O câncer de pulmão é o tipo de câncer que mais faz vítimas em todo o mundo e muitas vezes apresenta diagnóstico tardio. Tomografia computadorizada (TC) é atualmente o exame de imagem referência para o diagnóstico de tumores pulmonares. Estudos recentes mostram relevância na caracterização de tumores pulmonares por diferentes sequencias obtidas por ressonância magnética (RM). A RM também tem a vantagem de não expor o paciente à radiação ionizante, como ocorre nas TC. Este trabalho apresenta uma investigação sobre a aplicabilidade dos métodos de reconhecimento de padrões ao diagnóstico auxiliado por computador de câncer de pulmão em exames de RM a fim de classificar nódulos e massas pulmonares em benigno ou maligno. Imagens de RM ponderadas em T1 pós contraste (T1PC) e em T2 associadas a lesões pulmonares foram adquiridas retrospectiva e prospectivamente, então semi-automaticamente segmentadas. Os atributos quantitativos foram extraídos a partir dos modelos 2D e 3D segmentados de T1PC e T2. Cada modelo segmentado forneceu 75 atributos, totalizando 150. T1PC e T2 foram combinados criando o conjunto de dados T1PC-T2 com 300 atributos. Problemas de desbalanceamento foram resolvidos aumentando os conjuntos de dados de forma sintética e utilizando bootstrapping. A classificação dos tumores foi baseada em cinco classificadores de aprendizado de máquina e validados utilizando leave-one-out. A seleção de atributos mais relevantes foi realizada com Wrapper. Os resultados mostraram um desempenho significativo em conjuntos de dados balanceados, especialmente após a seleção de atributos. Naive Bayes classificando imagens em T2 com atributos relevantes selecionados obteve o maior valor de área sob a curva ROC (receiver operating characteristic) de 0,944. Os atributos relevantes mais selecionados foram extraídos da matriz de coocorrência de nível de cinza e da forma do tumor, indicando boa correlação com características clínicas dos tumores. Além disso, o estudo demonstra potencial para o diagnóstico auxiliado por computador para câncer de pulmão em imagens de RM

Lung cancer is the type of cancer that takes the most victims around the world and often presents a late diagnosis. Computed tomography (CT) is currently the reference imaging test for the diagnosis and staging of lung tumors. Recent studies have shown relevance in the characterization of lung tumors by different sequences obtained with magnetic resonance imaging (MRI). MRI also has the advantage of not exposing the patient to ionizing radiation, which occurs in CT scans. This work presents an investigation about the applicability of pattern recognition methods to computer-aided diagnosis of lung cancer in MRI exams in order to classify lung nodules and masses in benign and malignant. T1-weighted contrast-enhanced (T1PC) and T2-weighted (T2) MRI images associated with lung lesions were acquired retrospectively and prospectively, then semi-automatically segmented. Quantitative features were obtained from tumor 2D and 3D segmentation models of T1PC and T2. Each segmentation model provided 75 features, totaling 150. T1PC and T2 datasets were combined creating the T1PC-T2 dataset with 300 features. Unbalancing problems were solved by synthetically oversampling the datasets and by bootstrapping. Tumor classification was based on five machine learning classifiers and leave-one-out cross-validation. Relevant feature selection was performed using Wrapper. Results showed significant performance on balanced datasets, especially after feature selection. Naïve Bayes classifying balanced T2 with selected features provided the highest area under the receiver operating characteristic (ROC) curve value of 0.944. The most selected features were extracted from gray level co-occurrence matrix and shape of the tumor, which these features might indicate good correlation with clinical and pathological data. Hence, the investigated approach demonstrates potential for computer-aided diagnosis of lung cancer in MRI.