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...

ver descrição completa

Detalhes bibliográficos
Autor: González Bernad, Abel Amado
Formato: tesis de maestría
Fecha de publicación:2023
País:España
Recursos:Universidad de Cantabria (UC)
Repositorio:UCrea Repositorio Abierto de la Universidad de Cantabria
Idioma:español
OAI Identifier:oai:repositorio.unican.es:10902/30826
Acesso em linha:https://hdl.handle.net/10902/30826
Access Level:acceso abierto
Palavra-chave:Cáncer
TAC
UNet
LIDC-IDRI
Python
Deep learning
Visión artificial
Nódulos
Pulmón
Segmentación
CNN
Cancer
CT scan
Computer vision
Nodules
Lung
Segmentation
id ES_ae0e1fbae6ca1bb5ed82e2f1a2105f40
oai_identifier_str oai:repositorio.unican.es:10902/30826
network_acronym_str ES
network_name_str España
repository_id_str
spelling Diagnóstico de nódulos de pulmón mediante segmentación con modelos UNet y YOLOv8 entrenados con el dataset LIDC-IDRIDiagnosis of lung nodules through segmentation using UNet and YOLOv8 models trained with the LIDC-IDRI datasetGonzález Bernad, Abel AmadoCáncerTACUNetLIDC-IDRIPythonDeep learningVisión artificialNódulosPulmónSegmentaciónCNNCancerCT scanComputer visionNodulesLungSegmentationEl 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.Cancer is one of the diseases with the highest incidence and mortality rates in today’s society. Medical institutions and experts responsible for achieving precise diagnoses find significant value in the use of software that can assist in the detection of possible tumors in medical images. Therefore, advances in artificial intelligence, especially deep learning models, are playing an increasingly important role in tasks of high complexity, such as the detection of pathologies from a single image. In this study, a deep learning model with a UNet architecture was trained using the LIDC-IDRI dataset, which is the largest open repository of labeled medical images. This dataset contains CT scan images from 1018 patients with corresponding lung nodules identified by radiologists. The trained model successfully detects and segments tumor regions in CT scan images. Additionally, metrics are provided to evaluate its performance based on both 2D and 3D criteria. Finally, its performance is compared to one of the most well-known and recent image processing models: YOLOv8, which was trained once again using an adaptation of the LIDC-IDRI dataset.Máster en Ciencia de DatosMartínez Ruiz del Árbol, PabloSánchez Cruz, SergioUniversidad de Cantabria20232023-09-01master thesishttp://purl.org/coar/resource_type/c_bdccNAhttp://purl.org/coar/version/c_be7fb7dd8ff6fe43info:eu-repo/semantics/masterThesishttps://hdl.handle.net/10902/30826reponame:UCrea Repositorio Abierto de la Universidad de Cantabriainstname:Universidad de Cantabria (UC)Españolspaopen accesshttp://purl.org/coar/access_right/c_abf2Attribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessoai:repositorio.unican.es:10902/308262026-06-02T12:39:31Z
dc.title.none.fl_str_mv Diagnóstico de nódulos de pulmón mediante segmentación con modelos UNet y YOLOv8 entrenados con el dataset LIDC-IDRI
Diagnosis of lung nodules through segmentation using UNet and YOLOv8 models trained with the LIDC-IDRI dataset
title Diagnóstico de nódulos de pulmón mediante segmentación con modelos UNet y YOLOv8 entrenados con el dataset LIDC-IDRI
spellingShingle Diagnóstico de nódulos de pulmón mediante segmentación con modelos UNet y YOLOv8 entrenados con el dataset LIDC-IDRI
González Bernad, Abel Amado
Cáncer
TAC
UNet
LIDC-IDRI
Python
Deep learning
Visión artificial
Nódulos
Pulmón
Segmentación
CNN
Cancer
CT scan
Computer vision
Nodules
Lung
Segmentation
title_short Diagnóstico de nódulos de pulmón mediante segmentación con modelos UNet y YOLOv8 entrenados con el dataset LIDC-IDRI
title_full Diagnóstico de nódulos de pulmón mediante segmentación con modelos UNet y YOLOv8 entrenados con el dataset LIDC-IDRI
title_fullStr Diagnóstico de nódulos de pulmón mediante segmentación con modelos UNet y YOLOv8 entrenados con el dataset LIDC-IDRI
title_full_unstemmed Diagnóstico de nódulos de pulmón mediante segmentación con modelos UNet y YOLOv8 entrenados con el dataset LIDC-IDRI
title_sort Diagnóstico de nódulos de pulmón mediante segmentación con modelos UNet y YOLOv8 entrenados con el dataset LIDC-IDRI
dc.creator.none.fl_str_mv González Bernad, Abel Amado
author González Bernad, Abel Amado
author_facet González Bernad, Abel Amado
author_role author
dc.contributor.none.fl_str_mv Martínez Ruiz del Árbol, Pablo
Sánchez Cruz, Sergio
Universidad de Cantabria
dc.subject.none.fl_str_mv Cáncer
TAC
UNet
LIDC-IDRI
Python
Deep learning
Visión artificial
Nódulos
Pulmón
Segmentación
CNN
Cancer
CT scan
Computer vision
Nodules
Lung
Segmentation
topic Cáncer
TAC
UNet
LIDC-IDRI
Python
Deep learning
Visión artificial
Nódulos
Pulmón
Segmentación
CNN
Cancer
CT scan
Computer vision
Nodules
Lung
Segmentation
description 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.
publishDate 2023
dc.date.none.fl_str_mv 2023
2023-09-01
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
NA
http://purl.org/coar/version/c_be7fb7dd8ff6fe43
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/10902/30826
url https://hdl.handle.net/10902/30826
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:UCrea Repositorio Abierto de la Universidad de Cantabria
instname:Universidad de Cantabria (UC)
instname_str Universidad de Cantabria (UC)
reponame_str UCrea Repositorio Abierto de la Universidad de Cantabria
collection UCrea Repositorio Abierto de la Universidad de Cantabria
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869416529292951552
score 15,301603

Registos relacionados