Documente Academic
Documente Profesional
Documente Cultură
Lucrare de licență
Coordonator științific:
Ș.I. dr. ing. Marius Gavrilescu
Absolvent:
Coțovanu Ștefania
Iași, 2021
DECLARAŢIE DE ASUMARE A AUTENTICITĂŢII
LUCRĂRII DE LICENŢĂ
Data Semnătura
Cuprins
Introducere......................................................................................................................................1
Capitolul 1. Noțiuni fundamentale.................................................................................................2
1.1. Nodulii pulmonari..............................................................................................................2
1.2. Factori de risc.....................................................................................................................3
1.3. Tomografia computerizată (CT).........................................................................................3
1.4. Tipuri de noduli..................................................................................................................3
1.5. Detectarea nodulilor utilizând sisteme CAD......................................................................5
1.6. Lucrări similare..................................................................................................................5
1.7. Lucrări necesare.................................................................................................................7
1.8. Acestă lucrare.....................................................................................................................7
1.9. Tehnologii utilizate.............................................................................................................7
Capitolul 2. Date și metodologie...................................................................................................9
2.1. Achiziționarea imaginii......................................................................................................9
2.2. Pre-procesarea imaginii......................................................................................................9
2.3. Segmentarea imaginii.......................................................................................................11
2.3.1. Binarizarea imaginii.................................................................................................11
2.3.2. Determinarea contururilor........................................................................................13
2.4. Selectarea criteriilor de clasificare a nodulilor.................................................................15
2.4.1. În funcție de mărime.................................................................................................15
2.4.2. În funcție de formă...................................................................................................16
2.5. Clasificarea nodulilor.......................................................................................................17
Capitolul 3. Rezultate..................................................................................................................22
3.1. Evaluare cantitativă..........................................................................................................22
3.2. Evaluare calitativă............................................................................................................24
Concluzii.......................................................................................................................................26
Bibliografie......................................................................................................................................I
Anexa 1. Cod sursă.....................................................................................................................1
Anexa 2. Imaginile CT utilizate..................................................................................................1
I
Vizualizare imagistică medicală.
Detectarea nodulilor pulmonari
Rezumat
Plămânii sunt părți ale corpului aflați în cutia toracică și folosiți în respirație. Aceștia
furnizează oxigen organelor și țesuturilor din tot corp. Cancerul pulmonar este cunoscut ca unul
dintre cancerele cu cea mai scurtă supraviețuire după diagnostic. Așadar, cu cât este detectat mai
repede, cu atât este mai mare șansa de vindecare a pacientului. Cu cât sunt disponibile mai multe
informații diagnosticul va fi mai precis.
Ca urmare, îmi propun să realizez un program care să detecteze și să furnizeze informații
despre nodulii pulmonari în imagini realizate cu tomografie computerizată (CT).Abordarea este
o procesare a imaginii în care utilizează diferite instrumente de pregătire a imaginii pentru a-și
atinge ținta: segmentarea nodulilor pulmonari. Sistemul de segmentare poate fi împărțit în patru
etape principale. În timpul primei etape, imaginile CT sunt netezite cu ajutorul unor tehnici de
îmbunătățire a imaginii. În al doilea rând, imaginea trebuie partiționată astfel încât fiecare parte a
ei să fie separată de cealaltă. Acest lucru se realizează prin utilizarea segmentării cu prag.
Imaginea asupra căreia am aplicat segmentarea cu prag este supusă, de asemenea, unei tehnici
care ajută la îndepărtarea tuturor părților din imagine, păstrând doar zona de interes, adică cei doi
plămâni. După segmentare plămânului sunt extrase regiunile cu nodului pe baza criteriilor
mărime și formă. Nodulii detectați se vor evidenția în spectrul de culoare roșu, în care
intensitatea culorii crește în funcție de riscul pe care îl prezintă nodulul.
