Bilgisayar tomografili akciğer görüntülerinin değerlendirilmesinde kompleks değerli yeni bir akıllı sistem tasarımı
Yükleniyor...
Dosyalar
Tarih
2009
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Selçuk Üniversitesi, Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Akciğer kanseri, diğer kanser türleri ile karşılaştırıldığında en yüksek ölüm oranına sahip olan kanser türüdür ve akciğer kanserinin neden olduğu ölümler her geçen yıl düzgün bir artış göstermektedir. Birçok ülke, akciğer kanserinin yayılım hızını düşürebilmek amacı ile en etkili yol olarak sigara kullanımını yasaklamıştır. Bununla birlikte kanserin erken aşamalarında şüpheli nodüllerin doğru bir şekilde ayrıştırılabilmesi, yani benign (iyi huylu) ve malign (kötü huylu) nodüllerin başarı ile sınıflandırılabilmesi, hem hastalığın takibi hem de hastalığın tedavisinin şekillendirilmesi için oldukça önemlidir.Akciğer nodüllerinin görüntülenmesinde kullanılan akciğer bilgisayarlı tomografi (BT) taraması, tek dedektörlü sistemlerde tipik olarak 40 ila 100 eksenel görüntü kesiti üretirken, daha yeni versiyonlarında, yani çok dedektörlü sistemlerde 300 ile 600 görüntü kesiti elde edilmektedir. Bu çok sayıdaki görüntüyü okumak ve yorumlamak, radyologların önemli bir çaba göstermesini gerektirmekle birlikte insan hatası ve kanserli nodüllerin kaçırılması gibi dezavantajlar ile sıklıkla karşılaşılmaktadır. Bu yüzden, bilgisayar destekli teşhis (BDT) yaklaşımlarına, radyologların iş yükünü azaltmak ve sınıflama hassasiyetini artırmak amacı ile gittikçe artan bir şekilde ihtiyaç duyulmaktadır.Tez çalışmasında, akciğer BT görüntülerini yorumlayan radyologların, karşılaştıkları nodüller hakkında karar vermelerine yardımcı olabilmek amacı ile yeni bir akıllı BDT sistemi önerilmiştir. Sistem Başkent Üniversitesi Konya Uygulama ve Araştırma Hastanesinden alınan ve biyopsi sonuçlarına uygun olarak etiketlenmiş 22 malign ve 10 benign nodülü içeren 32 BT görüntüsü kullanılarak test edilmiştir.Geliştirilen sistem, iki temel işlem bloğu şeklinde tasarlanmıştır. İlk olarak segmentasyon işlemi gerçekleştirilmiştir. Bu amaçla, BT cihazından alınan akciğer görüntüleri üzerinde kompleks-değerli dalgacık dönüşümü (KDDD) kullanılarak boyut azaltımı yapılmış ve elde edilen görüntülerde akciğer bölgesi haricindeki bölgeler atılmıştır. Bu işlem, kompleks-değerli yapay sinir ağı (KDYSA) ve hücresel yapay sinir ağı (HYSA) gibi iki farklı YSA modelinin kullanıldığı yeni bir hibrit YSA modeli olan Kompleks Değerli Hibrit Hücresel Yapay Sinir Ağı (KDHHYSA) kullanılarak gerçekleştirilmiştir. Elde edilen ortalama doğruluk oranı test için % 99.71' dir.Geliştirilen BDT sisteminin ikinci bileşeni, segmente edilen akciğer BT görüntüsünde yer alan nodüllerin sınıflandırılmasıdır. Segmente edilen BT görüntülerine dört farklı seviyede KDDD uygulanmış ve ayrı ayrı her bir seviye için dört istatistik özellik (en küçük değer, en büyük değer, ortalama değer, standart sapma) çıkarılarak KDYSA ile sınıflandırılmıştır. Sınıflama geçerliliğini kanıtlamak için 10-kat çapraz geçerlilik yöntemi uygulanmıştır. En iyi sonuçlar, dördüncü seviye KDDD kullanıldığında elde edilmiş ve 22 malign nodülün 22' si malign olarak, 10 benign nodülün 9 tanesi ise benign olarak sınıflandırılmıştır. Duyarlılık % 95.2, belirlilik % 100, ortalama belirleme oranı % 97.6, doğruluk % 96.7, pozitif tahmin testi % 100 ve negatif tahmin testi % 90 olarak elde edilmiştir.
