Neural Networks for Computer-Aided Diagnosis: Detection of Lung Nodules in Chest Radiograms (Articolo in rivista)

Type
Label
  • Neural Networks for Computer-Aided Diagnosis: Detection of Lung Nodules in Chest Radiograms (Articolo in rivista) (literal)
Anno
  • 2003-01-01T00:00:00+01:00 (literal)
Alternative label
  • Coppini G. 1), Diciotti S. 2), Falchini M. 3) , Villari N. 4) , Valli G. 5) (2003)
    Neural Networks for Computer-Aided Diagnosis: Detection of Lung Nodules in Chest Radiograms
    in IEEE transactions on information technology in biomedicine
    (literal)
Http://www.cnr.it/ontology/cnr/pubblicazioni.owl#autori
  • Coppini G. 1), Diciotti S. 2), Falchini M. 3) , Villari N. 4) , Valli G. 5) (literal)
Pagina inizio
  • 344 (literal)
Pagina fine
  • 357 (literal)
Http://www.cnr.it/ontology/cnr/pubblicazioni.owl#altreInformazioni
  • Il valore del prodotto, risultato di una complessa collaborazione multidisciplinare, è sicuramente confermato, in particolare per quanto riguarda gli aspetti tecnologici-informatici, dalla pubblicazione su una autorevole rivista internazionale (IEEE Transactions on Information Technology in Biomedicine). (literal)
Http://www.cnr.it/ontology/cnr/pubblicazioni.owl#numeroVolume
  • 7 (literal)
Rivista
Http://www.cnr.it/ontology/cnr/pubblicazioni.owl#descrizioneSinteticaDelProdotto
  • La pubblicazione descrive un sistema originale (CAD system) per l'ausilio computerizzato alla diagnosi di noduli polmonari in radiografia toracica. Esso utilizza una architettura computazionale che sfrutta un approccio multiscala al trattamento dell'immagine radiografica. La sua struttura si basa su moduli di reti neurali artificiali che operano su una rappresentazione del radiogramma ottenuta generalizzando la trasformazione Gabor wavelet con filtri LoG (Laplacian of Gaussian). Il sistema è stato realizzato e verificato usando un database pubblico (lo Standard Digital Image Database fornito a richiesta dalla Japanese Society of Radiological Technology JSRT ) . Inoltre ulteriori esperimenti sono stati condotti su un dataset privato raccolto dagli autori. Ne consegue che le prestazioni del sistema sono di agevole verifica come pure il suo confronto con altri sistemi (sinora sviluppati solo su dataset privati). La qualità delle prestazioni ottenute, ampiamente discusse nella pubblicazione, conferma la validità della architettura realizzata e le potenzialità dei metodi di machine learning nel trattamento delle immagini mediche. Dalla analisi dei risultati sperimentali condotta con metodologia ROC/FROC segue che, per il database della JSRT, la sensibilità è compresa fra 60% e 75% con un numero di falsi allarmi per radiogramma fra 4-10 ed una accuratezza fra 96% e 98%. Risultati del tutto simili sono stati ottenuti sul dataset privato. (literal)
Note
  • ISI Web of Science (WOS) (literal)
Http://www.cnr.it/ontology/cnr/pubblicazioni.owl#affiliazioni
  • 1) Giuseppe Coppini, Istituto di Fisiologia Clinica del CNR, Pisa 2) Stefano Diciotti, Dip. Elettronica e Telecomunicazioni, Università di Firenze 3) Massimo Falchini, Dip. di Fisiopatologia Clinica, Università di Firenze 4) Natale Villari , Dip. di Fisiopatologia Clinica, Università di Firenze 5) Guido Valli, Dip. Elettronica e Telecomunicazioni, Università di Firenze (literal)
Titolo
  • Neural Networks for Computer-Aided Diagnosis: Detection of Lung Nodules in Chest Radiograms (literal)
Abstract
  • The paper describes a neural-network-based system for the computer aided detection of lung nodules in chest radiograms. Our approach is based on multiscale processing and artificial neural networks (ANNs). The problem of nodule detection is faced by using a two-stage architecture including: 1) an attention focusing subsystem that processes whole radiographs to locate possible nodular regions ensuring high sensitivity; 2) a validation subsystem that processes regions of interest to evaluate the likelihood of the presence of a nodule, so as to reduce false alarms and increase detection specificity. Biologically inspired filters (both LoG and Gabor kernels) are used to enhance salient image features. ANNs of the feedforward type are employed, which allow an efficient use of a priori knowledge about the shape of nodules, and the background structure. The images from the public JSRT database, including 247 radiograms, were used to build and test the system.We performed a further test by using a second private database with 65 radiograms collected and annotated at the Radiology Department of the University of Florence. Both data sets include nodule and nonnodule radiographs. The use of a public data set along with independent testing with a different image set makes the comparison with other systems easier and allows a deeper understanding of system behavior. Experimental results are described by ROC/FROC analysis. For the JSRT database, we observed that by varying sensitivity from 60 to 75% the number of false alarms per image lies in the range 4 10, while accuracy is in the range 95.7 98.0%. When the second data set was used comparable results were obtained. The observed system performances support the undertaking of system validation in clinical settings. (literal)
Prodotto di
Autore CNR
Insieme di parole chiave

Incoming links:


Prodotto
Autore CNR di
Http://www.cnr.it/ontology/cnr/pubblicazioni.owl#rivistaDi
Insieme di parole chiave di
data.CNR.it