Resumen

El cáncer de pulmón es el cáncer más frecuente que no puede ignorarse y causa la muerte con una atención sanitaria tardía. En la actualidad, el TAC puede ayudar a los médicos a detectar el cáncer de pulmón en las primeras fases. En muchos casos, el diagnóstico para identificar el cáncer de pulmón depende de la experiencia de los médicos, lo que puede ignorar a algunos pacientes y causar algunos problemas. El aprendizaje profundo ha demostrado ser un método popular y potente en muchas áreas de diagnóstico por imagen médica. En este trabajo, se diseñan tres tipos de redes neuronales profundas (por ejemplo, CNN, DNN y SAE) para la calcificación del cáncer de pulmón. Estas redes se aplican a la tarea de clasificación de imágenes de TC con algunas modificaciones para los nódulos pulmonares benignos y malignos. Estas redes se evaluaron en la base de datos LIDC-IDRI. Los resultados experimentales muestran que la red CNN obtuvo el mejor rendimiento con una precisión del 84,15%, una sensibilidad del 83,96% y una especificidad del 84,32%, lo que supone el mejor resultado entre las tres redes.

• Materias:Algoritmos de aprendizaje Transductores de ultrasonido Ingeniería de atención Estudio biomecánico Ortesis progresivas estáticas
• Subjects:Learning algorithms Ultrasound transducers Care engineering Biomechanical study Static progressive orthoses
• Palabras claves:redes, cáncer de pulmón, tarea de clasificación de imágenes de TC, muchas áreas de diagnóstico por imágenes médicas, redes neuronales profundas, atención sanitaria tardía, calcificación del cáncer de pulmón, nódulos pulmonares malignos, médicos, red CNN
• Keywords:networks, lung cancer, CT image classification task, many medical imaging diagnosis areas, deep neural networks, late health care, lung cancer calcification, malignant lung nodules, doctors, CNN network