Виявлення вузликів легкого на цифрових медичних зображеннях

Автор(и)

  • Є. Путятін Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0003-3640-6523
  • П. Оробінський Харківський національний університет радіоелектроніки, Україна
  • В. Ляшенко Харківський національний університет радіоелектроніки, Україна

DOI:

https://doi.org/10.30837/bi.2018.2(91).07

Ключові слова:

ВУЗЛИКИ ЛЕГКОГО, ЦИФРОВЕ ЗОБРАЖЕННЯ, ЕНЕРГЕТИЧНИЙ РІВЕНЬ, НЕЙРОННА МЕРЕЖА, КОМП’ЮТЕРНА ТОМОГРАФІЯ, ОЧАГ УРАЖЕННЯ

Анотація

Дана робота представляє дослідження, в якому розглядаються питання цифрової обробки та аналізу медичних зображень. В якості медичних зображень розглянуті зображення легкого людини, які отримані за допомогою комп'ютерної томографії. Запропоновано процедуру виявлення вузликів легкого. Це допомагає проведенню діагностики захворювання раку легенів. Показана працездатність й ефективність запропонованої процедури.

Біографії авторів

Є. Путятін , Харківський національний університет радіоелектроніки

Завідувач кафедри інформатики, заступник голови спеціалізованої вченої ради, член НТР, доктор технічних наук, професор

П. Оробінський , Харківський національний університет радіоелектроніки

Харківський національний університет радіоелектроніки

В. Ляшенко , Харківський національний університет радіоелектроніки

Харківський національний університет радіоелектроніки

Посилання

Lyashenko V., Matarneh R., Kobylin O., Putyatin Y. Contour detection and allocation for cytological images using wavelet analysis methodology // International Journal of Advance Research in Computer Science and Management Studies. – 2016. – № 4(1). – P. 85-94.

Lyashenko V., Babker A., Lyubchenko V. Wavelet Analysis of Cytological Preparations Image in Different Color Systems // Open Access Library Journal. – 2017. – № 4(7). – P. 1-9.

Schlüter S. et al. Image processing of multiphase images obtained via X‐ray microtomography: a review // Water Resources Research. – 2014. – № 50(4). – P. 3615-3639.

Eklund A. et al. Medical image processing on the GPU–Past, present and future // Medical image analysis. – 2013. – № 17(8). – P. 1073-1094.

Wang Z. et al. Improved lung nodule diagnosis accuracy using lung CT images with uncertain class // Computer methods and programs in biomedicine. – 2018. – № 162. – Р. 197-209.

Valente I. R. S. et al. Automatic 3D pulmonary nodule detection in CT images: a survey // Computer methods and programs in biomedicine. – 2016. – № 124. – Р. 91-107.

Auffermann W. F., Little B. P., Tridandapani S. Teaching search patterns to medical trainees in an educational laboratory to improve perception of pulmonary nodules // Journal of Medical Imaging. – 2015. – № 3(1). – Р. 011006.

Parmar C. et al. Data analysis strategies in medical imaging // Clinical Cancer Research. – 2018. – № 24(15). – С. 3492-3499.

Arulmurugan R., Anandakumar H. Early Detection of Lung Cancer Using Wavelet Feature Descriptor and Feed Forward Back Propagation Neural Networks Classifier // Computational Vision and Bio Inspired Computing. – Springer, Cham, 2018. – Р. 103-110.

Dobbins III J. T. et al. Multi-institutional evaluation of digital tomosynthesis, dual-energy radiography, and conventional chest radiography for the detection and management of pulmonary nodules // Radiology. – 2016. – № 282(1). – Р. 236-250.

Al Mohammad B., Brennan P. C., Mello-Thoms C. A review of lung cancer screening and the role of computer-aided detection // Clinical radiology. – 2017. – № 72(6). – Р. 433-442.

Lee J. G. et al. Deep learning in medical imaging: general overview // Korean journal of radiology. – 2017. – № 18(4). – Р. 570-584.

Suzuki K. Overview of deep learning in medical imaging //Radiological physics and technology. – 2017. – № 10(3). – Р. 257-273.

You X. et al. CT diagnosis and differentiation of benign and malignant varieties of solitary fibrous tumor of the pleura // Medicine. – 2017. – № 96(49). – е9058.

Dhara A. K. et al. A segmentation framework of pulmonary nodules in lung CT images // Journal of Digital Imaging. – 2015. – № 29(1). – Р. 148-148.

Krizhevsky A., Sutskever I., Hinton G. E. Imagenet classification with deep convolutional neural networks // Advances in neural information processing systems. – 2012. – P. 1097-1105.

Jung K. H., Park H., Hwang W. Deep Learning for Medical Image Analysis: Applications to Computed Tomography and Magnetic Resonance Imaging // Hanyang Medical Reviews. – 2017. – № 37(2). – Р. 61-70.

Lakshmanaprabu S. K. et al. Optimal deep learning model for classification of lung cancer on CT images //Future Generation Computer Systems. – 2019. – № 92. – Р. 374-382.

##submission.downloads##

Опубліковано

2018-12-26