Using 3D Texture and Margin Sharpness Features on Classification of Small Pulmonary Nodules

Felix, Ailton; Oliveira, Marcelo Costa; Machado, Aydano Pamponet; Raniery, Jose

doi:10.1109/sibgrapi.2016.061

Cited by 20 publications

(28 citation statements)

References 27 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Next, is showed the comparison between our the best result using CNN with the results obtained by [Felix et al 2016], [Dilger et al 2015], and our results were better (see Table 5). How Anirudh et al [Anirudh et al 2016] evaluated their experiments using free receiver operating characteristic (FROC), a metric not applied in this work, we didn't compare our results with theirs.…”

Section: Results and Analysismentioning

confidence: 67%

“…Many works have been done aiming do classify lung nodules, but most focus on both large and small nodules, and few focus on small nodules. In this paper, we separated the works made by Felix et al [Felix et al 2016], Dilger et al [Dilger et al 2015] and Anirudh et al [Anirudh et al 2016].…”

Section: Related Workmentioning

confidence: 99%

“…Felix et al [Felix et al 2016] used selected features extracted from 274 small lung nodules of the Lung Image Database Consortium (LIDC) with a diameter between 3-10mm. The features extracted were Texture Features (TF) and Margin Sharpness Fea-tures (MSF) and they used the technique called Evolutionary Genetic Algorithm (EGA) to select the features on the integration of TF and MSF.…”

Section: Related Workmentioning

confidence: 99%

See 2 more Smart Citations

Using Deep Learning for Classification of Early Lung Nodules on Computed Tomography Images

Lima¹,

Oliveira²

2018

Anais Do Simpósio Brasileiro De Computação Aplicada À Saúde (SBCAS)

Self Cite

View full text Add to dashboard Cite

Lung cancer is the leading cause of cancer mortality, accounting for approximately 20% of all cancer-related deaths. Nevertheless, despite the development of new therapeutic agents and technologies, only 16% of lung cancer patients are diagnosed at early stages. Therefore, to diagnose in early stages, when the nodules are very small, is a complex task for specialists and presents some challenges. To assist the specialists, the main purpose of this work is to propose the use of Deep Learning to classify 25,200 small pulmonary nodules balanced with diameter 5-10mm. The result was of 0.992 (+/-0.001) of area under ROC curve using 10-fold cross validation. The proposed method showed to be promising to assist the specialists in classification of small lung nodules.

show abstract

Section: Results and Analysismentioning

confidence: 67%

Section: Related Workmentioning

confidence: 99%

Section: Related Workmentioning

confidence: 99%

See 1 more Smart Citation

Using Deep Learning for Classification of Early Lung Nodules on Computed Tomography Images

Lima¹,

Oliveira²

2018

Anais Do Simpósio Brasileiro De Computação Aplicada À Saúde (SBCAS)

Self Cite

View full text Add to dashboard Cite

show abstract

“…Os primeiros trabalhos para classificação automática de nódulos pulmonares consistiram na extração de descritores de imagem para posterior uso por classificadores como Support Vector Machine (SVM) [16], Random Forest (RF) [17] e Redes Neurais Artificiais (RNA) [18]. Com a difusão do uso de AP nosúltimos anos, esta família de técnicas foi rapidamente empregada na classificação de nódulos pulmonares, trazendo avanços significativos naárea [7], [19].…”

Section: Trabalhos Relacionadosunclassified

Pulmonary Nodule Classification with 3D Convolutional Neural Networks

Jatobá

Lima

Oliveira

2019

Anais Do XV Workshop De Visão Computacional (WVC 2019)

View full text Add to dashboard Cite

Lung cancer is a leading cause of death worldwide and its early detection is critical for patient survival. However, the diagnosis is still a challenging task, in which computeraided diagnosis (CADx) systems try to assist by providing a second opinion to a radiologist. In this work, we propose a 3D Convolutional Neural Network for classiﬁcation of solid pulmonary nodules into benign and malignant. We evaluated different approaches for the nodule volume assembling and tuned our models in an automated fashion. Our models achieved satisfactory results, with AUC of 0.89, accuracy of 81.37% and a sensibility of 84.83%. Moreover, our results have shown that the ﬁrst slices of a nodule provide the best results and only ﬁve nodule slices are enough for a 3D CNN achieve its best results.

show abstract

“…Diversos esquemas CAD para classificação de nódulos pulmonares malignos e benignos foram propostos pela literatura. Tradicionalmente, estes esquemas são compostos por métodos de segmentação de imagens de TC, extração de atributos quantitativos, seleção de características relevantes e classificadores de aprendizado de máquina (KAYA, 2018;GONG et al, 2018;OROOJI et al, 2018;CHOI et al, 2018;NISHIO;NAGASHIMA, 2017;ALILOU;OROOJI;MADABHUSHI, 2017;CARVALHO FILHO et al, 2017;FELIX et al, 2016;REEVES;XIE;JIRAPATNAKUL, 2016;DILGER et al, 2015;WU et al, 2013). Contudo, técnicas de aprendizado profundo (do Inglês deep learning) de máquina têm feito grandes avanços recentemente em problemas de reconhecimento de padrões (CHARTRAND et al, 2017;LITJENS et al, 2017;LECUN;BENGIO;HINTON, 2015).…”

Section: Estado Da Arteunclassified

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

Using 3D Texture and Margin Sharpness Features on Classification of Small Pulmonary Nodules

Cited by 20 publications

References 27 publications

Using Deep Learning for Classification of Early Lung Nodules on Computed Tomography Images

Using Deep Learning for Classification of Early Lung Nodules on Computed Tomography Images

Pulmonary Nodule Classification with 3D Convolutional Neural Networks

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