نوع مقاله : مقاله کامل پژوهشی

نویسندگان

• آذر طلوعی ¹
• حمید ابریشمی مقدم ²
• معصومه گیتی ³

¹ کارشناس ارشد مهندسی پزشکی، دانشکده مهندسی برق، دانشگاه صنعتی خواجه نصیرالدین طوسی

² دانشیار گروه مهندسی پزشکی، دانشکده مهندسی برق، دانشگاه صنعتی خواجه نصیرالدین طوسی

³ دانشیار گروه رادیولوژی، دانشکده علوم پزشکی، دانشگاه علوم پزشکی تهران

چکیده

تشخیص خودکار الگوهای پاتولوژیک ریوی در تصاویر HRCT بیماران مبتلا به ناهنجاری های بافت بینابینی ریه(ILD) ، مرحله ای مهم در ایجاد یک سیستم تشخیص به کمک کامپیوتر محسوب می شود. الگوریتم ارائه شده برای دسته بندی الگوهای بافت ریه شامل 3 مرحله است: در مرحله اول ریه از پس زمینه جدا می شود. در مرحله دوم دو بانک فیلتری موجک فوق کامل به نام های فریم های موجک گسسته (DWF) و فریم های موجک دوران یافته (RWF) برای استخراج ویژگی از نواحی مطلوب (ROI) تعریف شده درون بافت ریه استفاده می شوند؛ در نهایت الگوریتم k نزدیکترین همسایه فازی برای دسته بندی الگوها اعمال می گردد. در این مطالعه 4 الگوی مرتبط با) ILD شیشه مات، لانه زنبوری، رتیکولار و نرمال) از یک پایگاه داده شامل 340 تصویر HRCT انتخاب شده و مورد بازشناسی قرار می گیرند. عملکرد سیستم کامپیوتری با عملکرد دو رادیوژیست مورد ارزیابی قرار می گیرد. ضریب توافق کاپا بین سیستم و دو رادیولوژیست در مقایسه با ضریب توافق 0.6848 بین دو رادیولوژیست، به طور متوسط 0.6543 است. چنین سیستمی می تواند به بهبود تصمیم گیری و کارایی پزشک از طریق تسهیل کشف و ارزیابی الگوهای تصویری پیچیده، کاهش تفاوت میان مشاهده گرها و حذف اعمال تکراری و گاهی خسته کننده منجر شود.

کلیدواژه‌ها

• بخش بندی ریه
• تصاویر HRCT
• بیماری های بافت بینابینی ریه
• فریم های موجک گسسته
• فریم های موجک دوران یافته
• طبقه بندی کننده k نزدیکترین همسایه فازی

موضوعات

• پردازش تصاویر پزشکی

عنوان مقاله [English]

A CAD System for Automatic Recognition of Lung Interstitia Tissue Patterns in HRCT Images

نویسندگان [English]

• Azar Tolouee ¹
• Hamid Abrishami Moghaddam ²
• Masoume Giti ³

¹ M.Sc Graduated, Biomedical Engineering Department, KN. Toosi University of Technology

² Associate Professor, BioMedical Engineering Department, Electrical Engineering School, KN.Toosi University of Technology

³ Associate Professor, Radiology Department, Tehran University of Medical Sciences

چکیده [English]

Automatic classification of lung tissue patterns in high-resolution computed tomography (HRCT) images of patients affected with interstitial lung diseases (ILD) is an important stage in the construction of a computer-aided diagnosis system. In this study, classification of Jung tissue patterns was conducted using a new machine learning approach. The proposed system comprises three stages. In the first stage, the parenchyma region in HRCT lung images is separated using a set of thresholding, filtering and morphological operators. In the second stage, two sets of overcomplete wavelet filters, namely discrete wavelet frames and rotated wavelet frames are utilized to extract the features from the defined regions of interest (ROJs) within parenchyma. Then, in the third stage, the fuzzy k-nearest neighbor algorithm is employed to perform the pattern classification. Our experiments in lung pattern classification were rendered on four different lung tissue patterns (ground glass, honey combing, reticular, and normal) selected from a database of 340 images from 17 subjects. After applying the technique to classify these patterns in small ROis, we extended the classification scheme to the whole lung in order to produce the quantitative scores of abnormalities in lung parenchyma of the patients. The performance of the proposed method was compared with two state-of-the-art computer based methods for lung tissue characterization. It was also validated against the experienced observers. The average kappa statistic of agreement between two radiologists and the computer was found to be 0.6543 where as the average kappa statistic for the interobserver agreement was 0.6848. This computer system can approach the performance of the expert observers in the diagnosing regions of interest and can help to produce objective measures of abnormal patterns in lung HRCT images. 

کلیدواژه‌ها [English]

• Lung segmentation
• HRCT images
• Interstitial lung diseases
• Discrete wavelet frames
• Rotated wavelet frames
• Fuzzy k-nearest neighbor classifier