Компьютерная система диагностики для классификации легочных структур на основе изображений многосрезовой компьютерной томографии / Computer-Aided Diagnosis System for Lung Nodule Classification Using Computer Tomography Scan Images

Кравченко В.Ф. / Kravchenko, V.F.
Институт радиотехники и электроники им. В. А. Котельникова РАН; Научно-технологический центр уникального приборостроения РАН / Kotel’nikov Institute of Radio Engineering and Electronics of RAS; Scientific and Technological Centre of Unique Instrumentation of RAS
Пономарев В.И. / Ponomaryov, V.I.
Национальный Политехнический Институт г. Мехико / Instituto Politecnico Nacional de Mexico
Рэйес-Рэйес Р. / Reyes-Reyes, R.
Национальный Политехнический Институт г. Мехико / Instituto Politecnico Nacional de Mexico
Рэндон-Гонзалез Э.М. / Rendon-Gonzalez, E.M.
Национальный Политехнический Институт г. Мехико / Instituto Politecnico Nacional de Mexico
Выпуск в базе РИНЦ
Кравченко В.Ф., Пономарев В.И., Рэйес-Рэйес Р., Рэндон-Гонзалез Э.М. Компьютерная система диагностики для классификации легочных структур на основе изображений многосрезовой компьютерной томографии // Физические основы приборостроения. 2019. Т. 8. № 2(32). С. 50–61. DOI: 10.25210/jfop-1902-050061
Kravchenko, V.F., Ponomaryov, V.I., Reyes-Reyes, R., Rendon-Gonzalez, E.M. Computer-Aided Diagnosis System for Lung Nodule Classification Using Computer Tomography Scan Images // Physical Bases of Instrumentation. 2019. Vol. 8. No. 2(32). P. 50–61. DOI: 10.25210/jfop-1902-050061


Аннотация: Рассмотрен новый подход в синтезировании компьютерной системы CAD для обнаружения кансерных аномальных структур возможных злокачественных опухолей в легких с последующей их классификацией алгоритмами SVMи AdaBoost. Моделирование предложенного метода детектирования и диагностики подтвердило преимущества новой системы в терминах чувствительности и числа ложных обнаружений в изображениях.
Abstract: Novel approach in design of CAD system uses slides of 3D CT scan image to detect and classify benign and malignant nodules where the classification stage is performed applying both Support Vector Machine and AdaBoost classifiers and should separate two classes: benign and malignant nodules. Simulation results with the proposed CAD and similar CAD systems have demonstrated better detection of low intensity nodules and nodules attached with other pulmonary structures in terms of sensitivity and FP ratios.
Ключевые слова: фрактальная размерность, SVM, AdaBoost, чувствительность, CAD, scan CT images, CAD, fractal dimension, SVM, AdaBoost, фрактальная размерность


