Научно-технический
«ОПТИЧЕСКИЙ ЖУРНАЛ»
издается с 1931 года
 
   
Русский вариант сайта Английский вариант сайта
   
       
   
       
Статьи последнего выпуска

Электронные версии
выпусков начиная с 2008


Алфавитный указатель
2000-2010 гг


444
Архив оглавлений
выпусков 2002-2007 гг


Реквизиты и адреса

Вниманию авторов и рецензентов!
- Порядок публикации
- Порядок рецензирования статей
- Типовой договор
- Правила оформления
- Получение авторского вознаграждения
- Редакционная этика


Контакты

Подписка

Карта сайта




Журнал с 19.02.2010 входит в новый «Перечень ведущих рецензируемых научных журналов и изданий, в которых должны быть опубликованы основные научные результаты диссертации на соискание ученой степени доктора и кандидата наук»
Аннотации (01.2017) : СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ КЛАССИФИКАЦИИ ЛЕГОЧНЫХ УЗЛОВ ПО ИЗОБРАЖЕНИЯМ КОМПЬЮТЕРНОЙ ТОМОГРАФИИ

СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ КЛАССИФИКАЦИИ ЛЕГОЧНЫХ УЗЛОВ ПО ИЗОБРАЖЕНИЯМ КОМПЬЮТЕРНОЙ ТОМОГРАФИИ

© 2017 г.     М. Ю. Глазнев, студент; Н. Ф. Гусарова, канд. техн. наук; И. Ю. Коцюба, аспирант; И. А. Рябчиков, студент; М. В. Сергеева, студент

Университет ИТМО , Санкт-Петербург

Е-mail: natfed@list.ru

Проведены сравнительный анализ методов классификации легочных узлов по изображениям компьютерной томографии и сравнительная оценка информативности использованных признаков, а также оценка эффективности классификации легочных узлов с применением различных алгоритмов машинного обучения. Исследованы проблемы визуальной классификации легочных узлов и условия повышения ее точности. Выделены наборы наиболее информативных признаков для классификации легочных узлов. Получены значения точности классификации легочных узлов на добро- и злокачественные.

Ключевые слова: легочные узлы, изображения компьютерной томографии, машинное обучение.

Коды OCIS: 100.6950

УДК 004.932.2

Поступила в редакцию 02.10.2016

ЛИТЕРАТУРА 

1.         База изображений The Lung Image Database Consortium image collection (LIDC-IDRI) [Электронный ресурс]: https://wiki.cancerimagingarchive.net/display/Public/LIDC-IDRI

2.         Armato III S.G., McLennan G., Bidaut L., McNitt-Gray M.F., Meyer C.R., Reeves A. P., Zhao B., Aberle D.R., Henschke C.I., Hoffman E.A., Kazerooni E.A., MacMahon H., Van Beeke E.J., Yankelevitz D., Biancardi A.M., Bland P.H., Brown M.S., Engelmann R.M., Laderach G.E., Max D., Pais R.C., Qing D.P., Roberts R.Y., Smith A.R., Starkey A., Batrah P., Caliqiuri P., Farooqi A., Gladish G.E., Jude C.M., Munden R.F., Petkovska J., Quint L.E., Schwartz L.H., Sundaram B., Dodd L.E., Fenimore C., Gur D., Petrick N., Freymann J., Kirby J., Hughes B., Casteele A.V., Gupte S., Sallamm M., Heath M.D., Kuhn M.H., Dharaiya E., Burns R., Fryd D.S., Salganicoss M., Anand V., Shreter U., Vastagh S., Croft B.Y. The lung image database consortium (LIDC) and image database resource initiative (IDRI): A completed reference database of lung nodules on ct scans // Medical physics. 2011. V. 38. № 2. P. 915–931.

3.         Одиночный легочной узел. Протокол обеспечения [Электронный ресурс]: http://radiographia.ru/node/1140

4.        Дороничева А.В., Савин С.З. Методы распознавания медицинских изображений для задач компьютерной автоматизированной диагностики // Современные проблемы науки и образования. 2014. № 4. C. 623–624.

5.         Suzuki K. Pixel-based machine learning in computer-aided diagnosis of lung and colon cancer // IEICE Trans Inf Syst. 2013. V. E96-D. № 4. P. 772–783.

6.        Барчук А.А., Подольский М.Д., Тараканов С.А., Коцюба И.Ю., Гайдуков В.С., Кузнецов В.И., Мерабишвили В.М., Барчук А.С., Левченко Е.В., Филочкина А.В., Арсеньев А.И. Автоматизированная идентификация, интерпретация и классификация очаговых изменений в легких на изображениях, полученных при компьютерной томографии, для проведения скрининга рака легких // Вопросы онкологии. 2015. Т. 61. № 8. С. 913–919.

7.         Podolsky M.D., Barchuk A.A., Kuznetcov V.I., Gusarova N.F., Gaidukov V.S., Tarakanov S.A. Evaluation of machine learning algorithm utilization for lung cancer classification based on gene expression levels //Asian Pacific J. Cancer Prevention. 2015. APJCP. V. 17. № 2. P. 835–838.

8.        El-Baz A., Beache G.M., Gimel’farb G., Suzuki K., Okada K., Elnakib A., Soliman A., Abdollahi B. Computer-aided diagnosis systems for lung cancer: challenges and methodologies // Intern. J. Biomedical Imaging. 2013. P. 1–46.

9.        Motwani M.C., Gadiya M.C., Motwani R.C., Harris F.C. Survey of image denoising techniques // Proc. GSPX. 2004. P. 27–30.

