metricas
covid
Buscar en
Revista Española de Medicina Nuclear e Imagen Molecular (English Edition)
Toda la web
Inicio Revista Española de Medicina Nuclear e Imagen Molecular (English Edition) A serial image analysis architecture with positron emission tomography using mac...
Información de la revista
Vol. 43. Núm. 3.
(mayo - junio 2024)
Compartir
Compartir
Descargar PDF
Más opciones de artículo
Visitas
44
Vol. 43. Núm. 3.
(mayo - junio 2024)
Original Article
A serial image analysis architecture with positron emission tomography using machine learning combined for the detection of lung cancer
Una arquitectura de análisis de imágenes seriadas con la tomografía por emisión de positrones mediante la aplicación de machine learning combinado para la detección del cáncer de pulmón
Visitas
44
S. Guzmán Ortiza,
Autor para correspondencia
estefany-go@hotmail.com

Corresponding author.
, R. Hurtado Ortizb, A. Jara Gavilanesb, R. Ávila Faicanb, B. Parra Zambranob
a Servicio de Medicina Nuclear, Hospital Universitario General de Toledo, Toledo, Spain
b Grupo de investigación en Inteligencia Artificial y Tecnologías de Asistencia (GI-IATA), Universidad Politécnica Salesiana, Cuenca, Azuay, Ecuador
Este artículo ha recibido
Información del artículo
Resumen
Texto completo
Bibliografía
Descargar PDF
Estadísticas
Figuras (3)
Mostrar másMostrar menos
Tablas (2)
Table 1. Models and parameters used in the study.
Table 2. Statistical analysis of the Stacking and AdaBoost models.
Mostrar másMostrar menos
Abstract
Introduction and objectives

Lung cancer is the second type of cancer with the second highest incidence rate and the first with the highest mortality rate in the world. Machine learning through the analysis of imaging tests such as positron emission tomography/computed tomography (PET/CT) has become a fundamental tool for the early and accurate detection of cancer. The objective of this study was to propose an image analysis architecture (PET/CT) ordered in phases through the application of ensemble or combined machine learning methods for the early detection of lung cancer by analyzing PET/CT images.

Material and methods

A retrospective observational study was conducted utilizing a public dataset entitled “A large-scale CT and PET/CT dataset for lung cancer diagnosis.” Various imaging modalities, including CT, PET, and fused PET/CT images, were employed. The architecture or framework of this study comprised the following phases: 1. Image loading or collection, 2. Image selection, 3. Image transformation, and 4. Balancing the frequency distribution of image classes. Predictive models for lung cancer detection using PET/CT images included: a) the Stacking model, which used Random Forest and Support Vector Machine (SVM) as base models and complemented them with a logistic regression model, and b) the Boosting model, which employed the Adaptive Boosting (AdaBoost) model for comparison with the Stacking model. Quality metrics used for evaluation included accuracy, precision, recall, and F1-score.

Results

This study showed a general performance of 94% with the Stacking method and a general performance of 77% with the Boosting method.

Conclusions

The Stacking method proved to be a model with high performance and quality for lung cancer detection when analyzing PET/CT images.

Keywords:
Machine learning
Positron emission tomography
Lung cancer
Resumen
Introducción y objetivos

El cáncer de pulmón es el segundo tipo de cáncer con mayor tasa de incidencia y el primero de mortalidad en el mundo. El aprendizaje automático o machine learning a través del análisis de pruebas de imagen como la tomografía por emisión de positrones/tomografía computarizada (PET/TC) se ha convertido en una herramienta fundamental para la detección temprana y precisa del cáncer. El objetivo de este estudio fue plantear una arquitectura de análisis de imágenes (PET/TC) ordenada en fases mediante la aplicación de métodos de machine learning combinado o ensemble para la detección temprana del cáncer de pulmón analizando imágenes PET/TC.

Material y métodos

Se realizó un estudio retrospectivo de observación. Se utilizó una base de datos pública «A large-scale CT and PET/CT dataset for lung cancer diagnosis», en la que se usaron modalidades de exploraciones: TC, PET e imágenes fusionas PET/TC. Las fases de la arquitectura o marco de trabajo de este estudio fueron: 1. Carga o recolección de imágenes, 2. Selección de imágenes, 3. Transformación de imágenes y 4. Balanceo de distribución de frecuencia de clases de imágenes. Los modelos predictivos para la detección del cáncer de pulmón analizando imágenes PET/TC fueron: a) el modelo Stacking, el cual utilizó como modelos base al modelo Random Forest y el modelo Máquina de Soporte Vectorial (SVM, siglas en inglés) para luego complementarlo con una Regresión Logística como modelo final y, b) el modelo Boosting, el cual utilizó el modelo de Adaptive Boosting (AdaBoost, siglas en inglés) para ser comparado con el modelo Stacking. Las medidas de calidad utilizadas fueron: precisión, exactitud, exhaustividad, valor-F1.

Resultados

En este estudio se pudo apreciar un rendimiento general del 94% con el método de Stacking y un rendimiento general del 77% con el método de Boosting.

Conclusiones

El método Stacking demostró ser un modelo con un gran rendimiento y calidad para la detección del cáncer de pulmón al analizar imágenes PET/TC.

Palabras clave:
Machine learning
Tomografía por emisión de positrones
Cáncer de pulmón

Artículo

Opciones para acceder a los textos completos de la publicación Revista Española de Medicina Nuclear e Imagen Molecular (English Edition)
Suscriptor
Suscriptor de la revista

Si ya tiene sus datos de acceso, clique aquí.

Si olvidó su clave de acceso puede recuperarla clicando aquí y seleccionando la opción "He olvidado mi contraseña".
Suscribirse
Suscribirse a:

Revista Española de Medicina Nuclear e Imagen Molecular (English Edition)

Comprar
Comprar acceso al artículo

Comprando el artículo el PDF del mismo podrá ser descargado

Precio 19,34 €

Comprar ahora
Contactar
Teléfono para suscripciones e incidencias
De lunes a viernes de 9h a 18h (GMT+1) excepto los meses de julio y agosto que será de 9 a 15h
Llamadas desde España
932 415 960
Llamadas desde fuera de España
+34 932 415 960
E-mail
Opciones de artículo
es en pt

¿Es usted profesional sanitario apto para prescribir o dispensar medicamentos?

Are you a health professional able to prescribe or dispense drugs?

Você é um profissional de saúde habilitado a prescrever ou dispensar medicamentos