System automatycznego wykrywania i lokalizacji raka stercza na obrazach perfuzyjnej tomografii komputerowej

• Autorzy: Śmietański J. , Tadeusiewicz R.

Warianty tytułu

EN

System for automatic detection and localization of the prostate cancer on images registered by means perfusion computed tomography technology

• Języki publikacji: PL

Abstrakty

PL

Obecnie stosowane procedury diagnostyczne w kierunku wykrycia bądź wykluczenia raka prostaty u mężczyzn są niewystarczające i często bywają zawodne. Nadzieję na zwiększenie skuteczności diagnozy w szczególnie trudnych przypadkach daje technika perfuzyjnej tomografii komputerowej. Metoda ta, będąca wciąż w fazie rozwoju, pozwala na pomiar parametrów przepływu krwi przez badaną tkankę, co uwidaczniane jest na barwnych dwuwymiarowych obrazach, tzw. "mapach parametrycznych". W pracy przedstawiono metodologię i algorytmy umożliwiające automatyzację interpretacji takich właśnie obrazów prostaty. Automatyzacja ta może nie tylko skrócić czas i zmniejszyć koszty diagnozy, ale przede wszystkim ułatwia podjęcie obiektywnej decyzji, niezależnej od subiektywnych ocen zależnych od doświadczenia czy indywidualnych właściwości wzroku diagnosty. Zaproponowana procedura została przetestowana na licznej grupie obrazów pochodzących od rzeczywistych pacjentów, a otrzymane rezultaty wskazują na możliwość stworzenia kompleksowego systemu pozwalającego na zwiększenie skuteczności i pewności stawianej diagnozy.

EN

Detection and localization of the prostate cancer is difficult problem in general case. For this purpose the new method of medical imaging named perfusion computed tomography (p-CT) can be used. Nevertheless images registered by means of p-CT technology are difficult for interpretation, especially when interpretation must be earned by computer instead of experienced professional radiologist. In paper new algorithms for p-CT images automatic interpretation are presented and discussed. Using proposed algorithms both detection and localization of the prostate cancer can be performed. After general description of proposed methods illustrative case study is presented. For proper solution of the problem under consideration the original method for region of interest (ROI) localization is proposed. Such method named "life belt method" can be assessed as simple and effective and therefore it can be recommended for analysis of perfusion computed tomography prostate cancer images.

Słowa kluczowe

PL

przetwarzanie obrazów medycznych; wykrywanie raka; wykrywanie automatyczne; lokalizacja raka; rak prostaty; perfuzyjna tomografia komputerowa

EN

medical images processing; automatic cancer detection; automatic cancer localization; prostate cancer; perfusion computed tomography

• Wydawca: Wydawnictwa AGH
• Czasopismo: Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie
• Rocznik: 2010
• Tom: T. 14, z. 1
• Strony: 133--143
• Opis fizyczny: Bibliogr. 31 poz., rys.

Twórcy

autor

Śmietański J.

• Institute of Computer Science, Jagiellonian University, Kraków

autor

Tadeusiewicz R.