10.       Al-Kadi O.S. Assessment of texture measures susceptibility to noise in conventional and contrast enhanced computed tomography lung tumour images // Computerized Medical Imaging and Graphics. 2010. V. 34. № 6. P. 494–503.

11.       Valente I.R., Cortez P.C., Neto E.C., Soares J.M., de Albuquerque V.H., Tavares J.M. Automatic 3D pulmonary nodule detection in CT images: A survey // Computer Methods and Programs in Biomedicine. 2015. V. 124. P. 91–107.

12.       Farag A., Ali A., Graham J., Elshazly S., Falk R. Evaluation of geometric feature descriptors for detection and classification of lung nodules in low dose CT scans of the chest // Proc. 8th IEEE Intern. Symp. of Biomedical Imaging: From Nano to Macro. 2011. P. 169–172.

13.       Lin P.L., Huang P.W., Lee C.H., Wu M.T. Automatic classification for solitary pulmonary nodule in CT image by fractal analysis based on fractional Brownian motion model // Pattern Recognition. 2013. V. 46. № 12. P. 3279–3287.

14.       Kumar D., Wong A., and Clausi D. Lung nodule classification using deep features in CT images // 12th Conf. Computer and Robot Vision (CRV). 2015. P. 133–138.

15.       Van de Wouwer G., Scheunders P., Van Dyck D. Statistical texture characterization from discrete wavelet representations // IEEE Transactions Image Proc. 1999. V. 8. № 4. P. 592–598.

16.       Assefa M., Faye I., Malik A.S. Lung nodule detection using multi-resolution analysis // Proc. 2013 ICME Intern. Conf. Complex Medical Engineering (CME). 2013. P. 457–461.

17.       Ye X., Lin X., Dehmeshki J., Slabaugh G., Beddoe G. Shape-based computer-aided detection of lung nodules in thoracic CT images // IEEE Transactions on Biomedical Engineering. 2009. V. 56. № 7. P. 1810–1820.

18.       Talakoub O., Alirezaie J., Babyn P. Lung segmentation in pulmonary CT images using wavelet transform // Intern. Conf. Acoustics, Speech and Signal Proc. (ICASSP). 2007. V. 1. P. I-453–I-456.

19.       Orozco H.M., Vergara O., Sanchez V.G.C., Dominguez D.J.O., Nandayapa M. Automated system for lung nodules classification based on wavelet feature descriptor and support vector machine // Biomedical Engineering Online. 2015. V. 14. № 1. P. 1–20.

20.      Osicka T. Wavelet-based pulmonary nodules features characterization on computed tomography (CT) scans // Catholic University of America, Washington. Doctoral Dissertation. 2008. P. 1–307.

21.       Kohad R., Ahire V. Application of machine learning techniques for the diagnosis of lung cancer with ANT colony optimization // Intern. J. Computer Applications. 2015. V. 113. № 18. P. 34–41.

22.      Hua K.L., Hsu C.H., Hidayati S.C., Cheng W.H., Chen Y.J. Computer-aided classification of lung nodules on computed tomography images via deep learning technique // OncoTargets and Therapy. 2015. V. 8. P. 2015–2022.

23.      Lingayat N.S., Tarambale M.R. A computer based feature extraction of lung nodule in chest X-ray image // Intern. J. Bioscience, Biochemistry and Bioinformatics. 2013. V. 3. № 6. P. 624–629.

24.      Clark K., Vendt B., Smith K., Freymann J., Kirby J., Koppel P., Moore S., Phillips S., Maffitt D., Pringle M., Tarbox L., Prior F. The cancer imaging archive (TCIA): Maintaining and operating a public information repository // J. Digital Imaging. 2013. V. 26. № 6. P. 1045–1057.

25.      Susomboon R., Raicu D.S., Furst J.D. Pixel-based texture classification of tissues in computed tomography // CTI Research Symp. 2006. P. 265–270.

26.      Pabst W., Gregorová E. Characterization of particles and particle systems. Prague: ICT, 2007. P. 27–29.

27.       Харалик Р.М. Статистический и структурный подходы к описанию текстур // Труды института инженеров по электротехнике и радиоэлектронике. 1979. Т. 67. № 5. С. 98–118.

28.      Библиотека Accord.NET Framework [Электронный ресурс]: http://accord-framework.net/docs/html/N_Accord_Math_Wavelets.htm

29.      Emil D., Sonja G., Mislav G. The use of wavelets in image interpolation: Possibilities and limitations // Radioengineering. 2007. V. 16. № 4. Р. 101–109.

30.      Acharya T., Tsai P.S. Computational foundations of image interpolation algorithms // ACM Ubiquity. 2007. V. 8. № 42. P. 1–17.

31.       Федоров Д.А. Метод масштабирования изображений с целочисленным коэффициентом на основе вейвлетного преобразования // Оптический журнал. 2013. Т. 80. № 3. С. 52–57.

32.      Рангайян Р.М. Анализ биомедицинских сигналов. Практический подход: учеб. пособие для вузов. Пер. с англ. М.: Физматлит, 2007. 439 c.

33.      Lingayat N.S., Tarambale M.R. A computer based feature extraction of lung nodule in chest X-ray image // Intern. J. Bioscience, Biochemistry and Bioinformatics. 2013. V. 3. № 6. P. 624–628.

34.      Гладков Л.А., Курейчик В.В., Курейчик В.М. Генетические алгоритмы: учебное пособие. 2-е изд. М.: Физматлит, 2006. 320 с.

35.      Waikato Environment for Knowledge Analysis (WEKA) [Электронный ресурс]: http://weka.sourceforge.net/

 

 

Полный текст