II
Introducere
Introducere
Cancerul pulmonar este unul dintre cele mai întâlnite patru tipuri de cancer la nivel
mondial [1]. Mai mult, rata mortalității a crescut de-a lungul anilor . Supraviețuirea de cancer
pulmonar este direct legată la detectarea nodulilor suspecți în stadii incipiente. Medicii folosesc
în prezent scanări de tomografie computerizată toracică (CT) pentru a detecta tumori pulmonare
deoarece are o sensibilitate ridicată și o rată de eroare scăzută. Cu toate acestea, chiar cu aceste
scanări CT, este nevoie de o anumită cantitate de timp și experiență pentru a detectează și
etichetează tumorile pulmonare. Acest lucru este valabil mai ales în stadii incipiente în care
tumorile pulmonare sunt încă mici. Mai mult, având în vedere numărul mare din cazurile pe care
radiologii trebuie să le analizeze zilnic și presiunea la care sunt supuși aceasta este o sarcină
grea. O soluție pentru a reduce această presiune este utilizarea asistată de computer sisteme de
detectare care detectează și localizează automat nodulii pulmonari în imagini CT. Aceste sisteme
sunt utile pentru a asista radiologii din proces de detectare a tumorilor pulmonare. Au multe
beneficii, cum ar fi reducerea rata de eroare a detectării nodulilor, reducerea timpului de
funcționare și detectarea tumori care sunt trecute cu vederea de radiologi. Mai multe studii au
arătat că sistemele de detectare asistată de computer oferă o a doua opinie utilă.
Sistemul de detectare asistată de computer (CAD) utilizate în detectarea nodulilor
pulmonari constă în general din patru etape principale: preprocesare, segmentare, analiza și
clasificarea regiunii de interes. Etapa de preprocesare este procesul de îmbunătățire a calității
plămânului imagine. Cele mai frecvente procese sunt reducerea zgomotului. După etapa de
preprocesare se aplică segmentarea pulmonară. Acest proces separă regiunea lobului pulmonar
de alte țesuturi din imagine prin păstrarea regiunea lobului pulmonar și îndepărtarea restului.
Aplicarea acestui proces este importantă deoarece crește precizia detectării nodulilor. Această
tehnică convertește o imagine la scară de gri în o imagine binară folosind un prag unde pixelii
sunt mai mari decât un anumit prag sunt considerați a fi prim-plan și toți ceilalți pixeli sunt
considerați a fi fundal. Apoi, se realizează etapa de analiză a structurii. În această etapă sunt
extrase caracteristicile regiunilor. Caracteristici precum valorile intensității pixelilor și analiza
morfologică și a texturii sunt utilizat pentru detectarea nodulilor pulmonari (caracteristici extrase
precum forma, dimensiunea). Toate caracteristicile candidaților la noduli sunt apoi utilizate în
etapa de clasificare. În etapa de clasificare candidații la noduli sunt clasificați în noduli sau non-
noduli în funcție de dimensiune și sunt reprezentați în spectrul de culoare roșu, în care
intensitatea culorii crește în funcție de riscul pe care îl prezintă aceștia.
1
Capitolul 1. Noțiuni fundamentale
În această cercetare a fost dezvoltat un sistem de detectare asistată de computer (CAD).
Acest sistem este capabil să localizeze nodulii pulmonari în scanări CT ale plămânilor umani
pentru a detecta posibile zone de interes. Aceste sisteme sunt necesare pentru a sprijini radiologii
și pentru a oferi o a doua opinie.
avansat la stadiul îndepărtat. Această lipsă inițială de simptome este motivul pentru care
majoritatea cancerelor pulmonare sunt diagnosticate după ce au avansat. Cu toate acestea, odată
ce pacienții au simptome, cercetătorii au descoperit că timpul mediu dintre solicitarea asistenței
medicale pentru aceste simptome și începutul tratamentului a fost de 138 de zile [2]. O astfel de
întârziere oferă cancerului și mai mult timp pentru a crește și duce la niveluri mai mari de
anxietate pentru pacient.
3
Figura 1.2: Nodul sub pleură. Figura 1.1: Nodul pulmonar rotund,
bine delimitat, cu margine netedă.
Figura 1.6: Un nod triunghiular poate Figura 1.7: Structuri Figura 1.8: Structuri
fi diagnosticat ca un ganglion benign. asemănătoare bulelor în asemănătoare bulelor în nodul
nodul indică cancerul. indică cancerul.
4
Capitolul 1. Noțiuni fundamentale
Figura 1.9: Imaginea din dreapta reprezinta o scanare CT, iar cea din stânga reprezinta țesuturile
moi. Secțiunile prezintă un nodul ușor marginat, cu grăsime internă și calcificare.
