طبق آمارهاي سازمان بهداشت جهاني، سرطان ريه يكي از كشنده ترين انواع بيماري ها در جهان است و در صورتيكه در زمان مناسب آشكارسازي شود، ميتواند تا حد زيادي درمانپذير باشد. روش هاي زيادي تاكنون براي تشخيص به موقع اين بيماري از سيستم هاي آشكارسازي به كمك كامپيوتر كمك گرفته اند. هدف اصلي ما نيز در اين پژوهش، ارائه ي يك ساختار جديد براي آشكارسازي خودكار ندول هاي ريوي در تصاوير سي تي با استفاده از سيستم آشكارسازي به كمك كامپيوتر و سپس بررسي ميزان كاهش يا افزايش اندازه ي اين ندول ها طي بازه هاي زماني مختلف مي باشد. در نخستين مرحله، ابتدا تمامي لايه هاي تصوير سي تي از يك مرحله ي پيش پردازش مبتني بر معادلات مشتقات جزئي عبور خواهند كرد تا در نهايت لايه هايي هموارشده كه از نويز كمتري نيز برخوردار هستند جهت تشكيل بخش هايي همگون تر، به دست آيند. پس از آن، نواحي مطلوب يا همان ريه ي چپ و راست، در يك مرحله ي مبتني بر پردازش هاي ريخت شناسي استخراج و سپس به الگوريتم بخش بندي موسوم به ادغام آماري نواحي وارد مي گردند تا بخش هاي مختلف آن از هم جداسازي شوند. در نتيجه، به تعداد كل لايه هاي تصوير سي‎تي اصلي، تصاوير بخش بندي شده يا به اصطلاح نقشه بخش ها را خواهيم داشت. سپس به بخش هاي موجود در لايه هاي مجاور يكديگر، در صورتي كه داراي هم پوشاني بيشتر از يك حد آستانه ي از پيش تعيين شده باشند، برچسب هاي يكسان تخصيص داده مي شود. مرزهاي موجود در بخش هاي مستقر در لايه هاي مجاور با برچسب يكسان، به يكديگر متصل شده و به اين طريق، شيءهاي سه بعدي به عنوان كانديد ندول به دست خواهند آمد. از تمامي اين اشياء، 4ويژگي طيفي، يك ويژگي ريخت شناسي و يك ويژگي بافتي استخراج شده و به صورت يك بردار ويژگي به يك طبقه بند دوكلاسه ي مبتني بر ماشين بردار پشتيبان با هسته ي چندجمله اي كه از پيش آموزش ديده است، وارد مي شوند. نتيجه ي اين طبقه بندي، ندول ها و اندازه ي آن ها را مشخص مي كند. در مرحله ي بعدي، اندازه ي اين ندول ها طي بازه هاي زماني مختلف ارزيابي شده و با نتايج راديولوژيست ها مقايسه مي گردد. روش پيشنهادي در اين رساله بر روي مجموعه هاي متعددي از تصاوير سي تي ريه برگرفته از پايگاه هاي داده ي معتبر و بين المللي، پياده سازي شده اند. در آخر، نتايج به دست آمده، به كمك 5معيار كمي تجزيه و تحليل گرديده و با نتايج به‎دست آمده از بسياري روش هاي ديگر موجود در اين زمينه مقايسه شده اند. مهم ترين اين معيارها براي مقايسه با ساير روش ها، معيار دقت تشخيص ندول، نمره ي F و همچنين سطح زير منحني مشخصه ي عملكرد سيستم مي باشد كه روش پيشنهادي ما با استفاده از 800تصوير پايگاه داده ي LIDC-IDRI، بيشترين مقدار اين معيارهاي كمي را در مقايسه با ساير روش هاي رقبا دارد. اين مقادير به ترتيب برابرند با 8/97 درصد، 982/0 و 991/0. مقايسه ها نشان مي دهد كه روش پيشنهادي داراي عملكرد بهتري در آشكارسازي و استخراج ندول هاي ريوي مي باشد. اما از آنجائيكه روش هاي ديگر به مدت زمان مراحل پردازش خود اشاره اي نكرده اند، معيار زمان روش ما در اين پژوهش با ساير روش ها مقايسه نشده است. همچنين معيارهاي فوق، به ترتيب براي 50تصوير سي تي از پايگاه داده ي ELCAP برابر با 95 درصد، 934/0 و 978/0 مي باشد كه مقادير قابل توجهي هستند اما با روش هاي ديگر به دليل عدم انطباق و تشابه داده ها، مقايسه نشده اند. نكته ي قابل توجه روش ما نسبت به ساير روش هاي رقيب اين است كه در حد امكان از تنظيم دستي پارامترهاي مختلف به¬كاررفته در روش پيشنهادي خودداري و تلاش شده كه تمامي پارامترها يا به صورت ثابت و ازپيش تعيين شده تعريف گردند و يا بسته به مشخصه هاي هر تصوير سي تي به صورت تطبيقي و خودكار به دست آيند. واژه‌هاي كليدي: ندول ريوي، آشكارسازي به كمك كامپيوتر، تصاوير سي تي، الگوريتم مبتني بر معادلات مشتقات جزئي غيرخطي، ادغام آماري نواحي.

