medigraphic.com
ISSN 1561-3011 (Digital)

2020, Número 2

<< Anterior Siguiente >>

Rev Cubana Invest Bioméd 2020; 39 (2)


Herramienta para la detección automática de nódulos pulmonares solitarios en series de imágenes de tomografía computarizada multicorte

Mulet RA, Suárez CA, Noriega AM

Idioma: Español
Referencias bibliográficas: 21
Paginas: 1-16
Archivo PDF: 378.88 Kb.


RESUMEN

Introducción: el nódulo pulmonar solitario es uno de los problemas más frecuentes en la práctica del radiólogo, que constituye un hallazgo incidental habitual en los estudios torácicos realizados durante el ejercicio clínico diario.
Objetivo: implementar un sistema de diagnóstico asistido por computadora que facilite la detección del nódulo pulmonar solitario en las series de imágenes de tomografía computarizada multicorte.
Métodos: se utilizó Matlab para el desarrollo y evaluación de un conjunto de algoritmos que constituyen elementos necesarios de un sistema de diagnóstico asistido por computadora. En orden: un algoritmo para la extracción de las regiones de interés, algoritmo para la extracción de características y un algoritmo de detección de nódulo pulmonar solitario para el cual se probaron varios clasificadores. La evaluación de los algoritmos fue efectuada en base a las anotaciones realizada por especialistas a la colección de imágenes LIDC-IDRI (Lung Image Database Consortium).
Resultados: el método de segmentación empleado para extracción de las regiones de interés permitió generar la adecuada división de las imágenes originales en regiones significativas. El algoritmo utilizado en la detección mostró para el conjunto de prueba además de buena exactitud (de 96,4 %), un buen balance de sensibilidad (91,5 %) para una tasa de 0,84 falsos positivos por imagen.
Conclusiones: el trabajo de investigación y la implementación realizada se reflejan en la construcción de una interfaz gráfica en Matlab como prototipo del sistema de diagnóstico asistido por computadora, con el que se puede contribuir a detectar más fácilmente el NPS.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Iglesias AA, Suárez A. Incidencia de cáncer: cifras alarmantes. Rev. Finlay. 2015 Mar [acceso: 25/09/2019]; 5(1): 1-3. Disponible en: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S2221- 24342015000100001&lng=es

  2. Awai K, Murao K, Ozawua A, Nakayama Y, Nakakura T, Liu D, et al. Pulmonary nodules: Estimation of malignancy at thin section helical CT –Effect of CAD on performance of radiologists. Radiology 2006; 239 (1): 276-284.

  3. Mhetre RR, Sache RG. Detection of Lung Cancer Nodule on CT scan Images by using Region Growing Method. International Journal of Current Trends in Engineering & Research. 2016; 2(7):215-9.

  4. Solano MJ. Nódulo Pulmonar Solitario. Rev Med Cos Cen 2016; 73 (619) 241-245.

  5. Gabrielli N, Muñoz GS, Passalacqua H. Nódulo pulmonar solitario: Desafío diagnóstico y terapéutico. Cuadernos de Cirugía, 21(1), 65-74. https://doi.org/10.4206/cuad.cir.2007.v21n1-10

  6. Rivero CA, Rivera Y, Borges G, Naranjo G. Algoritmo para la identificación de nódulos pulmonares solitarios en imágenes de tomografía de tórax. RCIM. 2015 Jun [acceso: 25/09/2019]; 7(1): 73-88. Disponible en: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1684- 18592015000100008&lng=es

  7. Hua KL, Hsu CH, Hidayati SC, Cheng WH, Chen YJ. Computer-aided classification of lung nodules on computed tomography images via deep learning technique. Onco Targets Ther. 2015; 8: 2015–2022. https://doi.org/10.2147/OTT.S80733

  8. Shen W, Zhou M, Yang F, Yang C, Tian J. Multi-scale Convolutional Neural Networks for Lung Nodule Classification. Ourselin S, Alexander D, Westin CF, Cardoso M, editors. Information Processing in Medical Imaging; 2015 Jun. Lecture Notes in Computer Science, 9123. Springer, Cham. https://doi.org/10.1007/978-3-319-19992-4_46

  9. Souto M, Tahoces PG, Suárez JJ, et al. Detección automática de nódulos pulmonares en tomografía computarizada. Un estudio preliminar. Radiología, 50(5), 387-92. https://doi.org/10.1016/s0033-8338(08)76053-3

  10. Campos V. Segmentación multicriterio para detección de nódulos pulmonares en imágenes de tomografía computarizada [PhD]. Pontifica Universidad Católica de Rio de Janeiro. Brasil. 2009: 0521380/CA.

  11. Bhavanishankar K, Sudjamani MV. Techniques for detection of Solitary Pulmonary Nodules in human lung and their classification – A survey. International Journal on Cybernetics & Informatics (IJCI). 2015; 4 (1), 27-40. Doi: https://doi.org/10.5121/ijci.2015.4103

  12. El-Regaily, Salsabil A, et al. Survey of Computer Aided Detection Systems for Lung Cancer in Computed Tomography. Current Medical Imaging 2018; 14(1):3-18. Doi: https://doi.org/10.2174/1573405613666170602123329

  13. Bahadar K, Khaliq A, Shahid M. Correction. A Morphological Hessian Based Approach for Retinal Blood Vessels Segmentation and Denoising Using Region Based Otsu Thresholding. PLOS ONE 2016; 11(9): e0162581. https://doi.org/10.1371/journal.pone.0162581

  14. Suárez JJ. Desarrollo de un sistema de diagnóstico asistido por computador para detección de nódulos pulmonares en tomografía computarizada multicorte. [PhD] Universidad de Santiago de Compostela: Servicio de Publicaciones e Intercambio Científico, 2009. Available at: http://hdl.handle.net/10347/2594

  15. "Imadjust. Adjust image intensity values or colormap." 2019. Available at: https://www.mathworks.com/help/images/ref/imadjust.html.16

  16. "Erode image - Matlab imerode - MathWork." 2019. Available at: https://la.mathworks.com/help/images/ref/imerode.html

  17. "Morphological Reconstruction - Matlab & Simulink - MathWork." 2019. Available at: https://la.mathworks.com/help/images/understanding-morphological-reconstruction.html

  18. Ammi RP, Venkata KR, Ramesh BI. Automated Pulmonary Lung Nodule Detection Using an Optimal Manifold Statistical Based Feature Descriptor and SVM Classifier. Journal of Biomedical Engineering and Medical Imaging, 2017; 4(4): 20-38. Doi: https://doi.org/10.14738/jbemi.44.3354

  19. Bishop C. Pattern Recognition and Machine Learning. Springer Science+Business Media, LLC. NY 10013, USA 2006.

  20. Armato III, Samuel G, McLennan, et al. Data From LIDC-IDRI. The Cancer Imaging Archive. Doi: https://doi.org/10.7937/K9/TCIA.2015.LO9QL9SX

  21. Wang W, Luo J, Yang X, Lin H. Data Analysis of the Lung Imaging Database Consortium and Image Database Resource Initiative. Academic Radiology 2015; 22(4): 488-495. Doi: https://doi.org/10.1016/j.acra.2014.12.004




2020     |     www.medigraphic.com