Return to search

Ανίχνευση οζιδίων του πνεύμονα στην υπολογιστική αξονική τομογραφία χαμηλής δόσης / Automated lung nodule detection in low dose multislice CT

Use of multi-detector CT in lung cancer screening has the potential to detect smaller
lung nodules with improved sensitivity. In this study the development of a Computer
Aided Detection (CAD) system for lung nodules is reported. A combination of two
segmentation approaches is used, to segment lung regions. Following segmentation, a
selective enhancement filter is applied for ''initial'' identification of nodule seed points in
lung regions. Candidate lung nodule regions were delineated with the use of a region
growing algorithm, with thresholds provided by minimum error thresholding. False
positive regions were subsequently removed using two Support Vector Machines (SVM)
classifiers in cascade, utilizing a set of 6 morphological features extracted from
corresponding nodule candidate regions of the enhanced and the original images. The
proposed automated scheme was tested on a reference dataset of 21 cases provided by the
Lung Imaging Database Consortium. System performance on a case and slice basis
provided sensitivities of 91% and 81% respectively, both with an average of 5 FPs per
slice. Further analysis of the slice dataset with respect to size, contrast and location of
nodules provided sensitivities of 81%, 83% and 85% for nodules of small size, low
contrast and near pleura. This CAD scheme may be a useful tool in assisting radiologists
in lung nodule detection. / Χρήση υπολογιστικής αξονικής τομογραφίας με πολλαπλών ανιχνευτών στον
πληθυσμιακό έλεγχο καρκίνου το πνεύμονα αναμένεται να συμβάλει θετικά λόγω της
ικανότητας της να ανιχνεύει οζίδια του πνεύμονα μικρού μεγέθους με αυξημένη
ευαισθησία.
Σε αυτή την μελέτη περιγράφεται η ανάπτυξη συστήματος αυτόματης ανίχνευσης
οζιδίων του πνεύμονα, με στόχο την αύξηση της ευαισθησίας σε πολυτομική αξονική
τομογραφία.
Το σύστημα ανίχνευσης οζιδίων αποτελείται από τρία στάδια, το στάδιο της
τμηματοποίησης των πνευμονικών πεδίων, την αναγνώριση των αρχικών υποψηφίων
περιοχών και τέλος την μείωση των ψευδώς θετικών ενδείξεων.
Η τμηματοποίηση των πνευμονικών πεδίων πραγματοποιήθηκε με τον συνδυασμό δύο
αυτόματων τεχνικών τμηματοποίησης. Στην συνέχεια ένα επιλεκτικό ενισχυτικό φίλτρο
εφαρμόζεται στην περιοχή των πνευμονικών πεδίων, για την ανίχνευση τον αρχικών
υποψηφίων οζιδίων και τον συντεταγμένων τους. Τα όρια των υποψήφιων οζιδίων
καθορίστηκαν με την βοήθεια ενός αλγορίθμου οριοθέτησης περιοχής με τις σταθερές
κατωφλιού να υπολογίζονται αυτόματα βάση τις τεχνικής που προτάθηκε από τον Kittler
et al. Η μείωση των ψευδώς θετικών ενδείξεων πραγματοποιήθηκε με την εφαρμογή δύο
ταξινομητών Support Vector Machines (SVM) σε σειρά, οι οποίοι χρησιμοποίησαν 6
μορφολογικά χαρακτηριστικά τα οποία υπολογίστηκαν από τις περιοχές των υποψηφίων
οζιδίων στην ενισχυμένη αλλά και στην αρχική εικόνα.
Το σύστημα το οποίο παρουσιάζεται σε αυτή την εργασία εφαρμόστηκε και δοκιμάστηκε
σε βάση δεδομένων αναφοράς η οποία περιλαμβάνει 21 εξετάσεις, την οποία τις παρέχει
το Lung Imaging Database Consortium ((LIDC).
Η απόδοση του συστήματος σε επίπεδο εξέτασης και επίπεδο τομής ήταν αντίστοιχα
91% και 81% με 5 ψευδώς θετικές ενδείξεις αντίστοιχα. Περαιτέρω ανάλυση βάση του
μεγέθους, αντίθεσης και θέσης των οζιδίων απέδωσε ευαισθησίες 81%, 83% και 85%
για οζίδια μικρού μεγέθους, χαμηλής αντίθεσης και οζίδια που βρίσκονται στον
υπεζοκότα. Το προτεινόμενο σύστημα μπορεί να αποδειχθεί χρήσιμο εργαλείο υποβοήθησης ανάγνωσης οζιδίων σε πολυτομική αξονική τομογραφία για τους ακτινολόγους.

Identiferoai:union.ndltd.org:upatras.gr/oai:nemertes:10889/1167
Date12 December 2008
CreatorsΚορφιάτης, Παναγιώτης
ContributorsΚωσταρίδου, Ελένη, Korfiatis, Panayiotis, Κωσταρίδου, Ελένη, Αναστασόπουλος, Βασίλειος, Καλογεροπούλου, Χριστίνα
Source SetsUniversity of Patras
Languagegr
Detected LanguageGreek
TypeThesis
Rights0
RelationΗ ΒΥΠ διαθέτει αντίτυπο της διατριβής σε έντυπη μορφή στο βιβλιοστάσιο διδακτορικών διατριβών που βρίσκεται στο ισόγειο του κτιρίου της.

Page generated in 0.0028 seconds