Análise comparativa de redes neurais convolucionais para a detecção de câncer de pulmão em tomografias computadorizadas

Abstract

Um dos cânceres com a taxa de mortalidade mais alta no mundo é o câncer de pulmão. Há uma enorme dificuldade no diagnóstico desta doença em estágios iniciais, devido à ausência de sintomas claros. Por essa razão, ao identificá-la, o paciente possivelmente já encontra-se em estado avançado da doença ou até mesmo em processo metastático. Desta forma, com o objetivo de facilitar a detecção precoce e mitigar o número anual de mortes, encontra-se na Convolutional Neural Network (CNN) a possibilidade de utilizá-la como um apoio ao diagnóstico médico, em virtude dos bons resultados apresentados por esta arquitetura de rede neural na tarefa de classificação de imagens. Assim, no presentetrabalho é feito um estudo comparativo utilizando os seguintes modelos de CNN para a tarefa de classificação de tomografias computadorizadas: VGG19, DenseNet, Inception eXception. A partir da utilização destes modelos, objetiva-se verificar o comportamento dos modelos de CNN quando utilizados em bases de dados com classes desbalanceadas e balanceadas de tomografias computadorizadas do pulmão. Além disso, este trabalho também tem por objetivo a utilização das CNNs acima citadas aplicando a elas o conceito de transferência de aprendizado e modelo híbrido com classificadores tradicionais, como o K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Stochastic Gradient Descent (SGD), Árvore de Decisão e Regressão Logística. Para fins de comparação entre os modelos de classificação, foram utilizadas as seguintes métricas: Acurácia, revocação, precisão e F1-score. No modelo de CNN completa, a arquitetura VGG teve o melhor desempenho, com 0.9724 de acurácia, 0.9537 de F1-score e 0.9582 de revocação. Para o modelo híbrido, os modelos VGG e Xception combinados com o algoritmo de Regressão Logística alcançaram os melhores desempenhos quando comparados aos modelos de CNN inicialmente utilizados. Por fim, realizadas as comparações é possível concluir que, para a tarefa de classificação de tomografias computadorizadas do pulmão, modelos híbridos podem ter melhor desempenho quando comparados aos modelos de CNN completa.