Publicação
Classificação automática de lesões ósseas em imagens cintigráficas usando técnicas de machine learning
| authorProfile.email | biblioteca@isel.pt | |
| datacite.subject.fos | Engenharia e Tecnologia::Engenharia Médica | |
| dc.contributor.advisor | Oliveira, Francisco Paulo Marques de | |
| dc.contributor.advisor | Vieira, Lina da Conceição Capela de Oliveira | |
| dc.contributor.advisor | Costa, Durval Campos | |
| dc.contributor.author | Silva, Mariana Gomes Gonçalves da | |
| dc.date.accessioned | 2026-01-26T11:27:40Z | |
| dc.date.available | 2026-01-26T11:27:40Z | |
| dc.date.issued | 2022-05-03 | |
| dc.description.abstract | Definição do problema: A cintigrafia óssea é uma técnica de imagem de medicina nuclear que permite observar anomalias no metabolismo ósseo. Grande parte destes estudos visam principalmente a deteção de metástases ósseas. O trabalho de identificação das lesões malignas é muito dependente da experiência do médico que avalia os estudos, podendo ser muito moroso. As técnicas de diagnóstico assistido por computador podem dar um contributo importante neste tipo de trabalho. No entanto, existe uma panóplia considerável de soluções baseadas em machine learning. Deste modo, é necessário realizar estudos no sentido de aferir a aplicabilidade de cada uma das técnicas e comparar o seu desempenho em dados de imagens de cintigrafia óssea. Objetivo: Comparar técnicas de machine learning, nomeadamente decision tree (DT), k-nearest neighbors (k-NN), support vector machine (SVM), artificial neural network (ANN) e convolutional neural network (CNN), na classificação de lesões ósseas em imagens cintigráficas. Métodos: Estudo retrospetivo de 415 estudos de cintigrafia óssea (duas imagens por doente: projeções anterior e posterior após varrimento de corpo inteiro) de 415 doentes. As lesões malignas foram previamente identificadas por médicos especialistas. As regiões de captação óssea visualmente anormal elevada, que não foram considerados malignas ou duvidosas pelo médico especialista, foram considerados como hotspots benignos. Exceto para a aplicação das CNN, as lesões foram todas individualmente segmentadas com recurso a um classificador Bayesiano e depois caracterizadas por um conjunto de 27 características obtidas das mesmas. Para avaliação dos classificadores foi estimada a precisão balanceada com recurso à técnica de validação cruzada leave-one-out. Foi ainda avaliada e comparada a influência da normalização da intensidade de captação do radiofármaco na precisão balanceada dos classificadores. Duas normalizações de intensidade foram avaliadas: normalização pela mediana da captação numa estrutura óssea previamente definida, e normalização pela captação nos tecidos moles das coxas. Resultados: Foram identificadas 1304 lesões ósseas malignas e 873 benignas. Em termos de análise univariada, as características que de um modo geral originaram valores mais elevados de área abaixo da curva receiver operating characteristic (ROC) foram o desvio-padrão, a variância e a assimetria da distribuição da intensidade de captação dentro da lesão; no entanto com valores baixos (entre 0,60 e 0,64 na maior parte dos casos). A performance dos classificadores multivariados foi muito semelhante entre todos, com valores de precisão balanceada de 66%, 68%, 68%, 67% e 68% para os classificadores DT, SVM, k-NN, ANN e CNN, respetivamente. Não se observou uma vantagem significativa na normalização da intensidade de captação. Discussão: A heterogeneidade da intensidade de captação dentro da lesão foi a macro característica que melhor separou os dois tipos de lesão. Era expectável que a normalização da captação pela captação mediana da estrutura ósseas selecionada como referência originasse resultados significativamente melhores do que sem normalização, mas tal não se confirmou. Também era expectável que as características geométricas das lesões pudessem discriminar bem o tipo de lesão. No entanto, isto também não se confirmou. Em relação ao desempenho dos classificadores, estiveram todos dentro do esperado. É expectável que a junção de variáveis demográficas e de localização anatómica das lesões possa melhorar o resultado dos classificadores, tornando-os mais interessantes. Conclusão: Todos os modelos de classificadores multivariados usados originaram bons resultados de precisão balanceada apenas com a informação extraída das imagens, sem diferenças significativas entre eles. Estes resultados são promissores, abrindo portas para a aplicação de sistemas CAD para o auxílio à avaliação de imagens de cintigrafia óssea. | por |