8
Capitolul 2. Date și metodologie
9
Pre-procesarea imaginii a fost efectuată pentru a construi imagini corespunzătoare care
sunt utilizate pentru dezvoltarea sistemului CAD. Pre-procesul constă în mai multe etape. Prima
etapă este procesul de conversie a imaginilor.
Următoarea etapă este cea de conversie a imaginii din spațiul de culoare RGB (Red,
Green și Blue) într-o imagine în spectrul gri. Pentru a converti o imagine color într-o imagine
gri, cele trei componente ale culorii fiecărui pixel trebuie egalizate.
Transformarea în spațiul RGB ar fi adăugarea/eliminarea canalului alfa, inversarea
ordinii canalelor, conversia de la culoarea RGB pe 16 biți (R5:G6:B5 sau R5:G5:B5), precum și
conversia la scară de gri utilizând: RGB[A] to Gray:Y←0.299⋅R+0.587⋅G+0.114⋅B [30].
Conversia de la o imagine RGB în gri se face cu:
• src − un obiect mat care reprezintă sursa (imaginea de intrare) pentru această operație;
• bwsrc − un obiect Mat care reprezintă destinația (imaginea de ieșire) pentru această
operație;
Ultima etapă din preprocesare constă în operația de netezire, numita și estompare. Pentru
a efectua o operație de netezire vom aplica un filtru imaginii noastre. Folosim mai frecvent tip de
filtre adică cele liniare, în care valoarea unui pixel de ieșire (adică g (i, j)) este determinată ca o
sumă ponderată a valorilor pixelilor de intrare (adică f (i + k, j + l)):
g(i,j)=∑k,lf(i+k,j+l)h(k,l), unde h(k,l) se numește nucleu (kernel) și reprezintă coeficienții
filtrului[31].
Filtrarea mediană este o metodă neliniară utilizată pentru eliminarea zgomotului din
imagini. Acesta este utilizat pe scară largă, deoarece este foarte eficient la eliminarea zgomotului
păstrând în același timp marginile. Este deosebit de eficient la eliminarea zgomotului de tip „sare
și piper”. Filtrul median funcționează prin deplasarea pixelilor imaginii în funcție de pixel,
înlocuirea fiecărei valori cu valoarea mediană a punctelor de imagine învecinate. Modelul
vecinilor se numește "fereastră", care glisează, pixel cu pixel, pe întreaga imagine. Mediana este
calculată prin sortarea mai întâi a tuturor valorilor punctelor din fereastră în ordine numerică,
10
Capitolul 2. Date și metodologie
apoi prin înlocuirea punctului luat în considerare cu valoarea medie (media) a punctelor. Am
utilizat filtrul median, această operație este similară cu celelalte metode de calculare a mediei.
Acest lucru se poate observa în Figura 3.
Acest filtru este furnizat de funcția medianBlur()[32]:
• src − un obiect mat care reprezintă sursa (imaginea de intrare) pentru această operație;
• dst − un obiect Mat care reprezintă destinația (imaginea de ieșire) pentru această
operație;
• ksize − un obiect de mărime reprezentând mărimea kernel-ului (în cazul nostru kernel-ul
are valoarea 3).
{
dst ( x , y )= maxVal if src ( x , y ) > pragul de segmentare .
0 ,altfel
11
Figura 2.5: Intesitățile pixelilor și pragul acestora dintr-o imagine
Deci, dacă intensitatea pixelilor src(x,y) este mai mare decât pragul de segmentare,
atunci noua intensitate a pixelilor este setată la MaxVal. În caz contrar, pixelii sunt setați la 0.
Funcția utilizată este cv2.threshold. Primul argument este imaginea sursă, care ar trebui
să fie o imagine în tonuri de gri, Figura 6. Al doilea argument este imaginea rezultată în urma
segmentării. Al treilea argument este valoarea limită utilizată pentru clasificarea valorilor
punctelor. Al patrulea argument este maxVal care reprezintă valoarea care trebuie dată dacă
valoarea pixelului este mai mare (uneori mai mică decât) valoarea pragului. OpenCV oferă
diferite stiluri de segmentare cu prag și acesta este decis de al cincilea parametru al
funcției( cv2.THRESH_BINARY):
12
Capitolul 2. Date și metodologie
Contururile pot fi explicate pur și simplu ca o curbă care unește toate punctele continue
(de-a lungul limitei), având aceeași culoare sau intensitate. Contururile sunt un instrument util
pentru analiza formei, detectarea și recunoașterea obiectelor. Pentru o precizie mai bună se
folosesc imagini binare. Realizăm această pentru a determina conturul plămânilor și pentru a-i
extrage.
