Título
Pulmonary nodule segmentation in computed tomography with deep learning
Autor
Gomes, João Henriques Oliveira
Resumo
pt
A deteção do cancro do pulmão numa fase inicial é essencial para o tratamento da doença.
Sistemas de segmentação de nódulos pulmonares, usados em junção com sistemas de
Deteção Assistida por Computador (DAC), podem ajudar médicos a diagnosticar e gerir
o cancro do pulmão. Neste trabalho propomos um sistema de segmentação de nódulos
pulmonares, recorrendo a técnicas de aprendizagem profunda. Aprendizagem profunda é
um sub-campo de aprendizagem automática, responsável por vários resultados estado da
arte em datasets de segmentação de imagem, como o PASCAL VOC 2012. O nosso modelo
final é uma 3D U-Net modificada, treinada no dataset LIDC-IDRI, usando interseção sobre
união como função de custo. Mostramos que o nosso modelo final funciona com vários
tipos de nódulos pulmonares. O nosso modelo consegue resultados estado da arte no
LIDC test set, usando nódulos anotados pelo menos por 3 radiologistas, com uma verdade
consensual de 50%.
en
Early detection of lung cancer is essential for treating the disease. Lung nodule segmentation systems can be used together with Computer-Aided Detection (CAD) systems, and
help doctors diagnose and manage lung cancer. In this work, we create a lung nodule
segmentation system based on deep learning. Deep learning is a sub-field of machine
learning responsible for state-of-the-art results in several segmentation datasets such as
the PASCAL VOC 2012. Our model is a modified 3D U-Net, trained on the LIDC-IDRI
dataset, using the intersection over union (IOU) loss function. We show our model works
for multiple types of lung nodules. Our model achieves state-of-the-art performance on
the LIDC test set, using nodules annotated by at least 3 radiologists and with a consensus
truth of 50%.