Prediction of malignancy in lung cancer using several strategies for the fusion of multi-channel pyradiomics images
Rodríguez Dueñas, Jan
Gil, Debora, dir. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Títol variant:	Predicció de malignitat en el càncer de pulmó utilitzant diverses estratègies per a la fusió d'imatges de Pyradiomics de múltiples canals
Títol variant:	Predicción de malignidad en el cáncer de pulmón utilizando varias estrategias para la fusión de imágenes de Pyradiomics de múltiples canales
Data:	2023
Resum:	Aquest treball mostra el proces de generació i el posterior estudi de l'espai de representació que obtenim extraient característiques de textura GLCM de tomografies assistides per ordinador (CT) dels noduls pulmonars (PN). El flux del treball se centra en l'extracció de característiques mitjançant Pyradiomics i la xarxa neuronal convolucional (CNN) VGG16. L'estudi té com a objectiu valorar si les dades aconseguides impacten de manera positiva en el diagnòstic de càncer pulmonar (LC). Per dissenyar un mètode d'entrenament de models d'aprenentatge automàtic (ML) que permet generalització, entrenem models SMV amb diferents divisions de dades, valorant el rendiment de la diagnosi mitjançant mètriques definides a nivell de tall i de nòdul. Per aquesta tasca, s'han utilitzat dades de 92 pacients de l'Hospital Universitari Germans Trias i Pujol.
Resum:	Este estudio presenta el proceso de generación y posterior estudio del espacio de representación obtenido mediante la extracción de características de textura GLCM de tomografías computarizadas (TC) de nódulos pulmonares (NP). El flujo de trabajo del estudio se centra en la extracción de características utilizando Pyradiomics y la red neuronal convolucional (CNN) VGG16. El objetivo del estudio es evaluar si los datos obtenidos tienen un impacto positivo en el diagnóstico del cáncer de pulmón (CP). Para diseñar un método de entrenamiento de modelos de aprendizaje automático (ML) que permita la generalización, entrenamos modelos SVM con diferentes subdivisiones de datos, evaluando el rendimiento diagnóstico utilizando métricas definidas tanto a nivel de corte como de nódulo. Para esta tarea, se han utilizado datos de 92 pacientes del Hospital Universitari Germans Trias i Pujol.
Resum:	This study presents the process of generation and subsequent study of the representation space obtained by extracting GLCM texture features from computed tomography (CT) of pulmonary nodules (PN). The workflow of the study focuses on feature extraction using Pyradiomics and the VGG16 convolutional neural network (CNN). The objective of the study is to assess whether the obtained data have a positive impact on the diagnosis of lung cancer (LC). To design a method for training machine learning (ML) models that enables generalization, we train SVM models with different data splits, evaluating the diagnostic performance using metrics defined at both the slice and nodule levels. For this task, data from 92 patients from the Hospital Universitari Germans Trias i Pujol have been used.
Drets:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.
Llengua:	Anglès
Titulació:	Grau en Enginyeria de Dades [2503758]
Pla d'estudis:	Enginyeria de Dades [1394]
Document:	Treball final de grau ; Text
Matèria:	Cancer pulmonar ; Diagnòstic precoç ; Cribratge ; Radiòmica ; Espai de representació ; SVM ; Optimització de models ; Cáncer de pulmón ; Diagnóstico temprano ; Cribado ; Radiómica ; Espacio de representación ; Optimización del modelo ; Lung cancer ; Early diagnosis ; Screening ; Radiomics ; Representation space ; Model optimization

10 p, 435.6 KB

El registre apareix a les col·leccions:
Documents de recerca > Treballs de Fi de Grau > Escola d'Enginyeria. TFG