Funcția: void cv::findContours(InputOutputArray image, OutputArrayOfArrays
contours, OutputArray hierarchy, int mode, int method, Point offset =
Point() ).
Găsește contururi într-o imagine binară.
• image: o imagine cu un singur canal pe 8 biți. Pixeli diferiți de zero sunt tratați ca 1.
pixeli rămași ca 0, deci imaginea este tratată ca binară.
• contours: Contururi detectate, fiecare contur este stocat ca un vector de puncte.
• hierarchy: vector de ieșire opțional, care conține informații despre topologia imaginii. Are
atât de multe elemente cât numărul de contururi.
• mode: modul de recuperare a conturului, în cazul nostru utilizam modul RETR_LIST
care recuperează toate contururile fără a stabili relații ierarhice.
• method: metoda de aproximare a conturului, în cazul nostru utilizăm metoda
CHAIN_APPROX_SIMPLE care comprimă segmente orizontale, verticale și diagonale
și lasă doar punctele lor finale.
• offset: decalaj opțional prin care fiecare punct de contur este deplasat. Acest lucru este
util dacă contururile sunt extrase din ROI-ul imaginii și apoi ar trebui analizate în întregul
context al imaginii.
În această etapă determinăm cei doi plamămâni cu ajutorul funcțiilor descrise mai sus și
anume: clonăm imaginea orginală pentru a nu o modifica după care sortăm crescător în funcție
de aria rezultată; apoi se marchează, cu ajutorul funcției de desenare a contururilor, cu nuanța
albastră cei 2 plămâni: păstrăm doar cele două obiecte detectate pe care le marcăm în mască.
Imaginea finală conține doar pozițiile marcate din mască .
14
Capitolul 2. Date și metodologie
Figura 2.10: Obiectele detectate în funcție mărime fără aplicarea criteriului mărime
Figura 2.12: Obiectele detectate în funcție mărime după aplicarea criteriului mărime
calculăm cele doua distante maxime ce sunt perpendiculare. Dacă raportul celor doua distante
este apropiat de valoarea 1 putem spune că forma detectată este rotundă, altfel aceasta forma este
alungită sau neregulata. În ceea ce urmează vom descri procesul de detectarea a celor doua
distante maxime ce îndeplinesc condiția de perpendicularitate.
Valorile cele două perechi de puncte necesare în calcularea celor doua drepte sunt luate
de pe conturul nodulului. Fiecare dreaptă este calculată cu ajutorul formulei matematice de
calcul a distanței euclidiene: dacă P=( p1 , p2 ) și Q=( q 1 ,q 2 ) atunci distanța este dată de formula:
√ 2 2
ⅆ ( p ,q )= ( p1 −q 1 ) +( p2 −q 2 ) [34]. Pentru a verifica dacă cele doua drepte maxime sunt
perpendiculare folosim panta acestora. Pentru calcularea pantei este nevoie de cele doua perechi
de puncte distincte pentru fiecare dreapta. Coordonatele punctelor ajută la determinarea ecuația
dreptei. Formula pentru a determina ecuația dreptei a două puncte distincte este: Considerăm
y− y A x −x A
cele doua puncte distincte A=( x A , y A ) și B=( x B ,Y B ) , AB : = [35]. Ecuația poate
y B− y A x B −x A
fi adusă la forma de ecuație carteziană genarală ax +by +c=0[35]. Având dată o dreaptă prin
ecuaţia de mai sus putem deduce foarte simplu panta acesteia făcând - raportul dintre coeficientii
−a
lui x si al lui y, astfel: aplicând formula m= [35].
b
17
justifică nicio evaluare suplimentară. Definiția exactă de dimensiuni mici diferă ușor de la un
ghid la altul. Potrivit societății Fleischner, nodulii cu diametrul de 6 mm sunt considerați
suficient de mici pentru a externa pacientul[36].În orientările anterioare ale ACCP și BTS,[37]
[38] pe baza rezultatelor studiului lui Horeweg [39]care au constatat că numai nodulii de 5 mm
nu au fost asociați cu un risc de cancer semnificativ crescut.. Aceste recomandări se aplică
tuturor nodulilor solitari[40][41]. La pacienții cu noduli multipli, se justifică o monitorizare CT
pe termen scurt, Tabelul 2.2.
