• 한국멀티미디어학회논문지
• /
• 제23권5호
• /
• pp.625-632
• /
• 2020

In the diagnosis of lung cancer, the tumor size is measured by the longest diameter of the tumor in the entire slice of the CT. In order to accurately estimate the size of the tumor, it is better to measure the volume, but there are some limitations in calculating the volume in the clinic. In this study, we propose an algorithm to segment lung cancer by applying a custom loss function that combines focal loss and dice loss to a U-Net model that shows high performance in segmentation problems in chest CT images. The combination of values of the various parameters in custom loss function was compared to the results of the model learned. The purposed loss function showed F1 score of 88.77%, precision of 87.31%, recall of 90.30% and average precision of 0.827 at α=0.25, γ=4, β=0.7. The performance of the proposed custom loss function showed good performance in lung cancer segmentation.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제14권3호
• /
• pp.1104-1120
• /
• 2020

The chest X-rays are a common way to diagnose lung cancer or pneumonia. In particular, the finding of a lung nodule is the most important problem in the early detection of lung cancer. Recently, a lot of automatic diagnosis algorithms have been studied to find the lung nodules missed by doctors. The algorithms are typically based on segmentation network like U-Net. However, the occurrence of false positives that similar to lung nodules present outside the lungs can severely degrade performance. In this study, we propose a multi-task learning method that simultaneously learns the lung region and nodule-labeled data based on the prior knowledge that lung nodules exist only in the lung. The proposed method significantly reduces false positives outside the lung and improves the recognition rate of lung nodules to 83.8 F1 score compared to 66.6 F1 score of single task learning with U-net model. The experimental results on the JSRT public dataset demonstrate the effectiveness of the proposed method compared with other baseline methods.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제7권1호
• /
• pp.68-80
• /
• 2013

Lung cancer is considered to be the leading cause of cancer death worldwide. A technique commonly used consists of analyzing sputum images for detecting lung cancer cells. However, the analysis of sputum is time consuming and requires highly trained personnel to avoid errors. The manual screening of sputum samples has to be improved by using image processing techniques. In this paper we present a Computer Aided Diagnosis (CAD) system for early detection and diagnosis of lung cancer based on the analysis of the sputum color image with the aim to attain a high accuracy rate and to reduce the time consumed to analyze such sputum samples. In order to form general diagnostic rules, we present a framework for segmentation and extraction of sputum cells in sputum images using respectively, a Bayesian classification method followed by region detection and feature extraction techniques to determine the shape of the nuclei inside the sputum cells. The final results will be used for a (CAD) system for early detection of lung cancer. We analyzed the performance of a Bayesian classification with respect to the color space representation and quantification. Our methods were validated via a series of experimentation conducted with a data set of 100 images. Our evaluation criteria were based on sensitivity, specificity and accuracy.

• 한국컴퓨터그래픽스학회논문지
• /
• 제30권1호
• /
• pp.11-17
• /
• 2024

폐암은 크기가 다양하고 유사한 밝기값을 갖는 주변 구조물이 존재하기 때문에 흉부 CT 영상에서 폐암을 정확하게 분할하는 것이 어렵다. 이러한 문제를 해결하기 위해 본 논문에서는 심층 감독을 포함하고 UNet3+를 백본으로 사용하는 폐암 분할 네트워크를 제안한다. 또한, 픽셀 기반, 영역 기반 및 형태 기반의 3가지 구성 요소로 이루어진 하이브리드 병변 초점 손실함수를 제안한다. 이를 통해 배경에 비해 작은 영역을 차지하는 폐암 부분에 집중하고, 불명확한 경계를 처리하는데 도움이 되는 형태 정보를 고려할 수 있다. 제안 방법을 UNet 및 UNet3+와 비교 실험을 통해 검증하였고, 제안 방법은 모든 폐암 크기에서 DSC 측면에서 가장 우수한 성능을 보였다.

• 한국멀티미디어학회논문지
• /
• 제16권7호
• /
• pp.829-840
• /
• 2013

본 논문은 흉부 X-선 기반으로 전역적 특성을 고려한 1차 영역 분할과 지역적 특성을 고려한 2차 영역 분할을 결합한 폐 영역 분할 방법을 제안한다. 1차 영역 분할은 랜드마크 기반의 학습 데이터를 사용하여 생성한 모델을 기반으로 일정 형태를 유지하며 경계선을 탐색하는 능동 형태 모델을 적용하였다. 2차 영역 분할은 국부 영역에 대하여 에너지를 산출하고 에너지가 최소가 되는 윤곽선을 탐색하는 국부 영역 기반 윤곽 모델을 사용하였다. 마지막으로 정확도를 평가하기 위해 5장의 영상을 전문가가 수동으로 분할한 영역과 제안한 방법을 통해 분할된 영역의 결과에 대한 다이스 계수를 계산하였으며, 유사도는 $95.33%{\pm}0.93%$로 나타났다. 효과적인 영상 분할 방법은 흉부 x-ray 영상에서 더 정확한 초기 진단과 예후 추정을 위한 컴퓨터 보조 진단 시스템의 개발에 필수적인 요소가 될 것으로 기대한다.

