Realce de Candidatos a Nódulo Pulmonar en Radiografías de Tórax por Medio de Filtros de Convergencia

Highlight of lung nodule candidates in chest radiographs by convergence filters

  • Sergio Alejandro Duarte Pacheco Universidad Distrital Francisco José de Caldas
  • Julián Mauricio Aguillón Pérez Universidad Distrital Francisco José de Caldas
  • Rodrigo Javier Herrera García Universidad Distrital Francisco José de Caldas
Palabras clave: Chest radiographs, lung nodules, segmentation, convergence index filters (en_US)
Palabras clave: Radiografía de tórax, nódulos pulmonares, segmentación, filtros de convergencia. (es_ES)

Resumen (es_ES)

Este artículo presenta el desarrollo de una herramienta de software para el realce de áreas sospechosas de nódulos pulmonares en radiografías de tórax.  Los nódulos pulmonares son lesiones que se encuentran dentro de la regíon pulmonar y son los primeros indicadores de la presencia de un tumor cancerígeno en este órgano.  En primera instancia, se implementa un método de segmentación automático.  Luego, para el realce de los candidatos, se usan filtros de convergencia que evalúan el grado en el que converge el área circundante al píxel de interés, asumiendo que los posibles candidatos a nódulos presentan forma circular.  En este trabajo se implementan cuatro filtros de convergencia: Moneda, Iris, Anillo Adaptativo y Banda Deslizante.  Los filtros de moneda y de anillo adaptativo obtuvieron mejores resultados en cuanto a detección y número de candidatos por imagen.  Al aplicar la técnica de resta contralateral junto con los filtros basados en características geométricas tales como área, redondez y excentricidad, se logró disminuir el número de candidatos.

Resumen (en_US)

This paper describes the development of a method that highlights suspicious areas of
lung nodules on chest radiographs. Lung nodules are lesions found in the lung region,
which are the first indicators of the presence of cancerous tumors. First, an automatic
segmentation method is implemented. Next, to highlight the candidates, convergence filters
were used in order to evaluate the degree in which the surrounding area converged to
the pixel of interest, assuming a circular shape for potential nodule candidates. Four convergence filters were implemented: Coin filter, Iris filter, Adaptive Ring filter and Sliding
Band filter. Coin and adaptive ring filters obtained better results in terms of detection and
number of candidates per image, images from the database of the JSRT (Japanese Society
of Radiological Technology). Applying the contralateral subtraction technique together
with filters based on geometric features such as areas, roundness and eccentricity, it was
possible to reduce the number of candidates.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Julián Mauricio Aguillón Pérez, Universidad Distrital Francisco José de Caldas
Nació en Duitama, Colombia. Ingeniero Electrónico de la Universidad Distrital Francisco José de Caldas.
Rodrigo Javier Herrera García, Universidad Distrital Francisco José de Caldas

Nació en Bogotá, Colombia. Obtuvo su título como Ingeniero Electrónico en 1987 y como Magíster en Teleinformática en 1999 en la Universidad Distrital Francisco José de Caldas.

Se ha desempeñado como docente universitario desde 1988 en las Universidades Santo Tomás de Aquino y Distrital de Bogotá en las áreas de sistemas digitales y electrónica analógica. A partir de 1997 se vinculó como profesor de tiempo completo en la Facultad de Ingeniería de la Universidad Distrital Francisco José de Caldas.

Referencias

P. Meza Conejo and K. Gutreiman Rubinstein. N´odulo pulmonar solitario: Revisi´on bibliogr´afica. Revista

M´edica de Costa Rica y Centro Am´erica, LXIV(580):155–159, 2007.

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:

a publication of the IEEE Engineering in Medicine and Biology Society, 7(4):344–57, 2003.

O. Demirkaya, M. H. Asyali, and P. K. Sahoo. Image Processing with Matlab: Applications in Medicine and

Biology, pages 260–261. CRC Press, 2009.

T. Esteves, P. Quelhas, A. M. Mendonc¸a, and A. Campilho. Gradient convergence filters and phase congruency

approach for in vivo cell nuclei detection. Machine Vision and Applications, 23:623–638, 2012.

M. Gabrielli. N´odulo pulmonar solitario: Desaf´ıo diagn´ostico y terap´eutico (Art´ıculo de actualizaci´on). Cuadernos

de cirug´ıa (Valdivia), 21:65–74, 2007.

T. Hara, H. Fujita, and Jing Xu. Development of automated detection system for lung nodules in chest radiograms.

Proceedings Intelligent Information Systems, IIS:71–74, 1997.

T. Kawaguchi, Y. Harada, R. Nagata, and H. Miyake. Image registration methods for contralateral subtraction

of chest radiographs. 2010 3rd International Conference on Biomedical Engineering and Informatics,

(Bmei):306–313, 2010.

