UNIVERSITATEA TEHNICĂ „Gheorghe Asachi” din IAȘI

FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE

DOMENIUL: Calculatoare și tehnologia informației
SPECIALIZAREA: Calculatoare

Vizualizare imagistică medicală.

Detectarea nodulilor pulmonari

Lucrare de licență

Coordonator științific:
Ș.I. dr. ing. Marius Gavrilescu

Absolvent:
Coțovanu Ștefania

Iași, 2021
 DECLARAŢIE DE ASUMARE A AUTENTICITĂŢII
LUCRĂRII DE LICENŢĂ

Subsemnatul(a) Coțovanu Ștefania, legitimat(ă) cu CI seria MZ nr. 496036 , CNP

2980329226710 autorul lucrării „Vizualizare imagistică medicală. Detectarea nodulilor
pulmonari” elaborată în vederea susţinerii examenului de finalizare a studiilor de licență
organizat de către Facultatea de Automatică şi Calculatoare din cadrul Universităţii Tehnice
„Gheorghe Asachi” din Iaşi, sesiunea Iulie a anului universitar 2020-2021 luând în
considerare conţinutul Art. 34 din Codul de etică universitară al Universităţii Tehnice
„Gheorghe Asachi” din Iaşi (Manualul Procedurilor, UTI.POM.02 - Funcţionarea Comisiei de
etică universitară), declar pe proprie răspundere, că această lucrare este rezultatul propriei
activităţi intelectuale, nu conţine porţiuni plagiate, iar sursele bibliografice au fost folosite cu
respectarea legislaţiei române (legea 8/1996) şi a convenţiilor internaţionale privind drepturile
de autor.

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.

1.1. Nodulii pulmonari

Noduli pulmonari, pete albe, leziuni - toți acești termeni descriu același fenomen: o
anomalie în plămâni. Nodulii pulmonari se găsesc în mod obișnuit după ce un pacient este supus
unei tomografii toracice din anumite motive, cum ar fi atunci când un pacient prezintă simptome
de boli pulmonare sau în timpul unui screening al cancerului pulmonar. Uneori, totuși, un medic
observă din greșeală un nodul pulmonar în timp ce efectuează o examinare CT a abdomenului
pacientului din cauza durerilor de stomac fără legătură sau după un accident.
Într-o scanare CT, plămânii apar ca doi bureți negri, cu linii albe subțiri care străbat ei.
Asta pentru că plămânii sunt plini de aer, iar aerul arată negru pe o tomografie sau pe o
radiografie toracică. Nodulii pulmonari, la rândul lor, sunt pete albe în acel spațiu negru, ceea ce
înseamnă că există altceva în plămâni unde ar trebui să existe doar aer.
O scanare CT poate spune dacă un nodul pulmonar este canceros? Răspunsul scurt este
nu. O scanare CT de obicei nu este suficientă pentru a spune dacă un nodul pulmonar este o
tumoare benignă sau o bucată canceroasă. O biopsie este singura modalitate de a confirma un
diagnostic de cancer pulmonar. Dar caracteristicile nodulului, așa cum se vede pe o scanare CT,
pot oferi indicii. Pentru a determina dacă probabilitatea cancerului pulmonar este ridicată sau
scăzută, medicii se uită de obicei la trei caracteristici distincte ale nodulului: mărimea punctului,
forma acestuia și dacă nodulul este calcificat.
Dacă scanarea CT arată noduli mici (mai puțin de un centimetru lățime sau aproximativ
de mărimea unui bob de mazăre verde), probabilitatea ca aceștia să fie canceroși este scăzută.
Nodulii mai mari sunt mai îngrijorători. Nodulii rotunzi sunt mai puțin susceptibili de a fi
canceroși decât cei care au margini zimțate. Nodulii pulmonari calcificați conțin depozite de
calciu care uneori se formează ca răspuns la infecție. Acești noduli sunt cel mai probabil
necanceroși.
Un alt semn cheie pe care îl caută medicii atunci când încearcă să stabilească dacă un
nodul pulmonar poate fi canceros este diferența în mărimea nodulului dintre o scanare și alta
luată ulterior. Nodulii canceroși sunt mai predispuși să crească. Dacă pata albă se mărește între
scanări, aceasta ar putea fi o indicație a cancerului pulmonar. Deci, în timp ce o scanare CT nu
poate confirma dacă nodulul pulmonar este canceros, poate determina dacă sunt necesare teste
imagistice suplimentare.
Există o diferență semnificativă în ratele de supraviețuire a cancerului pulmonar între
cancerele diagnosticate în stadiile incipiente și cele diagnosticate în stadiul III sau IV - care este
momentul în care sunt diagnosticate majoritatea cancerelor pulmonare. Atunci când se găsește
locul localizării cancerului pulmonar - adică nu există dovezi că s-a răspândit în afara plămânilor
- este mult mai ușor de tratat decât atunci când este răspândit în zone regionale (aproape de
plămâni) sau în zone îndepărtate ale corpului. Simptomele precoce ale cancerului pulmonar pot
include: o tuse care este nouă, se înrăutățește sau produce sânge, dificultăți de respirație, dureri
în piept atunci când tușește sau râde, pierdere în greutate inexplicabilă, infecții pulmonare care
nu vor dispărea.
Totuși, mulți pacienți cu cancer pulmonar nu au simptome până când cancerul nu a
2
 Capitolul 1. Noțiuni fundamentale