• 대한임베디드공학회논문지
• /
• 제17권5호
• /
• pp.265-272
• /
• 2022

As the risk of lung cancer has increased, early-stage detection and treatment of cancers have received a lot of attention. Among various medical imaging approaches, computer tomography (CT) has been widely utilized to examine the size and growth rate of lung nodules. However, the process of manual examination is a time-consuming task, and it causes physical and mental fatigue for medical professionals. Recently, many computer-aided diagnostic methods have been proposed to reduce the workload of medical professionals. In recent studies, encoder-decoder architectures have shown reliable performances in medical image segmentation, and it is adopted to predict lesion candidates. However, localizing nodules in lung CT images is a challenging problem due to the extremely small sizes and unstructured shapes of nodules. To solve these problems, we utilize atrous spatial pyramid pooling (ASPP) to minimize the loss of information for a general U-Net baseline model to extract rich representations from various receptive fields. Moreover, we propose mixed-up attention mechanism of reverse, boundary and convolutional block attention module (CBAM) to improve the accuracy of segmentation small scale of various shapes. The performance of the proposed model is compared with several previous attention mechanisms on the LIDC-IDRI dataset, and experimental results demonstrate that reverse, boundary, and CBAM (RB-CBAM) are effective in the segmentation of small nodules.

• Korean Journal of Radiology
• /
• 제22권3호
• /
• pp.464-475
• /
• 2021

Objective: This study aimed to evaluate the tumor doubling time of invasive lung adenocarcinoma according to the International Association of the Study for Lung Cancer (IASLC)/American Thoracic Society (ATS)/European Respiratory Society (ERS) histologic classification. Materials and Methods: Among the 2905 patients with surgically resected lung adenocarcinoma, we retrospectively included 172 patients (mean age, 65.6 ± 9.0 years) who had paired thin-section non-contrast chest computed tomography (CT) scans at least 84 days apart with the same CT parameters, along with 10 patients with squamous cell carcinoma (mean age, 70.9 ± 7.4 years) for comparison. Three-dimensional semiautomatic segmentation of nodules was performed to calculate the volume doubling time (VDT), mass doubling time (MDT), and specific growth rate (SGR) of volume and mass. Multivariate linear regression, one-way analysis of variance, and receiver operating characteristic curve analyses were performed. Results: The median VDT and MDT of lung cancers were as follows: acinar, 603.2 and 639.5 days; lepidic, 1140.6 and 970.1 days; solid/micropapillary, 232.7 and 221.8 days; papillary, 599.0 and 624.3 days; invasive mucinous, 440.7 and 438.2 days; and squamous cell carcinoma, 149.1 and 146.1 days, respectively. The adjusted SGR of volume and mass of the solid-/micropapillary-predominant subtypes were significantly shorter than those of the acinar-, lepidic-, and papillary-predominant subtypes. The histologic subtype was independently associated with tumor doubling time. A VDT of 465.2 days and an MDT of 437.5 days yielded areas under the curve of 0.791 and 0.795, respectively, for distinguishing solid-/micropapillary-predominant subtypes from other subtypes of lung adenocarcinoma. Conclusion: The tumor doubling time of invasive lung adenocarcinoma differed according to the IASCL/ATS/ERS histologic classification.

• Korean Journal of Radiology
• /
• 제22권3호
• /
• pp.476-488
• /
• 2021

Objective: We aimed to develop a deep neural network for segmenting lung parenchyma with extensive pathological conditions on non-contrast chest computed tomography (CT) images. Materials and Methods: Thin-section non-contrast chest CT images from 203 patients (115 males, 88 females; age range, 31-89 years) between January 2017 and May 2017 were included in the study, of which 150 cases had extensive lung parenchymal disease involving more than 40% of the parenchymal area. Parenchymal diseases included interstitial lung disease (ILD), emphysema, nontuberculous mycobacterial lung disease, tuberculous destroyed lung, pneumonia, lung cancer, and other diseases. Five experienced radiologists manually drew the margin of the lungs, slice by slice, on CT images. The dataset used to develop the network consisted of 157 cases for training, 20 cases for development, and 26 cases for internal validation. Two-dimensional (2D) U-Net and three-dimensional (3D) U-Net models were used for the task. The network was trained to segment the lung parenchyma as a whole and segment the right and left lung separately. The University Hospitals of Geneva ILD dataset, which contained high-resolution CT images of ILD, was used for external validation. Results: The Dice similarity coefficients for internal validation were 99.6 ± 0.3% (2D U-Net whole lung model), 99.5 ± 0.3% (2D U-Net separate lung model), 99.4 ± 0.5% (3D U-Net whole lung model), and 99.4 ± 0.5% (3D U-Net separate lung model). The Dice similarity coefficients for the external validation dataset were 98.4 ± 1.0% (2D U-Net whole lung model) and 98.4 ± 1.0% (2D U-Net separate lung model). In 31 cases, where the extent of ILD was larger than 75% of the lung parenchymal area, the Dice similarity coefficients were 97.9 ± 1.3% (2D U-Net whole lung model) and 98.0 ± 1.2% (2D U-Net separate lung model). Conclusion: The deep neural network achieved excellent performance in automatically delineating the boundaries of lung parenchyma with extensive pathological conditions on non-contrast chest CT images.

