Lung nodules diagnosis based on evolutionary convolutional neural network

Silva, Giovanni L.; Neto, Otilio Paulo Silva; Silva, Aristófanes Corrêa; Paiva, Anselmo Cardoso de; Gattass, Marcelo

doi:10.1007/s11042-017-4480-9

Cited by 73 publications

(38 citation statements)

References 25 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In recent years, motivated by the creditable performance of neural network in the fields of computer vision, applying the deep learning technique in medical image has become a main trend that shows promising results. Consequently, various CAD systems based on neural network have been proposed to implement the classification of lung nodules [7][8][9][10][11][12][13][14][15]. Compared to traditional CAD systems, neural network based systems can automatically extract high-level features from the original images by using different network structures.…”

Section: Introductionmentioning

confidence: 99%

Synthetic Medical Images Using F&BGAN for Improved Lung Nodules Classification by Multi-Scale VGG16

Zhao

Zhu

et al. 2018

Symmetry

View full text Add to dashboard Cite

Lung cancer is one of the highest causes of cancer-related death in both men and women. Therefore, various diagnostic methods for lung nodules classification have been proposed to implement the early detection. Due to the limited amount and diversity of samples, these methods encounter some bottlenecks. In this paper, we intend to develop a method to enlarge the dataset and enhance the performance of pulmonary nodules classification. We propose a data augmentation method based on generative adversarial network (GAN), called Forward and Backward GAN (F&BGAN), which can generate high-quality synthetic medical images. F&BGAN has two stages, Forward GAN (FGAN) generates diverse images, and Backward GAN (BGAN) is used to improve the quality of images. Besides, a hierarchical learning framework, multi-scale VGG16 (M-VGG16) network, is proposed to extract discriminative features from alternating stacked layers. The methodology was evaluated on the Lung Image Database Consortium and Image Database Resource Initiative (LIDC-IDRI) dataset, with the best accuracy of 95.24%, sensitivity of 98.67%, specificity of 92.47% and area under ROC curve (AUROC) of 0.980. Experimental results demonstrate the feasibility of F&BGAN in generating medical images and the effectiveness of M-VGG16 in classifying malignant and benign nodules.

show abstract

Section: Introductionmentioning

confidence: 99%

Synthetic Medical Images Using F&BGAN for Improved Lung Nodules Classification by Multi-Scale VGG16

Zhao

Zhu

et al. 2018

Symmetry

View full text Add to dashboard Cite

show abstract

“…Whereas in [13], lung nodules are classified through the development of Multi-view convolutional neural networks (MV-CNN).The authors achieved higher classification result to differentiate benign and malignant lung nodules. In [14], the authors used a different approach by combing the genetic algorithm with deep learning to classify lung nodules without computing the shape of nodules. The presented methodology was tested on LIDC-IDRI dataset and showed the best sensitivity of 94.66%, specificity of 95.14%, an accuracy of 94.78% and area under the AUC of 0.949.…”

Section: Introductionmentioning

confidence: 99%

Lung-Deep: A Computerized Tool for Detection of Lung Nodule Patterns using Deep Learning Algorithms Detection of Lung Nodules Patterns

Abbas¹

2017

ijacsa

View full text Add to dashboard Cite

Abstract-The detection of lung-related disease for radiologists is a tedious and time-consuming task. For this reason, automatic computer-aided diagnosis (CADs) systems were developed by using digital CT scan images of lungs. The detection of lung nodule patterns is an important step for the automatic development of CAD system. Currently, the patterns of lung nodule are detected through domain-expert knowledge of image processing and accuracy is also not up-to-the-mark. Therefore, a computerized CADs tool is presented in this paper to identify six different patterns of lung nodules based on multilayer deep learning ( known as Lung-Deep) algorithms compare to state-of-the-art systems without using the technical image processing methods. A multilayer combination of the convolutional neural network (CNN), recurrent neural networks (RNNs) and softmax linear classifiers are integrated to develop the Lung-Deep without doing any pre-or post-processing steps. The Lung-Deep system is tested with manually draw radiologist contours on the 1200 images including 3250 nodules by using statistical measures. On this dataset, the higher sensitivity (SE) of 88%, specificity (SP) of 80% and 0.98 of the area under the receiver operating curve (AUC) of 0.98 are obtained compared to other systems. Hence, this proposed lung-deep system is outperformed by integrating different layers of deep learning algorithms to detect six patterns of nodules.

show abstract

“…O Capítulo 2 apresenta todas estas terminologias com mais detalhes e as descrições de alguns desses métodos. Vários esquemas CAD basearam-se em aprendizado profundo para a classificação benigno vs. maligno de nódulos pulmonares (SHEN et al, 2019;HUSSEIN et al, 2019;NÓBREGA et al, 2018;ZHAO et al, 2018;PAUL et al, 2018;SUN;ZHENG;QIAN, 2017;TAJBAKHSH;SUZUKI, 2017;SILVA et al, 2017;NIBALI;HE;WOLLERSHEIM, 2017;SHEN et al, 2017;SONG et al, 2017a;HUSSEIN et al, 2017).…”

Section: Estado Da Arteunclassified

“…As imagens utilizadas nesta etapa do trabalho foram de TC de tórax no padrão DICOM provenientes do repositório público LIDC (do Inglês Lung Image Database Consortium, Image Database Resource Initiative), pertencente ao The Cancer Imaging Archive do National Cancer Institute, National Institutes of Health dos Estados Unidos (ARMATO III et al, 2011). O LIDC é uma base de dados referência para a comunidade de pesquisa em engenharia e informática de imagens médicas, tendo sido utilizada em diversos trabalhos (KAYA, 2018;DHARA et al, 2017a;CAO et al, 2017;SILVA et al, 2017;NIBALI;HE;WOLLERSHEIM, 2017;LUCENA et al, 2016). Atualmente, ela é composta por 1.018 exames de TC com 244.527 imagens de 1.010 pacientes (ARMATO III et al, 2018).…”

Section: Conjunto E Segmentação De Imagensunclassified

“…O LIDC é um repositório de imagens médicas referência para a comunidade científica em engenharia e informática biomédica (KAYA, 2018;DHARA et al, 2017a;CAO et al, 2017;SILVA et al, 2017;NIBALI;HE;WOLLERSHEIM, 2017;LUCENA et al, 2016). Contudo, ele não está organizado em um banco de dados estruturado (Seção 3.2.1) (ARMATO III et al, 2018;ARMATO III et al, 2011).…”

Section: Apêndice a -Esquema De Banco De Dados Não-relacional Para O unclassified

See 1 more Smart Citation

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

Lung nodules diagnosis based on evolutionary convolutional neural network

Cited by 73 publications

References 25 publications

Synthetic Medical Images Using F&BGAN for Improved Lung Nodules Classification by Multi-Scale VGG16

Synthetic Medical Images Using F&BGAN for Improved Lung Nodules Classification by Multi-Scale VGG16

Lung-Deep: A Computerized Tool for Detection of Lung Nodule Patterns using Deep Learning Algorithms Detection of Lung Nodules Patterns

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

Contact Info

Product

Resources

About