nach oben

Erschienen in:

2022 | OriginalPaper | Buchkapitel

Radiomic-Based Lung Nodule Classification in Low-Dose Computed Tomography

verfasst von : Wojciech Prazuch, Malgorzata Jelitto-Gorska, Agata Durawa, Katarzyna Dziadziuszko, Joanna Polanska

Erschienen in: Bioinformatics and Biomedical Engineering

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

Radiomics is a systematic approach to characterize objects in terms of their radiological appearance. We used radiomic features of 5027 objects of 6 classes and trained a binary classifier with 79% accuracy. Features were obtained by using our novel preprocessing pipeline for object segmentation from the lung tissue in a low-dose Computed Tomography (LDCT) imaging technique. Our results show that radiomic features prove effective in distinguishing between suspicious and benign objects located in the lung tissue. Our data shows that there is vast space for improvement from both model- as well as a data-centric approach to developing Computer-aided detection (CAD) systems based on radiomics for early lung cancer detection. We show our results in the paper.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel NMF for Quality Control of Multi-modal Retinal Images for Diagnosis of Diabetes Mellitus and Diabetic Retinopathy

Nächstes Kapitel Segmentation of Brain MR Images Using Quantum Inspired Firefly Algorithm with Mutation

Siegel, R.L., Miller, K.D., Fuchs, H.E., Jemal, A.: Cancer statistics, 2021. CA. Cancer J. Clin. 71(1), 7–33 (2021). https://doi.org/10.3322/caac.21654CrossRefPubMed

Torre, L.A., Siegel, R.L., Jemal, A.: Lung cancer statistics. In: Ahmad, A., Gadgeel, S. (eds.) Lung Cancer and Personalized Medicine. AEMB, vol. 893, pp. 1–19. Springer, Cham (2016). https://doi.org/10.1007/978-3-319-24223-1_1CrossRef

Dela Cruz, C.S., Tanoue, L.T., Matthay, R.A.: Lung cancer: epidemiology, etiology, and prevention. Clin. Chest Med. 32(4), 605–644 (2011). https://doi.org/10.1016/j.ccm.2011.09.001CrossRefPubMed

Jaklitsch, M.T., et al.: The American Association for Thoracic Surgery guidelines for lung cancer screening using low-dose computed tomography scans for lung cancer survivors and other high-risk groups. J. Thorac. Cardiovasc. Surg. 144(1), 33–38 (2012). https://doi.org/10.1016/j.jtcvs.2012.05.060CrossRefPubMed

Sands, J., et al.: Lung screening benefits and challenges: a review of the data and outline for implementation. J. Thorac. Oncol. 16(1), 37–53 (2021). https://doi.org/10.1016/j.jtho.2020.10.127CrossRefPubMed

Rampinelli, C., Origgi, D., Bellomi, M.: Low-dose CT: technique, reading methods and image interpretation. Cancer Imaging 12(3), 548–556 (2012). https://doi.org/10.1102/1470-7330.2012.0049CrossRef

Kubo, T., Ohno, Y., Takenaka, D., Nishino, M., Gautam, S.: Standard-dose vs. low-dose CT protocols in the evaluation of localized lung lesions: capability for lesion characterization—iLEAD study. Eur. J. Radiol. Open 3, 67–73 (2016). https://doi.org/10.1016/j.ejro.2016.03.002CrossRefPubMedPubMedCentral

Shariaty, F., Mousavi, M.: Application of CAD systems for the automatic detection of lung nodules. Inf. Med. Unlocked 15, 100173 (2019). https://doi.org/10.1016/j.imu.2019.100173CrossRef

Brown, M., et al.: Integration of chest CT CAD into the clinical workflow and impact on radiologist efficiency. Acad. Radiol. 26(5), 626–631 (2019). https://doi.org/10.1016/j.acra.2018.07.006CrossRefPubMed

10.

Schreuder, A., Scholten, E.T., van Ginneken, B., Jacobs, C.: Artificial intelligence for detection and characterization of pulmonary nodules in lung cancer CT screening: ready for practice? Transl. Lung Cancer Res. 10(5), 2378–2388 (2021). https://doi.org/10.21037/tlcr-2020-lcs-06CrossRefPubMedPubMedCentral

11.

Suarez-Ortega, C., Franco-Valiente, J.M.: Using CAD systems and e-Learning in radiologists training. In: 2013 IEEE 15th International Conference on e-Health Networking, Applications and Services, Healthcom 2013, pp. 172–176 (2013). https://doi.org/10.1109/HealthCom.2013.6720661

12.

Selvaraju, R.R., Cogswell, M., Das, A., Vedantam, R., Parikh, D., Batra, D.: Grad-CAM: visual explanations from deep networks via gradient-based localization. Int. J. Comput. Vis. 128(2), 336–359 (2019). https://doi.org/10.1007/s11263-019-01228-7CrossRef

13.

Gillies, R.J., Kinahan, P.E., Hricak, H.: Radiomics: images are more than pictures, they are data. Radiology 278(2), 563–577 (2016). https://doi.org/10.1148/radiol.2015151169CrossRefPubMed

14.

van Timmeren, J.E., Cester, D., Tanadini-Lang, S., Alkadhi, H., Baessler, B.: Radiomics in medical imaging—“how-to” guide and critical reflection. Insights Imaging 11(1), 91 (2020). https://doi.org/10.1186/s13244-020-00887-2CrossRefPubMedPubMedCentral

15.

Shaukat, F., Raja, G., Frangi, A.F.: Computer-aided detection of lung nodules: a review. J. Med. Imaging 6(02), 1 (2019). https://doi.org/10.1117/1.JMI.6.2.020901CrossRef

16.

Hofmanninger, J., Prayer, F., Pan, J., Röhrich, S., Prosch, H., Langs, G.: Automatic lung segmentation in routine imaging is primarily a data diversity problem, not a methodology problem. Eur. Radiol. Exp. 4(1), 1–13 (2020). https://doi.org/10.1186/s41747-020-00173-2CrossRef

17.

Ronneberger, O., Fischer, P., Brox, T.: U-Net: convolutional networks for biomedical image segmentation. In: Navab, N., Hornegger, J., Wells, W.M., Frangi, A.F. (eds.) MICCAI 2015. LNCS, vol. 9351, pp. 234–241. Springer, Cham (2015). https://doi.org/10.1007/978-3-319-24574-4_28 CrossRef

18.

Van Griethuysen, J.J.M., et al.: Computational radiomics system to decode the radiographic phenotype. Cancer Res. 77(21), e104–e107 (2017). https://doi.org/10.1158/0008-5472.CAN-17-0339CrossRefPubMedPubMedCentral

19.

Zwanenburg, A., et al.: The image biomarker standardization initiative: Standardized quantitative radiomics for high-throughput image-based phenotyping. Radiology 295(2), 328–338 (2020). https://doi.org/10.1148/radiol.2020191145CrossRefPubMed

Titel: Radiomic-Based Lung Nodule Classification in Low-Dose Computed Tomography
verfasst von: Wojciech Prazuch
Malgorzata Jelitto-Gorska
Agata Durawa
Katarzyna Dziadziuszko
Joanna Polanska
Verlag: Springer International Publishing
Buch: Bioinformatics and Biomedical Engineering
Print ISBN: 978-3-031-07703-6

Electronic ISBN: 978-3-031-07704-3

Copyright-Jahr: 2022
DOI: https://doi.org/10.1007/978-3-031-07704-3_29

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

Premium Partner