Il sistema RGVP-CAD per l'individuazione di noduli in immagini CT polmonari Gianfranco Gargano, Roberto Belloti, Rosario Megna, Sonia Tangaro, Laura Monno.

Presentazione sul tema: "Il sistema RGVP-CAD per l'individuazione di noduli in immagini CT polmonari Gianfranco Gargano, Roberto Belloti, Rosario Megna, Sonia Tangaro, Laura Monno."— Transcript della presentazione:

1 Il sistema RGVP-CAD per l'individuazione di noduli in immagini CT polmonari
Gianfranco Gargano, Roberto Belloti, Rosario Megna, Sonia Tangaro, Laura Monno on behalf of Magic5 Collaboration Dipartimento Interateneo di Fisica “M.Merlin” dell’Università degli Studi di Bari; Istituto Nazione di Fisica Nucleare sez. Bari

2 Indice Breve descrizione del CAD RGVP-Lung.
Risultati sui database ANODE09 (5 CT), Italung GS (20 CT), LIDC AL4 (83 CT). Indice

3 RG-Lung CAD Individuazione del parenchima polmonare: - Region Growing;
- Eliminazione trachea; - Individuazione contorno anatomico mediante Rolling Ball; Indiduazione dei candidati nodulo: - Region Growing Iterativo; - Analisi dimensionale; Riduzione Falsi Positivi: - Filtro sul volume e sulla sfericità; - Rete neurale; - Support Vector Machine. RG-Lung CAD

4 Individuazione del parenchima

5 Individuazione dei Candidati Nodulo
Nodule Hunter Region Growing L’algoritmo che principalmente adoperiamo è il Region Growing La procedura di individuazione dei candidati nodulo è questa… Individuazione dei Candidati Nodulo

6 La regola di inclusione utilizzata è costituita dall’AND delle seguenti due regole sull’intensità dei toni di grigio: Includi il voxel se la sua intensità supera la soglia th1; Includi il voxel se la sua intensità mediata con quella dei sui primi vicini supera la soglia th2. Regola di inclusione

7 Individuazione automatica di th2
La soglia th1 svolge il ruolo di watchdog. La soglia th2 definisce i contorni del nodulo. Queste considerazioni ci hanno spinto a: scegliere per th1 un valore di poco superiore a quello dell’aria, che comunque individuasse voxel distinti dallo “sfondo”; fissare iterativamente per ciascuna ROI una soglia th2. Individuazione automatica di th2

8 Ricerca del Plateaux Diminuiamo progressivamente la soglia th2;
Costruiamo il grafico dei volumi vs la soglia th2; Cerchiamo un plateau nel grafico; Selezioniamo come soglia il punto del plateau con soglia minore; Immagazziniamo la regione individuata con la soglia scelta. Ricerca del Plateaux

9 Riduzione dei Falsi positivi
Da ogni candidato nodulo vengono estratte le seguenti features: Sfericità: Ellitticità: Massima Intensità; Massima Distanza dal Centro di Intensità; Volume; Standard Deviation dell’Intensità; Riduzione dei Falsi positivi

10 Riduzione dei Falsi positivi
Entropia di Shannon dell’istogramma dei toni di grigio: Devizione Standard delle distanze dei voxel dal centro di intensità; Skewness delle distanze dei voxel dal centro di intensità; Kurtosis delle distanze dei voxel dal centro di intensità; Compattezza della ROI: dove ΔV è l’errore sul volume ottenuto propagando l’errore sulla distanza Riduzione dei Falsi positivi

11 Riduzione dei Falsi positivi con un rete neurale Feed Forward
I candidati nodulo, dopo il filtro su volume e sfericità, vengono classificati con una rete neurale feed forward (precedentemente addestrata), ottenendo così una probabilità sulla quale poter discriminare fra noduli e non-noduli. Features di un candidato nodulo Probabilità Riduzione dei Falsi positivi con un rete neurale Feed Forward

12 Riduzione dei Falsi positivi con una Support Vector Machine
I candidati nodulo dopo il filtro su volume e sfericità vengono classificati con una Support Vector Machine1,2 (precedentemente addestrata) ottenendo così una probabilità sulla quale poter discriminare fra noduli e non-noduli V. Vapnik, and A. Lerner, “Pattern recognition using generalized portrait mode”, Automation and Remote Control, 24, 774 (1962). V. Vapnik and A. Chervonekis, “A note on one class of perceptrons”, Automation and Remote Control, 25 (1992) Probabilità Features di un candidato nodulo Support Vector Machine Riduzione dei Falsi positivi con una Support Vector Machine

13 Risultati su database LIDC con la rete neurale
Sens. at 4 FP/CT 8 FP/CT LIDC AL 4 67% 70% GS20 69% 71% ANODE09 80% Risultati su database LIDC con la rete neurale

14 Risultati su database LIDC con Support Vector Machine
Sens. at 4 FP/CT 8 FP/CT LIDC AL 4 67% GS20 69% 76% ANODE09 74% 77% Risultati su database LIDC con Support Vector Machine

15 Conclusioni Dall’ultimo meeting:
sono state introdotte 5 nuove features; è stata introdotta una nuova metodologia ci classificazione basata sul paradigma delle Support Vector Machine. Entrambe le modifiche richiedono un fine-tuning finalizzato al miglioramento delle prestazioni. Conclusioni