1398/05/26

The Determination of Resize of Pulmonary Nodule in Consecutive CT Images

8/17/2019 12:00:00 AM

According to the statistics of the world health organization, lung cancer is one of the most fatal diseases in the world that can be mostly treated if it be diagnosed on time. Till now, many methods for on time detection of this disease have applied computer aided revealing systems. Our main goal of the present research is also to develop a new framework for automated detection of pulmonary nodules through computational analysis of computed tomography (CT) images and then evaluating the level of changes in the size of the nodules in different time intervals. As the first step of the proposed method, all the layers of the multiband CT data are fed into a pre-processing step based on partial derivation equations in order to provide several smoothed layers which have reduced noises as well to form more homogenous segments. Then, optimal areas or the same lung two lobs in one step based on morphological processing have been extracted and entered to the Statistical Region Merging (SRM) algorithm so that their different parts are separated. As a result, we will have classified images or as called segment-maps In as many as the whole number of layers of the main CT images. After that, similar labels are dedicated to the existing segments in the layers adjacent to each other, in case they have overlap with each other more than one limit of pre-determined threshold. The present borders in the segments of the layers adjacent to each other with similar labels connect to each other and through this; three-dimensional objects will be obtained as the nodule candidates. Of all these objects, four spectral features, one morphological, and one textural feature are extracted and are fed as two-class classifier based on Support Vector Machine (SVM) with polynomial kernel. The result of this classification identifies nodules and their sizes. In the next step, the size of the nodules is evaluated over time intervals and compared with radiologists' results. The proposed method in this dissertation has been applied to several standard sets of lung CT images drawn from valid and international databases. Finally, the obtained results have been analyzed using 5 quantitative measures and compared with many other methods existing in this field. The most important of these criteria to compare with other methods are the accuracy of nodule detection, F score and also the AUC, which our proposed method using 800 images of LIDC-IDRI database, has the highest amount of these criteria in comparison to other competitors methods. These values are equal to 97.8%, 0.982 and 0.991, respectively. The comparison shows that the proposed method has better performance in detection and extraction of pulmonary nodules. But since other methods have not mentioned the duration of their processing steps, our method time criteria in this study is not compared with other methods. Also, the above criteria are significant values for 50 CT images from theELCAP database but are not compared with other methods due to the lack of data compliance. The accuracy, F-score and the AUC of the proposed method for 50 images of ELCAP database are wqual to 95%, 0.934 and 0.978, respectively. The considerable point in comparison to other competing methods is that the proposed method is automated in the sense that most of the parameters are predefined as constant values or adaptively tuned according to the characteristics of each CT data, if possible. Keywords : Pulmonary Nodule, Computer Aided Detection, CT X-ray images, Nonlinear Partial Differential Equations, Statistical Region Merging