T. Kawaguchi, R. Nagata, Y. Harada, and H. Miyake. Image registration using b-splines for contralateral

subtraction of chest radiographs. TENCON 2010 - 2010 IEEE Region 10 Conference, pages 1589–1594, 2010.

N. Otsu. A Threshold Selection Method from Gray-Level Histograms. IEEE Transactions on Systems, Man,

and Cybernetics, SMC-9(1):62–66, 1979.

E. Casiraghi P. Campadelli and D. Artioli. A Fully Automated Method for Lung Nodule Detection From

Postero-Anterior Chest Radiographs. IEEE transactions on medical imaging, 25(12):1588–1603, 2006.

C. J. Vicente Pe˜na. AHE (Ecualizaci´on del Histograma Adaptativo), 1998.

N. Petkov and P. Kruizinga. Computational models of visual neurons specialised in the detection of periodic

and aperiodic oriental simuli: bar and gratings cells. Biological Cibernetics, 76:83–96, 1997.

E. Pietka and O. Ratib. Segmentation of chest radiographs. Proceedings of the Annual International Conference

of the IEEE Engineering in Medicine and Biology Society, pages 1911–1912, 1992.

F. M. Rodr´ıguez and F. J. Su´arez L´opez. Identificaci´on dactilar basada en filtros Gabor. Universidad de Vigo -

URSI, 2004.

Z. Shi, J. Bai, L. He, T. Nakamura, Q. Yao, and H. Itoh. A Method for Enhancing Lung Nodules in Chest

Radiographs by Use of LoG Filter. 2009 2nd International Congress on Image and Signal Processing, pages

–4, 2009.

J. Shiraishi, S. Katsuragawa, J. Ikezoe, T. Matsumoto, T. Kobayashi, K. Komatsu, M. Matsui, H. Fujita, Y. Kodera,

and K. Doi. 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, 174:71–74, 2000.

E. Soleymanpour, H. R. Pourreza, E. Ansaripour, and M. S. Yazdi. Fully Automatic Lung Segmentation and

Rib Suppression Methods to Improve Nodule Detection in Chest Radiographs. Journal of Medical Signals and

Sensors, 1(3):191–199, 2011.

M. Souto, P.G. Tahoces, J.J. Su´arez, M.J. Lado, M. R. Jardin, J. Remy, and J.J. Vidal. Detecci´on autom´atica de

n´odulos pulmonares en tomograf´ıa computarizada. Un estudio preliminar. Radiolog´ıa, 50(5):387–392, 2008.

S. Tsukuda, A. Heshiki, S. Katsugarawa, Q. Li, H. MacMahon, and K. Doi. Detection of Lung Nodules on

Digital Chest Radiographs: Potential Uselfuness of a New Contralateral Subtraction Tecnique. Radiology,

:199–203, 2002.

B. van Ginneken, M. B. Stegmann, and M. Loog. Segmentation of anatomical structures in chest radiographs

using supervised methods: a comparative study on a public database. Medical Image Analysis, 10(1):19–40,

B. van Ginneken, B. M. ter Haar Romeny, and M. Viergever. Computer-Aided Diagnosis in Chest Radiography:

A Survey. IEEE Transactions on Medical Imaging, 20(12):1228–1241, 2001.

J. Wei, Y. Hagihara, and H. Kobatake. Detection of Cancerous Tumors on Chest X-ray Images Candidate Detection

Filter and Its Evaluation. Proceedings of International Conference on Image Analysis and Processing

(ICIP), pages 397–401, 1999.

H. Yoshida, S. Katsuragawal, and K. Doit. Wavelet snake for classification of nodules and false positives in

digital chest radiographs. Proceedings 19th International Conference IEEE EMBS, 509(C):1–3, 1997.

H. Yoshida, B. Keserci, K. Doi, and N. Chicago. Computer-aided diagnosis of pulmonary nodules in chest

radiographs: A wavelet-based snake approach.

P. Yu, J. Zhao, H. Xu, C. Yang, X. Sun, S. Chen, and L. Mao. Computer Aided Detection for Pneumoconiosis

Based on Histogram Analysis. 2009 First International Conference on Information Science and Engineering,

pages 3625–3628, 2009.

Cómo citar
Duarte Pacheco, S. A., Aguillón Pérez, J. M., & Herrera García, R. J. (2014). Realce de Candidatos a Nódulo Pulmonar en Radiografías de Tórax por Medio de Filtros de Convergencia. Ingeniería, 19(2). https://doi.org/10.14483/udistrital.jour.reving.2014.2.a04
Publicado: 2014-12-02