Nodulii medii (<8 mm)
În acest caz, supravegherea CT este invariabil recomandată,[42] pe baza unui risc de
cancer estimat de 0.5%–2% [43]. O scanare CT repetată la 6–12 luni , urmată de obicei de o a
doua la 18–24 luni. În special în cazul pacienților cu risc ridicat, numărul de CT de urmărire și
intervalele diferă de la un ghid la altul și în funcție de dimensiune și de riscul clinic, Tabelul 2.2.
Nodulii constant nemodificați după o monitorizare de 2 ani sunt în general benigni[44] și permit
externarea majorității pacienților, deși lipsa evidentă de creștere chiar și pentru 2 ani nu exclude
definitiv malignitatea în toate cazurile [42]. Pentru pacienții care prezintă dovezi clare de
creștere a nodulului (nodulilor) pulmonar (pulmonari) în timpul perioadei de supraveghere CT, ar
trebui să se continue evaluarea diagnosticului.
Nodulii mari (≥8 mm)
Nodulii mari, asociați cu un risc de malignitate care depășește 2%, necesită o abordare
mai agresivă. Alternativele acceptabile includ urmărirea CT cu interval inițial mic (la 3 luni),
scanarea PET / CT, biopsia nechirurgicală sau excizia chirurgicală definitivă. [42] Echivalența
acestor abordări rămâne necunoscută, iar alegerea este, de obicei, ghidată de dimensiunea exactă
a nodulului, localizarea și morfologia, precum și de pacient și factori legați de sistemul de
sănătate (disponibilitatea resurselor și expertiza locală). Atunci când intervenția chirurgicală este
fezabilă, se recomandă excizia chirurgicală la pacienții cu risc crescut.[43] În caz de probabilitate
mică / moderată de malignitate, trebuie efectuată PET / CT și, dacă este negativă, trebuie urmată
supravegherea CT sau biopsia nechirurgicală, Tabelul 2.2. Dacă se detectează un nodul pulmonar
care se mărește rezecția chirurgicală, precedată sau nu de biopsie, este următorul pas rezonabil.
Pacienții cu mai mulți noduli dintre care unul sau mai mulți depășesc 8 mm în diametru ar trebui
să fie tratați în conformitate cu cel mai suspect (sau dominant) nodul, care este, de obicei, dar nu
neapărat cel mai mare. [42] Boala metastatică pulmonară este principala preocupare în aceste
cazuri, mai ales atunci când nodulii sunt localizați periferic în câmpurile pulmonare inferioare și
variază considerabil ca dimensiune.
18
Capitolul 2. Date și metodologie
Imaginea 2.14 prezintă rezultatele obținute după evaluarea imaginii prezentate în Figura
2.12.
19
Figura 2.15: Nodulii detectați și reprezentați în funcție de risc pentru imaginea de intrare de mai sus
20
Capitolul 2. Date și metodologie
21
Capitolul 3. Rezultate
3.1. Evaluare cantitativă
În acest subcapitol sunt prezentate rezultatele cantitative ale programului realizat. Tabelul
3.1 evidențiază procentul de noduli cu risc scăzut, procentul de noduli cu risc ridicat și procentul
pe care îl reprezintă aria nodulilor din aria totală a plămânilor. Testarea se face pe 10 imagini CT
de la pacienți diferiți.
Tabelul 3.1: Procentele nodulilor cu risc ridicat/scăzut și procentul ariei nodulilor din aria plămânilor
Cazuri Input Output Procentul Procentul Procentul
nodulilor cu nodulilor cu ariei
risc scăzut risc ridicat nodulilor
din aria
plămânilor
1 12% 88% 3.76%
22
Capitolul 3. Rezultate
5 7% 93% 3.69%
9 0% 100% 1.39%
23
3.2. Evaluare calitativă
În acest subcapitol prezentăm în ce măsura programul realizat detectează corect nodulii.
