Classificação do câncer de pulmão não pequenas células por subtipo histológico usando aprendizado profundo em conjuntos de dados públicos e privados de imagens de tomografia computadorizada

Resumo

Objetivo:  Desenvolver um sistema baseado em técnicas de aprendizado profundo para classificação dos principais subtipos histológicos de câncer de pulmão não pequenas células (CPNPC) – adenocarcinoma e carcinoma de células escamosas (CCE) – usando imagens tomográficas. O sistema desenvolvido segmenta o tumor nas imagens, classificando as lesões em adenocarcinoma e CCE. Comparamos os resultados com estudos similares e avaliamos a precisão na classificação automática dos subtipos de CPNPC utilizando imagens fornecidas pelo Instituto Nacional de Câncer.

Materiais e Métodos:  A rede usada para segmentação semântica foi baseada na arquitetura 2D U-Net com etapa de pré-processamento utilizando técnicas de aumento de dados. Esta rede foi pré-treinada com 28.506 imagens e validada com 2.015 imagens usando base de dados de um repositório público de informações de imagens conhecido internacionalmente como The Cancer Image Archive. Para classificação foi utilizada rede baseada na arquitetura VGG16, modificada para melhorar o desempenho, usando 3.080 imagens de adenocarcinoma e CCE do Instituto Nacional de Câncer.

Resultados:  O sistema fornece detecção da lesão com precisão de 84,5% para adenocarcinoma e 89,6 para CCE, com sensibilidade de 91,7% e 90,4%, respectivamente, considerada adequada quando comparada com estudos semelhantes.

Conclusão:  Este sistema oferece um método preciso de detecção, segmentação e classificação para um conjunto reduzido de pacientes, que pode ajudar radiologistas na análise de imagens e acelerar o diagnóstico preliminar.

Unitermos:
Carcinoma pulmonar de células não pequenas; Processamento de imagem assistida por computador; Segmentação; Semântica; Carcinoma/classificação; Aprendizagem profunda