Preview

Известия высших учебных заведений России. Радиоэлектроника

Расширенный поиск

Применение модели внешнего вида текстуры для сегментации легочных узлов при компьютерной томографии грудной клетки

https://doi.org/10.32603/1993-8985-2022-25-3-96-117

Полный текст:

Аннотация

Введение. Рак легких ежегодно становится причиной более миллиона смертей во всем мире. Компьютерная диагностика (Computer-Aided Detection - CAD) является очень важным инструментом для идентификации поражений легких. В целом технологическую линию системы CAD можно разделить на четыре основных этапа: предварительную обработку, локализацию, извлечение признаков и классификацию. Поскольку для локализации при обработке медицинских изображений требуется сегментация, этот этап стал важной и сложной проблемой и было проведено много исследований новых методов сегментации.

Цель работы. Применение модели внешнего вида текстуры для сегментации легочных узлов при компьютерной томографии грудной клетки.

Материалы и методы. Предложена модель текстурного представления, которая является новым методом на основе модели и позволяет точно и эффективно сегментировать все типы узловых образований, включая околоплевральные узлы, не отделяя легкое от окружающей области при компьютерной томографии (КТ) легких. В этом методе текстурная репрезентация изображения получается с помощью алгоритмов выделения текстурных признаков ткани и выбора признаков.

Результаты. Предложенный метод был апробирован на 85 узелках из набора данных, полученных на базе иранской больницы Шариати. В этом обезличенном наборе сведений были представлены аннотации врачей и данные КТ. Результаты показывают, что предложенный алгоритм достигает среднего коэффициента сходства dice 84.75 %.

Заключение. Представлен новый алгоритм для сегментации узелков в легком, который может сегментировать все типы узелков с высокой производительностью. Этот алгоритм основан на модели и вместе с алгоритмом активного контура способен повысить точность и устранить ложные срабатывания за счет определения начальной маски. Результаты сегментации легочных узелков на нормальном КТ-изображении следующие: precision 85.5 %, dice 85 %, accuracy 96 % и specificity 98 %.

Об авторах

Ф. Шариати
Санкт-Петербургский политехнический университет Петра Великого
Россия

Шариати Фаридоддин - магистр (2021), ассистент (2021) Высшей школы прикладной физики и космических технологий.

ул. Политехническая, д. 29, Санкт-Петербург, 195251.



В. А. Павлов
Санкт-Петербургский политехнический университет Петра Великого; Национальный медицинский Исследовательский центр имени В.А. Алмазова
Россия

Павлов Виталий Александрович - кандидат технических наук (2020), ассистент (2021) Высшей школы прикладной физики и космических технологий СПбПУ Петра Великого; научный сотрудник Центра персонализированной медицины НМИЦ им. В.А. Алмазова.

ул. Политехническая, д. 29, Санкт-Петербург, 195251.



С. В. Завьялов
Санкт-Петербургский политехнический университет Петра Великого
Россия

Завьялов Сергей Викторович - кандидат технических наук (2015), доцент (2020) Высшей школы прикладной физики и космических технологий.

ул. Политехническая, д. 29, Санкт-Петербург, 195251.



М. Оруджи
Калифорнийский университет
Соединённые Штаты Америки

Оруджи Махди - Ph.D. (2012) в области электротехники по специальности "Системы связи", Университет штата Луизиана; приглашенный профессор Калифорнийского университета.

1 Shields Ave, Дэвис, Калифорния 95616.



Т. М. Первунина
Национальный медицинский Исследовательский центр имени В.А. Алмазова
Россия

Первунина Татьяна Михайловна - доктор медицинских наук (2019), доцент (2015).

ул. Аккуратова, д. 2, Санкт-Петербург, 197341.



