Detection of lung nodules using support Vector Machine

Jhon Anthony Castro; Marlen Díaz; Rubén Morales

doi:10.5935/jetia.v10i48.1202

Autores

Jhon Anthony Castro Universidad Central “Marta Abreu de las Villas” – UCLV. Santa Clara-Villa Clara, Cuba http://orcid.org/0009-0003-7576-921X (não autenticado)
Marlen Díaz Universidad Central “Marta Abreu de las Villas” – UCLV. Santa Clara-Villa Clara, Cuba http://orcid.org/0000-0002-3706-9154 (não autenticado)
Rubén Morales Universidad Central “Marta Abreu de las Villas” – UCLV. Santa Clara-Villa Clara, Cuba https://orcid.org/0000-0002-6240-1569 (não autenticado)

DOI:

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

Resumo

O cancro do pulmão é uma doença de elevada mortalidade em todo o mundo. Por conseguinte, o diagnóstico e o tratamento precoces podem salvar vidas. O cancro do pulmão aparece como um nódulo solitário na radiografia do tórax, que é por vezes muito difícil de detetar pelo olho humano. Por conseguinte, o desenvolvimento de um sistema de diagnóstico assistido por computador (CAD) para a deteção de nódulos pulmonares, utilizando a aprendizagem automática (ML), pode ter um impacto significativo no prognóstico dos doentes. O algoritmo proposto começa por pré-processar as imagens para melhorar a sua qualidade. A área do pulmão é então segmentada por limiarização. No passo seguinte, os candidatos a nódulos são determinados utilizando um filtro de banda deslizante e segmentados através da aplicação de um algoritmo de limiar, baseado na distância adaptativa (ADT). Em seguida, as áreas suspeitas são processadas por uma máquina de vectores de apoio (SVM), com base em 15 características de forma e textura. Foram treinados e validados três modelos SVM com imagens de uma base de dados pública do JSRT. O melhor resultado foi obtido com o modelo de base radial (87 % de sensibilidade). Este desempenho é considerado favorável no que respeita ao desempenho humano.

Traduzido com a versão gratuita do tradutor - DeepL.com

Downloads

Os dados de download ainda não estão disponíveis.

Referências

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.