Pattern Recognition of Inflammatory Sacroiliitis in Magnetic Resonance Imaging

Faleiros, Matheus Calil; Ferreira, José Raniery; Jens, Eddy Zavala; Dalto, Vitor Faeda; Nogueira-Barbosa, Marcello Henrique; Azevedo-Marques, Paulo Mazzoncini de

doi:10.1007/978-3-319-68195-5_69

Cited by 6 publications

(4 citation statements)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Sacroiliitis is visually assessed on CT scans using gray scale descriptors, texture descriptors, which are effective prior features for mitigating the risk of over-fitting. As a result, radiomics has been applied extensively in the diagnosis of sacroiliitis (Faleiros 2018, Castro-Zunti et al 2020, Tenório et al 2020, Kepp et al 2021, Ye et al 2022. Ye et al (2022) improved the diagnostic accuracy from 74% to 78% using a model that combined the features of radiomics and clinical practice.…”

Section: And Radiomics Methodsmentioning

confidence: 99%

“…Therefore, FDA is used to identify the characteristics of sacroiliitis or other types of arthritis, including joint smoothness, integrity, and osteosclerosis lesions. Faleiros (2018) used the open-source Java Library ImageJ to conduct a fast Fourier transform on MRI SIJ images and extracted 39 features from the spectrum. These features, in combination with machine learning methods, were utilized for diagnosing sacroiliitis.…”

Section: Frequency Domain Analysismentioning

confidence: 99%

See 1 more Smart Citation

Sacroiliitis diagnosis based on interpretable features and multi-task learning

Liu,

Zhang,

Zhang

et al. 2024

Phys. Med. Biol.

View full text Add to dashboard Cite

Objective. Sacroiliitis is an early pathological manifestation of ankylosing spondylitis (AS), and a positive sacroiliitis test on imaging may help clinical practitioners diagnose AS early. Deep learning based automatic diagnosis algorithms can deliver grading findings for sacroiliitis, however, it requires a large amount of data with precise labels to train the model and lacks grading features visualization. In this paper, we aimed to propose a radiomics and deep learning based deep feature visualization positive diagnosis algorithm for sacroiliitis on CT scans. Visualization of grading features can enhance clinical interpretability with visual grading features, which assist doctors in diagnosis and treatment more effectively.Approach. The region of interest (ROI) is identified by segmenting the sacroiliac joint (SIJ) 3D CT images using a combination of the U-net model and certain statistical approaches. Then, in addition to extracting spatial and frequency domain features from ROI according to the radiographic manifestations of sacroiliitis, the radiomics features have also been integrated into the proposed encoder module to obtain a powerful encoder and extract features effectively. Finally, a multi-task learning technique and five-class labels are utilized to help with performing positive tests to reduce discrepancies in the evaluation of several radiologists.Main results. On our private dataset, proposed methods have obtained an accuracy rate of 87.3$\%$, which is 9.8$\%$ higher than the baseline and consistent with assessments made by qualified medical professionals.Significance. The results of the ablation experiment and interpreting analysis demonstrated that the proposed methods are applied in automatic CT scan sacroiliitis diagnosis due to their excellently interpretable and portable advantages.

show abstract

Section: And Radiomics Methodsmentioning

confidence: 99%

Section: Frequency Domain Analysismentioning

confidence: 99%

Sacroiliitis diagnosis based on interpretable features and multi-task learning

Liu,

Zhang,

Zhang

et al. 2024

Phys. Med. Biol.

View full text Add to dashboard Cite

show abstract

“…Este algoritmo primeiro converte as marcações originais do DICOM-RT no sistema de coordenadas do paciente (Anexo F, tag (3006,0050)) para o sistema de coordenadas da imagem (Figura 46), de acordo com a Equação 5.1, para depois segmentar a imagem de TC e, por fim, realizar a extração dos atributos. Características quantitativas de transformada de Fourier (14), wavelet de Haar (16) e estimativa da dimensão fractal (2) foram computadas em imagens segmentadas e redimensionadas para valores potência de 2 para aplicar a transformada rápida de Fourier e a transformada de Haar e obter o espectro das imagens por meio da API (do Inglês application programming interface) da ferramenta ImageJ v1.50i (FALEIROS et al, 2017;SCHNEIDER;RASBAND;ELICEIRI, 2012).…”

Section: Extração De Atributosunclassified

Arcabouço para Classificação, Recuperação por Conteúdo e Radiômica de Imagens Médicas: uma investigação de biomarcadores quantitativos para o câncer de pulmão