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.

1.2. Factori de risc

Factorii de risc pentru nodulii descoperiți incidental sunt în principal:
• Factori de risc generali de cancer pulmonar: expunerea la fumatul tutunului, infecție
respiratorie, boala pulmonară obstructivă cronică, azbest, genetica.
• Mărimea: dimensiunea mai mare conferă un risc mai mare de cancer.
• Locația: localizarea lobului superior este un factor de risc pentru cancer, în timp ce o
locație apropiată de fisura sau pleura indică un ganglion limfatic benign, mai ales dacă
are o formă triunghiulară;
• Marja morfologie: a spiculat marja este un factor de risc pentru cancer. Cauzele benigne
tind să aibă o margine bine definită, în timp ce leziunile lobulate sau cele cu o margine
neregulată care se extinde în țesutul vecin tind să fie maligne. În special, spiculările sunt
foarte predictive pentru malignitate, cu o valoare predictivă pozitivă de până la 90%. De
asemenea, un „semn de crestătură”, care este o indentare bruscă a nodulului, crește riscul
de cancer[3].
• Multiplicitate: În cazul în care prezența a până la 3 noduli suplimentari sa dovedit a crește
riscul de cancer, dar scade în cazul a 4 sau mai mulți alți, probabil deoarece indică o
infecție anterioară mai degrabă decât cancer[3].
• Creştere rata: cancerele solide se dublează, în general, volumul între 100 și 400 de zile, în
timp ce cancerele subsolide se dublează în general volumul în decurs de 3 până la 5 ani.
O dublare a volumului este egală cu o creștere a diametrului cu aproximativ 26%[3].

1.3. Tomografia computerizată (CT)

Scanarea CT reprezintă o formă de radiografie care implica utilizarea un echipament cu
raze X. Mai este denumita scanare CAT și este de obicei folosita în cazuri precum fracturi
osoase, traumatisme craniene, tumori, monitorizare în cancer, hemoragie interna. Potrivit
majorității tratatelor medicale, scanarea CT se afla în top 5 în ceea ce privește inovațiile în
medicina în ultimii 50 de ani. CT s-a dovedit un instrument medical atât de valoros încat
inventatorilor li s-a acordat Premiul Nobel în 1979. Tomografia computerizată (CT) folosește
raze X și un computer pentru a crea imagini detaliate ale interiorului corpului. Examinarea poate
fi efectuata în cadrul spitalizării sau în ambulatoriu de către medicul specialist radiolog.

1.4. Tipuri de noduli

Vom prezenta tipurile generale de noduli detectați în tomografia computerizată care ne
vor ajuta sa vizualizăm noțiunea de nodul pulmonar și să înțelegem cum arata aceștia [3].

3
 Figura 1.2: Nodul sub pleură. Figura 1.1: Nodul pulmonar rotund,
bine delimitat, cu margine netedă.

Figura 1.4: Nodul pulmonar Figura 1.5: Un „semn cu

Figura 1.3: Nodul lobulat. spiculat. crestătură”.

