NODULOS PULMONARES

CARACTERISTICAS

< 3 CMS
 NODULOS MAYORES >3
TAMAÑOS
CMS
 RANGO EN MILIMETROS

CONDICION BENIGNA O MALIGNA

METODOS DE
TAC DE TORAX
DIAGNOSTICACION

 nódulos calcificados
BENIGNOS  bien delimitados y que
no crecen

NODULOS IRREGULARES
(ALTA PROBABILIDAD)
MALIGNOS  CONTROL SUCESIVOS
 MAYOR VASCULATURA
 GRAN TAMAÑO

TRATAMIENTO
 QUIRURGICO
INICIAL

OPACIDAD >= 30 MM

DEFINICION TUMORES ETAPA 1

 SOLIDOS (S)
 SOLIDO
 CAVITADOS (V)
CLASIFICACION POSIBLE FORMA  SUBSOLIDO ( NO
 EN VIDRIO ESMERILADO
INICIAL POR DE SOLIDO Y
(VE)
DENSIDAD CLASIFICACION PARCIALMENTE
 MIXTAS (S Y VE)
LIMITADOS)
 PRINCIPALES
 TAMAÑO
 DENSIDAD
 REFUERZO CON EL MEDIO
DE CONTRASTE
CARACTERISTICAS
RADIOLOGICAS DE
SECUNDARIAS
DIFERENCIACION
 CONTORNO DEL BORDE
 FORMA
 CALCIFICACIONES
 CONTENIDO GRASO
 CAVITACIONES

SEGUIMIENTO POR AL MENOS 3 AÑOS

LESIONES
MAYOR RIESGO DE MALIGNIDAD
SUBSOLIDAS

CORRESPONDE A HIPERPLASIA
LESIONES EN VE
ADENOMATOSA ATÍPICA (HAA)

CORRESPONDE A
LESIONES MIXTAS
ADENOCARCINOMA IN SITU

 CELULAS PEQUEÑAS
DIVISION DEL
(CPCP) (PEOR
CANCER
PRONOSTICO)
PULMONAR
 CELULAS NO PEQUEÑAS
HISTOLOGICO
(CPNCP)

NOTAS

 ADEMAS DEL CANCER PUEDE SIGNIFICAR LESIONES BENIGNAS COMO TUBERCULOMA.

 CALCIFICACION CUANDO EL CALCIO QUE LO RODEA SE ENDURECE.
 CANCER PULMONAR (CP) ALTAMENTE AGRESIVO.
 CP ES LA PRIMERA CAUSA POR CANCER A NIVEL MUNDIAL.
 CONSUMO DE TABACO DE PAISES EN VIAS DE DESARROLLO.
  LOS NODULOS MENORES A 2 CMS NO SON VISIBLES A LA RADIOGRAFIA SINO POR TAC
 TAC ES TOMOGRAFIA COMPUTARIZADA QUE EMITE RAYOS X PARA TOMAR IMÁGENES
BLANCO Y NEGRO

CONOCIMIENTO DEEP LEARNING

LAS REDES NEURONALES ARTIFICIALES ESTAN INSPIRADAS DE REDES NEURONALES

BIOLOGICAS FORWARD PASS
X
x1
w1 y=x 1 w1 + x 2 w2 + x 3 w3 +b

w2
x2

w3
x3
BACKPROPAGATION

FUNCIONES NO LINEALES PARA QUITAR LINEALIDAD.

 TANH
 RELU
 SIGMOID

FUNCION SOFTMAX PARA CUANTIFICAR QUE TAN BUENOS SON LOS PESOS Y BIASES ACTUALES,
ARROJA PROBABILIDADES PARA CADA CLASE.

Sk
e
∑ eS j

FUNCION CROSS ENTROPY O DE COSTO

¿ clases
− ∑ y j ln ^y j →−ln ⁡(^y k )
j =1

LOTE DE ENTRADA: MINIBACH

GRADIENTE DESCENDIENTE: MINIMIZAR LA FUNCION DE COSTO ACTUALIZANDO LOS
PARAMETROS DE PESO Y BIAS
 L
∂L
w=w−∝
∂w
∂L
b=b−∝
∂b

GRADIENTE DE FUNCION DE PERDIDA CON RESPECTOS A LOS PARAMETROS PESOS Y BIAS:

ALGORITMO DE RETROPROPAGACION.

∂ L ∂ z ∂L ∂ L ∂ L ∂z
= , =
∂ z ∂ w ∂w ∂b ∂z ∂b
z = ENTRADAS DE LA FUNCIÓN SOFTMAX O SCORES.

REDES NEURONALES CONVOLUCIONALES

 PRODUCTO PUNTO ENTRE 2 VECTORES
PADDING: MARCO PUESTO A UNA IMAGEN DE CEROS PARA QUE EL MAPA DE CARACTERISTICAS
MANTENGA LAS MISMAS DIMENSIONES.

STRIDE: NUMERO DE SALTOS QUE HACE EL KERNEL CALCULANDO EL PRODUCTO PUNTO DE LA

IMAGEN.

TAMAÑO DE SALIDA h = ALTURA DE MATRIZ DE ENTRADA, k = KERNEL, p= PADDING,

s= STRIDE

h−k + 2 p
h 0= +1
s
NOTA: EL KERNEL SON INICIALMENTE ALEATORIOS Y SON ADQUIRIDOS POR BACKPROPAGATION
LAS IMÁGENES A COLOR SON ARREGLOS MULTIDIMENSIONALES DE N x N x 3 DEBIDO A LOS TRES
CANALES DE COLOR RGB LLAMADO VOLUMEN.

UN ARREGLO DE ENTRADA MULTICAPA SE DEBE PASAR UN KERNEL QUE CONTENGA EL MISMO

NUMERO DE CAPAS DEL VOLUMEN DE ENTRADA EL CUAL DARA COMO RESULTADO UN MAPA DE
ACTIVACION. LA UNION DE VARIOS MAPAS DE ACTIVACION SE DA A LA APLICACIÓN DE VARIOS
KERNELS QUE GENERAN VARIOS MAPAS DE ACTIVACION QUE SE CONCATENAN PARA FORMAR UN
MAPA DE ACTIVACION MULTICAPA.

MAX POOLING – AVG POOLING