Литература / References
  1. Van Nagell, J.R., DePriest, P.D., Ueland, F.R., DeSimon, e C.P., Cooper, A.L., McDonald, J.M., Pavlik, E.J., and Kryscio, R.J. Ultrasound and assessment of ovarian cancer risk // Cancer. 2013. Vol. 37. P. 408-414. doi: 10.3322/caac.21166.
  2. Vasconcelos, V., Barroso, J., Marques, L., and Silvestre, S. J. Enhanced Classification of Interstitial Lung Disease Patterns in HRCT Images Using Differential Lacunarity // Biomed. Res. Int. 2015. P. 1-9. doi: 10.1155/2015/672520.
  3. Messay, T., Hardie, R.C., and Tuinstra, T.R. Segmentation of pulmonary nodules in computed tomography using a regression neural network approach and its application to the Lung Image Database Consortium and Image Database Resource Initiative dataset // Med. Image Anal. 2015. Vol.22. P. 48-62. doi: 10.1016/j.media.2015.02.002
  4. Kaur, J., Garg, N., and Kaur, D. An automatic CAD system for early detection of lung tumor using back propagation network // Proc. of 2014 Int. Conf. Med. Imaging, -Health Emerg. Commun. Syst. IEEE. 2014. P. 257-261.
  5. El-Baz, A., Elnakib, A., Abou El-Gha, R.M., Gimel’farb, G., Falk, R., and Farag, A. Automatic Detection of 2D and 3D Lung Nodules in Chest Spiral CT Scans// Int. J. Biomed. Imaging. 2013. P. 1-11. doi: 10.1155/2013/517632.
  6. Cascio, D., Magro, R., Fauci, F., Iacomi, M., and Raso, G. Automatic detection of lung nodules in CT datasets based on stable 3D mass-spring models // Comput. Biol. Med. 2013. Vol. 42. P. 1098-1109. doi: 10.1016/j.compbiomed.2012.09.002.
  7. Dehmeshki, J., Amin, H., Valdivieso, M., and Ye, X. Segmentation of pulmonary nodules in thoracic CT scans: A region growing approach // IEEE Trans Med.Imag. 2008. Vol. 27. P. 467-480. doi: 10.1109/TMI.2007.907555.
  8. McKee, B.J., Regis, S.M., McKee, A.B., Flacke, S., and Wald, C. Performance of ACR lung-RADS in a clinical CT lung screening program // J. Am.Coll. Radiol. 2015. Vol. 12. P. 273-276. doi: 10.1016/j.jacr.2014.08.004.
  9. Valente, I.R.S., Cortez, P.C., Neto, E.C., Soares, J.M., de Albuquerque, V.H.C., and Tavares, J.M.R.S. Automatic 3D pulmonary nodule detection in CT images: A survey // Comput. Methods Program. Biomed. 2015. Vol. 124. P. 91-107. doi: 10.1016/j.cmpb.2015.10.006.
  10. Zhao, B., Gamsu, G., Ginsberg, M.S., Jiang, L., and Schwartz, L.H. Automatic detection of small lung nodules on CT utilizing a local density maximum algorithm // J. Appl.Clin. Med. Phys. 2003. Vol. 4. P. 248-260. doi: 10.1120/1.1582411 12.
  11. Al-Kadi, O.S., Watson, D. Texture analysis of aggressive and nonaggressive lung tumor CE CT images // IEEE Trans Biomed. Eng. 2008. Vol. 55. P. 1822-1830. doi: 10.1109/TBME.2008.919735
  12. Gadermayr, M., Uhl, A. Making Texture Descriptors Invariant to Blur // EURASIP J. Image Video Process. 2015. doi: 10.1186/s13640-016-0116-7.
  13. Haralick, R.M., Shanmugam, K., and Dinstein, I. Textural Features for Image Classification // IEEE Trans Syst. Man Cybern. 1973. Vol. 3. P. 610-621. doi: 10.1109/TSMC.1973.4309314.
  14. Alippi, C., Roveri, M. Virtual k -fold cross validation: an effective method for accuracy assessment // Proc. Int. Conf. Neural Networks. IEEE, Barcelona, 2010. P. 18-23.
  15. Freund, Y., Schapire, R.E. A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting // J. Comput. Syst. Sci. 1997. Vol. 55. P. 119-139. doi: 10.1006/jcss.1997.1504.
  16. Armato, S.G., Hadjiiski, L., Tourassi, G.D., Drukker, K., Giger, M.L., Li, F., Redmond, G., Farahani, K., Kirb, y J.S., and Clarke, L.P. LUNGx Challenge for computerized lung nodule classification: reflections and lessons learned // J. Med. Imaging, 2015. Vol. 2. P. 20103. doi: 10.1117/1.JMI.2.2.020103.
  17. Ye, X., Lin, X., Dehmeshki, J., Slabaugh, G., Beddoe, G., Xujiong, Ye. X., Xinyu, L. X., Dehmeshki, J., Slabaugh, G., and Beddoe, G. Shape based computer-aided detection of lung nodules in thoracic CT images // IEEE Trans. Biomed. Eng. 2009. Vol. 56. P. 1810-1820. doi: 10.1109/TBME.2009.2017027.
  18. Tan, M., Deklerck, R., Jansen, B., Biste, r M., and Cornelis, J. A novel computer-aided lung nodule detection system for CT images // Med. Phys. 2011. Vol. 38. P. 5630. doi: 10.1118/1.3633941.