عنوان مقاله :
تشخيص، دسته‌بندي و اندازه‌گيري اتوماتيك ندول‌هاي ريوي با استفاده از دسته‌بند تركيبي در تصاوير سي تي اسكن
عنوان به زبان ديگر :
Automatic Detection, Classification and Measurement of Lung Nodules using Combined Classifiers in CT Scan Images
پديد آورندگان :
نادران طحان، مرجان دانشگاه شهيد چمران اهواز - دانشكده مهندسي، اهواز , جمشيدنژاد، امير دانشگاه علوم پزشكي جندي شاپور – دانشكده پيراپزشكي، اهواز , ميردريكوند، نگار دانشگاه شهيد چمران اهواز - دانشكده مهندسي، اهواز
كليدواژه :
ندول‌هاي ريوي , تصاوير سي تي اسكن , ناحيه‌بندي گراف كات , ويژگي سيفت , ويژگي‌هاي هاراليك , دسته بند تركيبي
چكيده فارسي :
سرطان ريه يكي از سخت‌ترين و خطرناك‌ترين سرطان‌ها به شمار مي‌رود كه مي‌تواند در مراحل اوليه، به صورت يك جسم كوچك با قطري كمتر از سه سانتي متر، بنام ندول، مشاهده شود. اين ندولها به دو دسته‌ي خوش‌خيم و بدخيم يا سرطاني تقسيم‌بندي مي‌شوند. در اين مقاله، يك سيستم تشخيصي جهت شناسايي و دسته‌بندي ندول‌هاي ريوي پيشنهاد مي‌شود، كه در فاز اول ريه‌ها از تصوير سي‌تي‌اسكن طي عمليات ناحيه‌بندي كانتور فعال جدا مي‌شوند. سپس براساس ويژگي‌هاي سيفت (SIFT)، دسته‌بند بگينگ پيشنهادي تصاوير ريه را به دو دسته سالم و بيمار دسته‌بندي مي‌كند. در فاز دوم، براساس يك ناحيه‌بندي گراف كات تمام خودكار، ندولها از تصوير ريه استخراج شده و قطر آن‌ها اندازه‌گيري مي‌شود. در پايان، ندولها براساس اندازه و ويژگي‌هاي بافتي تصوير (هاراليك) به دو دسته خوش‌خيم و بدخيم طبقه‌بندي مي‌شوند. جهت ارزيابي عملكرد روش پيشنهادي، از تصاوير مجموعه داده LIDC استفاده گرديد و كارايي آن در شناسايي ندولها و در مقايسه با روش‌هاي ديگر با معيار دقت 97% و از نظر طبقه‌بندي ندولها به خوش‌خيم و بدخيم با دقت 96% قابل رقابت است.
چكيده لاتين :
Lung cancer is one of the hardest and most dangerous types of known cancer in the world which can be detected in its beginning stages as a small mass of tissue, less than 3 cm in diameter, called a nodule. These nodules are classified to two classes of benign or malignant. In this paper, a detection system for detection and classification of lung nodules is proposed which in the first phase, lungs are separated from the CT scan images according to the active contour segmentation method. Next, based on the SIFT features the proposed Bagging classifier, classifies the lung images into two classes of patient and healthy. In the second phase, according to a fully automatic Graph-Cut segmentation method the nodules are extracted from patient images and their diameters are measured. Finally, nodules are classified to two classes of benign and malignant based on their size and texture Haralick features. To evaluate the proposed method, images of the LIDC database are used and its performance in detection of nodules compared to other methods has an accuracy of 97% and in classification of nodules to benign and malignant an accuracy of 96% is reached.
عنوان نشريه :
مهندسي برق دانشگاه تبريز