Список литературы

1. Texture appearance model, a new model-based segmentation paradigm, application on the segmentation of lung nodule in the CT scan of the chest / F. Shariaty, M. Orooji, E. N. Velichko, S. V. Zavjalov // Computers in biology and medicine. 2021. Vol. 140. P. 105086. doi: 10.1016/j.compbiomed.2021.105086

2. Shariaty F., Mousavi M. Application of CAD systems for the automatic detection of lung nodules // Informatics in Medicine Unlocked. 2019. Vol. 15. P. 100173. doi: 10.1016/j.imu.2019.100173

3. Radiomics-based prognosis analysis for non-small cell lung cancer / Y. Zhang, A. Oikonomou, A. Wong, M. A. Haider, F. Khalvati // Scientific reports. 2017. Vol. 7, № 1. P. 1-8. doi: 10.1038/srep46349

4. HOSVD-based 3D active appearance model: segmentation of lung fields in CT images / Q. Wang, W. Kang, H. Hu, B. Wang // J. of Medical Systems. 2016. Vol. 40, № 7. P. 1-11. doi: 10.1007/s10916-016-0535-0

5. Cetin M., Iskurt A. An automatic 3-d reconstruction of coronary arteries by stereopsis // J. of medical systems. 2016. Vol. 40, № 4. P. 1-11. doi: 10.1007/s10916-016-0455-z

6. Automatic lung segmentation in computed tomography images using active shape model / F. Shariaty, M. Orooji, M. Mousavi, M. Baranov, E. Velichko // 2020 IEEE Intern. Conf. on Electrical Engineering and Photonics (EExPolytech), St Petersburg, Russia, 15-16 Oct. 2020. Piscataway: IEEE, 2020. P. 156-159. doi: 10.1109/EExPolytech50912.2020.9243982

7. Medical image segmentation by combining graph cuts and oriented active appearance models / X. Chen, J. K. Udupa, U. Bagci, Y. Zhuge, J. Yao // IEEE transactions on image processing. 2012. Vol. 21, № 4. P. 20352046. doi: 10.1109/TIP.2012.2186306

8. The performance of active-contour and region growing methods against noises in the segmentation of computed-tomography scans / M. Mousavi, F. Shariaty, M. Orooji, E. Velichko // Book Chapter in Intern. Youth Conf. on Electronics, Telecommunications and Information Technologies. Springer, 2021. P. 573-582. doi: 10.1007/978-3-030-58868-7_63

9. Automated pulmonary nodule detection system in computed tomography images based on Active-contour and SVM classification algorithm / F. Shariaty, V. Davydov, V. Yushkova, A. Glinushkin, V. Y. Rud // J. of Physics: Conf. Series. 2019. Vol. 1410, № 1. P. 012075. doi: 10.1088/1742-6596/1410/1/012075

10. Shariaty F., Hosseinlou S., Rud V. Y. Automatic lung segmentation method in computed tomography scans // J. of Physics: Conf. Series, 2019. Vol. 1236, № 1. P. 012028. doi: 10.1088/1742-6596/1236/1/012028

11. Abdulameer M. H., Sheikh Abdullah S. N. H., Othman Z. A. A modified active appearance model based on an adaptive artificial bee colony // The Scientific World J. 2014. Vol. 2014. P. 1-16. doi: 10.1155/2014/879031

12. Automatic segmentation of thoracic and pelvic CT images for radiotherapy planning using implicit anatomic knowledge and organ-specific segmentation strategies / B. Haas, T. Coradi, M. Scholz, P. Kunz, M. Huber, U. Oppitz, L. Andre, V. Lengkeek, D. Huyskens, A. van Esch, R. Reddick // Physics in Medicine & Biology. 2008. Vol. 53, № 6. P. 1751-1771. doi: 10.1088/0031-9155/53/6/017

13. A new hybrid approach using fuzzy clustering and morphological operations for lung segmentation in thoracic CT images / S. P. Sahu, P. Agrawal, N.D. Londhe, S. Verma // Biomedical and Pharmacology J. 2017. Vol. 10, № 4. P. 1949-1961. doi: 10.13005/bpj/1315