The mortality rate for lung cancer is higher than that for other kinds of cancers and it appears that the rate has been steadily increasing. No smoking is considered the most effective way to reduce the incidence of lung cancer in most countries. Detection of suspicious nodules in the early stages of cancer and classification of benign and malign nodules is very important for both disease control and management of treatment.In the screening of lung nodules, thoracic computed tomography (CT) scan using a single detector scanner typically generates 40 to 100 axial image slices, the newer, multi-detector scanner generate 300 to 600 image slices. To read and interpret these massive amounts of image data requires significant radiologist effort and predisposes the screening process to human error and missed detection of cancerous nodules. Thus, computer-aided diagnostic (CAD) approaches are becoming increasingly necessary for both reducing radiologists? effort and improving detection sensitivity.In thesis study, a new intelligence CAD system which provide interpretation of lung CT image and decision making about nodules easiness to radiologists was proposed. System was tested using 32 CT images including 22 malign nodules and 10 benign nodules. These images were taken from Başkent University Konya Application and Research Hospital and images were labeled according to biyopsy reports.The improved system was formed as two process blocks. Firstly, segmentation was done. In this aim, size of lung CT images was decreased using complex-valued wavelet transform (CVWT). Unnecessary regions were extracted from whole image and lung region was obtained. This process was realized using a new hybrid Articial Neural Network (ANN) model including two different ANN models as Complex-Valued ANN (CVANN) and Cellular ANN (CANN). The new hybrid ANN model was called as Complex-Valued Hybrid Cellular ANN (CVHCANN). Averaged accuracy rate for test process was obtained as 99.71 %.Second part of improved CAD system was contained classification of nodules in segmented lung CT images. CVWT with four different level was applied to segmented images. For each level, four statistical features (minimum value, maximum value, averaged value and standard deviation) extracted for classification via CVANN. To prove of classification validity, ten-fold cross validation method was done. The best results were obtained using fourth level CVWT. 22 of 22 malign nodules were classified as malign nodule. 9 of 10 benign nodules were classified as benign nodule and 1 benign nodule was classified as malign nodule. Sensitivity, specificity, averaged detection rate, accuracy, positive predictive value and negative predictive value was obtained as 95.2%, 100%, 97.6%, 96.7%, 100% ve 90%, respectively.
The mortality rate for lung cancer is higher than that for other kinds of cancers and it appears that the rate has been steadily increasing. No smoking is considered the most effective way to reduce the incidence of lung cancer in most countries. Detection of suspicious nodules in the early stages of cancer and classification of benign and malign nodules is very important for both disease control and management of treatment.In the screening of lung nodules, thoracic computed tomography (CT) scan using a single detector scanner typically generates 40 to 100 axial image slices, the newer, multi-detector scanner generate 300 to 600 image slices. To read and interpret these massive amounts of image data requires significant radiologist effort and predisposes the screening process to human error and missed detection of cancerous nodules. Thus, computer-aided diagnostic (CAD) approaches are becoming increasingly necessary for both reducing radiologists? effort and improving detection sensitivity.In thesis study, a new intelligence CAD system which provide interpretation of lung CT image and decision making about nodules easiness to radiologists was proposed. System was tested using 32 CT images including 22 malign nodules and 10 benign nodules. These images were taken from Başkent University Konya Application and Research Hospital and images were labeled according to biyopsy reports.The improved system was formed as two process blocks. Firstly, segmentation was done. In this aim, size of lung CT images was decreased using complex-valued wavelet transform (CVWT). Unnecessary regions were extracted from whole image and lung region was obtained. This process was realized using a new hybrid Articial Neural Network (ANN) model including two different ANN models as Complex-Valued ANN (CVANN) and Cellular ANN (CANN). The new hybrid ANN model was called as Complex-Valued Hybrid Cellular ANN (CVHCANN). Averaged accuracy rate for test process was obtained as 99.71 %.Second part of improved CAD system was contained classification of nodules in segmented lung CT images. CVWT with four different level was applied to segmented images. For each level, four statistical features (minimum value, maximum value, averaged value and standard deviation) extracted for classification via CVANN. To prove of classification validity, ten-fold cross validation method was done. The best results were obtained using fourth level CVWT. 22 of 22 malign nodules were classified as malign nodule. 9 of 10 benign nodules were classified as benign nodule and 1 benign nodule was classified as malign nodule. Sensitivity, specificity, averaged detection rate, accuracy, positive predictive value and negative predictive value was obtained as 95.2%, 100%, 97.6%, 96.7%, 100% ve 90%, respectively.
Açıklama
Anahtar Kelimeler
Akciğer Segmentasyonu, Nodül Sınıflama, Kompleks-Değerli Dalgacık Dönüşümü, Kompleks-Değerli Yapay Sinir Ağı, Kompleks-Değerli Hibrit Hücresel Yapay Sinir Ağı, Lung Segmentation, Nodule Classification, Complex-Valued Wavelet Transform, Complex-Valued Artificial Neural Network, Complex-Valued Hybrid Cellular Artificial Neural Network
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Ceylan, M. (2009). Bilgisayar tomografili akciğer görüntülerinin değerlendirilmesinde kompleks değerli yeni bir akıllı sistem tasarımı. (Doktora Tezi). Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Konya.
