You are here

Home » Content

AKCİĞER BÖLGESİNİN KURAL TABANLI BÖLÜTLENDİRİLMESİ VE GENETİK ALGORİTMA KULLANILARAK EĞİTİLMİŞ ŞABLON EŞLEME YÖNTEMİYLE NODÜL TESİPİTİ

RULE-BASED LUNG REGION SEGMENTATION AND NODULE DETECTION VIA GENETIC ALGORITHM TRAINED TEMPLATE MATCHING

Journal Name:

  • İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi

Publication Year:

  • 2007

Key Words:

Keywords (Original Language):

Author NameUniversity of Author
Abstract (2. Language): 
A computer-aided detection(CAD)system was developed for detecting lung nodule patterns, which generally appear as circular areas of high opacity on serial-section Computed tomography (CT)images. First of all, rule-based segmentation of lung region was performed. Then, our method detected the regions of interest (ROIs) using the density values of pixels in CT images andscanning the pixels in 8 directions by using various thresholds. Then to reduce the number of ROIs the amounts of change in their locations based on the upper and the lower slices were examined, and finally a nodule template based algorithm was employed to categorize the ROIs according to their morphologies. To calculate the parameters of the template, a genetic algorithm process was employed as an optimization method. To test the system’s efficiency, we applied it to 276normal and abnormal CT images of 12patients with 153 nodules. The experimental results showedthat the system achieved 93.4% sensitivitywith 0.594 false positives per image.
Bookmark/Search this post with
Abstract (Original Language): 
Bu çalışmada akciğer bilgisayarlı tomografi(BT)görüntülerindeki nodüllerin bilgisayarlıtespiti gerçekleştirilmiştir. Öncelikle akciğer bölgesinin kural tabanlı bölütlendirilmesi gerçekleştirilmiştir. Ardından BT görüntülerindeki yoğunluk değerlerive eşik değerleriile 8 yönlü tarama yapılarak ilgi alanları belirlenmiştir. İlgi alanlarının sayısını azaltmak amacıyla alt ve üst kesitlerdeki konum değişimleri incelenmiştir. Son olarak şablon eşleme tabanlı bir yöntem ileilgi alanları şekilsel özelliklerine göre sınıflandırılmıştır. Şablonun değerlerinin hesaplanması içingenetik algoritma yöntemi kullanılmıştır. Çalışmanın test edilmesi amacıyla 153 adet nodül bulunan 12 hastaya ait 276 normal ve anormal görüntü kullanılmıştır. Sonuçta duyarlılığıngörüntü başına 0.594 yanlış pozitif oranıyla %93.4’a ulaştığı görülmüştür.
FULL TEXT (PDF): 
PDF icon arastirmax-akciger-bolgesinin-kural-tabanli-bolutlendirilmesi-genetik-algoritma-kullanilarak-egitilmis-sablon-esleme-yontemiyle-nodul-tesipiti.pdf
  • 11
17-30
  • Turkish

REFERENCES

References: 

Armato,S. G., Giger,M. L., Moran,C. J., Blackburn,J. T., Doi,K., and
MacMahon, H., (1999), “Computerized Detection of Pulmonary Nodules on CT
Scans”, Radiographics, 19, 1303-1311.
Brown,M. S., McNitt-Gray,M. F., Goldin,J. G., Suh,R. D., Sayre,J. W.,and
Aberle,D.R., (2001), “Patient-Specification Models for Lung Nodule Detection and
Surveillance in CT Images”, IEEE Transactions on Medical Imaging, 20, 1242-1250.
Giger,M. L., Bae,K. T., and MacMahon, H., (1994), “Computerized Detection of
Pulmonary Nodules in Computed Tomography Images”, Investigate. Radiol., 29,
459-465.
Greenlee, R. T., Nurray, T., Bolden, S., and Wingo, P. A.,(2000),“Cancer Statistics
2000”, CA Cancer J. Clin., 50,7-33.
Hounsfield,G. N., (1980), “Computed Medical Imaging”, Med.Phys., 7, 283-290.
Kanazawa,K., Kawata,Y., Niki,N., Satoh,H., Ohmatsu,H., Kakinuma, R., et al.,
(1998), Computer-Aided Diagnostic System for Pulmonary Nodules Based on
Helical CT Images, In: K. Doi, H. MacMahon, ML. Giger, K. Hoffmann, eds.,
Computer-Aided Diagnosis in Medical Imaging, Amsterdam, The Netherlands:
Elsevier Science, 131-136.
Lo,S. C. B., Lou, S. L. A., Lin, J. S., Freedman,M., Chien,M. V., and Mun, S. K.,
(1995), “Artificial Convolutional Neural Network Techniques and Applications for
Lung Nodule Detection”, IEEE Trans. Med. Imag., 14, 711-718.
Ozekes,S., Osman,O., and Camurcu,A.Y., (2005), “Mammographic Mass
Detection Using aMass Template”, Korean J.Radiol,6, 3, 221-228.
Ozekes,S.,andCamurcu,A. Y., (2006), “Automatic Lung Nodule Detection Using
Template Matching”, Lecture Notes in Computer Science, 4243, 247-253.
Penedo,M. G., Carreira,M. J., Mosquera,A., and Cabello, D., (1998), “Computer-Aided Diagnosis: A Neural-Network-Based Approach to Lung Nodule Detection”,
IEEE Transactions on Medical Imaging, 17, 872-880.
Samuel,G., Armato, III.Geoffrey M., Michael,F., Charles,R., David, Y., et al.,
(2004), “Lung Image Database Consortium-Developing a Resource for The Medical
Imaging Research Community”, Radiology, 739-748.
Serhat ÖZEKES
30
Xu,X. W., Doi,K., Kobayashi,T., MacMahon,H., and Giger,M., (1997),
“Development of an Improved CAD Scheme for Automated Detection of Lung
Nodules in Digital Chest Images,” Med. Phys., 24, 1395-1403.

Thank you for copying data from http://www.arastirmax.com