Комбинированная автоматизированная система сегментации и обнаружения новообразований для диагностики рака легкого

Мелдо Анна Александровна
к.м.н., ГБУЗ «Санкт-Петербургский клинический научно-практический центр специализированных видов медицинской помощи (онкологический)», заведующий отделением лучевой диагностики, врач-рентгенолог, 197758, Санкт-Петербург, п. Песочный, Ленинградская ул., д. 68А, Санкт-Петербургский политехнический университет Петра Великого, лаборатория нейросетевых технологий и искусственного интеллекта, с.н.с., 195251, Санкт-Петербург, Политехническая ул., д. 29, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Уткин Лев Владимирович ^*
д.т.н., Санкт-Петербургский политехнический университет Петра Великого, лаборатория нейросетевых технологий и искусственного интеллекта, заведующий лабораторией, заведующий кафедрой «Телематика (при ЦНИИ РТК)», 195251, Санкт-Петербург, Политехническая ул., д. 29, ORCID: 0000-0002-5637-1420, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Рябинин Михаил Андреевич
Санкт-Петербургский политехнический университет Петра Великого, лаборатория нейросетевых технологий и искусственного интеллекта, инженер, аспирант кафедры «Телематика (при ЦНИИ РТК)», 195251, Санкт-Петербург, Политехническая ул., д. 29, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Материал поступил в редакцию 24 апреля 2019 года.

Аннотация
Рассматривается задача автоматизации и интеллектуализации диагностического исследования рака легкого на основе снимков компьютерной томографии. Рак легкого во многих странах является наиболее распространенным онкологическим заболеванием и его обнаружение на ранней стадии позволяет существенно повысить шанс выживаемости пациента. Использование автоматизированных систем диагностики частично решает проблему диагностики на ранней стадии. Предлагается новая архитектура части автоматизированной системы, целью которой является сегментация и обнаружение новообразований в легких и минимизация пропусков, что определяет показатель чувствительности системы. Ее особенность заключается в том, что наряду с алгоритмами глубокого обучения, основанными на использовании глубоких нейронных сетей (2D U-Net и 3D U-Net), параллельно используются традиционные алгоритмы обработки изображений компьютерной томографии, что повышает способность системы обнаруживать новообразования. Система представляет собой трехканальную систему обработки информации, где каждый канал – процедура обнаружения новообразований. Процесс обучения системы основан на использовании открытой размеченной базы данных снимков компьютерной томографии пациентов LUNA16 и новой базы данных, содержащей атипичные случаи рака легкого LIRA. Рассмотрены вопросы предварительной обработки информации и сегментации легкого. Предлагается архитектура глубоких нейронных сетей, наиболее подходящая для обнаружения новообразований. Выходом системы являются сегментированные новообразования нового пациента.

Ключевые слова
Глубокая нейронная сеть, обработка изображения, сегментация изображения, рак легкого, искусственный интеллект, компьютерная томография.

Благодарности
Исследование выполнено за счет гранта Российского научного фонда (проект № 18-11-00078).

DOI
https://doi.org/10.31776/RTCJ.7209

Индекс УДК 

004.896

Библиографическое описание 
Мелдо А.А. Комбинированная автоматизированная система сегментации и обнаружения новообразований для диагностики рака легкого / А.А. Мелдо, Л.В. Уткин, М.А. Рябинин // Робототехника и техническая кибернетика. – Т. 7. - №2. – Санкт-Петербург : ЦНИИ РТК. – 2019. – С. 145-153. – Текст : непосредственный.

