ИССЛЕДОВАНИЕ ЭФФЕКТИВНОСТИ ЯРКОСТНОЙ ИНФОРМАЦИИ ДЛЯ СЕГМЕНТАЦИИ УЧАСТКОВ АТЕЛЕКТАЗА И РАКОВЫХ ОПУХОЛЕЙ НА ИЗОБРАЖЕНИЯХ ЛЕГКОГО, ПОЛУЧЕННЫХ С ПОМОЩЬЮ КОМПЬЮТЕРНОЙ ТОМОГРАФИИ
Аннотация
Исследуется и количественно оценивается полезность яркостной информации КТ-изобра-жений легкого для сегментации участков ателектаза и раковых опухолей, которые практически неразличимы при визуальном анализе. Проводится анализ статистической значимости межклассовых различий ателектаза и опухоли и осуществляется оценка точности классификации при использовании методов иерархической кластеризации, опорных векторов и метода случайного леса. Показано, что степень полезности яркостной информации изменяется от пациента к пациенту и зависит, главным образом, от размера выборки вокселов.
Об авторах
В. А. Ковалев
Университет Сюррей Гилфорд
Великобритания
Великобритания
С. А. Хоружик
ГУ «НИИ онкологии и медицинской радиологии им. Н.Н. Александрова»,
Белорусская медицинская академия последипломного образования
Беларусь
Беларусь
А. Н. Михайлов
Отделение медицинских наук НАН Беларуси,
Белорусская медицинская академия последипломного образования
Беларусь
Беларусь
Список литературы
1. Mira J.G., Fullerton G.D., Ezekiel J. Evaluation of computed tomography numbers for treatment planning of lung cancer // International Journal of Radiation Oncology, Biology, Physics. V. 8. – № 9. – 1982. – P. 1625–1628.
2. Bowden P., Fisher R., Mac Manus M. Measurement of lung tumor volumes using three-dimensional computer planning software // International Journal of Radiation Oncology, Biology, Physics. – V. 53 – № 3. – 2002. – P. 566–573.
3. Bradley J., Thorstad W.L., Mutic S. Impact of FDG–PET on radiation therapy volume delineation in non–small–cell lung cancerт // International Journal of Radiation Oncology, Biology, Physics. – V. 59. – № 1. – 2004. – P. 78–86.
4. Balogh J.B., Caldwell C.B., Ung Y.C. Interobserver variation in contourinig gross tumour volume in carcinoma of the lung associated with pneumonitis and atelectasis: The impact of 18FDG–hybrid pet fusion // International Journal of Radiation Oncology, Biology, Physics. – V. 48. – № 3. – 2000. – P. 128–129.
5. Venables W.N., Ripley B.D. Modern applied statistics with S, 4th edition. – Berlin: Springer, 2002. – 495 p.
6. Maindonald J., Braun J. Data analysis and graphics using R: an example-based approach. – Cambridge: Cambridge University Press, 2003. – 400 p.
7. Press W.H., Teukolsky S.A., Vetterling W.T. Numerical recipes in C: the art of scientific computing, 2nd edition. – Cambridge: Cambridge University Press, 2002. – 994 p.
8. Breiman L.J., Friedman H., Olshen R.A. Classification and regression trees. – Belmont: Chapman & Hall (reprinted by First CRC Press), 1984. – 368 p.
9. Therneau T.M., Atkinson B. Rpart: recursive partitioning in R, package version 3.1-22. – Rochester: Mayo Clinic, College of Medicine, Division of Biostatistics, 2005. – 28 p.
10. Cortes C., Vapnik V. Support-vector network // Machine Learning. – V. 20. – № 3. – 1995. – P. 273–297.
11. Bennett K.P., Campbell C. Support vector machines: Hype or Hallelujah? // ACM Special Interest Group on Knowledge Discovery and Data Mining, Explorations. – V. 2. – № 2. – 2000. – P. 1–13.
12. Dimitriadou E., Hornik K., Leisch F. E1071: Miscellaneous functions of the department of statistics, R package version 1.5-7. – TU Wien, Austria, 2005. – 58 p.
13. Shapire R., Freund Y., Bartlett P. Boosting the margin: A new explanation for the effectiveness of voting methods // The Annals of Statistics. – V. 26. – № 5. – 1998. – P. 1651–1686.
14. Breiman L. Bagging predictors // Machine Learning. – V. 24. – № 2. – 1996. – P. 123–140.
15. Wehrens R., Putter H., Buydens L.M.C. The bootstrap: a tutorial // Chemometrics and intelligent laboratory systems. – V. 54. – 2000. – P. 35–52.
16. Breiman L. Random Forests // Machine Learning. – V. 45. – № 1. – 2001. – P. 5–32.
17. Breiman L., Cutler A. Wiener M. randomForest: Breiman and Cutler's random forests for classification and regression, R package version 4.5-4, 2005. – 25 p.
18. Cox T.F., Cox M.A. Multidimensional scaling. – London: Chapman & Hall, 1994. – 213 p.
19. Cailliez F. The analytical solution of the additive constant problem // Psychometrika. – V. 48. – 1983. – P. 343–349.
Рецензия
Для цитирования:
Ковалев В.А., Хоружик С.А., Михайлов А.Н. ИССЛЕДОВАНИЕ ЭФФЕКТИВНОСТИ ЯРКОСТНОЙ ИНФОРМАЦИИ ДЛЯ СЕГМЕНТАЦИИ УЧАСТКОВ АТЕЛЕКТАЗА И РАКОВЫХ ОПУХОЛЕЙ НА ИЗОБРАЖЕНИЯХ ЛЕГКОГО, ПОЛУЧЕННЫХ С ПОМОЩЬЮ КОМПЬЮТЕРНОЙ ТОМОГРАФИИ. Информатика. 2005;(2(6)):93-101.
Просмотров: 498
Послать статью по эл. почте 