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.

1.5. Detectarea nodulilor utilizând sisteme CAD

Un nodul pulmonar se referă la o serie de anomalii considerate opacitate mică, rotundă,
aproximativ sferică, limitată la țesutul anormal. Pentru a detecta nodulii pulmonari radiologii
folosesc scanări tomografice computerizate (CT) toracice. Scanările CT pot detecta noduli mai
mici în stadii anterioare decât scanările de radiografie toracică [4]. Mai mult, rata de detectare a
cancerului pulmonar este de 2.6 - 10 ori mai mare folosind o scanare CT decât cu radiografia
analogică[5]. Imaginile transversale ale plămânilor, generate în timpul unei scanări CT, pot fi
formatate în mai multe planuri. Acest lucru are ca rezultat o reprezentare tridimensională a
plămânilor. Inspectarea tuturor acestor imagini transversale este o sarcină care necesită mult timp
pentru radiologi. Odată cu adoptarea mai multor persoane pentru scanarea CT timpurie, volumul
de muncă pe radiologi va crește considerabil.
Sistemele de detectare asistată de computer (CAD) pentru detectarea și localizarea
nodulilor pulmonari în cadrul scanărilor CT reprezintă o soluție pentru a reduce această sarcină
de lucru în creștere pentru radiologi. Sistemele CAD urmăresc să ajute la detectarea și
clasificarea bolilor printr-o a doua opinie pentru radiologi [6].
Scopul unui sistem CAD este de a atinge o sensibilitate ridicată, adică detectarea a cât
mai multor noduli prezenți într-o scanare. Cu toate acestea, sistemele CAD actuale produc multe
pozitive false, adică detectarea incorectă a unei pete ca nodul, atunci când nu este. Există un
compromis între sensibilitate ridicată și un număr mare de fals pozitiv. Performanța acestor
sisteme variază. Într-un studiu comparativ , Jacobs C. compară performanța a trei sisteme CAD
comerciale pentru detectarea nodulilor pulmonari. Performanțele lor în sensibilitate sunt de 62%,
74% și 82%, în timp ce numărul falsurilor pozitive este de 3,1, respectiv 3,8 și 4,0 pe scanare [7].

