Segmentation of lung nodules using convolutional neural networks
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/352149
Correu electrònic de l'autorflgtuta.io
Realitzat a/ambUniversity of Toronto
Tipus de documentTreball Final de Grau
Data2021-07-15
Condicions d'accésAccés obert
Llevat que s'hi indiqui el contrari, els
continguts d'aquesta obra estan subjectes a la llicència de Creative Commons
:
Reconeixement-NoComercial-SenseObraDerivada 3.0 Espanya
Abstract
La segmentació de nòduls pulmonars en imatges de TC té un paper important en l'anàlisi radiòmica de càncers de pulmó. Tanmateix, llur perfilat manual és un procés lent que requereix la participació d'experts, i només hi ha una quantitat limitada de mètodes automatitzats per fer-la. El nostre objectiu és desenvolupar un model d'aprenentatge profund per segmentar aquests nòduls.
Presentem dos models basats en xarxes neuronals convolucionals i residuals amb una estructura codificador-descodificador. Ambdós models tenen una arquitectura U-Net, però aprofiten el context sobre els talls veïns del que es vol segmentar de maneres diferents. El primer es val de convolucions tridimensionals. El segon empra convolucions bidimensionals i mètodes recurrents (GRU convolucional). Els dos models s'entrenen i avaluen amb el conjunt d'imatges de tomografia LIDC-IDRI. Amb els nostres mètodes aconseguim coeficients de Dice mitjans de 53.55% i 43.81%, respectivament, en aquest conjunt de dades. La segmentación de nódulos pulmonares en imágenes de TC desempeña un papel importante en el análisis radiómico de cánceres de pulmón. Sin embargo, su contorneado manual es un proceso lento que requiere la participación de expertos, y la cantidad de métodos automatizados es limitada. Nuestro objetivo es desarrollar un modelo de aprendizaje profundo para segmentar dichos nódulos.
Presentamos dos modelos basados en redes neuronales convolucionales y residuales con una estructura codificador-decodificador. Ambos modelos tienen una arquitectura U-Net, pero cada uno aprovecha el contexto de los cortes vecinos del que se desea segmentar de maneras distintas. El primero emplea convoluciones tridimensionales. El segundo usa convoluciones bidimensionales y métodos recurrentes (GRU convolucional). Los dos métodos se entrenan y evaluan con el conjunto de imágenes de tomografía LIDC-IDRI. Con nuestros métodos conseguimos coeficientes de Dice medios de 53.55% y 43.81%, respectivamente, en dicho conjunto de datos. Lung nodule segmentation in CT scans plays an important role in the radiomic analysis of lung cancer. Nevertheless, manual outlining is a time-consuming process which requires experts, and there is only a limited number of automated methods for this task. Our goal is to develop a deep learning model for lung nodule segmentation.
We present two models based on encoder-decoder residual convolutional neural networks (CNN). Both have a U-Net architecture, but they extract context information from neighboring slices in different ways. The first model employs 3-D convolutions. The second model is based on 2-D convolutions and recurrent features (convolutional GRU). Both models are trained and evaluated using the LIDC-IDRI lung scan dataset. Our methods achieve an average Dice coefficient of 53.55% and 43.81%, respectively, on said dataset.
TitulacióGRAU EN ENGINYERIA INFORMÀTICA/GRAU EN MATEMÀTIQUES
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
tfg.pdf | 6,060Mb | Visualitza/Obre |