Ferreira¹,

Santos²,

Azevedo-Marques³

View full text Add to dashboard Cite

Arcabouço para Classificação, Recuperação por Conteúdo e Radiômica de Imagens Médicas: uma investigação de biomarcadores quantitativos para o câncer de pulmão São Carlos 2019 1. Câncer de pulmão. 2. Radiômica. 3. Reconhecimento de padrões. 4. Classificação de imagens médicas. 5. Recuperação de imagens baseada em conteúdo. 6. Análise de imagens médicas. I. Título. Eduardo Graziosi Silva -CRB -8/8907 Aos meus pais, Raniery e Magal, pelo amor e pela educação que sempre me deram. À minha esposa, Priscilla, por sua "paxão" e compreensão em todos os momentos. AGRADECIMENTOS À toda a minha família, em especial, meus irmãos, Bruno e Lígia, meus sogros, Junior e Wirlene, e meus cunhados, Anderson e Deysi, pelo apoio dado durante todo o caminho de pós-graduação percorrido. Aos meus orientadores, Paulo, Marcel e Yoshida, pelas oportunidades dadas, pelos ensinamentos e, principalmente, pela paciência. Aos doutores Marcello, Tinós, Alexandre e Federico por todas as valiosas contribuições dadas durante meu período na USP. Aos amigos do LaTIM/UFAL, Marcelo, Lucas, Ailton e Tércio, pelas sugestões e discussões sempre produtivas para a pesquisa. Aos amigos do CCIFMpelos bons momentos de convivência e todo o suporte dado para o desenvolvimento do trabalho. Aos amigos do MGH, Yasuka, Toru e Janne, por todo o auxílio prestado durante meu estágio no exterior de doutorado sanduíche. Ao pessoal da Bioengenharia, Profa Ana Plepis, Marcia e Janete, pela ajuda nos processos burocráticos desde a seleção do doutorado até o depósito da tese. Aos amigos de SP que fiz ou reencontrei, Diógenes, Felipe, Amanda, Samara, Karina, Juninho, Inaê, Danilo e D. Miralda, pela amizade, incentivo e bons momentos compartilhados. Às instituições e programas CAPES (Código de Financiamento 001), USP, PAE, PDSE (processo nº 88881.134004/2016-01), AUCANI, PROAP e FAPESP (processo nº 2016/17078-0), pelas bolsas e apoios financeiros durante todo o curso e pesquisa. E a todos aqueles que me ajudaram direta ou indiretamente, torceram por mim e acreditaram no meu trabalho. "No meio da dificuldade encontra-se a oportunidade." Albert Einstein Palavras-chave: Câncer de pulmão. Radiômica. Reconhecimento de padrões. Classificação de imagens médicas. Recuperação de imagens baseada em conteúdo. Análise de imagens médicas. ABSTRACT FERREIRA JUNIOR, J.R. Framework for Classification, Content-Based Retrieval, and Radiomics of Medical Images: an investigation of quantitative biomarkers for lung cancer. 2019. 183p. Tese (Doutorado) -Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos, 2019.Systems of computer-aided diagnosis (CAD), content-based image retrieval (CBIR), and radiomics have been developed to increase diagnostic accuracy, medical image interpretation consistency, patient prognostic assessment, and therapy decision support. Those tools have great potential to recognize objectively and precisely patterns in images, despite still having several limitations. This work aimed to decrease the feature gap, which refers to inefficient numeric representa...

show abstract

“…Descrição dos dados clínicos dos pacientes utilizados nesse trabalho. etiologia da doença era outra e, portanto, foram classificados como negativo para espondiloartrite (EpA-).As regiões contendo as articulações foram inseridas em um fundo preto e transformadas geometricamente por um processo denominado warping (Figura 5.c), a fim de expandir as ROIs e reduzir possíveis ruídos de alta frequência(FALEIROS et al, 2017). Representação de uma imagem digital de RM por meio de uma matriz de níveis Lista dos biomarcadores radiômicos extraídos de cada exame de RM das articulações sacroilíacas direita e esquerda.…”

unclassified

Radiômica de imagens de ressonância magnética de articulações sacroilíacas: um estudo para a identificação de biomarcadores quantitativos para sacroiliíte e espondiloartrite

Tenorio¹

View full text Add to dashboard Cite

Agradeço à minha família, meus tios, meus primos, mas em especial, ao meu irmão, Anderson, e minha cunhada, Deysi, por entenderem minha ausência, pelo apoio incondicional e por serem exemplos na minha formação. Agradeço aos meus irmãos adotivos, Lígia e Bruninho, e minha comadre, Dafne, pela parceria e momentos de descontração compartilhados. Ao meu sogro, Raniery e, em especial, minha sogra, Magal, pelos conselhos e incentivos prestados durante toda a minha trajetória. Às minhas sobrinhas, Emily e Florinha, que me motivam a ser uma pessoa melhor e por diminuírem o peso de dias árduos pela leveza de suas presenças. Ao meu orientador, Professor Paulo, por acreditar no meu potencial e me inserir em sua equipe de pesquisa. Gratidão pela oportunidade. Ao professor Marcello e aos doutores Luppino e Vitor, pelo suporte e contribuição para elaboração desse trabalho. Aos colegas do CCIFM, Matheus, Hilton, Natália e Rodolfo pelos bons momentos compartilhados e contribuição para melhoria do trabalho.

show abstract

Pattern Recognition of Inflammatory Sacroiliitis in Magnetic Resonance Imaging

Cited by 6 publications

References 10 publications

Sacroiliitis diagnosis based on interpretable features and multi-task learning

Sacroiliitis diagnosis based on interpretable features and multi-task learning

Arcabouço para Classificação, Recuperação por Conteúdo e Radiômica de Imagens Médicas: uma investigação de biomarcadores quantitativos para o câncer de pulmão

Radiômica de imagens de ressonância magnética de articulações sacroilíacas: um estudo para a identificação de biomarcadores quantitativos para sacroiliíte e espondiloartrite

Contact Info

Product

Resources

About