شناسایی ندول‌های ریوی با استفاده از سیستم کمک تشخیص کامپیوتری نوین در تصاویر سی‌تی‌اسکن بیماران مشکوک به سرطان

مقدمه: در سرطان‌های ریه، سیستم کمک تشخیصی با کامپیوتر جهت تشخیص ندول با اندازه‌های بسیار کوچک در حجم بالایی از تصاویر ct (computed tomography)، بسیار سودمند می‌باشد. مطالعه حاضر، ارائه سیستمی نوین برای تشخیص ندول‌های ریوی با استفاده از روش‌های پردازش تصویر ct می‌باشد.روش بررسی: در یک مطالعه شاهد موردی، تصاویر ct قفسه سینه 20 مراجعه‌کننده به‌بیمارستان تامین اجتماعی یزد مورد بررسی قرار گرفت. در الگوریتم تحلیل ویژگی‌های دو‌بعدی و سه‌بعدی نواحی مشکوک به‌ندول‌های ریوی و تشخیص خودکار برای ارزیابی، نتایج بخش‌بندی نواحی توسط مدل کانتورهای فعال، با نتایج بخش‌بندی توسط پزشک، مقایسه گردید. در نهایت برای دسته‌بندی نواحی به دو گروه سرطانی و غیرسرطانی به کمک نرم افزار matlab نسخه 2014 b با استفاده ازsvm (support vector machine) به همراه سه کرنل خطی، چند‌جمله‌ای با درجه 3 و کرنل تابع پایه شعاعی و آزمون اندازه‌گیری‌های مکرر در سطح p≤0. 05 مورد تحلیل قرار گرفت .نتایج: متوسط خطا برای 10 بیمار سرطانی و 10 فرد سالم، به‌ترتیب برابر با 0/023 و 0/045 شد و بهترین نتیجه الگوریتم بخش‌‌بندی با استفاده از کرنل rbf (radial basis function) و پارامتر 0/28=σ برای آن، به‌دست آمد. با استفاده از مدل کانتور فعال مبتنی بر ناحیه محلی مدت زمان بخش‌بندی ناحیه به‌طور متوسط از 18/36 به 5 ثانیه کاهش یافت و مقادیر فاصله محاسبه شده توده‌ها کمتر یا برابر با مقدار 0/75 میلی‌متر گردید؛ که نشان دهنده افزایش سرعت شناسایی ندول‌های ریوی با دقت بالا می‌باشد.نتیجه‌گیری:در الگوریتم پیشنهادی، مقدار خطای مثبت اشتباه و زمان شناسایی ندول‌ها به‌میزان قابل قبولی کاهش یافت و تمام نواحی مشکوک به‌توده‌های سرطانی با دقت و سرعت بالایی شناسایی شدند.

A New Computer-Aided Detection System for Pulmonary Nodule in CT Scan Images of Cancerous Patients

Introduction: In the lung cancers, a computeraided detection system that is capable of detecting very small glands in high volume of CT images is very useful.This study provided a novelsystem for detection of pulmonary nodules in CT image.Methods: In a casecontrol study, CT scans of the chest of 20 patients referred to Yazd Social Security Hospital were examined. In the twodimensional and threedimensional feature analysis algorithm, which were suspicious areas of pulmonary nodules and automatic diagnosis for evaluation, and the area segmentation results by active contour model, were compared with the results of the donation by the physician. Finally, to categorize the areas into two groups of cancerous and noncancerous helping the MATLAB software Ver. 2014 b using Support Vector Machine (SVM) with three linear kernels, cubic polynomial and a kernel of the radial base function and repeated measurements test were analyzed at level of P le;0.05.Results: The mean error for 10 cancer patients and 10 healthy individuals was 0.023 and 0.453, respectively and the best results were obtained using the RBF (Radial Basis Function) kernel algorithm and the sigma; = 0.28 parameter for it. Using the local areabased active contour model, the zoning time was reduced from 18.66 to 5 seconds on average and the calculated distances were calculated to be less than or equal to 0.75 mm; which indicates an increase in the speed of identification of highprecision pulmonary nodules.Conclusion: In the proposed algorithm, the amount of false positive error and the time of identifying the nodules were significantly reduced and all areas suspected of being cancerous were identified with high accuracy and speed.