Análise comparativa de redes neurais convolucionais na classificação de tumores pulmonares

Abstract

O câncer de pulmão é uma das principais causas de mortes no mundo atualmente, e na grande maioria dos casos, o diagnóstico da doença ocorre quando o paciente já se encontra em estágios avançados da mesma e com baixa expectativa de cura. Através do aprendizado de máquina por redes neurais convolucionais, unido ao processamento de imagens digitais, podemos desenvolver algoritmos capazes de auxiliar profissionais de saúde no diagnóstico do câncer de pulmão. Este trabalho tem por objetivo, portanto, realizar a análise comparativa de diferentes redes neurais convolucionais atuando neste processo. Foram comparadas quatro redes neurais convolucionais clássicas (VGG16, VGG19, Resnet e Xception) em duas bases de dados, sendo uma binária e outra multiclasse (com três classes). As duas redes com os melhores desempenhos foram Xception e Resnet, respectivamente, ambas obtendo 99% de acurácia nos conjuntos de dados binário e multiclasse. Concluímos que as redes neurais convolucionais clássicas conseguem ser eficientes para as duas abordagens. Por meio da análise dos mapas de calor, os quais fornecem uma representação visual das áreas de uma imagem que mais contribuem para a resposta ou classificação dada pela rede neural, notou-se que algumas áreas do pulmão foram mais relevantes para a classificação final.

Lung cancer is one of the main causes of death in the world today, and in the vast majority of cases, the diagnosis of the disease occurs when the patient is already in advanced stages of the same and with low expectation of cure. Through machine learning through convolutional neural networks, together with digital image processing, we can develop algorithms capable of assisting health professionals in the diagnosis of lung cancer. This work aims, therefore, to carry out a comparative analysis of different convolutional neural networks acting in this process. Four classic convolutional neural networks (VGG16, VGG19, Resnet and Xception) were compared in two databases, one binary and the other multiclass (with three classes). The two best performing networks were Xception and Resnet, respectively, both achieving 99% accuracy on the binary and multiclass datasets. We conclude that classical convolutional neural networks can be efficient for both approaches. Through the analysis of heat maps, which provide a visual representation of the areas of an image that most contribute to the response or classification given by the neural network, it was noted that some lung areas were more relevant to the final classification.