Segmentación Tridimensional de Nódulos Pulmonares en Tomografía Computarizada mediante 3D U-Net utilizando al Dataset LUNA16

Investigación Científica Aplicada

Segmentación Tridimensional de Nódulos Pulmonares en Tomografía Computarizada mediante 3D U-Net utilizando al Dataset LUNA16

El cáncer de pulmón continúa siendo una de las principales causas de mortalidad por cáncer en el mundo. La detección temprana de nódulos pulmonares mediante tomografía computarizada es fundamental para apoyar el diagnóstico oportuno y el seguimiento de pacientes en riesgo. Sin embargo, la segmentación manual de estos nódulos resulta compleja debido a su reducido tamaño, variabilidad morfológica y similitud con estructuras anatómicas circundantes. Este trabajo presenta una etapa inicial para el desarrollo de un algoritmo de segmentación tridimensional de nódulos pulmonares utilizando el conjunto de datos público LUNA16. Se implementó un flujo de preprocesamiento y se evaluó una arquitectura 3D U-Net para la delimitación automática de regiones nodulares. El rendimiento del modelo se analizó mediante métricas como Dice, IoU, sensibilidad y especificidad. Los resultados obtenidos constituyen una base experimental para futuras evaluaciones con estudios tomográficos de origen hospitalario.

Descripcion completa

El cáncer de pulmón continúa siendo una de las principales causas de mortalidad por cáncer en el mundo. La detección temprana de nódulos pulmonares mediante tomografía computarizada es fundamental para apoyar el diagnóstico oportuno y el seguimiento de pacientes en riesgo. Sin embargo, la segmentación manual de estos nódulos resulta compleja debido a su reducido tamaño, variabilidad morfológica y similitud con estructuras anatómicas circundantes. Este trabajo presenta una etapa inicial para el desarrollo de un algoritmo de segmentación tridimensional de nódulos pulmonares utilizando el conjunto de datos público LUNA16. Se implementó un flujo de preprocesamiento y se evaluó una arquitectura 3D U-Net para la delimitación automática de regiones nodulares. El rendimiento del modelo se analizó mediante métricas como Dice, IoU, sensibilidad y especificidad. Los resultados obtenidos constituyen una base experimental para futuras evaluaciones con estudios tomográficos de origen hospitalario.