(44-1) 10 * << * >> * Русский * English * Содержание * Все выпуски

Сравнение алгоритмов выделения области интереса на компьютерных томограммах легких

Т.А. Пашина 1, А.В. Гайдель 1,2, П.М. Зельтер 3, А.В. Капишников 3, А.В. Никоноров 1,2

1 Самарский национальный исследовательский университет имени академика С.П. Королёва,
443086, Россия, г. Самара, Московское шоссе, д. 34,
2 ИСОИ РАН – филиал ФНИЦ «Кристаллография и фотоника» РАН,
443001, Россия, г. Самара, ул. Молодогвардейская, д. 151,
3 ФГБОУ ВО «Самарский государственный медицинский университет» Минздрава России,
443099, Россия, г. Самара, ул. Чапаевская, д. 89

 PDF, 560 kB

DOI: 10.18287/2412-6179-CO-659

Страницы: 74-81.

Аннотация:
Рассматривается автоматическое создание масок для выделения лёгких на компьютерных томограммах с помощью трёх подходов: метода Оцу, простой свёрточной нейронной сети, состоящей из 10 одинаковых слоёв, и свёрточной нейронной сети U-Net. Произведено исследование и сравнение используемых методов автоматического выделения области интереса на реальных изображениях компьютерной томографии лёгких, полученных в Клиниках СамГМУ. Решение данной задачи актуально, так как она является первым этапом при автоматизированном поиске патологических изменений на изображениях компьютерной томографии. Предложен алгоритм постобработки изображений, основанный на поиске контуров, который позволяет повысить качество сегментации. Сделан вывод о том, что U-Net выделяет область интереса, относящуюся к легкому, несколько лучше, чем два других подхода. При этом простая свёрточная нейронная сеть обеспечивает достоверность сегментации 97,5 %, что лучше достоверности сегментации 96,7 %, достигнутой с помощью метода Оцу, и лучше достоверности сегментации 96,4 %, достигнутой с помощью нейронной сети U-Net.

Ключевые слова:
обработка изображений, сегментация, компьютерная томография лёгких, пороговая обработка, свёрточные нейронные сети, U-Net.

Цитирование:
Пашина, Т.А. Сравнение алгоритмов выделения области интереса на компьютерных томограммах лёгких / Т.А. Пашина, А.В. Гайдель, П.М. Зельтер, А.В. Капишни­ков, А.В. Никоноров // Компьютерная оптика. – 2020. – Т. 44, № 1. – С. 74-81. – DOI: 10.18287/2412-6179-CO-659.

Благодарности:
Разработка методов и алгоритмов выполнена при поддержке грантов РФФИ № 18-07-01390, № 19-29-01235 мк и № 19-29-01135 мк, экспериментальные исследования – в рамках госзадания ИСОИ РАН – филиала ФНИЦ «Кристаллография и Фотоника» РАН (соглашение № 007-ГЗ/Ч3363/26).

Литература:
  1. Тюрин, И.Е. Компьютерная томография органов грудной клетки / И.Е. Тюрин. – С.-Пб.: ООО «Элби-СПб», 2003. – 371 с.
  2. Gaidel, A. Method of automatic ROI selection on lung CT images / A. Gaidel // Procedia Engineering. – 2017. – Vol. 201. – P. 258-264.
  3. Lassen, В. Automatic segmentation of the pulmonary lobes from chest CT scans based on fissures, vessels, and bronchi / B. Lassen, E.M. van Rikxoort, M. Schmidt, S. Kerkstra, B. van Ginneken, J.-M. Kuhnigk // IEEE Transactions on Medical Imaging. – 2013. – Vol. 32, Issue 2. – P. 210-222.
  4. Van Rikxoort, E.M. Automatic segmentation of pulmonary segments from volumetric chest CT scans / E.M. van Rikxoort, B. de Hoop, S. van de Vorst, M. Prokop, B. van Ginneken // IEEE Transactions on Medical Imaging. – 2009. – Vol. 28. – P. 621-630.
  5. Memon, N.A. Segmentation of lungs from CT scan images for early diagnosis of lung cancer / N.A. Memon, A. Mirza, A. Gilani // Proceedings of World Academy of Science, Engineering and Technology. – 2006. – Vol. 14. – P. 228-233.
  6. Skourt, B.A. Lung CT image segmentation using deep neural networks / B.A. Skourt, A.E. Hassani, A. Majda // Procedia Computer Science. – 2018. – Vol. 127. – P. 109-113.
  7. Nithila, E.E. Segmentation of lung from CT using various active contour models / E.E. Nithila, S.S. Kumar // Biomedical Signal Processing and Control. – 2019. – Vol. 47. – P. 57-62.
  8. Armato III, S.G. The Lung Image Database Consortium (LIDC) and Image Database Resource Initiative (IDRI): A completed reference database of lung nodules on CT scans / S.G. Armato III, G. McLennan, L. Bidaut, et al. // Medical Physics. – 2011. – Vol. 38. – P. 915-931.
  9. Гайдель, А.В. Возможности текстурного анализа компьютерных томограмм в диагностике хронической обструктивной болезни / А.В. Гайдель, П.М. Зельтер, А.В. Капишников, А.Г. Храмов // Компьютерная оптика. – 2014. – Т. 38, № 4. – С. 843-850.
  10. Грузман, И.С. Цифровая обработка изображений в информационных системах: Учебное пособие / И.С. Грузман, В.С. Киричук, В.П. Косых. – Новосибисрк: Изд-во НГТУ, 2002. – 352 c.
  11. Otsu, N. A threshold selection method from gray-level histograms / N. Otsu // IEEE Transactions on Systems, Man, and Cybernetics. – 1979. – Vol. 9, Issue 1. – P. 62-66.
  12. Mortazi, A. Automatically designing CNN architectures for medical image segmentation // International Workshop on Machine Learning in Medical Imaging. – 2018. – P. 98-106.
  13. Ronneberger, O. U-Net: Convolutional networks for biomedical image segmentation / O. Ronneberger, P. Fischer, T. Brox. – In: Medical image computing and computer-assisted intervention – MICCAI 2015 / ed. by N. Navab, J. Hornegger, W.M. Wells, A.F. Frangi. – Part III. – 2015. – P. 234-241.
  14. Kreyszig, E. Advanced engineering mathematics / E. Kre­yszig, H. Kreyszig. – 10th ed. – New York: John Wiley & Sons, Ltd, 2011. – 880 p.
  15. Митрюшина, Н.Н. Компьютерная диагностика рака легкого: обзор методов сегментации лёгких на изображении / Н.Н. Митрюшина, Ю.С. Белов // Электронный Журнал: Наука, Техника и Образование. – 2015. – Т. 5(1). – С. 1-9.
  16. Serra, J. Image analysis and mathematical morphology / J. Serra. – Orlando: Academic Press, 1983. – 610 p.
  17. Suzuki, S. Topological structural analysis of digitized binary images by border following / S. Suzuki, K. be // Computer Vision, Graphics, and Image Processing. – 1985. – Vol. 30, Issue 1. – P. 32-46.
  18. Альбом, А. Введение в современную эпидемиологию: учебное пособие / А. Альбом, С. Норрел; пер. с англ. И. Боня. – Таллин: Институт экспериментальной и клинической медицины (Эстония), 1996. – 122 с.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20