Made available in DSpace on 2016-08-17T14:52:36Z (GMT). No. of bitstreams: 1 dissertacao Bruno Rodrigues Froz.pdf: 1583465 bytes, checksum: f53ff1f85d91788fc7d52925b16f6794 (MD5) Previous issue date: 2015-02-02 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / The lung cancer is known for presenting the highest mortality rate and one of the lowest survival rate after diagnosis, which is mainly caused by the late detection and treatment. With the goal of assist the lung cancer specialists, computed aided diagnosis systems are developed to automate the detection and diagnosis of this disease. This work proposes a methodology to classify, with computed tomography images, lung nodules candidates and non-nodules candidates. The Lung Image Database Consortium (LIDC) image database is used to create an image database with nodules candidates and an image database with non-nodule candidates. Three techniques are utilized to extract texture measurements. The first one is the artificial life algorithm Artificial Crawlers. The second one is the use of Rose Diagram to extract directional measurements. The third and last one is an hybrid model to join the Artificial Crawlers and Rose Diagram texture measurements. In the classification, que Support Vector Machine classifier is used, with its radial basis kernel. The archived results are very promising. With 833 LIDC exams, divided in 60% for train and 40% for test, we reached na accuracy mean of 94,30%, sensitivity mean of 91,86%, specificity mean of 94,78%, variance coefficient of accuracy of 1,61% and ROC curves mean área of 0,922. / O câncer de pulmão é conhecido por apresentar a maior taxa de mortalidade e uma das menores taxas de sobrevida após o diagnóstico, o que é causado principalmente pela detecção e tratamento tardios. Para o auxílio dos especialistas em câncer pulmonar, são desenvolvidos sistemas de diagnósticos auxiliados por computador com o objetivo de automatizar a detecção e diagnóstico dessa doença. Este trabalho propõe uma metodologia para a classificação, através de imagens de tomografias computadorizadas, de candidatos a nódulos pulmonares e candidatos a não-nódulos. O banco de imagens Lung Image Database Consortium (LIDC) é utilizado para a criação de uma base de imagens de candidatos a nódulos e uma base de imagens de candidatos a não-nódulos. Três técnicas são utilizadas para a extração de medidas de textura. A primeira delas é o algoritmo de vidas artificiais Artificial Crawlers. A segunda técnica é a utilização do Rose Diagram para a extração de medidas direcionais. A terceira e última técnica é um modelo híbrido que une as medidas do Artificial Crawlers e do Rose Diagram. Para a classificação é utilizado o classificador Máquina de Vetor de Suporte (MVS), com o kernel de base radial. Os resultados alcançados são muito promissores. Utilizando 833 exames do LIDC divididos em 60% para treino e 40% para teste, alcançou-se uma média de acurácia de 94,30%, média de sensibilidade de 91,86%, média de especificidade de 94,78%, coeficiente de variância da acurácia de 1,61% e área média das curvas ROC de 0,922.

Made available in DSpace on 2016-08-17T14:53:07Z (GMT). No. of bitstreams: 1 Stelmo Magalhaes Barros Netto.pdf: 2768924 bytes, checksum: bf6f24780a03adb4f2940b818c95f293 (MD5) Previous issue date: 2010-02-10 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Lung cancer is still one of the most frequent types throughout the world. Its diagnosis is very difficult because its initial morphological characteristics are not well defined, and also because of its location in relation to the lung. It is usually detected late, fact that causes a large lethality rate. Facing these difficulties, many researches are done, concerning both detection and diagnosis. The objective of this work is to propose a methodology for computer-aided automatic lung nodule detection. The return of the development of such methodology is that its application will aid the doctor in the simultaneous detection of several nodules present in computerized tomography images. The methodology developed for automatic detection of lung nodules involves the use of a method of competitive learning, called Growing Neural Gas (GNG). The methodology still consists in the reduction of the volume of interest, by the use of techniques largely used in thorax extraction, lung extraction and reconstruction. The next stage is the application of the GNG in the resulting volume of interest, that together with the separation of the nodules from the various structures present in the lung form the segmentation stage, and, finally, through texture and geometry measurements, the classification as either nodule or non-nodule is performed. The methodology guarantees that nodules of reasonable size are found with sensibility of 86%, specificity of 91%, what results in accuracy of 91%, in average, for ten training and test experiments, in a sample of 48 nodules occurring in 29 exams. The false-positive per exam rate was of 0.138, for the 29 analyzed exams. / O câncer de pulmão ainda é um dos mais incidentes em todo mundo. Seu diagnóstico é de difícil realização, devido as suas características morfológicas iniciais não estarem bem definidas e também por causa da sua localização em relação ao pulmão. É geralmente detectado tardiamente, que tem como conseqüência uma alta taxa de letalidade. Diante destas dificuldades muitas pesquisas são realizadas, tanto em relação a sua detecção, quanto a seu diagnóstico. O objetivo deste trabalho é propor uma metodologia de detecção automática do nódulo pulmonar com o auxílio do computador. O ganho com o desenvolvimento desta metodologia, é que sua implementação auxiliará ao médico na detecção simultânea dos diversos nódulos presentes nas imagens de tomografia computadorizada. A metodologia de detecção de nódulos pulmonares desenvolvida envolve a utilização de um método da aprendizagem competitiva, chamado de Growing Neural Gas (GNG). A metodologia ainda consiste na redução do volume de interesse, através de técnicas amplamente utilizadas na extração do tórax, extração do pulmão e reconstrução. A etapa seguinte é a aplicação do GNG no volume de interesse resultante, que em conjunto com a separação do nódulo das diversas estruturas presentes formam a etapa de segmentação, e por fim, é realizada a classificação das estruturas em nódulo e não-nódulo, por meio das medidas de geometria e textura. A metodologia garante que nódulos com tamanho razoável sejam encontrados com sensibilidade de 86%, especificidade de 91%, que resulta em uma acurácia de 91%, em média, para dez experimentos de treino e teste, em uma amostra de 48 nódulos ocorridos em 29 exames. A taxa de falsos positivos por exame foi de 0,138, para os 29 exames analisados.