XX Simposio Internacional de Ingeniería Eléctrica

SIE 2023

Detección de nódulos pulmonares mediante máquinas de soporte vectorial

Resumen

Problemática: El cáncer de pulmón es una enfermedad de alta mortalidad mundial en la actualidad. Por tanto, el diagnóstico y tratamiento tempranos pueden salvar vidas. Aparece como un nódulo solitario en la radiografía de tórax, que en ocasiones es muy difícil de detectar a simple vista, dadas las limitaciones de esta técnica.

Objetivo(s): Desarrollar un sistema de diagnóstico asistido por computadora (CAD) para la detección de nódulos pulmonares, utilizando aprendizaje automático de máquinas (ML).

Metodología: El algoritmo propuesto comienza por pre-procesar las imágenes para mejorar su calidad. Luego, se segmenta el área pulmonar mediante umbralización. En el siguiente paso, los candidatos a nódulos se determinan utilizando un filtro de banda deslizante y se segmentan aplicando un algoritmo de umbral, basado en la distancia adaptativa (ADT). Seguidamente, las áreas sospechosas son procesadas por una máquina de soporte vectorial (SVM), basada en 15 características de forma y textura. Se entrenaron 3 modelos de SVM y se validaron con imágenes de una base de datos pública JSRT.

Resultados y discusión: El mejor resultado fue el obtenido con el modelo de base radial (87 % de sensibilidad). Este desempeño se valora de favorable respecto al desempeño humano, el cual se encuentra entre 49 % y 65 %.

Conclusiones: Se ha comprobado que las SVM poseen potencial para la tarea de detección de nódulos pulmonares a partir de radiografías de tórax.

Abstract

Problematic: Lung cancer is a disease of high mortality worldwide today. Therefore, early diagnosis and treatment can save lives. It appears as a solitary nodule on chest x-ray, which is sometimes very difficult to detect with the naked eye, given the limitations of this technique.

Objective (s): Develop a computer-aided diagnostic (CAD) system for lung nodule detection, using machine learning (ML).

Methodology: The proposed algorithm begins by pre-processing the images to improve their quality. The lung area is then segmented by thresholding. In the next step, nodule candidates are determined using a sliding band filter and segmented by applying a threshold algorithm, based on adaptive distance (ADT). Next, the suspicious areas are processed by a vector support machine (SVM), based on 15 shape and texture characteristics. 3 SVM models were trained and validated with images from a public JSRT database.

Results and discussion: The best result was obtained with the radial base model (87 % sensitivity). This performance is valued as favorable with respect to human performance, which is between 49% and 65%.

Conclusions: SVMs have been shown to have potential for the task of detecting pulmonary nodules from chest x-rays.