Desenvolvimento de um sistema CAD para detecção de nódulo pulmonar em exames de tomografia computadorizada de tórax

Abstract

Resumo: O cancer de pulmao tem atraido a atencao das agencias de saude em razao da alta taxa de mortalidade no mundo, que nas ultimas decadas compreende um problema de saude publica global. O diagnostico precoce de cancer de pulmao tem influencia direta na tomada de decisao clinica e, por consequencia, tem relacao com a sobrevida do paciente. A expertise clinica revela que, apos o surgimento dos sintomas clinicos de cancer de pulmao, a taxa de mortalidade aumenta. Porem, realizar o diagnostico precoce nao e uma tarefa trivial. Para auxiliar o diagnostico, exames complementares nao invasivos tem sido utilizados, como por exemplo, exames radiologicos. Existem diversas modalidades de exames de imagem adequadas para esta tarefa. Destaque para o exame de Tomografia Computadorizada (Computed Tomography - CT), o qual tem sido a modalidade de exame de imagem recomendada para avaliacao de nodulo pulmonar em diversas situacoes clinicas. Entretanto, realizar diagnostico por meio de imagem compreende detectar nodulo(s) (i.e., lesao) localizado(s) no intersticio pulmonar ou na regiao da pleura. Porem, essa tarefa e desafiadora, exaustiva, e com propensao a erros. Alem disso, demanda de muito tempo e dedicacao de radiologistas com grande expertise, pois e necessario analisar individualmente cada imagem do exame, e cada exame geralmente contem centenas de imagens. Diante desse cenario, pesquisadores tem desenvolvido sistemas de Diagnostico Auxiliado por Computador (Computer-Aided Diagnosis - CAD) com capacidade de detectar, segmentar, e diagnosticar doencas a partir de exame de CT, por exemplo. Essas solucoes tem sido utilizadas como segunda opiniao em diagnosticos. Motivada por essa problematica, esta tese apresenta uma metodologia para deteccao de nodulo pulmonar em exame de CT de torax. A metodologia contempla duas etapas principais, a Deteccao de Candidato a Nodulo (Nodule Candidate Detection - NCD) e a Reducao de Falso Positivo (False-Positive Reduction - FPR), respectivamente. A etapa NCD emprega um metodo de deteccao de objetos para elencar Regioes de Interesse (Regions of Interest - RoIs) identificadas como nodulo pulmonar em imagens de exame de CT de torax. Por sua vez, a etapa FPR compreende um comite de classificadores para descartar candidatos a nodulo erroneamente elencados na primeira etapa. O indice de confianca final gerado para cada nodulo pulmonar detectado compreende a fusao dos indices obtidos nas duas etapas. Para validar a metodologia proposta, um sistema CAD foi implementado. O sistema foi avaliado com os dados e metricas do desafio LUng Nodule Analysis 2016 (LUNA16) disponivel publicamente, e obteve sensibilidade de 94,90% com a taxa media de 1,00 Falso Positivo (False-Positive - FP) por exame. O sistema esta em linha com as atuais praticas de uso de sistemas CAD e tem potencial de utilizacao no apoio a decisao clinica.

Abstract: Lung cancer has attracted the attention of health agencies due to the high mortality rate in the world, which, in recent decades, comprises a global public health problem. Early diagnosis of lung cancer directly influences clinical decision-making and, consequently, is related to patient survival. Clinical expertise reveals that after the onset of clinical symptoms of lung cancer, the mortality rate increases. However, making an early diagnosis is not a trivial task. To aid the diagnosis, non-invasive complementary exams have been used, such as radiological exams. There are several imaging exam modalities suitable for this task. Highlight for Computed Tomography (CT) scans, that has been the recommended imaging exam modality for pulmonary nodule evaluation in various clinical situations. However, diagnostic imaging involves detecting nodule(s) (i.e., lesion) located in the pulmonary interstitium or in the pleura region. However, this task is challenging, exhausting and error-prone. Furthermore, it demands a lot of time and dedication from radiologists with great expertise, as it is necessary to analyze images individually, and each exam usually contains hundreds of images. Given this scenario, researchers have developed Computer-Aided Diagnosis (CAD) systems capable of detecting, segmenting and diagnosing diseases based on CT examination, for example. These solutions have been used as a second opinion in diagnosis. Motivated by this issue, this thesis presents a methodology for detecting pulmonary nodules in chest CT scans. The methodology comprises two main steps, Nodule Candidate Detection (NCD) and False-Positive Reduction (FPR), respectively. The NCD step employs an object detection method to list Regions of Interest (RoIs) identified as a pulmonary nodule on chest CT scan images. In turn, the FPR stage comprises a classifiers ensemble to discard nodule candidates erroneously listed in the first stage. The final confidence index generated for each pulmonary nodule detected comprises the fused of the indices obtained in the two steps. To validate the proposed methodology, a CAD system was implemented. The system was validated with data and measurements on the publicly available LUng Nodule Analysis 2016 (LUNA16) challenge and obtained a sensitivity of 94,90% and an average rate of 1,00 False-Positive (FP) per scan. The system is aligned with current practices in CAD systems and has potential use in clinical decision support.