1.6. Lucrări similare

De-a lungul anilor, multe tipuri diferite de sisteme CAD pentru detectarea și localizarea
nodulilor pulmonari au fost dezvoltate și testate în acest domeniu de cercetare. Deoarece
tehnicile și puterea de calcul s-au îmbunătățit de-a lungul anilor, la fel s-au îmbunătățit și
sistemele CAD. Sistemul (CAD) utilizat în detectarea nodulilor pulmonari constă în general în
patru etape principale : preprocesare, segmentare, structură / analiză și clasificare ROI (Regiunea
de interes) [8].
Etapa de preprocesare este procesul de îmbunătățire a calității imaginii pulmonare. Cele
mai frecvente procese sunt reducerea zgomotului și a artefactului (erori în imagine). Kim [9] a
5
implementat netezirea pentru a reduce zgomotul prin filtrarea mediană. S. Sivakumar [10] și
Jaesung a folosit de asemenea această metodă pentru a elimina zgomotul din imagine. Pu [11],
Gori [12]și Wei [13] au implementat netezirea Gaussiană pentru a elimina artefactele imaginii.
Artefacte, cum ar fi îndepărtarea conturului de-a lungul limitei pulmonare, care probabil nu este
limita pulmonară.
După etapa de preprocesare se aplică segmentarea pulmonară. Acest proces separă
regiunea lobului pulmonar de alte țesuturi din imagine prin păstrarea regiunii lobului pulmonar și
îndepărtarea restului. Aplicarea acestui proces este importantă deoarece crește precizia și precizia
detectării nodulilor. Mai mult, scade costul de calcul al detecției. O tehnică simplă de segmentare
este pragul. Această tehnică convertește o imagine la scară de gri într-o imagine binară utilizând
un prag în care pixelii mai mari decât pragul sunt considerați ca fiind prim-plan și toți ceilalți
pixeli sunt considerați a fi de fundal [14][15]. O altă tehnică de segmentare este creșterea
regiunii folosită de Aggarwal [16] și Taher [17] pentru segmentarea țesutului pulmonar. Această
tehnică determină limitele obiectelor pe baza omogenității imaginii. Este un proces iterativ în
care se explorează pixeli învecinați ai punctelor inițiale inițiale și se determină dacă trebuie
adăugați în regiune.
Apoi, se realizează etapa de analiză a structurii / ROI (Regiunea de interes). În această
etapă sunt extrase caracteristicile regiunilor. Caracteristici precum valorile intensității pixelilor și
analiza morfologică și a texturii sunt utilizate pentru detectarea nodulilor pulmonari [18]
caracteristici extrase, cum ar fi forma, dimensiunea, media și deviația standard a candidaților
noduli. Ozekes S. și Osman O. [19] au implementat extragerea caracteristicilor 3D. Aceste
caracteristici 3D constau în etichetarea componentelor conectate 3D, calcularea rectitudinii,
calculul grosimii, determinarea feliei mijlocii, calculul lățimilor verticale și orizontale, calculul
regularității și calculul raporturilor de pixeli negri verticali și orizontali. Toate caracteristicile
candidaților la noduli sunt apoi utilizate în etapa de clasificare.
2000 – 2010
Gurcan [20] a propus un sistem CAD cu mai multe etape care segmentează regiunile
pulmonare de interes folosind gruparea k-medii și detectează nodulii pulmonari folosind
clasificatori pe bază de reguli și analize Ei raportează o sensibilitate de 84% și o medie de 1,74
fals pozitivi per felie. McCulloch [21] a propus, de asemenea, un sistem CAD cu mai multe etape
în care fiecare etapă surprinde informații anatomice și structuri pulmonare diferite. Sistemul lor
produce 8,3 fals pozitivi pe scanare. Ge [22] a extras trăsături tridimensionale (3D) din volumele
de interes pentru a detecta nodulii. În cadrul acestor caracteristici obțin o sensibilitate de 80% cu
aproximativ 0,77 fals pozitivi pe secțiune. Localizarea unui nod pe o imagine sau scanare
înseamnă obținerea exactă a coordonatelor x, y și z. Având în vedere acest lucru, Lee a propus o
metodă de fereastră glisantă, în care sunt clasificate ferestrele care se mișcă peste imagine.
Acestea raportează o sensibilitate de 100% și 1,4 fals pozitive pe felie, testate pe 20 de felii
selectate.
2011 – prezent
Odată cu descoperirea rețelelor neuronale profunde (CNN) în clasificarea imaginilor cu
AlexNet , dezvoltată de Alex Krizhevsky, multe sarcini de viziune pe computer sunt efectuate de
CNN. De atunci, tehnica este adesea denumită „învățare profundă”. De asemenea, au găsit un
mare succes în aplicațiile de imagistică medicală, așa cum a demonstrat Kayalıbay în cercetările
sale [23]. Prin urmare, sistemele CAD mai recente pentru detectarea nodulilor pulmonari
utilizează arhitecturi CNN. Întrucât CNN are adesea nevoie de multe exemple pentru a
generaliza bine, Yang [24] a investigat dacă mărirea datelor îmbunătățea performanța pe un CNN
2D. Principala lor concluzie este că mărirea datelor îmbunătățește performanța CNN. În
cercetările recente ale lui Hamidian [25] este investigat un CNN 3D, care atinge o sensibilitate
6
 Capitolul 1. Noțiuni fundamentale

de 80% și 22,4 fals pozitivi pe scanare.

CT scanează volume 3D și sunt de obicei anizotrope. Rețelele neuronale profunde s-au
dovedit, de asemenea, să funcționeze bine în segmentarea 3D, așa cum arată Milletari [26]. De
asemenea, au fost adaptate cu succes de la 2D la 3D de către Cicek [27].
În majoritatea studiilor corelate, sistemele CAD sunt evaluate utilizând sensibilitatea și
numărul de fals pozitiv pe scanare CT.

