnóstico assistido por computador, os chamados "Sistemas CAD". Este trabalho utiliza técnicas de inteligência computacional para sugerir uma nova abordagem à solução do problema de detecção de nódulos cancerígenos pulmonares em exames de tomografia computadorizada. A tecnologia aplicada consiste em usar Aprendizagem Profunda e Inteligência de Enxame para desenvolver diferentes modelos de classificação de nódulos. No total, 14 algoritmos de Inteligência de Enxame e uma Rede Neural Convolucional usada para segmentação de imagens biomédicas foram usados para classificar nódulos pulmonares na base de dados Lung Image Database Consortium and Image Database Resource Initiative (LIDC-IDRI). O principal objetivo deste trabalho é utilizar os algoritmos de enxame para treinar modelos de redes neurais convolucionais por transferência de aprendizado e, com isso, verificar se este método é mais eficiente que os algoritmos de treinamento tradicionais, como o Backpropagation e Descida do gradiente. Os modelos desenvolvidos neste trabalho conseguiram alcançar desempenhos elevados, produzindo resultados compatíveis com os atuais modelos estado-da-arte em aplicações de detecção de câncer de pulmâo. Com os experimentos realizados neste trabalho, foi possível verificar a real eficácia do uso de algoritmos de inteligência de enxame para treinar modelos de transferência de aprendizagem profunda e afirmar a superioridade destas técnicas sobre os modelos treinados com backpropagation para este tipo de aplicação. Dos 14 algoritmos de enxame testados, 7 obtiveram melhor desempenho que o backpropagation, alcançando até 93,78% em acurácia, 93,59% em precisão, 93,04% em sensibilidade, 98,56% em especificidade e operando até 25% mais rápido. |
Abstract: | Cancer diagnosis is usually an arduous task for medicine, specially when it comes to pulmonary cancer, one of the most deadly and hard to treat types of that terrible disease. Traditional lung cancer detection starts with a visual inspection, done by medical specialists on tomography scans. For this reason, detecting pulmonary cancerous nodules in early stages is a much harder problem. However, it is definetely worth trying, as it drastically increases surviving chances. To help improving cancer detection and surviving rates, engineers and scientist have been developing computer-aided diagnosis systems, also called CAD systems.This work uses computational intelligence techniques to suggest a new approach towards solving the problem of detecting pulmonary carcinogenic nodules in computed tomography scans. The technology applied consists in using Deep Learning and Swarm Intelligence to develop different nodule classification models. In total, 14 different Swarm Intelligence algorithms and a Convolutional Neural Networks for biomedical image segmentation called "U-Net" were used to find cancerous pulmonary nodules in the Lung Image Database Consortium and Image Database Resource Initiative (LIDC-IDRI) databases. The main goal of this work is to utilize Swarm algorithms to train Convolutional Neural Networks models via Transfer Learning, and check whether this method is more eficient than the regular training algorithms, such as Backpropagation and Gradient Descent.The models developed in this work managed to reach significantly high performances, producing results compatible with the current state-of-art models for lung cancer detection applications. With the experiments conducted in this work, it was possible to verify the real effectiveness of using Swarm Intelligence algorithms to train Deep Leaning models and to state their superiority over the Backpropagation models for this application. From the 14 tested swarm algorithms, 7 performed better than backpropagation, reaching up to 93.78% in accuracy, 93.59% in precision, 93.04% in sensitivity, 98.56% specificity and operating up to 25% faster. |
Palavras-chave: | Electronic Engineering Expert systems (computing) Cancer - Diagnosis Neural networks (computing) Collective intelligence Lung Cancer Deep Learning Swarm intelligence Computer Aided Diagnosis Systems Engenharia eletrônica Sistemas especialistas (Computação) Câncer - Diagnóstico Redes neurais (Computação) Inteligência coletiva Câncer de Pulmão Aprendizagem Profunda Inteligência de Enxame Sistemas de Diagnóstico Auxiliado por Computador |
Área(s) do CNPq: | CNPQ::ENGENHARIAS |
Idioma: | por |
País: | BR |
Instituição: | Universidade do Estado do Rio de Janeiro |
Sigla da instituição: | UERJ |
Departamento: | Centro de Tecnologia e Ciências::Faculdade de Engenharia |
Programa: | Programa de Pós-Graduação em Engenharia Eletrônica |
Citação: | PINHEIRO, Cesar Affonso de Pinho. Detecção e classificação de nódulos pulmonares utilizando aprendizagem profunda e inteligência de enxame. 2019. 100 f. Dissertação (Mestrado em Redes de Telecomunicações; Sistemas Inteligentes e Automação) - Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2019. |
Tipo de acesso: | Acesso Aberto |
URI: | http://www.bdtd.uerj.br/handle/1/11762 |
Data de defesa: | 6-Jun-2019 |
Aparece nas coleções: | Mestrado em Engenharia Eletrônica |
Arquivos associados a este item:
Arquivo | Tamanho | Formato | |
---|---|---|---|
Cesar Affonso de Pinho Pinheiro.pdf | 2,23 MB | Adobe PDF | Baixar/Abrir Pré-Visualizar |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.