Lung Nodule Detection in X-Ray Images: A New Feature Set

Oğul, Burçin Buket; Koşucu, Polat; Özçam, Ahmet; Kanik, Sümeyra Demir

doi:10.1007/978-3-319-11128-5_38

Cited by 9 publications

(8 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Bu çalışmada akciğer bölütleme, önişlem ve nodül aday tespiti gibi ara adımlarda Oğul vd. 2015 [4] tarafından önerilen yöntemler kullanılmıştır.…”

Section: A Nodül Tespit Altyapısıunclassified

“…Model öğrenme sırasında kullanılan görüntü öznitelikleri Ogul vd. 2015 çalışmasındaki ile aynıdır [4]. Buna göre aday nodülün konumunu gösteren pozisyon öznitelikleri, bulunduğu dikdörtgen çerçeve içerisindeki desen özellikleri, renk yoğunluk öznitelikleri, Gaussian filterbank öznitelikleri, entropi dâhil olmak üzere gradyan öznitelikleri ve iyileştirilmiş görüntünün Heissian matrisinden elde edilen tespit özniteliklerinde oluşan yaklaşık 300 adet öznitelik kullanılmıştır.…”

Section: Sınıflandırma Modeliunclassified

“…Önerilen bağlam-duyarlı model öğrenme yaklaşımının performansını değerlendirmek amacıyla var olan bir BDT sistemi [4] Yapılan çalışma, BDT sistemlerinde girdi görüntüleri üzerinde farklı anatomik yapıların önceden bölütlenmesinin gerekliliği yanında, bu bölütlemenin sınıflandırma modelinin öğrenilmesi aşamasında nasıl kullanılacağının da önemli olduğunu göstermektedir. Sonuçlar değerlendirildiğinde, önerilen bağlam-duyarlı modelin bölüt bilgisinin öznitelik olarak kullanılması veya bölütleme sonrası anatomik olarak anlamlı önişlemlerin uygulanması şeklindeki yaklaşımlara göre daha başarılı sonuç verdiği gözlenmektedir.…”

Section: Deneysel Sonuçlarunclassified

“…Nodül tespit algoritmaları için yapılan çalışmalar incelendiğinde en yaygın yaklaşım, bazı önişlem adımlarından sonra gözetimsiz (unsupervised) kural tabanlı yöntemlerle nodül adaylarının tespiti ve bu aday bölgelerden çıkarılan görüntü tabanlı öznitelikler ile gözetimli (supervised) sınıflandırma yapılmasıdır [1][2][3][4]. Böyle bir sınıflandırma yaklaşımı önceden etiketlenmiş bölgeler kullanılarak ayırt edici bir modelin öğrenilmesine dayanır.…”

Section: Introductionunclassified

See 3 more Smart Citations

Context-sensitive model learning for lung nodule detection

Oğul¹,

Ogul

Sümer

2016

2016 24th Signal Processing and Communication Application Conference (SIU)

View full text Add to dashboard Cite

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.

show abstract

“…Bu çalışmada akciğer bölütleme, önişlem ve nodül aday tespiti gibi ara adımlarda Oğul vd. 2015 [4] tarafından önerilen yöntemler kullanılmıştır.…”

Section: A Nodül Tespit Altyapısıunclassified

Section: Sınıflandırma Modeliunclassified

Section: Deneysel Sonuçlarunclassified

Section: Introductionunclassified

See 2 more Smart Citations

Context-sensitive model learning for lung nodule detection

Oğul¹,

Ogul

Sümer

2016

2016 24th Signal Processing and Communication Application Conference (SIU)

View full text Add to dashboard Cite

show abstract

“…Accurate and robust lesion detection is a key component of an automated medical diagnosis system [1], [2], [3], [4], [5], [6], [7], [8]. Notable achievements in deep learning have benefited several research trials in medical image analysis, [9], [10], [11], [12], [13], [14], [15], [16] and the most recent major lesion detection algorithms are based on convolutional neural networks. In particular, semantic segmentation methods such as U-Net [17] allow for precise lesion detection with respect to intensity and shape variations.…”

Section: Introductionmentioning

confidence: 99%

X-ray Image Segmentation using Multi-task Learning

Park¹,

Jeong²,

Moon³

2020

KSII TIIS

View full text Add to dashboard Cite

The chest X-rays are a common way to diagnose lung cancer or pneumonia. In particular, the finding of a lung nodule is the most important problem in the early detection of lung cancer. Recently, a lot of automatic diagnosis algorithms have been studied to find the lung nodules missed by doctors. The algorithms are typically based on segmentation network like U-Net. However, the occurrence of false positives that similar to lung nodules present outside the lungs can severely degrade performance. In this study, we propose a multi-task learning method that simultaneously learns the lung region and nodule-labeled data based on the prior knowledge that lung nodules exist only in the lung. The proposed method significantly reduces false positives outside the lung and improves the recognition rate of lung nodules to 83.8 F1 score compared to 66.6 F1 score of single task learning with U-net model. The experimental results on the JSRT public dataset demonstrate the effectiveness of the proposed method compared with other baseline methods.

show abstract

You’ve Got Two Teachers: Co-evolutionary Image and Report Distillation for Semi-supervised Anatomical Abnormality Detection in Chest X-Ray

Sun,

Wei,

et al. 2023

Lecture Notes in Computer Science

View full text Add to dashboard Cite

Lung Nodule Detection in X-Ray Images: A New Feature Set

Cited by 9 publications

References 7 publications

Context-sensitive model learning for lung nodule detection

Context-sensitive model learning for lung nodule detection

X-ray Image Segmentation using Multi-task Learning

You’ve Got Two Teachers: Co-evolutionary Image and Report Distillation for Semi-supervised Anatomical Abnormality Detection in Chest X-Ray

Contact Info

Product

Resources

About