(45-2) 13 * << * >> * Русский * English * Содержание * Все выпуски

Выявление патологических изменений в легких на основе совместного анализа радиологических отчетов и томографических изображений
А.А. Слуднова 1, В.В. Шутько 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 ФГБОУВО «Самарский государственный медицинский университет» Минздрава России,
443099, Россия, г. Самара, ул. Чапаевская, д. 89

 PDF, 950 kB

DOI: 10.18287/2412-6179-CO-793

Страницы: 261-266.

Аннотация:
В данной статье рассматривается идея совместного анализа изображений компьютерной томографии лёгких и текстовых радиологических данных для повышения качества автоматизированной диагностики эмфиземы. Сравнивается качество классификации изображений без учёта локализации патологии, упомянутой в радиологических отчётах, и с её учётом. Исследование произведено на наборах реальных изображений компьютерной томографии лёгких, полученных при клинических исследованиях в Самарском государственном медицинском университете. Установлено, что использование информации о локализации патологии, содержащейся в радиологических отчётах, приводит к повышению F-меры обнаружения эмфиземы с 0,55 до 0,73.

Ключевые слова:
обработка изображений, обработка томографических изображений, анализ изображений, признаки Харалика, классификация изображений, радиологический отчёт, обработка естественного языка.

Благодарности
Разработка методов и алгоритмов выполнена при поддержке грантов РФФИ№ 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).

Цитирование:
Слуднова, А.А. Выявление патологических изменений в легких на основе совместного анализа радиологических отчетов и томографических изображений / А.А. Слуднова, В.В. Шутько, А.В. Гайдель, П.М. Зельтер, А.В. Капишников, А.В. Никоноров // Компьютерная оптика. – 2021. – Т. 45, № 2. – С. 261-266. – DOI: 10.18287/2412-6179-CO-793.

Citation:
Sludnova AA, Shutko VV, Gaidel AV, Zelter PM, Kapishnikov AV, Nikonorov AV. Identification of pathological changes in the lungs using an analysis of radiological reports and tomographic images. Computer Optics 2021; 45(2): 261-266. DOI: 10.18287/2412-6179-CO-793.