• Department of Automatics, AGH University of Science and Technology, Kraków

Bibliografia

• [1] American Cancer Society, Estimated New Cancer Cases and Deaths by Sex, US, 2009, http:// www.cancer.org/downloads/stt/CFF2009\_EstCD\_3.pdf.
• [2] Krajowy Rejestr Nowotworów. Liczba zachorowań w podziale na kody rozpoznań oraz grupy wiekowe. 2009, http://85.128.14.124/krn/english/liczba\_zach\_rozp/default.asp.
• [3] Łuczyńska E., Anioł J., Szczudło J., et al, Perfusion of prostatę cancer: correlation between p-CT and whole-mount pathology - case report. Poi J. Radiol., 71(4), 2006, 70-73.
• [4] Miles K.A., Griffiths M.R., Perfusion CT: a worthwhile enhancement? Br. J. Radiol., 76, 2003, 220-231.
• [5] Wintermark M., Maeder R, Thiran J-R, et al., Quantitative assessment of regional cerebral blood flows by perfusion CT studies at Iow injection rates: a critical review of the underlying theoretical models. Eur. Radiol., 11, 2001, 1220-1230.
• [6] Carmeliet R, Jain R.K., Angiogenesis in cancer and other diseases. Nature, 407(6801), 2000, 249-257.
• [7] Charlesworth R, Harris A., Mechanisms of disease: angiogenesis in urologic malignancies. Nature Clinical Practice Urology, 3(3), 2006, 157-169.
• [8] Hartel M., Dziubińska-Basiak M., Konopka M., et al., Kompleksowa diagnostyka obrazowa udaru niedokrwiennego mózgu - opis przypadku. Udar Mózgu, t. 8, nr 2, 2006, 81-86.
• [9] Hoeffner E.G., Case I., Jain R., et al., Cerebral perfusion CT: technique and clinical applications. Radiology, 231(3), 2004, 632-644.
• [10] Rosenberg R., Wojtek P., Konopka M., et al., Kliniczne zastosowanie obrazowania perfuzyjnego metodą tomografii komputerowej oraz obrazowania dyfuzyjnego i perfuzyjnego metodą rezonansu magnetycznego w wykrywaniu wczesnych zmian w udarze niedokrwiennym mózgu. Udar Mózgu, 6(2), 2004, 71-78.
• [11] Henderson E., Milosevic M.F., Haider M.A., Yeung I.W., Functional CT imaging of prostate cancer. Psys. Med. Biol., 38, 2003, 3085-3100.
• [12] Ives E.P., Burkę M.A., Edmonds P.R., et al., Quantitative computed tomography perfusion of prostate cancer: correlation with whole-mount pathology. Clinical Prostate Cancer, 4(2), 2005, 109-112.
• [13] Prando A., Wallace S., Helical CT of prostate cancer: early clinical experience. American Journal of Roentgenology, 175(2), 2000, 343-346.
• [14] Tadeusiewicz R., Korohoda P., Komputerowa analiza i przetwarzanie obrazów. Wydawnictwo Fundacji Postępu Telekomunikacji, Kraków 1997.
• [15] Conners R.W., Harlow C.A., A theoretical comparision of texture algorithms. IEEE Transactions of Pattern Analysis and Machine Intelligence, 2(3), 1980, 204-222.
• [16] Ohanian P.P., Dubes R.C., Performance evaluation for four classes of textural features. Pattern Recognition, 25(8), 1992, 819-833.
• [17] Ojala T., Pietikainen M., Harwood D., A comparative study of texture measures with classification based on feature distributions. Pattern Recognition, 29(1), 1996, 51-59.
• [18] Randen T., Hus0y J.H., Filtering for texture classification: a comparative study. IEEE Transactions on Pattern Analysis and Machine Intelligence, 21(4), 1999, 291-310.
• [19] Sharma M., Markou M., Singh S., Evaluation of texture methods for image analysis. Proceedings of the 7th Australian and New Zealand Intelligent Information Systems Conference 2001, 117-121.
• [20] Unser M., Sum and difference histograms for testure classification. IEEE Transactions on Pattern Analysis and Machine Intelligence, 8(1), 1986, 118-125.
• [21] Walker R.F., Adaptive multi-scale texture analysis with application to automatedcytology. University of Queensland 1997.
• [22] Weszka J.S., Dyer C.R., Rosenfeld A., A comparative study of texture measures for terrain classification. IEEE Trans. Syst, Man, Cybern., 6, 1976, 269-285.
• [23] Wu C.M., Chen Y.C., Hsieh K.S., Texture features for classification of ultrasonic liver images. IEEE Transactions onMedical Imaging, 11(2), 1992, 141-152.
• [24] Haralick R.M., Shanmugam K., Dinstein I., Textural features for image classification. IEEE Transactions on Systems, Man and Cybernetics, 3, 1973, 610-621.
• [25] Śmietański J., Tadeusiewicz R., Łuczyńska E., Texture Analysis in Perfusion Images of Prostate Cancer - Case Study. International Journal of Applied Mathematics and Computer Science 2010, 20(1), 144-156.
• [26] Hand D., Mannila H., Smyth P., Eksploracja danych. WNT, Warszawa 2005.
• [27] Bhattacharyya A., On a measure of divergence between two statistical populations defined by their probability distributions. Bulletin of the Calcutta Mathematical Society, 35, 1943, 99-110.
• [28] Tukey J.W., Exploratory Data Analysis. Addison-Wesley 1977.
• [29] Kittler J., Feature set search algorithms. w: Chen C.H. (red.), Pattern Recognition and Signal Processing, Sijthoff & Noordhoff 1978.
• [30] Krzyśko M., Analiza dyskryminacyjna. WNT, Warszawa 1990.
• [31] Śmietański J., Tadeusiewicz R., The „Life Belt" Method - a New Approach to Prostate Images Analysis (zgłoszony do Medical Image Analysis).