14. Semi-automated segmentation of single and multiple tumors in liver CT images using entropy-based fuzzy region growing / A. Baazaoui, W. Barhoumi, A. Ahmed, E. Zagrouba // IRBM. 2017. Vol. 38, № 2. P. 98-108. doi: 10.1016/j.irbm.2017.02.003

15. Kashyap R., Tiwari V. Active contours using global models for medical image segmentation // Intern. J. of Computational Systems Engineering. 2018. Vol. 4, № 2-3. P. 195-201. doi: 10.1504/IJCSYSE.2018.091404

16. Tabb A., Duncan K. E., Topp C. N. Segmenting root systems in X-ray computed tomography images using level sets // 2018 IEEE Winter Conf. on Applications of Computer Vision (WACV), Lake Tahoe, USA, 12-15 March 2018. IEEE, 2018. P. 586-595: doi: 10.1109/WACV.2018.00070

17. Marker-based watershed transform method for fully automatic mandibular segmentation from CBCT images / Y. Fan, R. Beare, H. Matthews, P. Schneider, N. Kilpatrick, J. Clement, P. Claes, A. Penington, C. Adamson // Dentomaxillofacial Radiology. 2019. Vol. 48, № 2. P. 20180261. doi: 10.1259/dmfr.20180261

18. Anter A. M., Hassenian A. E. CT liver tumor segmentation hybrid approach using neutrosophic sets, fast fuzzy c-means and adaptive watershed algorithm // Artificial intelligence in medicine. 2019. Vol. 97. P. 105117. doi: 10.1016/j.artmed.2018.11.007

19. Pankaj A., Ayyappan S. Theoretical Concepts and Technical Aspects on Image Segmentation // Computer Vision: Concepts, Methodologies, Tools and Applications: IGI Global. 2018. P. 2333-2348.

20. A multi-view deep convolutional neural networks for lung nodule segmentation / S. Wang, M. Zhou, O. Gevaert, Z. Tang, D. Dong, Z. Liu, T. Jie // 2017 39th Annual Intern. Conf. of the IEEE Engineering in Medicine and Biology Society (EMBC), Jeju, Korea, 11-15 July 2017. IEEE, 2017. P. 1752-1755. doi: 10.1109/EMBC.2017.8037182

21. Roy R., Chakraborti T., Chowdhury A. S. A deep learning-shape driven level set synergism for pulmonary nodule segmentation // Pattern Recognition Lett. 2019. Vol. 123. P. 31-38. doi: 10.1016/j.patrec.2019.03.004

22. Fast and fully-automated detection and segmentation of pulmonary nodules in thoracic CT scans using deep convolutional neural networks / X. Huang, W. Sun, T.-L. B. Tseng, C. Li, W. Qian // Computerized Medical Imaging and Graphics. 2019. Vol. 74. P. 25-36. doi: 10.1016/j.compmedimag.2019.02.003

23. Mukherjee S., Huang X., Bhagalia R. R. Lung nodule segmentation using deep learned prior based graph cut // 2017 IEEE 14th Intern. Symp. on Biomedical Imaging (ISBI 2017), Melbourne, Australia, 18-21 Apr. 2017. IEEE, 2017. P. 1205-1208. doi: 10.1109/ISBI.2017.7950733

24. Hierarchical parsing and semantic navigation of full body CT data / S. Seifert, A. Barbu, S. K. Zhou, D. Liu, J. Feulner, M. Huber, M. Suehling, A. Cavallaro, D. Comaniciu // Poc. of SPIE. Medical Imaging 2009: Image Processing. 2009. Vol. 7259. P. 29-36. doi: 10.1117/12.812214

25. Stegmann M. B., Ersboll B. K., Larsen R. FAME-a flexible appearance modeling environment // IEEE Transactions on Medical Imaging. 2003. Vol. 22, № 10. P. 1319-1331. doi: 10.1109/TMI.2003.817780

