Diagnóstico de nódulos de pulmón mediante segmentación con modelos UNet y YOLOv8 entrenados con el dataset LIDC-IDRI
El cáncer es una de las enfermedades con más incidencia y mortalidad de la sociedad actual. Las instituciones médicas y expertos responsables de lograr diagnósticos precisos encuentran un enorme valor en el uso de software que pueda asistir la detección de posibles tumores en imágenes médicas. Por l...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2023 |
| País: | España |
| Institución: | Universidad de Cantabria (UC) |
| Repositorio: | UCrea Repositorio Abierto de la Universidad de Cantabria |
| Idioma: | español |
| OAI Identifier: | oai:repositorio.unican.es:10902/30826 |
| Acceso en línea: | https://hdl.handle.net/10902/30826 |
| Access Level: | acceso abierto |
| Palabra clave: | Cáncer TAC UNet LIDC-IDRI Python Deep learning Visión artificial Nódulos Pulmón Segmentación CNN Cancer CT scan Computer vision Nodules Lung Segmentation |
| Sumario: | El cáncer es una de las enfermedades con más incidencia y mortalidad de la sociedad actual. Las instituciones médicas y expertos responsables de lograr diagnósticos precisos encuentran un enorme valor en el uso de software que pueda asistir la detección de posibles tumores en imágenes médicas. Por lo tanto, los avances en inteligencia artificial, especialmente los modelos basados en deep learning, están desempeñando un papel cada vez más importante en tareas de alta complejidad, como la detección de patologías a partir de una simple imagen. En este estudio se ha entrenado un modelo de deep learning con una arquitectura UNet con el dataset LIDC-IDRI, el cual es el repositorio abierto más grande de imágenes médicas etiquetadas. Este conjunto de datos contiene imágenes TAC de 1018 pacientes con los correspondientes nódulos pulmonares identificados por radiólogos. El modelo entrenado consigue detectar y segmentar las regiones tumorales de imágenes TAC. Además, se proporcionan métricas que evalúan su rendimiento de acuerdo a criterios tanto 2D como 3D. Por último, se compara su desempeño con uno de los modelos de procesamiento de imágenes más conocidos y recientes: YOLOv8, entrenado, de nuevo, con una adaptación del dataset LIDC-IDRI. |
|---|