Autore/i Marelli, Lorenzo
Relatore BARONI, GUIDO
Correlatore/i GARAU, NOEMI
PAGANELLI , CHIARA
Scuola / Dip. ING - Scuola di Ingegneria Industriale e dell'Informazione
Data 2-ott-2020
Anno accademico 2019/2020
Titolo della tesi A modified faster R-CNN for pulmonary nodule detection : preliminary investigation of hyperparameters and network structure
Abstract in italiano Il cancro del polmone rimane il tumore più frequentemente diagnosticato e la principale causa di morte per cancro in tutto il mondo ma la diagnosi precoce del cancro del polmone può aumentare significativamente le possibilità di sopravvivenza dei pazienti ad alto rischio. La tomografia computerizzata a basso dosaggio di radiazioni (Low Dose Computerized Tomography, LDCT) rappresenta la tecnica di imaging più utilizzata per la diagnosi del tumore al polmone. In un contesto di screening su larga scala, i radiologi devono perciò affrontare l'impegnativo compito di identificare fini anomalie su uno sfondo rumoroso e Inoltre, devono gestire un numero elevato di immagini per ogni paziente. L'integrazione nella pratica clinica di sistemi CAD (Computer Aided Detection) di supporto per il rilevamento dei noduli polmonari si è dimostrata estremamente efficace. Il nostro lavoro mira ad adattare l'implementazione originale della Faster R-CNN, un algoritmo di object detection basato sul deep learning, al fine di identificare automaticamente i noduli polmonari nella scansione LDCT. Abbiamo rivisitato la struttura originale di Faster R-CNN e allo stesso tempo abbiamo studiato i parametri della rete per renderla adatta al rilevamento dei noduli polmonari.
Abstract in inglese Lung cancer remains the most frequently diagnosed cancer and the leading cause of cancer death worldwide but early detection of lung cancer can significantly increase the survival rate of high-risk patients. Low-dose computerized tomography (LDCT) is the imaging technique most widely used for lung cancer diagnosis. In large-scale screening context, radiologists are therefore faced with the challenging task of identifying fine abnormalities on a noisy background and have to review a huge number of images for each patient. The integration in the clinical practice of a computer aided detection (CAD) systems to support lung nodule localization have been proved to be extremely effective. Our work aims to adapt the original implementation of Faster R-CNN, a deep learning based object detection algorithm, in order to automatically identify lung nodules in LDCT scan. We revisited the original structure of Faster R-CNN and at the same time we investigated the parameters of the network in order to be suitable for lung nodule detection.
Appare nelle tipologie: Tesi di laurea Magistrale
File allegati
File Dimensione Formato  
2020_10_Marelli.pdf

accessibile in internet per tutti

3.85 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: http://hdl.handle.net/10589/167073