1.7. Lucrări necesare

În viziunea computerului, în general, pentru detectarea nodulului pulmonar în mod
specific, performanțele CNN sunt foarte promițătoare. În studiile corelate din acest domeniu,
cele mai multe CNN efectuează o sarcină binară: scanarea unei secțiunii ce conține un nodul sau
nu Cu toate acestea, cu această abordare, nu se găsește nicio locație exactă de coordonate în
planul x, y, z. Metoda ferestrei culisante a lui Lee [28] rezolvă această problemă parțial, deoarece
o metodă de fereastră glisantă poate furniza coordonatele x, y ale unui nodul pe o secțiune 2D. În
cercetările sale, a fost folosit un clasificator aleatoriu de pădure și nu un CNN. În plus, cele mai
multe cercetări nu acordă atenție la preluarea coordonatelor z ale unui nodul. Se poate argumenta
că se investighează fiecare secțiune, dar cu un număr diferit de secțiuni pentru diferite mașini de
scanare CT și faptul că secțiunile ulterioare dintr-o scanare CT conțin informații foarte similare,
acesta nu este un argument puternic. În plus, multe sisteme CAD propuse sunt evaluate folosind
doar un subset al datelor disponibile. Acest lucru nu reflectă în mod realist scenariul
radiologului.

1.8. Acestă lucrare

Această lucrare prezintă un program care are ca scop 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 mai multor criterii. Criteriile principale după care se realizează această extragere a
nodulului sunt dimensiunea și forma. Nodulii detectați se vor evidenția în spectrul de culoare
roșu, în care intensitatea culorii crește în funcție de riscul pe care îl prezintă nodulul.

1.9. Tehnologii utilizate

Pentru a realiza acest program am utilizat ca IDE Visual Studio 2019 și librăria OpenCV.
Visual Studio este un mediu de dezvoltare integrat (IDE) dezvoltat de Microsoft pentru a
dezvolta GUI (Graphical User Interface), consolă, aplicații Web, aplicații web, aplicații mobile,
Cloud, și servicii web, etc cu ajutorul acestui IDE, puteți crea cod precum și gestiona codul nativ.
OpenCV este biblioteca imensă open-source pentru viziunea computerizată, învățarea automată
și prelucrarea imaginilor și acum joacă un rol major în operarea în timp real, care este foarte
importantă în sistemele actuale. Prin utilizarea acestuia, se pot procesa imagini și videoclipuri
pentru a identifica obiecte, fețe sau chiar scrierea de mână a unui om. Pentru a identifica modelul
7
de imagine și diferitele caracteristici ale acestuia, folosim spațiul vectorial și efectuăm operații
matematice pe aceste caracteristici. Toate lucrurile sunt scrise în C / C ++ pentru a profita de
procesarea multi-core.

8
 Capitolul 2. Date și metodologie

Capitolul 2. Date și metodologie

În această secțiune, datele și metodologia pentru sistemul CAD dezvoltat este descrisă.
Arhitectura etapelor sistemului este ilustrată în . Detaliile fiecărei etape vor fi explicate în cele ce
urmează subsecțiuni.

Figura 2.1: Arhitectura etapelor

sistemului

2.1. Achiziționarea imaginii

Achiziția de imagini se referă la procesul de obținere a imaginilor CT pulmonare. Aceste
imaginile pot fi găsite în baze de date publice și private. Cu toate acestea, bazele private de date
nu sunt accesibile tuturor iar acest lucru a făcut reutilizarea datelor pentru cercetare imposibilă.
Prin urmare, bazele de date publice sunt mai preferate pentru cercetare. Colecția de imagini Lung
Image Database Consortium (LIDC-IDRI)[29] publică baza de date ce utilizată pentru a obține
CT pulmonare. Această bază de date conține diagnostic și scanarea cancerului pulmonar scanare
CT toracică cu leziuni adnotate marcate de 1012 pacienți. Fiecare dosar include imagini DICOM
de la un clinic scanare CT toracică și un fișier XML asociat. Fiecare dosar include imagini
DICOM dintr-o scanare clinică toracică CT și un fișier XML asociat.

2.2. Pre-procesarea imaginii

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:

cvtColor(src, bwsrc, cv::COLOR_RGB2GRAY).

• 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;

Figura 2.2: Imagine Grayscale

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]:

medianBlur(src, dst, ksize)

• 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).

