Phân đoạn tự động các opacities trên nền thủy tinh trong hình ảnh CT phổi bằng cách sử dụng các thuật toán dựa trên trường ngẫu nhiên Markov

Journal of Digital Imaging - Tập 25 - Trang 409-422 - 2011
Yanjie Zhu1, Yongqing Tan1, Yanqing Hua2, Guozhen Zhang2, Jianguo Zhang1
1Shanghai Institute of Technical Physics, Chinese Academy of Sciences, Shanghai, China
2Department of Radiology, Huadong Hospital, Shanghai, China

Tóm tắt

Các bác sĩ chẩn đoán hình ảnh ngực dựa vào việc phân đoạn và phân tích định lượng các opacities trên nền thủy tinh (GGO) để thực hiện các chẩn đoán hình ảnh nhằm đánh giá mức độ nghiêm trọng của bệnh hoặc giai đoạn phục hồi của các bệnh phổi mô lan tỏa. Tuy nhiên, việc phân đoạn và phân tích các mẫu GGO là khó khăn về mặt tính toán so với các bệnh phổi khác vì GGO thường không có ranh giới rõ ràng. Trong bài báo này, chúng tôi trình bày một phương pháp mới tự động phân đoạn GGO trong hình ảnh chụp cắt lớp vi tính (CT) phổi bằng cách sử dụng các thuật toán dựa trên lý thuyết trường ngẫu nhiên Markov. Hơn nữa, chúng tôi tiến hành đánh giá hệ thống hiệu suất của các thuật toán trong việc phân đoạn GGO trong hình ảnh CT phổi dưới các tình huống khác nhau. Các nghiên cứu hình ảnh CT từ 41 bệnh nhân mắc các bệnh phổi lan tỏa được đưa vào nghiên cứu này. Các phân bố cục bộ được mô hình hóa bằng cả mô hình đơn giản và mô hình thích nghi (AMAP) của tối đa hậu nghiệm (MAP). Để đạt được kết quả phân đoạn tốt nhất, chúng tôi đã sử dụng thuật toán nhiệt luyện giả (simulated annealing) kết hợp với bộ lấy mẫu Gibbs để giải quyết bài toán tối ưu tổ hợp của các ước lượng MAP, và chúng tôi áp dụng một chiến lược hướng dẫn tri thức để giảm thiểu các vùng dương tính giả. Kết quả phân đoạn GGO dựa trên AMAP đạt được kích thước nhạy cảm, đặc hiệu và chính xác trung bình lần lượt là 86.94%, 94.33%, và 94.06%, và chúng tôi đã đánh giá hiệu suất bằng cách sử dụng đánh giá chủ quan của các bác sĩ chẩn đoán hình ảnh và phân tích định lượng và chẩn đoán. Chúng tôi cũng so sánh kết quả phân đoạn GGO dựa trên AMAP với các phương pháp dựa trên máy vector hỗ trợ, và chúng tôi thảo luận về độ tin cậy và các vấn đề khác của phân đoạn GGO dựa trên AMAP. Kết quả nghiên cứu của chúng tôi chứng minh tính chấp nhận và tính hữu ích của phân đoạn GGO dựa trên AMAP trong việc hỗ trợ các bác sĩ chẩn đoán trong việc phát hiện GGO trong các quy trình chẩn đoán CT độ phân giải cao.

Từ khóa

#GGO #phân đoạn tự động #chụp CT phổi #thuật toán Markov #đánh giá hiệu suất

Tài liệu tham khảo

Ground-glass attenuation at medcyclopaedia. Available at: http://www.medcyclopaedia.com/library/topics/volume_v_1/g/ground_glass_attenuation.aspx

Shimizu K, Johkoh T, Ikezoe J, Ichikado K, et al: Fractal analysis for classification of ground-glass opacity on high-resolution CT: an in vitro study. J Comput Assist Tomogr 21(6):955–962, 1997

Ground-glass nodule features on CT reveal malignancy risk. Available at: http://www.auntminnie.com/index.asp?sec=ser&sub=def&pag=dis&ItemID=80914. Accessed April 29, 2008

Matsuki Y, Nakamura K, Watanabe H, Aoki T, Nakata H, Katsuragawa S, Doi K: Usefulness of an artificial neural network for differentiating benign from malignant pulmonary nodules on high-resolution CT: evaluation with receiver operating characteristic analysis. Am J Roentgenol 178(3):657–663, 2002

Nakamura K, Yoshida H, Engelmann R, MacMahon H, et al: Computerized analysis of the likelihood of malignancy in solitary pulmonary nodules with use of artificial neural networks. Radiology 214:823–830, 2000

