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

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 %.

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