Литература

1. Siegel R.L. Cancer statistics / R.L. Siegel, K.D. Miller, and A. Jemal. – Text : unmediated. – 2018. CA Cancer J. Clin. – Vol. 68(1). – Pp. 7-30, 2018.
2. 3D multi-view convolutional neural networks for lung nodule classification / G. Kang [et al.]. – Text : unmediated. – PLoS ONE, Vol. 12(11): e0188290, 2017.
3. Choi W.J. Automated pulmonary nodule detection based on three-dimensional shape-based feature descriptor / W.J. Choi and T.S. Choi. – Text : unmediated // Computer Methods and Programs in Biomedicine. – Vol. – Pp. 113:37-54, 2014.
4. Fully automatic detection of lung nodules in CT images using a hybrid feature set. Medical Physics / F. Shaukat [et al.]. – Text : unmediated. – Vol. 44(7). – Pp. 3615-3629, Jul 2017.
5. Automatic nodule detection for lung cancer in CT images: A review / GuobinZhang [et al]. – Text : unmediated // Computers in Biology and Medicine. – Vol. 103. – Pp. 287-300. – 2018.
6. Zhang J. Pulmonary nodule detection in medical images: A survey / Junjie Zhang, Yong Xia, Yanning Zhang. – Text : unmediated // Biomedical Signal Processing and Control. – Vol. 43. – Pp. 138-147. – 2018.
7. A survey on deep learning in medical image analysis / GeertLitjens [et al]. – Text : unmediated // Medical Image Analysis. – Vol. 42. – Pp. 60-88. – 2017.
8. Validation, comparison, and combination of algorithms for automatic detection of pulmonary nodules in computed tomography images: the LUNA16 challenge / Arnaud Arindra Adiyoso Setio [et al]. – Text : unmediated // arXiv:1612.08012v4. – Jul 2017.
9. 3D U-Net: Learning dense volumetric segmentation from sparse annotation / Özgün Çiçek [et al]. – Text : unmediated // Medical Image Computing and Computer-Assisted Intervention. – MICCAI 2016. – Vol. 9901 of Lecture Notes in Computer Science. – Pp. 424-432, Cham, 2016. – Springer.
10. Ronneberger O. U-Net: Convolutional Networks for biomedical image segmentation / Olaf Ronneberger, Philipp Fischer, Thomas Brox . – Text : unmediated // arXiv:1505.04597v1, May 2015.
11. The lung image database consortium (LIDC) and image database resource initiative (IDRI): a completed reference database of lung nodules on CT scans / Armato III S.G. [et al]. – Text : unmediated // Medical Physics. – Vol. 38(2). – Pp. 915-931, 2011.
12. База данных компьютерных томограмм грудной клетки с выделенными и маркированными областями патологии легких – LIRA (Lung Image Resource Annotated) / Л.В. Уткин [и др.]. – Текст : непосредственный // Свидетельство о государственной регистрации базы данных № 2019620232. Дата гос. регистрации 07.02.2019.
13. Computer-aided detection system for lung cancer in computed tomography scans: review and future prospects / M. Firmino [et al]. – Text : unmediated // BioMedical Engineering OnLine. – Vol. 13(1). – Pp. 41, 2014.
14. Ozdemir O. A 3D probabilistic deep learning system for detection and diagnosis of lung cancer using low-dose CT scans / O. Ozdemir, R.L. Russell, A.A. Berlin. – Text : unmediated // arXiv:1902.03233v1, Feb 2019.
15. Computer-aided detection (CADe) and diagnosis (CADx) system for lung cancer with likelihood of malignancy / M. Firmino [et al]. – Text : unmediated // BioMedical Engineering OnLine. – Vol. 15(1). – Pp. 1-17, 2016.
16. The design of simple ITK / B.C. Lowekamp [et al]. – Text : unmediated // Frontiers in Neuroinformatics. – Vol. 7(45). – Pp. 1- 14, 2013.
17. Lehmann G. Label object representation and manipulation with ITK / G. Lehmann. – Text : unmediated // The Insight Journal. – Pp. 1-34, 2008.
18. Teramoto A. Fast lung nodule detection in chest CT images using cylindrical nodule-enhancement Filter / A. Teramoto, H. Fujita. – Text : unmediated // International Journal of Computer Assisted Radiology and Surgery. – Vol. 8. – Pp. 193-205, 2013.

Полный текст статьи (pdf)