Figura 2.3: Filtrul median

2.3. Segmentarea imaginii

2.3.1. Binarizarea imaginii

În această etapă, scanările CT pre-procesate sunt segmentate pentru a extrage zonele de
interes. Metoda de segmentare a imaginii utilizată este segmentarea cu prag (thresholding).
Această metodă utilizează un prag pentru partiționarea unei imagini într-un prim plan și un
fundal, în care pixelii sub acest prag sunt transformați în pixeli negri (fundal) și pixeli peste sau
egali cu acest prag sunt transformați în pixeli albi (prim plan). Astfel, izolează obiectele prin
conversia imaginilor în tonuri de gri în imagini binare [33].
Pentru a explica modul în care funcționează segmentarea cu prag, să considerăm că avem
o imagine sursă cu pixeli a căror valori de intensitate se notează cu src(x, y). Figura 2.4 de mai
jos descrie acest lucru. Linia orizontală albastră reprezintă pragul.
În cazul nostru am utilizat segmentarea cu prag binară, această operație de prag poate fi
exprimată ca:

{
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.

Figura 2.6: Segmentarea cu prag binară

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):

threshold( src_gray, dst, threshold_value, max_binary_value, threshold_type );

• src_gray: imaginea noastră de intrare ;

• dst: imagine de destinație (ieșire);
• threshold_value: valoarea de prag cu privire la care se face operațiunea de prag
• max_binary_value: valoarea utilizată cu operațiile de prag (pentru a seta pixelii aleși) ;
• threshold_type: una dintre cele 5 operații de prag, în cazul nostru
cv2.THRESH_BINARY;

12
 Capitolul 2. Date și metodologie

Figura 2.7: Segmentarea cu prag

2.3.2. Determinarea contururilor

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.

După determinarea contururilor folosim funcția contourArea() pentru a calcula aria

13
acestora.

double cv::contourArea(InputArray contour, bool oriented = false )

• contur: Vector de intrare de puncte 2D , stocat în std :: vector sau Mat.

• oriented: indicator de zonă orientată. Dacă este adevărat, funcția returnează o valoare a
suprafeței zonei marcate, în funcție de orientarea conturului (în sensul acelor de ceasornic
sau invers). Folosind această caracteristică puteți determina orientarea unui contur luând
semnul unei zone. În mod implicit, parametrul este fals, ceea ce înseamnă că se
returnează valoarea absolută.

Pentru a desena contururile, se utilizează funcția cv.drawContours. Poate fi, de asemenea,

utilizată pentru a desena orice formă, cu condiția să aveți punctele sale limită.

void cv::drawContours( InputOutputArray image, InputArrayOfArrays contours, int

contourIdx, const Scalar & color, int thickness = 1, int lineType = LINE_8,
InputArray hierarchy = noArray(), int maxLevel = INT_MAX, Point offset =
Point() );

• image: imaginea destinție

• contours: toate contururile de intrare. Fiecare contur este stocat ca un vector de puncte.
• contourIdx: parametru care indică un contur de desenat. Dacă este negativ, toate
contururile sunt desenate.
• color: culoarea conturului;
• thickness: grosimea liniilor cu care sunt trasate contururile. Dacă este negativ (in cazul
nostru folosim thickness=FILLED), interiorul conturului este desenat.
• Hierarchy: informații opționale despre ierarhie. Este necesar atunci când dorim sa
desenăm doar o parte din contururi.
• MaxLevel: nivel maxim pentru contururile desenate. Dacă este 0, se desenează numai
conturul specificat.
• Offset: Parametru opțional de deplasare a conturului. Se mută toate contururile desenate
cu offsetul specificat.

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 2.8: Determinarea contururilor celor doi plămâni

Figura 2.9: Segmentarea plămânilor

2.4. Selectarea criteriilor de clasificare a nodulilor

Fundamental pentru diagnosticul cancerului pulmonar în scanările CT este detectarea și
interpretarea nodulilor pulmonari. Pe măsură ce capacitățile scanerelor CT au avansat, niveluri
mai ridicate de rezoluție spațială relevă anomalii pulmonare mai mici. Deși nu trebuie raportați
toți nodulii pulmonari detectați, radiologii se străduiesc să detecteze toți nodulii care ar putea
avea relevanță pentru diagnosticul cancerului. Deși nodulii pulmonar de dimensiuni medii până
la mari sunt detectați în mod constant, acordul dintre cititor și sensibilitatea cititorului pentru
detectarea nodulului pulmonar se diminuează substanțial, deoarece dimensiunea nodulului scade
sub 8–10 mm. Dificultatea stabilirii unui standard de referință absolut reprezintă o provocare
pentru fiabilitatea studiilor efectuate pentru evaluarea detectării nodulului pulmonar.

