Przedmiotem niniejszej pracy jest zastosowanie algorytmów uczenia maszynowego w diagnostyce obrazowej. Jej celem jest stworzenie i ewaluacja modelu trójwymiarowych konwolucyjnych sieci neuronowych służącego do automatycznej detekcji i klasyfikacji guzów płucnych na obrazach tomografii komputerowej. Badania opierają się na założeniach metod głębokiego uczenia oraz weryfikacji rezultatów za pomocą metryk ilościowych. Rak płuc pozostaje jednym z najpoważniejszych wyzwań zdrowotnych na świecie. Zarówno pod względem częstości występowania, jak i śmiertelności. Odpowiada on za około jedną piątą wszystkich zgonów nowotworowych. W 2020 roku zdiagnozowano ponad 2 miliony nowych przypadków [1]. Liczba zgonów wynika głównie z późnej diagnozy, gdy choroba osiąga zaawansowane stadium i ogranicza możliwości skutecznego leczenia [2]. Wczesne wykrycie zmian nowotworowych, w szczególności małych guzków, znacząco zwiększa szanse przeżycia [2-3]. Niestety guzy płuc potrafią być wielkości kilku milimetrów, przez co są trudne do wykrycia nawet przez radiologów [4]. Tomografia komputerowa stanowi podstawowe narzędzie obrazowania w diagnostyce raka płuca, umożliwiając uzyskanie szczegółowych, trójwymiarowych obrazów płuc [5]. Analiza tych obrazów wymaga jednak od radiologów dużego nakładu pracy, jedno badanie zawiera najczęściej od 150 do 400 przekrojów do przejrzenia przez lekarza [6]. W związku z tym, rośnie zainteresowanie automatyzacją procesów diagnostycznych. Głębokie uczenie, jeden z działów sztucznej inteligencji specjalizuje się w analizie obrazów, detekcji i segmentacji obiektów w nich. Dlatego medycyna była jednym z najwcześniejszych sektorów, które wykorzystały potencjał głębokiego uczenia. Głębokie uczenie jest stosowane w obrazowaniu raka płuc [7-8], w tym wykrywaniu guzów [9], oraz segmentacji guzów [10]. Dane, na których będę pracować pochodzą z dwóch źródeł. Pierwszy pochodzi z uczelni Duke – DLCS 2024 [11]. Zestaw danych zawiera 1613 skanów tomografii komputerowej z 2487 opisanymi guzami. Drugi zestaw pochodzi z Amerykańskiego Departamentu Zdrowia (NIH) [12]. Siedem ośrodków akademickich i osiem firm zajmujących się obrazowaniem medycznym utworzyło zbiór danych, który zawiera 1018 skanów. Każde dane pacjenta zawierają obrazy z tomografii komputerowej klatki piersiowej oraz wyniki opisu obrazów przeprowadzone przez czterech doświadczonych radiologów. Każdy radiolog niezależnie w ciemno analizował każdy skan tomografii komputerowej, oznaczał kontury guzów i opisywali cechy guza w skali 1-5 takie jak złośliwość czy zwapnienie. Moja praca skupia się na całym procesie tworzenia modelu: od uzyskania danych źródłowych do gotowego działającego modelu, który odnajduje guza oraz opisuje jego cechy. Związane jest to z analizą danych, przygotowaniem ich oraz normalizacją pod model głębokiego uczenia. Dobraniem oraz treningiem modelu, dostosowywaniem hiper parametrów oraz ewaluacją wyników.
The subject of this work is the application of machine learning algorithms in imaging diagnostics. Its aim is to create and evaluate a three-dimensional convolutional neural network model for automatic detection and classification of lung nodules in computed tomography images. The research is based on deep learning methods and results are verified using quantitative metrics. Lung cancer remains one of the most serious health challenges worldwide, both in terms of incidence and mortality. It accounts for approximately one-fifth of all cancer deaths. In 2020, over 2 million new cases were diagnosed [1]. The number of deaths is mainly due to late diagnosis, when the disease reaches an advanced stage and limits the possibilities of effective treatment [2]. Early detection of cancerous lesions, particularly small nodules, significantly increases the chances of survival [2-3]. Unfortunately, lung nodules can be several millimeters in size, making them difficult to detect even by radiologists [4]. Computed tomography (CT) is a fundamental imaging tool in lung cancer diagnosis, enabling the acquisition of detailed, three-dimensional images of the lungs [5]. However, the analysis of these images requires a lot of work from radiologists, one examination usually contains from 150 to 400 sections to be reviewed by a doctor [6]. Therefore, there is a growing interest in the automation of diagnostic processes. Deep learning, one of the branches of artificial intelligence, specializes in the analysis of images, detection and segmentation of objects in them. That is why, medicine was one of the earliest sectors to utilize the potential of deep learning. Deep learning is used in lung cancer imaging [7-8], including tumor detection [9], and tumor segmentation [10]. The data I will be working with comes from two sources. The first one comes from Duke University – DLCS 2024 [11]. The dataset contains 1,613 CT scans with 2,487 annotated tumors. The second set comes from the US Department of Health (NIH) [12]. Seven academic centers and eight medical imaging companies created a dataset containing 1,018 scans. Each patient record includes chest computed tomography images and image annotation results performed by four experienced radiologists. Each radiologist independently blindly analyzed each CT scan, labeled tumor contours, and described tumor characteristics on a scale of 1-5, such as malignancy or calcification. My work focuses on the entire model development process: from obtaining the source data to a fully functional model that detects tumors and describes their characteristics. This involves data analysis, data preparation, and normalization for the deep learning model, model selection and training, hyperparameter tuning, and results evaluation.
