Разработка модуля определения размеров и объемов легочных узлов

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В статье описывается реализация модуля системы поддержки принятия врачебных решений, позволяющего определять размеры и объемы легочных узлов, обнаруживаемых при проведении низкодозной компьютерной томографии органов грудной клетки. Основной акцент в работе делается на автоматической количественной оценке узлов в соответствии с рекомендациями по ведению легочных узлов Британского торакального общества, Флейшнеровского общества, Европейского консорциума по скринингу рака легкого и Lung-RADS. В основе представленного подхода лежат классические методы обработки изображений и методы на базе нейронных сетей. В качестве входных данных выступают маски, получаемые в результате сегментации набора срезов исследования. Выходные данные представляют собой обработанные снимки и структурированный отчет DICOM SR.

Об авторах

Анастасия Романовна Теплякова

Обнинский институт атомной энергетики НИЯУ МИФИ

Автор, ответственный за переписку.
Email: anastasija-t23@mail.ru

преподаватель, аспирант

Россия, Обнинск

Список литературы

  1. Siegel R. L. et al. Cancer statistics // CA: A Cancer Journal for Clinicians. 2023. Vol. 73(1). P. 17–48.
  2. Стилиди И. С. и др. Снижение заболеваемости злокачественными опухолями – еще одно последствие эпидемии СОVID-19 // Общественное здоровье. 2022. № 2 (1). С. 5–14.
  3. Фадеева Е. В. Онкологическая помощь в условиях пандемии COVID-19 // Социологическая наука и социальная практика. 2021. № 1. Т. 9. С. 61–73.
  4. Гомболевский В. А. и др. Основные достижения низкодозной компьютерной томографии в скрининге рака легкого // Туберкулез и болезни легких. 2021. № 99 (1). С. 61–70.
  5. Гомболевский В. А. и др. Методические рекомендации по скринингу рака легкого // Серия «Лучшие практики лучевой и инструментальной диагностики». 2020. № 56. 60 с.
  6. Lee J. et al. A narrative review of deep learning applications in lung cancer research: from screening to prognostication // Translational Lung Cancer Research. 2022. Vol. 11(6). P.1217–1229.
  7. Chassagnon G. et al. Artificial intelligence in lung cancer: current applications and perspectives // Japanese Journal of Radiology. 2023. Vol. 41. P. 235–244.
  8. Li R. et al. Deep Learning Applications in Computed Tomography Images for Pulmonary Nodule Detection and Diagnosis: A Review // Diagnostics. 2022. Vol. 12(2). P. 298.
  9. Zhou J. Emerging artificial intelligence methods for fighting lung cancer: A survey // Clinical eHealth. 2022. Vol. 5. P. 19–34.
  10. Abrar A., Rajpoot P. "Classification and Detection of Lung Cancer Nodule using Deep Learning of CT Scan Images": A Systematic Review. [Электронный ресурс]. 2022. URL: https://assets.researchsquare.com/files/rs2145172/v1/2a94278e-c16b-4346-ae89-3042ca2fb409.pdf?c=1666567759 (дата обращения: 11.09.2023).
  11. Jassim M. M., Jaber M. M. "Systematic review for lung cancer detection and lung nodule classification: Taxonomy, challenges, and recommendation future works" // Journal of Intelligent Systems. 2022. Vol. 31(1). P. 944–964.
  12. Larici A. R. et al. Lung nodules: size still matters // European Respiratory Journal. 2017. Vol. 20(26). P. 170025.
  13. de Margerie-Mellon C., Heidinger B., Bankier A. 2D or 3D measurements of pulmonary nodules: preliminary answers and more open questions // Journal Of Thoracic Disease. 2018. Vol. 10(2). P. 547–549.
  14. Gross C. F. et al. Comparability of Pulmonary Nodule Size Measurements among Different Scanners and Protocols: Should Diameter Be Favorized over Volume? // Diagnostics. 2023. Vol. 13. P. 631.
  15. Heuvelmans M. A. et al. Disagreement of diameter and volume measurements for pulmonary nodule size estimation in CT lung cancer screening // Thorax. 2018. Vol. 73(8). P. 779–781.
  16. Heuvelmans M. A., Oudkerk M. Pulmonary nodules measurements in CT lung cancer screening // Journal of Thoracic Disease. 2018. Vol. 10. P. S2100–S2102.
  17. Han D., Heuvelmans M., Oudkerk M. Volume versus diameter assessment of small pulmonary nodules in CT lung cancer screening // Translational Lung Cancer Research. 2017. Vol. 6(1). P. 52–61.
  18. Yoon S. et al. Volumetric analysis of pulmonary nodules: reducing the discrepancy between the diameter-based volume calculation and voxel-counting method // Quantitative Imaging In Medicine And Surgery. 2021. Vol. 12(3). P.1674–1683.
  19. Николаев А. Е. и др. Тактика ведения легочного очага в зависимости от клинической ситуации: методические рекомендации // Серия «Лучшие практики лучевой и инструментальной диагностики». 2022. № 78. 36 с.
  20. Armato 3rd S. G. et al. The Lung Image Database Consortium (LIDC) and Image Database Resource Initiative (IDRI): a completed reference database of lung nodules on CT scans // Medical Physics. 2011. Vol. 38(2). P. 915–931.
  21. Теплякова А. Р., Кузнецов А. А. Разработка модуля для диагностики COVID-19 по снимкам компьютерной томографии органов грудной клетки на базе методов компьютерного зрения // Информационные технологии. 2023. №4, Т. 29. С. 204–214.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).