Lung cancer computer-aided diagnosis system (CADx) with 3d deep convolutional neural networks.
Δεν υπάρχει διαθέσιμη μικρογραφία
Ημερομηνία
2024-07-31
Συγγραφείς
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
ΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), ΠΜΣ Μηχανικών Πληροφορικής
Επιβλέπων
Περίληψη
This thesis presents the development and evaluation of a computer-aided diagnostics
system for lung cancer screening. Utilizing advanced image analysis techniques, the
system enhances the lung cancer screening process by exploring 3D CNNs for segmenting
and classifying pulmonary nodules in low-dose CT images.
Early lung cancer detection is critical, and computer-aided diagnostics assist
radiologists by automating image analyses. The study comprehensively investigates 3D
CNNs for nodule segmentation and classification. Using a public low-dose CT dataset, the
architecture learns intricate spatial features for accurate nodule segmentation.
Classification capabilities are tuned to distinguish benign and malignant nodules.
Results show promise, enhancing lung cancer screening efficiency. Integration of
3D CNNs improves nodule segmentation, generating accurate 3D predictions.
Classification performance advances accurate malignant nodule identification, aiding
informed clinical decisions.
In conclusion, this thesis contributes to computer-aided diagnostics by presenting a
novel lung cancer screening approach using 3D CNNs. Results highlight the developed
system's viability as a valuable tool for radiologists, streamlining the detection and
classification of pulmonary nodules in low-dose CT images.
Η παρούσα διπλωματική εργασία παρουσιάζει την ανάπτυξη και αξιολόγηση ενός διαγνωστικού συστήματος με τη βοήθεια υπολογιστή για τον προσυμπτωματικό έλεγχο του καρκίνου του πνεύμονα. Χρησιμοποιώντας προηγμένες τεχνικές ανάλυσης εικόνας, το σύστημα ενισχύει τη διαδικασία προσυμπτωματικού ελέγχου του καρκίνου του πνεύμονα εξερευνώντας τρισδιάστατα CNN για την κατάτμηση και ταξινόμηση των πνευμονικών όζων σε εικόνες CT χαμηλής δόσης. Η πρώιμη ανίχνευση του καρκίνου του πνεύμονα είναι κρίσιμη και τα διαγνωστικά με τη βοήθεια υπολογιστή βοηθούν τους ακτινολόγους αυτοματοποιώντας τις αναλύσεις εικόνας. Η μελέτη διερευνά διεξοδικά τα 3D CNN για την κατάτμηση και την ταξινόμηση των οζιδίων. Χρησιμοποιώντας ένα δημόσιο σύνολο δεδομένων CT χαμηλής δόσης, η αρχιτεκτονική μαθαίνει περίπλοκα χωρικά χαρακτηριστικά για ακριβή τμηματοποίηση οζιδίων. Οι δυνατότητες ταξινόμησης είναι συντονισμένες ώστε να διακρίνουν καλοήθεις και κακοήθεις όζους. Τα αποτελέσματα δείχνουν πολλά υποσχόμενα, ενισχύοντας την αποτελεσματικότητα του προσυμπτωματικού ελέγχου του καρκίνου του πνεύμονα. Η ενσωμάτωση τρισδιάστατων CNN βελτιώνει την κατάτμηση των οζιδίων, δημιουργώντας ακριβείς 3D προβλέψεις. Η απόδοση της ταξινόμησης προάγει την ακριβή αναγνώριση κακοήθων όζων, βοηθώντας στη λήψη τεκμηριωμένων κλινικών αποφάσεων. Συμπερασματικά, αυτή η διατριβή συμβάλλει στη διαγνωστική με τη βοήθεια υπολογιστή παρουσιάζοντας μια νέα προσέγγιση προσυμπτωματικού ελέγχου του καρκίνου του πνεύμονα χρησιμοποιώντας τρισδιάστατα CNN. Τα αποτελέσματα υπογραμμίζουν τη βιωσιμότητα του ανεπτυγμένου συστήματος ως πολύτιμου εργαλείου για τους ακτινολόγους, βελτιστοποιώντας την ανίχνευση και την ταξινόμηση των πνευμονικών οζιδίων σε εικόνες CT χαμηλής δόσης.
Η παρούσα διπλωματική εργασία παρουσιάζει την ανάπτυξη και αξιολόγηση ενός διαγνωστικού συστήματος με τη βοήθεια υπολογιστή για τον προσυμπτωματικό έλεγχο του καρκίνου του πνεύμονα. Χρησιμοποιώντας προηγμένες τεχνικές ανάλυσης εικόνας, το σύστημα ενισχύει τη διαδικασία προσυμπτωματικού ελέγχου του καρκίνου του πνεύμονα εξερευνώντας τρισδιάστατα CNN για την κατάτμηση και ταξινόμηση των πνευμονικών όζων σε εικόνες CT χαμηλής δόσης. Η πρώιμη ανίχνευση του καρκίνου του πνεύμονα είναι κρίσιμη και τα διαγνωστικά με τη βοήθεια υπολογιστή βοηθούν τους ακτινολόγους αυτοματοποιώντας τις αναλύσεις εικόνας. Η μελέτη διερευνά διεξοδικά τα 3D CNN για την κατάτμηση και την ταξινόμηση των οζιδίων. Χρησιμοποιώντας ένα δημόσιο σύνολο δεδομένων CT χαμηλής δόσης, η αρχιτεκτονική μαθαίνει περίπλοκα χωρικά χαρακτηριστικά για ακριβή τμηματοποίηση οζιδίων. Οι δυνατότητες ταξινόμησης είναι συντονισμένες ώστε να διακρίνουν καλοήθεις και κακοήθεις όζους. Τα αποτελέσματα δείχνουν πολλά υποσχόμενα, ενισχύοντας την αποτελεσματικότητα του προσυμπτωματικού ελέγχου του καρκίνου του πνεύμονα. Η ενσωμάτωση τρισδιάστατων CNN βελτιώνει την κατάτμηση των οζιδίων, δημιουργώντας ακριβείς 3D προβλέψεις. Η απόδοση της ταξινόμησης προάγει την ακριβή αναγνώριση κακοήθων όζων, βοηθώντας στη λήψη τεκμηριωμένων κλινικών αποφάσεων. Συμπερασματικά, αυτή η διατριβή συμβάλλει στη διαγνωστική με τη βοήθεια υπολογιστή παρουσιάζοντας μια νέα προσέγγιση προσυμπτωματικού ελέγχου του καρκίνου του πνεύμονα χρησιμοποιώντας τρισδιάστατα CNN. Τα αποτελέσματα υπογραμμίζουν τη βιωσιμότητα του ανεπτυγμένου συστήματος ως πολύτιμου εργαλείου για τους ακτινολόγους, βελτιστοποιώντας την ανίχνευση και την ταξινόμηση των πνευμονικών οζιδίων σε εικόνες CT χαμηλής δόσης.
Περιγραφή
Λέξεις-κλειδιά
Lung cancer, Screening, Low dose CT, Computer aided diagnosis, Καρκίνος πνεύμονα, Προσυμπτωματικός έλεγχος, Αξονική τομογραφία χαμηλής δόσης., Διάγνωση με τη βοήθεια υπολογιστή