Pulmonary nodule segmentation in computed tomography with deep learning

Abstract

Early detection of lung cancer is essential for treating the disease. Lung nodule segmentation systems can be used together with Computer-Aided Detection (CAD) systems, and help doctors diagnose and manage lung cancer. In this work, we create a lung nodule segmentation system based on deep learning. Deep learning is a sub-field of machine learning responsible for state-of-the-art results in several segmentation datasets such as the PASCAL VOC 2012. Our model is a modified 3D U-Net, trained on the LIDC-IDRI dataset, using the intersection over union (IOU) loss function. We show our model works for multiple types of lung nodules. Our model achieves state-of-the-art performance on the LIDC test set, using nodules annotated by at least 3 radiologists and with a consensus truth of 50%.

A deteção do cancro do pulmão numa fase inicial é essencial para o tratamento da doença. Sistemas de segmentação de nódulos pulmonares, usados em junção com sistemas de Deteção Assistida por Computador (DAC), podem ajudar médicos a diagnosticar e gerir o cancro do pulmão. Neste trabalho propomos um sistema de segmentação de nódulos pulmonares, recorrendo a técnicas de aprendizagem profunda. Aprendizagem profunda é um sub-campo de aprendizagem automática, responsável por vários resultados estado da arte em datasets de segmentação de imagem, como o PASCAL VOC 2012. O nosso modelo final é uma 3D U-Net modificada, treinada no dataset LIDC-IDRI, usando interseção sobre união como função de custo. Mostramos que o nosso modelo final funciona com vários tipos de nódulos pulmonares. O nosso modelo consegue resultados estado da arte no LIDC test set, usando nódulos anotados pelo menos por 3 radiologistas, com uma verdade consensual de 50%.