2.4.1. În funcție de mărime

Măsurările exacte ale dimensiunilor nodulilor pulmonari pe CT sunt o condiție prealabilă
pentru gestionarea precisă a nodulilor, având în vedere că toate ghidurile actuale de management
15
se bazează pe dimensiunea nodulilor.
Primul criteriu după care nodulii sunt detectați este dimensiunea. După cum se observă
în etapa anterioara avem detectați cei doi plămâni În această etapă vom determina în funcție de
arie obiectele foarte mici.

Figura 2.10: Obiectele detectate în funcție mărime fără aplicarea criteriului mărime

Figura 2.11: Mesajul afișat în urma eliminării pe baza criteriului de mărime

Figura 2.12: Obiectele detectate în funcție mărime după aplicarea criteriului mărime

2.4.2. În funcție de formă

Detectarea formei nodulilor reprezintă un alt criteriu important. Forma detectată ne va
ajuta sa spunem dacă un nodul este rotund sau alungit. Nodulii rotunzi reprezintă interes
deoarece aceștia, în cele mai multe cazuri, sunt tumori. Pentru a realiza acest lucru este nevoie să
16
 Capitolul 2. Date și metodologie

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

Figura 2.13: Exemplu pentru cele doua distanțe maxime perpendiculare

evidențiate pe un nodul

2.5. Clasificarea nodulilor

Pentru a clasifica nodulii detectați folosim cele două citerii – mărime și formă, Tabelul
2.1. Aceștia se vor reprezenta în spectrul culorii roșii în funcție de riscul pe care îl reprezintă.
Pentru a putea grupa și clasifica nodulii ne vom ghida după Tabelul 2.2 de mai jos.
Nodulii mici(<6 mm)
Nodulii mici sunt legați de un risc foarte scăzut de malignitate și, în consecință, nu se

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.

Tabelul 2.1: Riscurile nodulilor în funcție de cele două criterii

rotund alungit
Dimensiune mică Risc scăzut Risc scăzut
Dimesiune medie Risc ridicat Risc scăzut
Dimensiune mare Risc ridicat Risc ridicat

18
 Capitolul 2. Date și metodologie

Tabelul 2.2: Clasificarea în funcție de numărul nodulilor și măsurile ce trebuie aplicate

<6 mm 6-8mm > 8mm
CT după 6-12 luni,
Un singur Risc Fără urmărire de rutină apoi luați în Luați în considerare
nodul scăzut considerare CT după CT la 3 luni, PET-CT
18-24 luni sau biopsie
Risc Opțional, CT după 12 CT după 6-12 luni,
ridicat luni apoi după 18-24 luni
Noduli Risc Fără urmărire de rutină CT după 3-6 luni, apoi luați în considerare CT
multipli scăzut după 18-24 luni
Risc Opțional CT după 12
ridicat luni

Imaginea 2.14 prezintă rezultatele obținute după evaluarea imaginii prezentate în Figura
2.12.

Figura 2.14: Imaginea CT de intrare

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

Figura 2.16: Informațiile ce se afișează pentru fiecare nodul detectat și reprezentat

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%

2 13% 87% 3.06%

3 11% 89% 3.35%

4 13% 87% 4.00%

22
 Capitolul 3. Rezultate

5 7% 93% 3.69%

6 11% 89% 16.89%

7 20% 80% 4.10%

8 19% 81% 5.01%

9 0% 100% 1.39%

10 20% 80% 1.74%

23
 3.2. Evaluare calitativă
În acest subcapitol prezentăm în ce măsura programul realizat detectează corect nodulii.

Cazuri Input Output Numărul de Numărul de Precizia

noduli noduli din
detectați de CT
către CAD
1 32 25 78.1%

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