Segmentación y clasificación eficaces de nódulos pulmonares mediante un modelo SPPUNet y InceptionV3 basado en...

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Oncología

Sus antecedentes:

• La detección precisa de nódulos pulmonares en tomografías computarizadas es crucial para el diagnóstico temprano del cáncer de pulmón y la reducción de la mortalidad.
• Los desafíos en la identificación de nódulos pulmonares incluyen estructuras 3D complejas, apariencias de nódulos variadas y escasez de datos para el entrenamiento de modelos de aprendizaje profundo.
• Los métodos actuales de aprendizaje profundo requieren un mayor refinamiento para la segmentación por gravedad y calificación para minimizar los falsos positivos y mejorar la toma de decisiones clínicas.

Objetivo del estudio:

• Proponer una arquitectura híbrida preentrenada para mejorar la segmentación y clasificación automatizada de nódulos pulmonares.
• Abordar las limitaciones en la disponibilidad de datos médicos, el desequilibrio de clases y el sobreajuste en los modelos de aprendizaje profundo para el análisis de nódulos pulmonares.
• Mejorar la precisión y confiabilidad en la identificación y clasificación de nódulos pulmonares para una mejor planificación del tratamiento del paciente.

Principales métodos:

• Una arquitectura híbrida de aprendizaje profundo que combina la red en forma de U centrada en la agrupación de pirámides espaciales (SPPUNet) para la segmentación y la InceptionV3 integrada con atención de contexto global (GCAINCPV3) para la clasificación.
• Los pasos de preprocesamiento incluyeron filtrado de ruido utilizando un filtro guiado y aumento de datos para equilibrar el conjunto de datos LUNA16.
• La metodología implicó tres fases: preprocesamiento, segmentación de regiones pulmonares y clasificación de nódulos.

Principales resultados:

• El modelo híbrido propuesto logró una alta precisión del 99,23 % en la segmentación y clasificación de nódulos pulmonares.
• El sistema demostró un rendimiento superior en comparación con los métodos existentes para identificar y analizar nódulos pulmonares.
• El filtrado eficaz de ruido y la mejora de datos mejoraron la calidad de los datos y evitaron resultados sesgados del modelo.

Conclusiones:

• La arquitectura híbrida de aprendizaje profundo desarrollada ofrece una solución robusta para la segmentación y clasificación automatizada de nódulos pulmonares.
• La integración de SPPUNet y GCAINCPV3 mejora la capacidad de determinar con precisión la naturaleza del nódulo, lo que ayuda a las decisiones clínicas.
• Este enfoque muestra un potencial significativo para mejorar el diagnóstico y las estrategias de tratamiento del cáncer de pulmón a través del análisis avanzado de imágenes médicas.