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.
| Identifer | oai:union.ndltd.org:IBICT/oai:www.repositorio.ufal.br:riufal/1720 |
| Date | 11 May 2015 |
| Creators | Ferreira Júnior, José Raniery |
| Contributors | Oliveira, Marcelo Costa, http://lattes.cnpq.br/9562890319093965, Marques, Paulo Mazzoncini de Azevedo, http://lattes.cnpq.br/7119886675051877, Vieira, Tiago Figueiredo, http://lattes.cnpq.br/8601011832053651 |
| Publisher | Universidade Federal de Alagoas, Brasil, Programa de Pós-Graduação em Informática, UFAL |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFAL, instname:Universidade Federal de Alagoas, instacron:UFAL |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | bitstream:http://www.repositorio.ufal.br:8080/bitstream/riufal/1720/2/license.txt, bitstream:http://www.repositorio.ufal.br:8080/bitstream/riufal/1720/1/Aux%C3%ADlio+computadorizado+ao+diagn%C3%B3stico+do+c%C3%A2ncer+de+pulm%C3%A3o+otimizado+por+GPU.pdf |
Page generated in 0.025 seconds