skip to main content
Idioma:
Primo Advanced Search
Primo Advanced Search Query Term
Primo Advanced Search prefilters
Busca Simples

Computerized pattern recognition of lung nodules in magnetic resonance imaging for lung cancer diagnosis aid

Victor Francisco Paulo Mazzoncini de Azevedo Marques

2019

Localização: FMRP - Fac. Medicina de Ribeirão Preto    (Francisco, Victor )(Acessar)

  • Título:
    Computerized pattern recognition of lung nodules in magnetic resonance imaging for lung cancer diagnosis aid
  • Autor: Victor Francisco
  • Paulo Mazzoncini de Azevedo Marques
  • Assuntos: RECONHECIMENTO DE PADRÕES; NEOPLASIAS PULMONARES; RESSONÂNCIA MAGNÉTICA; APRENDIZADO COMPUTACIONAL; DIAGNÓSTICO POR COMPUTADOR
  • Notas: Dissertação (Mestrado)
  • Descrição: O câncer de pulmão é o tipo de câncer que mais faz vítimas em todo o mundo e muitas vezes apresenta diagnóstico tardio. Tomografia computadorizada (TC) é atualmente o exame de imagem referência para o diagnóstico de tumores pulmonares. Estudos recentes mostram relevância na caracterização de tumores pulmonares por diferentes sequencias obtidas por ressonância magnética (RM). A RM também tem a vantagem de não expor o paciente à radiação ionizante, como ocorre nas TC. Este trabalho apresenta uma investigação sobre a aplicabilidade dos métodos de reconhecimento de padrões ao diagnóstico auxiliado por computador de câncer de pulmão em exames de RM a fim de classificar nódulos e massas pulmonares em benigno ou maligno. Imagens de RM ponderadas em T1 pós contraste (T1PC) e em T2 associadas a lesões pulmonares foram adquiridas retrospectiva e prospectivamente, então semi-automaticamente segmentadas. Os atributos quantitativos foram extraídos a partir dos modelos 2D e 3D segmentados de T1PC e T2. Cada modelo segmentado forneceu 75 atributos, totalizando 150. T1PC e T2 foram combinados criando o conjunto de dados T1PC-T2 com 300 atributos. Problemas de desbalanceamento foram resolvidos aumentando os conjuntos de dados de forma sintética e utilizando bootstrapping. A classificação dos tumores foi baseada em cinco classificadores de aprendizado de máquina e validados utilizando leave-one-out. A seleção de atributos mais relevantes foi realizada com Wrapper. Os resultados mostraram um
    desempenho significativo em conjuntos de dados balanceados, especialmente após a seleção de atributos. Naive Bayes classificando imagens em T2 com atributos relevantes selecionados obteve o maior valor de área sob a curva ROC (receiver operating characteristic) de 0,944. Os atributos relevantes mais selecionados foram extraídos da matriz de coocorrência de nível de cinza e da forma do tumor, indicando boa correlação com características clínicas dos tumores. Além disso, o estudo demonstra potencial para o diagnóstico auxiliado por computador para câncer de pulmão em imagens de RM
  • Data de criação/publicação: 2019
  • Formato: 72 p.
  • Idioma: Inglês
Links
Voltar para lista de resultados
Ir para página anteriorAnterior Resultado  3 AvançarIr para próxima página

  • Realização: ABCD-USP USP   Logos de Redes Sociais: Freepik

Buscando em bases de dados remotas. Favor aguardar.