def9754ab1dd55776fe4b35758f2aa96.ppt
- Количество слайдов: 18
Università degli Studi di Bari Dipartimento Interateneo di Fisica “M. Merlin” Sistema CAD (Computer Aided Detection) per l’individuazione automatica di noduli polmonari. Gianfranco Gargano 01/12/2008 CAD polmonare 1
MAGIC 5 • Esperimento finanziato dall’INFN; • Sedi INFN coinvolte: Bari, Napoli, Palermo, Pisa, Genova, Torino; • Obbiettivo: Sviluppo di sistemi di diagnosi precoce in un’infrastruttura GRID; • Sistemi sviluppati: – CAD mammografico – CAD polmonare – Sistema per la diagnosi della malattia di Alzheimer 01/12/2008 CAD polmonare 2
Perché CAD polmonari? • Il tumore polmone è quello con la più alta mortalità; • La necessità di velocizzare i programmi di screening. • La necessità di migliorare le prestazioni dei radiologi impegnati in programmi di screening; 01/12/2008 CAD polmonare 6
CAD Polmonare 01/12/2008 CAD polmonare 16
CAD Polmonare Individuazione del parenchima polmonare. Individuazione dei candidati nodulo all’interno del parenchima. Classificazione dei candidati nodulo 01/12/2008 CAD polmonare 17
Segmentazione del parenchima Tramite un region growing si accresce la Hull? Convex regione interna dei polmoni. Qualora in alcune slice i Si polmonila dinamica di un simula risultino in contatto, verranno elastico incollato al bordo della sezione del polmone in analisi. separati tramite una procedura iterativa. 01/12/2008 Bisogna includere nel parenchima le concavità con piccolo raggio di curvatura. CAD polmonare 18
01/12/2008 CAD polmonare 19
Individuazione dei Candidati Noduli • I candidati nodulo all’interno del volume segmentato in precedenza vengono individuati applicando iterativamente un algoritmo region growing. 01/12/2008 CAD polmonare 20
Individuazione dei Candidati Noduli • Combinazione lineare di due regole di inclusione: 1. Mean Bottom Threshold: vengono inclusi i voxel la cui intensità luminosa, mediata con quella dei 26 voxel vicini, è maggiore di una soglia (t 1); 2. Simple Bottom Threshold; vengono inclusi i voxel la cui intensità luminosa è maggiore di una soglia (t 2); 01/12/2008 CAD polmonare 21
01/12/2008 CAD polmonare 22
Database adoperato per validare il sistema: 15 TC polmonari acquisite a bassa dose (512 x 310 voxel); 26 noduli (15 interni e 11 pleurici); 01/12/2008 CAD polmonare 23
Riduzione dei falsi positivi • A causa del rumore (TC a bassa dose) per ogni TC vengono individuate alcune migliaia di strutture; • Oltre l’ 80% è costituito da meno di 3 voxel; 01/12/2008 CAD polmonare 24
Riduzione falsi positivi (fp) • • Sfericità Intensità massima Volume Deviazione Standard dei toni di grigio • Raggio 01/12/2008 CAD polmonare 25
Riduzione dei falsi positivi • Filtro rule based: Si effettuano due tagli sul volume: V 1<V<V 2 In uscita del filtro abbiamouna sensibilità del 88. 5% (23/26) e circa 120 falsi positivi. • Rete Neurale feed forward: con i candidati nodulo rimanenti, tramite una procedura di cross validation di tipo leave one out, si è addestrata una rete neurale feed forward con uno strato nascosto. 01/12/2008 CAD polmonare 26
Risultati CAD polmonare. Sensibilità ~ 80% FP ~ 3 01/12/2008 CAD polmonare 27
Confronto con altri CAD 4. 6. 7. 8. 9. M. S. Brown, J. G. Goldin, S. Rogers, H. J. Kim, R. D. Suh, M. F. Mc. Nitt-Gray, S. K. Shah, D. Truong, K. Brown, J. W. Sayre, D. W. Gjertson, P. Batra, and D. R. Aberle, “Computer-aided Lung Nodule Detection in CT: Results of Large- Scale Observer Test”, Academic Radiology 12 (6), 681 -686 (2005). K. Suzuki, S. G. Armato III, F. Li, S. Sone, and K. Doi, “Massive training arti- ficial neural network (MTANN) for reduction of false positives in computerized detection of lung nodules in low-dose computed tomography”, Medical Physics 30 (7), 1602 -1617 (2003). M. N. Gurcan, B. Sahiner, N. Petrick, H. -P. Chan, E. A. Kazerooni, P. N. Cas- cade, and L. Hadjiiski, “Lung nodule detection on thoracic computed tomog- raphy images: Preliminary evaluation of a computer-aided diagnosis system”, Medical Physics 29 (11), 2552 -2558 (2002). Y. Lee, T. Hara, H. Fujita, S. Itoh, and T. Ishigaki, “Automated Detection of Pulmonary Nodules in Helical CT Images Based on an Improved Template- Matching Technique”, IEEE Transaction on Medical Imaging, Vol. 20, No. 7, 595 -604 (2001). 9 A. S. Roy, S. G. Armato III, A. Wilson, K. and Drukker, “Automated detection of lung nodules in ct scans: False positives reduction with the radial-gradient index”, Medical Physics 33 (4), 11331140 (2006). 01/12/2008 CAD polmonare 28
CAD Polmonare • Bellotti R. , De Carlo F. , Gargano G. ∗, Tangaro S. “A completely automated CAD system for Nodule Detection in Lung CTs based on Region Growing and Active Contour Models”, sottomesso per la pubblicazione a Medical Physics 34 (12), December 2007 01/12/2008 CAD polmonare 29
Grazie per l’attenzione. 01/12/2008 CAD polmonare 33
def9754ab1dd55776fe4b35758f2aa96.ppt