2 23 14 60%
3 36 20 55.6%
4 22 14 63.6%
5 28 16 57.1%
24
Capitolul 3. Rezultate
6 27 23 85.1%
7 39 29 74.3%
8 36 24 66.7%
9 3 3 100%
10 15 12 80%
25
Concluzii
Scopul acestei lucrări a fost de a dezvolta un sistem CAD care este capabil să detecteze
nodulii pulmonari în scanările CT ale oamenilor. Sistemul propus în această lucrare este capabil
să facă acest lucru cu o precizie de 72%. Întrucât fiecare studiu, inclusiv acesta, are propriile sale
metode de pre-procesare și configurare experimentală, este greu să de comparat cu studii conexe.
Sistemele CAD actuale servesc drept opinie secundară pentru radiologi și reduc o parte din
volumul lor de muncă. Rezultatele acestei cercetări confirmă cercetările anterioare în sensul că
este foarte greu să creezi un sistem CAD perfect pentru detectarea nodulilor pulmonari. Prin
urmare, cunoștințele și experiența specifice domeniului radiologilor vor fi întotdeauna necesare
în acest domeniu, cel puțin în viitorul apropiat.
26
Bibliografie
Bibliografie
[1] Cancer Statistics for the UK, „Cancer Research UK. Let’s beat cancer sooner” [Online], Disponibil
la adresa: https://www.cancerresearchuk.org/health-professional/cancer-statistics/worldwide-
cancer, Accesat: 2021.
[2] Peter M Ellis and Rachel Vandermeer, „Delays in the diagnosis of lung cancer”, , , pp. 183-188, .
[3] , „Nodul pulmonar ” [Online], Disponibil la adresa:
https://ro.vvikipedla.com/wiki/Lung_nodule#cite_note-Snoeckx2017-8, Accesat: 2021.
[4] STEPHEN J. SWENSEN , JAMES R. JETT , JEFF A. SLOAN , DAVID E. MIDTHUN ,
THOMAS E. HARTMAN , ANNE-MARIE SYKES , GREGORY L. AUGHENBAUGH ,
FRANK E. ZINK , SHAUNA L. HILLMAN , GAYLE R. NOETZEL , RANDOLPH S.
MARKS , AMY C. CLAYTON , and PETER C. PAIROLERO, „Screening for Lung Cancer with
Low-Dose Spiral Computed Tomography” [Online], Disponibil la adresa:
https://www.atsjournals.org/doi/full/10.1164/ajrccm.165.4.2107006, Accesat: 2021.
[5] , „Computer-Aided Diagnosis of Lung Nodules on CT Scans: ROC Study of Its Effect on
Radiologists’ Performance” [Online], Disponibil la adresa:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3767437/, Accesat: 2021.
[6] Kenji Suzuki, „Pulmonary nodules at chest CT: effect of computer-aided diagnosis onradiologists’
detection performance” [Online], Disponibil la adresa:
https://www.researchgate.net/publication/258769735_Computer-Aided_Diagnosis_CAD,
Accesat:2021 .
[7] Colin Jacobs, Eva M. van Rikxoort,Keelin Murphy, Mathias Prokop, Cornelia M. Schaefer-Prokop,
Bram van Ginneken, „Computer-aided detection of pulmonary nodules: a comparativestudy using
the public LIDC/IDRI database” [Online], Disponibil la adresa:
https://www.researchgate.net/publication/282659189_Computer-
aided_detection_of_pulmonary_nodules_A_comparative_study_using_the_public_LIDCIDRI_data
base, Accesat: 2021.
[8] Firmino, G. Angelo, H. Morais, MR. Dantas and R. Valentim, „Computer-aided detection (CADe)
and diagnosis (CADx) system forlung cancer with likelihood of malignancy” [Online], Disponibil
la adresa: https://biomedical-engineering-online.biomedcentral.com/articles/10.1186/s12938-015-
0120-7, Accesat: 2021.
[9] Kim, H., Nakashima, T., Itai, Y.,, „Automatic detection of groundglass opacity from the thoracic
MDCT images by using density features” , Accesat: 2021.
[10] S. Sivakumar , „Lung Nodule Detection Using Fuzzy Clustering andSupport Vector Machines” ,
Accesat: 2021.
[11] Pu, J., Roos, J., Yi, C.A., „Adaptive border marching algorithm:automatic lung segmentation on
chest CT images”, Comput. Med.Imaging Graph 32 (2008), , pp. pp. 452–462, .
[12] Gori, I., Bellotti, R., Cerello, P., „Lung nodule detection inscreening computed tomography”, IEEE
Nuclear Science Symposium Conference Record (2006) .