26. Christensen G. E., Rabbitt R. D., Miller M. I. 3D brain mapping using a deformable neuroanatomy // Physics in Medicine & Biology. 1994. Vol. 39, № 3. P. 609-618. doi: 10.1088/0031-9155/39/3/022

27. Gordon G. G. Face recognition based on depth and curvature features // Proc. 1992 IEEE Computer Society Conf. on Computer Vision and Pattern Recognition. Champaign, USA, 15-18 June 1992. IEEE, 1992. P. 808-810. doi: 10.1109/CVPR.1992.223253

28. Sethuram A., Ricanek K., Patterson E. A comparative study of active appearance model annotation schemes for the face // Proc. of the Seventh Indian Conf. on Computer Vision, Graphics and Image Processing, 2010. P. 367-374. doi: 10.1145/1924559.1924608

29. Cootes T. F., Edwards G. J., Taylor C. J. Active appearance models // Proc. of European Conf. on Computer Vision. 1998. Vol. 2. P. 484-498.

30. Kamdi S., Krishna R. Image segmentation and region growing algorithm // Intern. J of Computer Technology and Electronics Engineering (IJCTEE). 2012. Vol. 2, № 1. P. 103-107.

31. Kass M., Witkin A., Terzopoulos D. Snakes: Active contour models // Intern. j. of computer vision. 1988. Vol. 1, № 4. P 321-331.

32. Radiomics: extracting more features using endoscopic imaging / F. Shariaty, M. Baranov, E. Velichko, M. Galeeva, V. Pavlov // 2019 IEEE Intern. Conf. on Electrical Engineering and Photonics (EExPolytech). St Petersburg, Russia, 17-18 Oct. 2019. IEEE, 2019. P. 181-194. doi: 10.1109/EExPolytech.2019.8906843

33. Haralick R. M., Shanmugam K., Dinstein I. H. Textural features for image classification // IEEE Transactions on systems, man, and cybernetics. 1973. № 6. P. 610-621. doi: 10.1109/TSMC.1973.4309314

34. Punithavathy K., Ramya M., Poobal S. Analysis of statistical texture features for automatic lung cancer detection in PET/CT images // 2015 Intern. Conf. on Robotics, Automation, Control and Embedded Systems (RACE). Chennai, India, 18-20 Feb. 2015. IEEE, 2015. P. 1-5. doi: 10.1109/RACE.2015.7097244

35. Texture-based classification of focal liver lesions on MRI at 3.0 Tesla: A feasibility study in cysts and hemangiomas / Mayerhoefer M. E., Schima W., Trattnig S., Pinker K., Berger-Kulemann V., Ba-Ssalamah A. // J. of Magnetic Resonance Imaging. 2010. Vol. 32, № 2. P. 352-359. doi: 10.1002/jmri.22268

36. Computerized analysis of mammographic parenchymal patterns on a large clinical dataset of full-field digital mammograms: robustness study with two high-risk datasets / H. Li, M. L. Giger, L. Lan, J. B. Brown, A. MacMahon, M. Mussman, O. I. Olopade, C. Sennett // J. of digital imaging. 2012. Vol. 25, № 5. P. 591-598. doi: 10.1007/s10278-012-9452-z

37. Quantitative analysis of lesion morphology and texture features for diagnostic prediction in breast MRI / K. Nie, J.-H. Chen, J. Y. Hon, Y. Chu, O. Nalcioglu, M.-Y. Su // Academic radiology. 2008. Vol. 15, № 12. P. 1513-1525. doi: 10.1016/j.acra.2008.06.005

38. Integrative analysis of DCE-MRI and gene expression profiles in construction of a gene classifier for assessment of hypoxia-related risk of chemoradiotherapy failure in cervical cancer / C. S. Fjeldbo, C. H. Julin, M. Lando, M. F. Forsberg, E.-K. Aarne, J. Alsner, G.B. Kristensen, E. Malinen, H. Lyng // Clinical Cancer Research. 2016. Vol. 22, № 16. P. 4067-4076. doi: 10.1158/1078-0432.CCR-15-2322

