Redes Neurais Convolucionais Aplicadas no Diagnóstico do Câncer de Pulmão

• Willian Ramon Barbosa Bessa UFERSA / UERN
• Rhaylson Silva do Nascimento UFERSA / UERN
• Sebastião Emídio Alves Filho UFERSA / UERN
• Marcelino Pereira Dos Santos Silva UFERSA / UERN
• Francisco Milton Mendes Neto UFERSA / UERN

DOI: https://doi.org/10.5753/enucompi.2021.17749

Resumo

Este trabalho apresenta uma análise comparativa da aplicação de diferentes arquitetura de redes neurais convolucionais no diagnóstico do câncer de pulmão. São detalhados três modelos de redes implementados para o diagnóstico da enfermidade, baseados nas arquiteturas ResNet50v2, Xception e rede sequencial. A fim de melhorar a classificação final, propõe-se também o uso de um método baseado em votação. O treinamento e validação das redes se deu com base no conjunto de dados IQ-OTHNCCD da Universidade de Wasit. O modelo baseado em votação apresentou acurácia geral de 92%, sendo capaz de detectar 99% dos tumores malignos, 95% das tomografias normais e 71% dos tumores benignos.

Referências

Alyasriy, H. e Muayed, A.-H. (2021). The iq-othnccd lung cancer dataset.

Araujo, L. H., Baldotto, C., Castro Jr, G. d., Katz, A., Ferreira, C. G., Mathias, C., Mascarenhas, E., Lopes, G. d. L., Carvalho, H., Tabacof, J., et al. (2018). Câncer de pulmão no brasil. Jornal Brasileiro de Pneumologia, 44(1):55–64.

Baffa, Matheus de Freitas Oliveira e Lattari, L. G. (2018). Convolutional neural networks for static and dynamic breast infrared imaging classification. In 2018 31st SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI), pages 174–181. IEEE.

Balasooriya, N. M. e Nawarathna, R. D. (2017). A sophisticated convolutional neural network model for brain tumor classification. In 2017 IEEE International Conference on Industrial and Information Systems (ICIIS), pages 1–5. IEEE.

Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions.

Demir, F., Sengur, A., e Bajaj, V. (2020). Convolutional neural networks based efcient approach for classification of lung diseases. Health information science and systems, 8(1):1–8.

Dorj, U.-O., Lee, K.-K., Choi, J.-Y., e Lee, M. (2018). The skin cancer classification using deep convolutional neural network. Multimedia Tools and Applications, 77(8):9909–9924.

Franceschini, J. P. e Santoro, I. L. (2020). Estadiamento do câncer de pulmão: uma visão epidemiológica brasileira. Jornal Brasileiro de Pneumologia, 46(1).

Gunraj, H., Wang, L., e Wong, A. (2020). Covidnet-ct: A tailored deep convolutional neural network design for detection of covid-19 cases from chest ct images. Frontiers in medicine, 7.

He, K., Zhang, X., Ren, S., e Sun, J. (2015). Deep residual learning for image recognition.

INCA (2019). Estimativa 2020: incidência de câncer no Brasil. Instituto Nacional de Câncer José Alencar Gomes da Silva, Rio de Janeiro.

LeCun, Y., Bottou, L., Bengio, Y., e Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11):2278–2324.

Narin, A., Kaya, C., e Pamuk, Z. (2021). Automatic detection of coronavirus disease (covid-19) using x-ray images and deep convolutional neural networks. Pattern Analysis and Applications, pages 1–14.

Rahimzadeh, M., Attar, A., e Sakhaei, S. M. (2021). A fully automated deep learning-based network for detecting covid-19 from a new and large lung ct scan dataset. Biomedical Signal Processing and Control, 68:102588.

Wang, L., Lin, Z. Q., e Wong, A. (2020). Covid-net: A tailored deep convolutional neural network design for detection of covid-19 cases from chest x-ray images. Scientic Reports, 10(1):1–12.