Uproszczone wspomaganie obrazowej diagnostyki medycznej

• Autorzy: Przeslakowski A.

Warianty tytułu

EN

Simplified computer-aided diagnosis in medicine

• Języki publikacji: PL

Abstrakty

PL

Sformułowano paradygmat wspomagania diagnozy w konwencji GAD, wykorzystujący uproszczone reprezentacje danych obrazowych. Na bazie założeń przyjmujących konieczność wstępnej redukcji różnego typu nadmiarowości, jakie występują w danych źródłowych (nawiązanie do teorii compressive sensing), zaproponowano uproszczone formy analizy i rozumienia danych, prowadzące do przejrzystych efektów ekstrakcji informacji ukrytej. Na przykładzie diagnostyki wczesnego udaru mózgu ukazano przydatność koncepcji upakowanej, rzadkiej reprezentacji danych pozwalającej znacząco uprościć opis informacji.

EN

Paradigm of computer assisted diagnosis according to CAD concept was proposed. Compressive Information extraction was suggested as a result of data representation design adjusted to semantically important signal features. Ali redundancies of the image-oriented diagnostic procedure were ignored in calculated Information description. Further data analysis and understanding to extract subtle or hidden content is simplified and generally more effective. An example of acute stroke diagnosis was used to present capabilities of the paradigm implementation. Sparse OT data representation was used to extract tissue density distribution visualized in simplified forms of semantically diversified regions.

Słowa kluczowe

PL

komputerowe wspomaganie diagnozy; CAD; diagnostyka obrazowa; reprezentacja informacji; nadmiarowość; kompresowalność danych

EN

computer-aided diagnosis; Image-based diagnosis; information representation; data redundancy; data compressibility

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2010
• Tom: nr 12
• Strony: 1748--1755
• Opis fizyczny: Bibliogr. 20 poz., rys., tab.

Twórcy

autor

Przeslakowski A.

• Politechnika Warszawska, Instytut Radioelektroniki,

Bibliografia

• [1] Pan T.C., Gurcan M.N., Langella S.A. et al. (2007): Grid CAD: grid-based computer-aided detection system. RadioGraphics 27
• [2] Gurcan M.N., Pan T., Sharma A. et al. (2007): Grid lMAGE: a novel use of grid computing to support interactive human and computer-assisted detection decision support. J Dig Imag 20(2)
• [3] Yuan K., Tian Z., Zou J., Bai Y, You Q (2010): Brain CT image data-base building for computer-aided diagnosis using content-based image retrieval. Information Processing and Management, in press.
• [4] Dao T.T., Marin R, Ho Bas Tho M.C. (2009): Ontology-based computer-aided decision system: a new architecture and application concerning the musculoskeletal system of the Iower limbs. IFMBE Proc, 22(11)
• [5] Verma B., Zakos J. (2001): A computer-aided diagnosis system for digital mammograms based on fuzzy-neural and feature extraction techniques. IEEE Tran Inf Tech Biomed 5(1)
• [6] Land W.H., McKee D.W., Anderson F.R. et al. (2006): Using compu-tational intelligence for computer-aided diagnosis of screen film mammograms. Chapter 10 in Recent advances in breast imaging, mammography, and computer-aided diagnosis of breast cancer. SPIE Press Monograph vol. PM155
• [7] Fenton J.J., Taplin S.H., Carney RA. et al. (2007): Influence of computer-aided detection on performance of screening mammography. NEnglJMed356(14)
• [8] Renfrew DL, Franken EA, et al. (1992) Error in radiology: classification and lessons in 182 cases presented at a problem case conference. Radiology 183
• [9] Berlin L. (2007): Accuracy of diagnostic procedures: as it improved over the past five decades? Am J Roentgenology 188
• [10] Ogiela M.R., Tadeusiewicz R. (2008): Modern computational intelligence methods for the interpretation of medical images. Studies in Computational Intelligence 84. Springer-Verlag, Berlin-Heidelberg
• [11] Kulikowski J.L. (2010): Ontological models as tools for image content understanding. LNCS 6374:43-58, Proc ICCVG Part l
• [12] Dao TT, Marin F, Ho Bas Tho M.C. (2009): Clinical validated computer-aided decision system to the clubfeet deformities. Proc International Conference of the IEEE EMBS
• [13] Zheng B. (2009): Computer-aided diagnosis in mammography using content-based image retrieval approaches: current status and future perspectives. Algorithms 2(2)
• [14] Starck J.-L., Murthag F, Fadili J.M. (2010): Sparse image and signal processing. Cambridge University Press
• [15] Mallat S., Zhang Z. (1993): Matching Pursuits with time-frequency dictionaries. IEEE Trans Signal Proc 41 (12)
• [16] Fornasier M., Rauhut H. (2008): lterative thresholding algorithms. Applied and Computational Harmonie Analysis 25(2)
• [17] Bobin J., Starek J.-L, Fadili J.M., Moudden Y, Donoho D.L (2007): Morphological component analysis: an adaptive thresholding strategy. IEEE Trans Image Proc 16(11)
• [18] Przelaskowski A. (201 OJ: Semantic sparse representation of disease patterns. Int J Electronics Telecomm, in press
• [19] Przelaskowski A., Sklina K., Ciszek B, (2009): Modelowanie subtelnych zmian chorobowych mózgowia wspomagające neurodiagnostykę w: Neurocybernetyka teoretyczna pod red. R.Tadeusiewicza, Wydawnictwo Uniwersytetu Warszawskiego
• [20] Przelaskowski A., Ostrek G., Sklinda K. (2009): Multiscale extraction of diagnostic content applied for CTbrain examinations. Biocybernetics and Biomedical Engineering 29(4)