39. ADC texture - an imaging biomarker for highgrade glioma? / P. Brynolfsson, D. Nilsson, R. Henriksson, J. Hauksson, M. Karlsson, A. Garpebring, R. Birgander, J. Trygg, T. Nyholm, T. Asklund // Medical physics. 2014. Vol. 41, № 10. P. 101903. doi: 10.1118/1.4894812

40. Radiomics: extracting more information from medical images using advanced feature analysis / P. Lambin, E. Rios-Velazquez, R. Leijenaar, S. Carvalho, R. G. P. M. van Stiphout, P. Granton, C. M. L. Zegers, R. Gillies, R. Boellard, A. Dekker, H.J. W. L. Aerts // European j. of cancer. 2012. Vol. 48, № 4. P. 441-446. doi: 10.1016/j.ejca.2011.11.036

41. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach / H. J. W. L. Aerts, E. R. Velazquez, R. T. H. Leijenaar, C. Parmar, P. Grossmann, S. Carvalho, J. Bussink, R. Monshouwer, B. Haibe-Kains, D. Rietveld, F. Hoebers, M. M. Rietbergen, C. R. Leemans, A. Dekker, J. Quackenbush, R. J. Gillies, P. Lambin // Nature communications. 2014. Vol. 5, № 1. P. 1-9. doi: 10.1038/ncomms5006

42. FDG PET/CT radiomics for predicting the outcome of locally advanced rectal cancer / P. Lovinfosse, M. Polus, D. V. Daele, P. Martinive, F. Daenen, M. Hatt, D. Visvikis, B. Koopmansch, F. Lambert, C. Coimbra, L. Seidel, A. Albert, P. Delvenne, R. Hustinx // European j. of nuclear medicine and molecular imaging. 2018. Vol. 45, № 3. P. 365-375. doi: 10.1007/s00259-017-3855-5

43. Cho H.-h., Park H. Classification of low-grade and high-grade glioma using multi-modal image radiomics features // 2017 39th Annual Intern. Conf. of the IEEE Engineering in Medicine and Biology Society (EMBC). Jeju, Korea, 11-15 July 2017. IEEE, 2017. P. 3081-3084. doi: 10.1109/EMBC.2017.8037508

44. Al-Kilidar S. H., George L. E. Texture classification using gradient features with artificial neural network // J. of Southwest Jiaotong University. 2022. Vol. 55, № 1. doi: 10.35741/issn.0258-2724.55.1.13

45. Smith J. R. Integrated spatial and feature image systems: Retrieval, analysis and compression. Columbia University, 1997. 178 p.

46. Ojala T., Pietikainen M., Maenpaa T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns // IEEE Transactions on pattern analysis and machine intelligence. 2002. Vol. 24, № 7. P. 971-987. doi: 10.1109/TPAMI.2002.1017623

47. Su K.-Y., Lee C.-H. Speech recognition using weighted HMM and subspace projection approaches // IEEE transactions on speech and audio processing. 1994. Vol. 2, № 1. P. 69-79. doi: 10.1109/89.260336


Рецензия

Для цитирования:


Шариати Ф., Павлов В.А., Завьялов С.В., Оруджи М., Первунина Т.М. Применение модели внешнего вида текстуры для сегментации легочных узлов при компьютерной томографии грудной клетки. Известия высших учебных заведений России. Радиоэлектроника. 2022;25(3):96-117. https://doi.org/10.32603/1993-8985-2022-25-3-96-117

For citation:


Shariaty F., Pavlov V.A., Zavjalov S.V., Orooji M., Pervunina T.M. Application of a Texture Appearance Model for Segmentation of Lung Nodules on Computed Tomography of the Chest. Journal of the Russian Universities. Radioelectronics. 2022;25(3):96-117. (In Russ.) https://doi.org/10.32603/1993-8985-2022-25-3-96-117

Просмотров: 83


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1993-8985 (Print)
ISSN 2658-4794 (Online)