흉부 CT 영상에서 결절의 밝기값, 재질 및 형상 증강 영상 기반의 GGN-Net을 이용한 간유리음영 결절 자동 분류
Automated Classification of Ground-glass Nodules using GGN-Net based on Intensity, Texture, and Shape-Enhanced Images in Chest CT Images
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문에서는 흉부 CT 영상에서 결절의 밝기값, 재질 및 형상 증강 영상 기반의 GGN-Net을 이용해 간유리음영 결절 자동 분류 방법을 제안한다. 첫째, 입력 영상에 결절 내부의 고형 성분의 유무 및 크기 정보가 포함될 수 있도록 밝기값, 재질 및 형상 정보를 증강한 영상을 제안한다. 둘째, 다양한 입력 영상을 여러 개의 컨볼루션 모듈을 통해 획득한 특징맵을 내부 네트워크에서 통합하여 훈련하는 GGN-Net를 제안한다. 제안 방법의 분류 정확성 평가를 위해 순수 간유리음영 결절 90개와 고형 성분의 크기가 5mm 미만인 혼합 간유리음영 결절 38개, 5mm 이상 고형 성분의 크기를 가지는 혼합 간유리음영 결절 23개의 데이터를 사용하였으며, 입력 영상이 간유리음영 결절 분류 결과에 미치는 영향을 비교하기 위해 다양한 입력 영상을 구성하여 결과를 비교하였다. 실험 결과, 밝기값, 재질 및 형상 정보가 함께 고려된 입력 영상을 사용한 제안 방법이 정확도가 82.75%로 가장 좋은 결과를 보였다.
Abstract
In this paper, we propose an automated method for the ground-glass nodule(GGN) classification using GGN-Net based on intensity, texture, and shape-enhanced images in chest CT images. First, we propose an image that enhances the intensity, texture, and shape information so that the input image includes the presence and size information of the solid component in GGN. Second, we propose GGN-Net which integrates and trains feature maps obtained from various input images through multiple convolution modules on the internal network. To evaluate the classification accuracy of the proposed method, we used 90 pure GGNs, 38 part-solid GGNs less than 5mm with solid component, and 23 part-solid GGNs larger than 5mm with solid component. To evaluate the effect of input image, various input image set is composed and classification results were compared. The results showed that the proposed method using the composition of intensity, texture and shape-enhanced images showed the best result with 82.75% accuracy.
참고문헌 (14)
- 장승훈, "폐결절", 대한내과학회지, 79 (2010)
- C.I. Henschke, "CT screening for lung cancer: frequency and significance of part-solid and non-solid nodules", Am.J.Roentgenol, 178(5), pp.1053~1057 (2002)
- D.P. Naidich, "Recommendations for the management of subsolid pulmonary nodules detected at CT: a statement from the Fleischner Society", Radiology, 266(1), pp.304~317 (2013)
- H. MacMahon, "Guidelines for management of incidental pulmonary nodules detected on CT images: from the Fleischner Society 2017", Radiology, 284(1), pp.228~243 (2017)
- M. Sergeeva, "Classification of pulmonary nodules on computed tomography scans. Evaluation of the effectiveness of application of textural features extracted using wavelet transform of image", Proveedings of the 18th Conference of Open Innovations Association FRUCT, pp.291~299 (2016)
- S.G. Armato, "LUNGx Challenge for computerized lung nodule classification", Journal of Medical Imaging, 3(4), pp.044506~044506 (2016)
- D. Kumar, "Lung nodule classification using deep features in CT images", Computer and Robot vision(CRV), 2015 12th Conference on. IEEE, pp.133~138 (2015)
- 이선영, "흉부 CT 영상에서 다중 뷰 영상과 텍스처 분석을 통한 고형 성분이 작은 폐 간유리음영 결절 분류", 멀티미디어학회논문지, 20(7), pp.994~1003 (2017), 한국멀티미디어학회[DOI]
- 이선영, "2.5차원 다중뷰 기반 특징 및 데이터 확장을 통한 간유리음영 결절의 다중클래스 분류", 정보과학회 컴퓨팅의 실제 논문지, 24(10), pp.527~533 (2018), 한국정보과학회[DOI]
- N. Tajbakhsh, "Comparing two classes of end-to-end machine-learning models in lung nodule detection and classification: MTANNs vs. CNNs", Pattern recognition, 63, pp.476~486 (2017)
- K. Liu, "Multiview Convolutional Neural Networks for lung nodule classification", International Journal of Imaging Systems and Technology, 27(1), pp.12~22 (2017)
- W. Shen, "Multi-crop convolutional neural networks for lung nodule malignancy suspiciousness classification", Pattern Recognition, 61, pp.663~673 (2017)
- R. Dey, "Diagnostic classification of lung nodules using 3D neural networks", Biomedical Imaging (ISBI 2018), IEEE 15th International Symposium on, pp.774~778 (2018)
- B. Xu, "Empirical Evaluation of Rectified Activations in Convolutional Network", arXiv preprint ArXiv:1505.00853, ~