Shah SK, McNitt-Gray MF, Rogers SR, et al: Computer aided characterization of the solitary pulmonary nodule using volumetric and contrast enhancement features. Acad Radiol 12(10):1310–1319, 2005

Zhu Y, Tan Y, Hua Y, Wang M, Zhang G, Zhang J: Feature selection and performance evaluation of support vector machine (SVM) based classifier for differentiating benign and malignant pulmonary nodules by computed tomography. J Digit Imaging 23:51–65, 2010

Delorme S, Keller-Reichenbecher M, Zuna I, Schlegel W, Van Kaick G: Usual interstitial pneumonia: quantitative assessment of high-resolution computed tomography findings by computer-assisted texture-based image analysis. Invest Radiol 32(9):566–574, 1997

Uppaluri R, Hoffman E, Sonka M, Hartley PG, Hunninghake GW, McLennan G: Computer recognition of regional lung disease patterns. Am J Respir Crit Care Med 160(2):648–654, 1999

Heitmann KR, Kauczor H, Mildenberger P, Uthmann T, Perl J, Thelen M: Automatic detection of ground glass opacities on lung HRCT using multiple neural networks. Eur Radiol 7:1463–1472, 1997

Kauczor HU, Heitmann K, Heussel CP, Marwede D, Uthmann T, Thelen M: Automatic detection and quantification of ground-glass opacities on high-resolution CT using multiple neural networks: comparison with a density mask. Am J Roentgenol 175(5):1329–1334, 2000

Uchiyama Y, Katsuragawa S, Abe H, Shiraishi J, Li F, Li Q, Zhang CT, Suzuki K, Doi K: Quantitative computerized analysis of diffuse lung disease in high-resolution computed tomography. Med Phys 30(9):2440–2454, 2003

Zhang L, Zhang T, Novak CL, et al: A computer-based method of segmenting ground glass nodules in pulmonary CT images: comparison to expert radiologists’ interpretations. SPIE Med Imaging 5747:113–123, 2005

Mignotte M, Collet C, Perez P, Bouthemy P: Sonar image segmentation using an unsupervised hierarchical MRF model. IEEE Trans Image Process 9(7):1216–1231, 2000

Smits PC, Dellepiane SG: Synthetic aperture radar image segmentation by a detail preserving Markov random field approach. IEEE Trans Geosci Remote Sens 35(4):844–857, 1997

Held K, Kops ER, Krause BJ, et al: Markov random field segmentation of brain MR images. IEEE Trans Med Imaging 16(6):878–886, 1997

Hammersley JM, Clifford P: Markov field on finite graphs and lattices. Unpublished, 1971

Geman S, Geman D: Stochastic relaxation, Gibbs distributions and the Bayesian restoration of images. IEEEE Trans Pattern Anal Machine Intell 6:721–741, 1984

Metropolis N, Rosenbluth A, Rosenbluth M, Teller A, Teller E: Equation of state calculations by fast computing machines. J Chem Phys 21(6):1087–1092, 1953

Zrimec T, Busayarat S, Wilson P: A 3D model of the human lung with lung regions characterization. ICIP 2004 Proc IEEE Int Conf Image Process 2, 2004, pp 1149–1152

Shamsheyeva A, Sowmya A: The anisotropic Gaussian kernel for SVM classification of HRCT images of the lung. Proc IEEE ISSNIP (14–17):439–444, 2004

Manjunath BS, Ma WY: Texture features for browsing and retrieval of image data. IEEE Trans Pattern Anal Mach Intell 18(8):837–842, 1996

Kaplan LM, Murenzi R: Texture segmentation using multiscale Hurst features. ICIP’97. 3:205, 1997

Unser M: Texture classification and segmentation using wavelet frames. IEEE Trans Image Process 4(11):1549–1560, 1995

Cesmeli E, Wang D: Texture segmentation using Gaussian–Markov random fields and neural oscillator networks. IEEE Trans Neural Networks 12(2):394–404, 2001

LIBSVM: a library for support vector machines, 2001. Software. Available at http://www.csie.ntu.edu.tw/∼cjlin/libsvm. Accessed July 28, 2009

Guyon I, Weston J, Barnhill S, Vapnik V: Gene selection for cancer classification using support vector machines. Mach Learn 46(1–3):389–422, 2002

THenschke CI, Yankelevitz DF, Mirtcheva R, McGuinness G, McCauley D, Miettinen OS, ELCAP Group: CT screening for lung cancer: frequency and significance of part-solid and nonsolid nodules. AJR AM J Roentgenol 178:1053–1057, 2002

Thông tin
Thông tin xuất bản

Journal of Digital Imaging

Tập 25

409-422

Thông tin tác giả