Detection of lung nodules using support Vector Machine

Jhon Anthony Castro; Marlen Díaz; Rubén Morales

doi:10.5935/jetia.v10i48.1202

Autores/as

Jhon Anthony Castro Universidad Central “Marta Abreu de las Villas” – UCLV. Santa Clara-Villa Clara, Cuba http://orcid.org/0009-0003-7576-921X (no autenticado)
Marlen Díaz Universidad Central “Marta Abreu de las Villas” – UCLV. Santa Clara-Villa Clara, Cuba http://orcid.org/0000-0002-3706-9154 (no autenticado)
Rubén Morales Universidad Central “Marta Abreu de las Villas” – UCLV. Santa Clara-Villa Clara, Cuba https://orcid.org/0000-0002-6240-1569 (no autenticado)

DOI:

https://doi.org/10.5935/jetia.v10i48.1202

Resumen

El cáncer de pulmón es una enfermedad de elevada mortalidad en todo el mundo. Por ello, su diagnóstico y tratamiento precoces pueden salvar vidas. El cáncer de pulmón aparece como un nódulo solitario en la radiografía de tórax, que a veces es muy difícil de detectar para el ojo humano. Por lo tanto, el desarrollo de un sistema de diagnóstico asistido por ordenador (CAD) para la detección de nódulos pulmonares, utilizando el aprendizaje automático (ML) podría tener un impacto significativo en el pronóstico de los pacientes. El algoritmo propuesto comienza preprocesando las imágenes para mejorar su calidad. A continuación, se segmenta el área pulmonar mediante umbralización. En el siguiente paso, se determinan los nódulos candidatos mediante un filtro de banda deslizante y se segmentan aplicando un algoritmo de umbral, basado en la distancia adaptativa (ADT). A continuación, las áreas sospechosas se procesan mediante una máquina de vectores de soporte (SVM), basándose en 15 características de forma y textura. Se entrenaron y validaron tres modelos SVM con imágenes de una base de datos pública de JSRT. El mejor resultado se obtuvo con el modelo de base radial (87 % de sensibilidad). Este rendimiento se valora como favorable con respecto al rendimiento humano.

Traducción realizada con la versión gratuita del traductor DeepL.com

Descargas

Los datos de descarga aún no están disponibles.

Referencias

W. W. H. Organization. (26/04/2022). Cáncer. Available: https://www.who.int/es/news-room/fact-sheets/detail/cancer

H. Mahersia, M. Zaroug, and L. Gabralla, "Lung cancer detection on CT scan images: a review on the analysis techniques," Lung Cancer, vol. 4, no. 4, 2015.

J. Jeremy, H. McAdams, and S. Rossi, "Neoplasias pulmonares primarias," Diagnóstico por Imagen del Tórax, pp. 933-935, 2011.

Y. Li, X. Wu, P. Yang, G. Jiang, and Y. Luo, "Machine Learning Applications in Lung Cancer Diagnosis, Treatment and Prognosis," ArXiv, vol. 2203.02794, 2022.

A. Del Ciello et al., "Missed lung cancer: when, where, and why?," Diagnostic and Interventional Radiology, vol. 23, no. 2, p. 118, 2017.

M. Haber, A. Drake, and J. Nightingale, "Is there an advantage to using computer aided detection for the early detection of pulmonary nodules within chest X-Ray imaging?," Radiography, vol. 26, no. 3, pp. 170-178, 2020.

M. Souto et al., "Detección automática de nódulos pulmonares en tomografía computarizada. Un estudio preliminar," Radiología, vol. 50, no. 5, pp. 387-392, 2008.

J. D. López-Cabrera, L. A. L. Rodríguez, and M. Pérez-Díaz, "Classification of breast cancer from digital mammography using deep learning," Inteligencia Artificial, vol. 23, no. 65, pp. 56-66, 2020.

E. D. S. Aday, M. P. Díaz, and R. O. Morales, "Diseño de Sistema Automatizado para Detección de Anomalías en Imágenes Digitales de Mama," Journal of Health and Medical Sciences, vol. 5, no. 4, pp. 229-243, 2019.

I. Bush, "Lung nodule detection and classification," Report, Stanford Computer Science, 2016.

H. Seo et al., "Machine learning techniques for biomedical image segmentation: an overview of technical aspects and introduction to state‐of‐art applications," Medical physics, vol. 47, no. 5, pp. 148-167, 2020.

F. Shan et al., "Lung infection quantification of COVID-19 in CT images with deep learning," arXiv preprint arXiv:.04655, 2020.

C. Cortes and V. Vapnik, "Support-vector networks," Machine learning, vol. 20, no. 3, pp. 273-297, 1995.

N. Cristianini and J. Shawe-Taylor, An introduction to support vector machines and other kernel-based learning methods. Cambridge university press, 2000.

G. James, D. Witten, T. Hastie, and R. Tibshirani, An introduction to statistical learning (Springer Texts in Statistics). Springer New York, NY, 2013.

J. Shiraishi et al., "Development of a digital image database for chest radiographs with and without a lung nodule: receiver operating characteristic analysis of radiologists' detection of pulmonary nodules," American Journal of Roentgenology, vol. 174, no. 1, pp. 71-74, 2000.

E. Martinez-Machado, M. Perez-Diaz, and R. Orozco-Morales, "Automated System for the Detection of Lung Nodules," Lecture Notes in Computer Science, vol. 13055, pp. 337-348, 2021.

Y. Zhang and L. Wu, "Optimal multi-level thresholding based on maximum Tsallis entropy via an artificial bee colony approach," Entropy, vol. 13, no. 4, pp. 841-859, 2011.

R. C. Hardie, S. K. Rogers, T. Wilson, and A. Rogers, "Performance analysis of a new computer aided detection system for identifying lung nodules on chest radiographs," Medical Image Analysis, vol. 12, no. 3, pp. 240-258, 2008.

C. Supanta, G. Kemper, and C. del Carpio, "An algorithm for feature extraction and detection of pulmonary nodules in digital radiographic images," in 2018 IEEE International Conference on Automation/XXIII Congress of the Chilean Association of Automatic Control (ICA-ACCA), 2018, pp. 1-5: IEEE.

J. Wei, Y. Hagihara, A. Shimizu, and H. Kobatake, "Optimal image feature set for detecting lung nodules on chest X-ray images," Berlin, Heidelberg, 2002, pp. 706-711: Springer Berlin Heidelberg.

G. Coppini, S. Diciotti, M. Falchini, N. Villari, and G. Valli, "Neural networks for computer-aided diagnosis: detection of lung nodules in chest radiograms," IEEE Transactions on Information Technology in Biomedicine, vol. 7, no. 4, pp. 344-357, 2003.

A. M. Schilham, B. Van Ginneken, and M. Loog, "A computer-aided diagnosis system for detection of lung nodules in chest radiographs with an evaluation on a public database," Medical Image Analysis, vol. 10, no. 2, pp. 247-258, 2006.