[13] Wei, G.Q., Fan, L., Qian, J, „“Automatic detection of nodules attachedto vessels in lung CT by
volume projection analysis”, Comput. Med.Imaging Graph. 32 (2008), pp. 286–294.
[14] Y.-H. Na K.-T. Bae J.-S. Kim. , „Pulmonary nodules: automated detection on CT images with
morphologic matching algorithm, preliminaryresults”, Radiology 236 (2005), pp. 286–294, .
[15] N. Birkbeck, M. Sofka, T. Kohlberger, J. Zhang, J. Wetzl, J. Kaftanand S. Kevin Zhou, „Robust
Segmentation of Challenging Lungs in CTUsing Multi-stage Learning and Level Set Optimization”,
Computational Intelligence in Biomedical Imaging (2014), pp. 185–208, .
I
[16] R. Vig P. Aggarwal and H.-K. Sardana, „Semantic and Content-BasedMedical Image Retrieval for
Lung Cancer Diagnosis with the Inclusion of Expert Knowledge and Proven Pathology”, In proc.
of the IEEE second international conference on Image Information Processing ICIIP (2013), pp.
346–351.
[17] F. Taher and R. Sammouda, „Identification of Lung Cancer Based onShape and Color”, In proc. of
the 4th International Conference(2010).
[18] Kim, D.Y., Kim, J.H., Noh, S.M., „Pulmonary nodule detectionusing chest CT images”, Acta.
Radiol. 44 (2003), , pp. 252–257.
[19] Ozekes, S., Osman, O, „Computerized Lung Nodule Detection Using3D Feature Extraction and
Learning Based Algorithms”, MedicalSystems 34 (2010), pp. 185–193.
[20] Gurcan MN, „Lung nodule detection on thoracic computed tomography images:preliminary
evaluation of a computer-aided diagnosis system”, 2001.
[21] McCulloch CC , „Model-based detection of lung nodules in computed tomographyexams. Thoracic
computer-aided diagnosis”, 2004.
[22] Zhanyu Ge, „Computer-aided detection of lung nodules: False positive reduction usinga 3D
gradient field method and 3D ellipsoid fitting”, 2005.
[23] ] Baris Kayalibay, Grady Jensen, and Patrick van der Smagt, „CNN-based Segmentation ofMedical
Imaging Data”, CoRR abs/1701.03056 (2017).
[24] He Yang, Hengyong Yu, and Ge Wang, „Deep Learning for the Classification of LungNodules”,
2016.
[25] Hamidian S , „3D Convolutional Neural Network for Automatic Detection of LungNodules in
Chest CT”, 2017.
[26] Fausto Milletari, Nassir Navab, and Seyed-Ahmad Ahmadi, „V-Net: Fully ConvolutionalNeural
Networks for Volumetric Medical Image Segmentation”, CoRR abs/1606.04797(2016).
[27] ] Özgün Çiçek , „3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation”,
CoRR abs/1606.06650 (2016) .
[28] SLA Lee, AZ Kouzani, and EJ Hu, „Automated identification of lung nodules”, 2008, , pp. , .
[29] , „https://wiki.cancerimagingarchive.net/display/Public/LIDC-IDRI” [Online], Disponibil la adresa:
https://wiki.cancerimagingarchive.net/display/Public/LIDC-IDRI, Accesat: 2021 .
[30] , „Convert RGB to GRAY OpenCv Document” [Online], Disponibil la adresa:
https://docs.opencv.org/3.4/de/d25/imgproc_color_conversions.html., Accesat: 2021 .
[31] Tutorials Point, „Median Blur, OpenCv” [Online], Disponibil la adresa:
https://www.tutorialspoint.com/opencv/opencv_median_blur.htm, Accesat: 2021.
[32] , „Linear filters to smooth images using OpenCV functions, Median Filter” [Online], Disponibil la
adresa: https://www.tutorialspoint.com/opencv/opencv_median_blur.htm, Accesat: 2021.
[33] , „Basic Thresholding Operations, OpenCV Tutorials, Image Processing (imgproc module)”
[Online], Disponibil la adresa: https://docs.opencv.org/3.4/db/d8e/tutorial_threshold.html, Accesat:
2021 .