| dc.description.abstract | Abstract Problem definition: Bone scintigraphy is a nuclear medicine imaging technique that allows observing abnormalities in bone metabolism. Most of these studies are aimed at detecting bone metastases. The work of identifying malignant lesions is highly dependent on the experience of the physician who evaluates the studies, and it can be very time-consuming. Computer-aided diagnosis techniques can make an important contribution to this type of work. However, there is a considerable variety of solutions based on machine learning. Thus, it is necessary to carry out studies to assess the applicability of each technique and compare their performance in bone scintigraphy image data. Aim: To compare machine learning techniques, namely decision tree (DT), k-nearest neighbors (k-NN), support vector machine (SVM), artificial neural network (ANN), and convolutional neural network (CNN), in the classification of bone lesions in scintigraphic images. Methods: Retrospective study of 415 bone scintigraphy studies (two images per patient: anterior and posterior projections – whole-body scanning) from 415 patients. Malignant lesions were previously identified by experienced nuclear medicine (NM) physicians. Abnormal high bone uptake foci were considered to be benign lesions whenever reported as non-malignant not doubtful by the NM physicians. Except for the application of CNN, the lesions were all individually segmented using a Bayesian classifier and then characterized by a set of 27 features obtained from them. To evaluate the classifiers, the balanced accuracy was estimated using the leave-one-out cross-validation technique. The influence of radiopharmaceutical uptake normalization in the balance accuracy was studied. Two solutions were tested: normalization by median uptake in pre-defined bone structure, and normalization by the median uptake in the thighs’ soft tissue. Results: 1304 malignant and 873 benign bone lesions were identified. In terms of univariate analysis, the features that, in general, gave rise to higher area values under the receiver operating characteristic (ROC) curve were the standard deviation, variance, and asymmetry of the distribution of intensities within the lesion. The area under the ROC curve was low, between 0.60 and 0.64 in most cases. The features based on the lesions’ geometry resulted in slightly lower areas under the ROC curve, but some of them were still statistically significant. The performance of the multivariate classifiers was very similar among all, with balanced accuracies of 66%, 68%, 68%, 67%, and 68% for the DT, SVM, k-NN, ANN, and CNN classifiers, respectively. Uptake normalization gave no significant advantage. Discussion: The uptake heterogeneity within the lesion was the macro feature that better separated the two types of lesions. It was expected that normalization of uptake by the median uptake of the bone structures selected as a reference would lead to significantly better results than without normalization, but this was not confirmed. It was also expected that the geometric characteristics of the lesions could discriminate the lesions well. However, this was not the case. Regarding the performance of the classifiers, they were all within expectations. It is expected that the combination of demographic variables and anatomical location of the lesions can improve the result of the classifiers, making them more interesting. Conclusion: All the multivariate classifier models used originated good balanced accuracy results only with the information extracted from the images, with no statistically significant differences among them. These results are promising, opening the doors for the application of CAD systems for improved and more homogeneous evaluation of bone scintigraphy images. | eng |
| dc.identifier.tid | 204160804 | |
| dc.identifier.uri | http://hdl.handle.net/10400.21/22579 | |
| dc.language.iso | por | |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Cintigrafia óssea | |
| dc.subject | Machine learning | |
| dc.subject | Classificação de imagens médicas | |
| dc.subject | Estudo comparativo | |
| dc.subject | Bone scintigraphy | |
| dc.subject | Medical image classification | |
| dc.subject | Comparative study | |
| dc.title | Classificação automática de lesões ósseas em imagens cintigráficas usando técnicas de machine learning | |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Trabalho Final de Mestrado para obtenção do grau de Mestre em Engenharia Biomédica |