An automated method for analyzing a nodule and a computer storage medium
storing computer instructions by which the method can be implemented when
the instructions are loaded into a computer to program the computer. The
method includes obtaining a digital image including the nodule; segmenting
the nodule to obtain an outline of the nodule, including generating a
difference image from chest image, identifying image intensity contour
lines representative of respective image intensities in a region of
interest including the nodule, and obtaining an outline of the nodule
based on the image intensity contours; extracting features of the nodule
based on the outline; applying features including the extracted features
to at least one image classifier; and determining a likelihood of
malignancy of the nodule based on the output of the at least one
classifier. In one embodiment, extracted features are applied to a linear
discriminant analyzer and/or an artificial neural network analyzer, the
outputs of which are thresholded and the nodule determined to be
non-malignant if each classifier output is below the threshold. In another
embodiment, a common nodule appearing in an x-ray chest image and a CT
image is segmented in each image, features extracted based on the outlines
of each segmented nodule in the respective x-ray chest and CT images, and
the extracted features from the x-ray chest image and CT images merged as
inputs to a common classifier, with the output of the common classifier
indicating the likelihood of malignancy.
Μια αυτοματοποιημένη μέθοδος για έναν κόνδυλο και ένα μέσο απομνημόνευσης υπολογιστών που αποθηκεύουν τις οδηγίες υπολογιστών από τις οποίες η μέθοδος μπορεί να εφαρμοστεί όταν φορτώνονται οι οδηγίες σε έναν υπολογιστή για να προγραμματίσουν τον υπολογιστή. Η μέθοδος περιλαμβάνει τη λήψη μιας ψηφιακής εικόνας συμπεριλαμβανομένου του κονδύλου τέμνοντας τον κόνδυλο για να λάβει μια περίληψη του κονδύλου, συμπεριλαμβανομένης της παραγωγής μιας εικόνας διαφοράς από τη θωρακική εικόνα, του προσδιορισμού των γραμμών περιγράμματος έντασης εικόνας αντιπροσωπευτικών των αντίστοιχων εντάσεων εικόνας σε μια περιοχή ενδιαφέροντος συμπεριλαμβανομένου του κονδύλου, και της λήψης μιας περίληψης του κονδύλου βασισμένου στα περιγράμματα έντασης εικόνας εξάγοντας τα χαρακτηριστικά γνωρίσματα του κονδύλου βασισμένου στην περίληψη εφαρμογή των χαρακτηριστικών γνωρισμάτων συμπεριλαμβανομένων των αποσπασματικών χαρακτηριστικών γνωρισμάτων τουλάχιστον σε έναν ταξινομητή εικόνας και καθοριστικός μια πιθανότητα της μοχθηρίας του κονδύλου βασισμένου στην παραγωγή του τουλάχιστον ενός ταξινομητή. Σε μια ενσωμάτωση, τα αποσπασματικά χαρακτηριστικά γνωρίσματα εφαρμόζονται σε μια γραμμική διακρίνουσα συσκευή ανάλυσης ή/και μια τεχνητή νευρική συσκευή ανάλυσης δικτύων, τα αποτελέσματα της οποίας είναι και ο κόνδυλος αποφάσισε να είναι καλοήθης εάν κάθε παραγωγή ταξινομητών είναι κάτω από το κατώτατο όριο. Σε μια άλλη ενσωμάτωση, ένας κοινός κόνδυλος που εμφανίζεται σε μια των ακτίνων X θωρακική εικόνα και μια εικόνα CT είναι τεμμένος σε κάθε εικόνα, τα χαρακτηριστικά γνωρίσματα που εξάγονται βασισμένες στις περιλήψεις κάθε τετμημένου κονδύλου στις αντίστοιχες των ακτίνων X θωρακικές και CT εικόνες, και τα αποσπασματικά χαρακτηριστικά γνωρίσματα από τις των ακτίνων X εικόνες θωρακικής εικόνας και CT που συγχωνεύονται ως εισαγωγές σε έναν κοινό ταξινομητή, με την παραγωγή του κοινού ταξινομητή που δείχνει την πιθανότητα της μοχθηρίας.