[34] , „Distanta dintre doua puncte in plan, cand se cunosc coordonatele punctelor.” [Online],
Disponibil la adresa: https://sites.google.com/site/videomeditatii/clase-liceale-9-12/clasa-a-10-a/
programa-scolara-pentru-matematica-clasa-a-x-a/distanta-dintre-doua-puncte-in-plan-cand-se-
cunosc-coordonatele-punctelor, Accesat: 2021.
[35] , „Ecuaţia dreptei determinata de două puncte distincte din plan. Dreapta data de doua puncte. ”
[Online], Disponibil la adresa: https://sites.google.com/site/videomeditatii/clase-liceale-9-12/clasa-
a-10-a/programa-scolara-pentru-matematica-clasa-a-x-a/ecuatia-dreptei-determinate-de-doua-
puncte-distincte-din-plan, Accesat: 2021 .
II
Bibliografie
[36] MacMahon H, Naidich DP, Goo JM, Lee KS, Leung ANC, Mayo JR, Mehta AC, Ohno Y, Powell
CA, Prokop M, Rubin GD, Schaefer-Prokop CM, Travis WD, Van Schil PE, Bankier AA,
„Guidelines for Management of Incidental Pulmonary Nodules Detected on CT Images: From the
Fleischner Society 2017.”, pp. 228-243, .
[37] Gould MK, Donington J, Lynch WR, Mazzone PJ, Midthun DE, Naidich DP,, „valuation of
individuals with pulmonary nodules: When is it lung cancer? Diagnosis and management of lung
cancer, 3rd ed: American College of Chest Physicians Evidence-Based Clinical Practice
Guidelines”.
[38] Callister ME, Baldwin DR, Akram AR, Barnard S, Cane P, Draffan J, „British Thoracic Society
guidelines for the investigation and management of pulmonary nodules. Thorax. 2015” .
[39] Horeweg N, van Rosmalen J, Heuvelmans MA, van der Aalst CM, Vliegenthart R, Scholten ET,
„Lung cancer probability in patients with CT-detected pulmonary nodules: A prespecified analysis
of data from the NELSON trial of low-dose CT screening”, Lancet Oncol.
[40] Callister ME, Baldwin DR, Akram AR, Barnard S, Cane P, Draffan J, Franks K, Gleeson F, Graham
R, Malhotra P, Prokop M, Rodger K, Subesinghe M, Waller D, Woolhouse I,, „British Thoracic
Society guidelines for the investigation and management of pulmonary nodules.”, British Thoracic
Society Pulmonary Nodule Guideline Development Group., British Thoracic Society Standards of
Care Committee.Thorax. 2015 Aug.
[41] MacMahon H, Naidich DP, Goo JM, Lee KS, Leung ANC, Mayo JR, Mehta AC, Ohno Y, Powell
CA, Prokop M, Rubin GD, Schaefer-Prokop CM, Travis WD, Van Schil PE, Bankier AA,
„Guidelines for Management of Incidental Pulmonary Nodules Detected on CT Images: From the
Fleischner Society 2017”,pp. 228-243, .
[42] MacMahon H, Naidich DP, Goo JM, Lee KS, Leung ANC, Mayo JR, Mehta AC, Ohno Y, Powell
CA, Prokop M, Rubin GD, Schaefer-Prokop CM, Travis WD, Van Schil PE, Bankier AA,
„Guidelines for Management of Incidental Pulmonary Nodules Detected on CT Images: From the
Fleischner Society 2017.”, pp. 228-243 .
[43] McWilliams A, Tammemagi MC, Mayo JR, Roberts H, Liu G, Soghrati K, Yasufuku K, Martel S,
Laberge F, Gingras M, Atkar-Khattra S, Berg CD, Evans K, Finley R, Yee J, English J, Nasute P,
Goffin J, Puksa S, Stewart L, Tsai S, Johnston MR, Manos D, Nicholas G, Goss GD, Seely JM,
Amjadi K, Tremblay A, Burrowes P, MacEachern P, Bhatia R, Tsao MS, Lam S, „Probability of
cancer in pulmonary nodules detected on first screening CT.”, N Engl J Med. 2013 Sep 5,, pp.
910, .
[44] Shin KE, Lee KS, Yi CA, Chung MJ, Shin MH, Choi YH, „Subcentimeter lung nodules stable for 2
years at LDCT: long-term follow-up using volumetry.”, Respirology. 2014 Aug
III