Context-sensitive model learning for lung nodule detection

Abstract

Özetçe -Akciğer radyografilerinde nodül tespiti Bilgisayar Destekli Tanı (BDT) sistemlerinin temel bileşenlerinden biridir. Problem çoğunlukla x-ray görüntüsü üzerinde bulunan aday bölgelerinin gözetimli yöntemlerle sınıflandırılması şeklinde ele alınmıştır. Bu amaçla önceden belirlenmiş öznitelikler kullanılarak ayırt edici bir model öğrenilir. Bu modellerin temel problemi, grafilerde normal akciğer organ dokusu yanında pek çok diğer anatomik bölgelerin de görüntülenmesi ve bu bölgelerin organ dokusu ile üst üste binmesidir. Bu çakışma, çıkarılan özniteliklerin ayırt ediciliğini azaltmakta ve farklı anatomik bölgelerin çakıştığı noktalarda yanlış pozitiflerin raporlanmasına neden olmaktadır. Bu çalışmada, yanlış pozitiflerin en önemli nedeni olan kemik bölgelerinin bir ön işlem olarak bölütlenmesi sonrasında, kemik ve normal doku bölgeleri için farklı modeller öğrenilmesi önerilmektedir. Böylece kemik bölgesi ve normal doku bölgesinde bulunan nodül adayları bağlam-duyarlı olarak değerlendirilmektedir. Bilinen bir kıyaslama veri kümesi üzerinde yapılan testler önerilen yaklaşımın duyarlılığı azaltmadan yanlış pozitifleri önemli ölçüde azalttığını açıkça göstermiştir. Anahtar Kelimeler -Bilgisayar Destekli Tanı (BDT); Akciğer radiografisi; Akciğer kanseri; Kemik baskılama; Sınıflandırma. Abstract -Nodule detection in chest radiographs is a main component of current Computer Aided Diagnosis (CAD) systems. The problem is usually approached as a supervised classification task of candidate nodule segments.To this end, a discriminative model is learnt from predefined set of features. A key concern with this approach is the fact that some normal tissues are also imaged and these regions can overlap with the lung tissue as to hide the nodules. These overlaps may reduce the discriminative ability of extracted features and increase the number of false positives accordingly. In this study, we offer to learn distinct models for bone and normal tissue regions following to the segmentation of ribs, which are often the major reason for false positives. Thus, the nodule candidates in bone and normal tissue regions can be assessed in context-sensitive way. The experiments on a common benchmark set determine that the proposed approach can significantly recue the false positives while preserving the sensitivity of detections.