Литература:
  1. Zimmerman, S.L. Informatics in radiology: automated structured reporting of imaging findings using the AIM standard and XML / S.L. Zimmerman, W. Kim, W.W. Boonn // Radiographics. – 2011. – Vol. 31, Issue 3. – P. 881-887.
  2. Mendelson, D.S. Imaging informatics: essential tools for the delivery of imaging services / D.S. Mendelson, D.L. Rubin // Academic Radiology. – 2013. – Vol. 20, Issue 10. – P. 1195-1212.
  3. Rubin, D.L. Automated tracking of quantitative assessments of tumor burden in clinical trials / D.L. Rubin, D. Willrett, M.J. O'Connor, C. Hage, C. Kurtz, D.A. Moreira // Translational Oncology. – 2014. – Vol. 7, Issue 1. – P. 23-35.
  4. Rubin, D.L. Common data elements in radiology / D.L. Rubin, C.E. Kahn Jr. // Radiology. – 2017. – Vol. 283, Issue 3. – P. 837-844.
  5. Ganeshan, D. Structured reporting in radiology / D. Ganeshan, P.-A.T. Duong, L. Probyn, L. Lenchik, T.A. McArthur, M. Retrouvey, E.H. Ghobadi, S.L. Desouches, D. Pastel, I.R. Francis // Academic Radiology. – 2018. – Vol. 25, Issue 1. – P. 66-73.
  6. Napel, S. Quantitative imaging of cancer in the postgenomic era: Radio(geno)mics, deep learning, and habitats / S. Napel, W. Mu, B.V. Jardim-Perassi, H.J.W.L. Aerts, R.J. Gillies // Cancer. – 2018. – Vol. 124, Issue 24. – P. 4633-4649. – DOI: 10.1002/cncr.31630.
  7. Kulkarni, P. A novel architecture and analysis of challenges for combining text and image for medical image retrieval / P. Kulkarni, S. Kulkarni, A. Stranieri // International Journal for Infonomics (IJI). – 2014. – Vol. 7, Issues 1/2. – P. 885-890.
  8. 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. – DOI: 10.18287/0134-2452-2014-38-4-843-850.
  9. 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.
  10. Otsu, N. A threshold selection method from gray-level histograms / N. Otsu // IEEE Transactions on Systems, Man, and Cybernetics. – 1979. – Vol. 9. – P. 62-66.
  11. Gaidel, A. Method of automatic ROI selection on lung CT images / A. Gaidel // Procedia Engineering. – 2017. – Vol. 201. – P. 258-264. – DOI: 10.1016/j.proeng.2017.09.612.
  12. Aizawa, A. An information-theoretic perspective of tf–idf measures / A. Aizawa // Information Processing and Management. – 2003. – Vol. 39, Issue 1. – P. 45-65.
  13. Cramer, J.S. The origins of logistic regression [Electronical Resource] / J.S. Cramer. – Tinbergen Institute Working Paper No. 2002-119/4. – URL: https://papers.ssrn.com/sol3/ papers.cfm?abstract_id=360300. – DOI: 10.2139/ssrn.360300.
  14. Quinlan, J.R. Simplifying decision trees / J.R. Quinlan // International Journal of Man-Machine Studies. – 1987. – Vol. 27, Issue 3. – P. 221-234.
  15. Van Rijsbergen, C.J. Information retrieval / C.J. Van Rijsbergen. – 2nd ed. – Butterworth-Heinemann, 1979.
  16. Choi, E. RETAIN: Interpretable predictive model in healthcare using reverse time attention mechanism [Electronical Resource] / E. Choi, T. Bahadori, A. Schuetz, W. Stewart, J. Sun. – 2016. – URL: https://arxiv.org/abs/1608.05745.
  17. Li, Y. BEHRT: Transformer for electronic health records / Y. Li, S. Rao, J.R.A. Solares [et al.] // Scientific Reports. – 2020. – Vol. 10. – 7155.
  18. Taylor, D. Co-attentive cross-modal deep learning for medical evidence synthesis and decision making [Electronical Resource] / D. Taylor, S. Spasov, P. Lio. – 2019. – URL: https://arxiv.org/abs/1909.06442.
  19. Kreyszig, E. Advanced engineering mathematics / E. Kreyszig, H. Kreyszig, E.J. Norminton. – 10th ed. – New York: John Wiley and Sons, Inc., 2011. – 880 p.
  20. Грузман, И.С. Цифровая обработка изображений в информационных системах: Учебное пособие / И.С. Грузман, В.С. Киричук, В.П. Косых. – Новосибирск: Изд-во НГТУ, 2002. – 352 c.
  21. Serra, J. Image analysis and mathematical morphology / J. Serra. – Orlando: Academic Press, 1983. – 610 p.
  22. Haralick, R.M. Textural features for image classification / R.M. Haralick, K. Shanmugam, I. Dinstein // IEEE Transactions on Systems, Man, and Cybernetics. – 1973. – Vol. SMC-3(6). – P. 610-621.
  23. Садыков, C.C. Компьютерная диагностика новообразований на маммографических снимках / С.С. Садыков, Ю.А. Буланова, Е.А. Захарова // Компьютерная оптика. – 2014. – Т. 38, № 1. – С. 131-138. – DOI: 10.18287/0134-2452-2014-38-1-131-138.
  24. Глумов, Н.И. Компьютерная обработка сцинтиграфических изображений легких / Н.И. Глумов, А.В. Капишников // Компьютерная оптика. – 2003. – Т. 25, № 1. – С. 158-164.
  25. Breiman, L. Random forests / L. Breiman // Machine Learning. – 2001. – Vol. 45, Issue 1. – P. 5-32
  26. Olatunji, T. Caveats in generating medical imaging labels from radiology reports with natural language processing [Электронный ресурс] / T. Olatunji, L. Yao, B. Covington, A. Rhodes, A. Upton. – 2019. – URL: https://arxiv.org/abs/1905.02283 (дата обращения 27.03.2021).

© 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