• 대한방사선치료학회지
• /
• 제30권1_2호
• /
• pp.83-95
• /
• 2018

목 적 : 폐암의 호흡동조방사선치료(Respiratory Gated Radiotherapy, RGRT)계획수립 후 표적 주변에 위치하고 있는 정상장기의 경우에는 움직임과 용적변화가 고려되지 않은 상태에서 선량평가가 이루어지는 경우가 많다. 본 연구에서는 적응형방사선치료(Adaptive Radiotherapy, ART)에서 많이 사용되는 변형영상정합(Deformable Image Registration, DIR)을 이용하여 호흡동조방사선치료 시 특정 위상에서의 정상장기의 움직임을 반영한 4차원-선량평가를 진행하였으며, 3차원 선량평가와의 차이를 연구하였다. 또한, 폐암의 치료계획평가 시 환자 호흡에 따른 정상장기의 움직임과 용적변화에 대한 분석 및 고려가 필요한 지 알아보고자 한다. 대상 및 방법 : 호흡동조방사선치료를 받은 폐암 환자 10명을 대상으로 하였다. Eclipse(Ver 13.6 Varian, USA)로 최고 위상 CT영상에 그려진 구조물을 모든 위상영상에 Propagation($Eclipse^{TM}$)이나 Segmentation Wizard($Eclipse^{TM}$)의 메뉴로 동일하게 설정하였으며, Center-to-Center 방식으로 구조물의 움직임 및 용적을 분석하였다. 또한, 4차원 선량평가를 위해 VELOCITY 프로그램(VELOCITY Ver 4.0, Varian, USA)을 이용하여 각 위상의 영상과 선량분포를 최고 위상 CT영상에 변형하였으며, 선량을 합산하여 정상장기의 4차원 선량평가를 실시하고, 3차원 선량평가와 비교분석을 하였다. 또한, 4차원 선량분포의 검증을 위해 $QUASAR^{TM}$ Phantom(Modus Medical Devices)과 $GAFCHROMIC^{TM}$ EBT3 Film(Ashland, USA)을 사용하여 4차원 감마분석을 시행하였다. 결 과 : 들숨과 날숨 구간의 움직임은 우측 폐가 축 방향 $0.989{\pm}0.34cm$로 가장 컸으며, 척수가 측 방향 -0.001 cm로 가장 작았다. 30~70 % 구간의 움직임은 식도가 축 방향 $0.52{\pm}0.21cm$로 가장 컸으며, 척수가 전후방향 $0.013{\pm}0.01cm$로 가장 작았다. 용적은 우측 폐가 33.5 %로 가장 큰 변화율을 보였다. 3차원 선량평가와 4차원 선량평가에서의 PTV 선량균질지수(Conformity Index, CI) 값과 처방선량지수(Homogeneity Index, HI) 값의 차이는 각각 최대 0.076, 0.021, 최소 0.011, 0.0으로 평가되었다. 정상장기의 경우 4차원 선량평가에서 0.0045~2.76 % 차이를 보였다. 모든 환자의 4차원 감마통과율은 평균 $98.1{\pm}0.42%$로 확인되었고, 모두 기준 95 %를 통과하였다. 결 론 : 모든 환자의 PTV 선량균질지수 값은 4차원 선량평가 시 더 유의한 값임을 확인할 수 있었으며, 처방 선량지수는 두 선량평가에서 차이를 보이지 않았다. 호흡에 의한 움직임이 고려된 4차원 선량분포에서 PTV 경계부분이 채워져 3차원 선량분포에서보다 선량이 더욱 균질한 것을 확인할 수 있었다. 정상장기의 4차원 선량평가에서 0.004~2.76 % 차이가 있었으며, 척수를 제외한 모든 정상장기에서 두 평가방법의 차이유의를 확인할 수 있었다. 정상장기의 3차원 선량평가 시 과소평가가 이루어 질 수 있다는 사실을 본 연구를 통해 알 수 있었으며, 호흡에 의한 정상장기의 선량변화가 예상되는 경우 변형영상정합을 이용한 4차원 선량평가를 고려할 수 있을 것이다. 변형영상정합을 이용한 4차원 선량평가는 환자의 호흡에 의한 정상장기의 움직임과 용적 변화를 반영하는 조금 더 현실적인 선량평가방법이 될 것이라고 사료된다.

• 핵의학기술
• /
• 제18권1호
• /
• pp.19-25
• /
• 2014

PET/MRI에서는 MRI의 진단적 가치를 높이기 위해 T1 조영제를 사용하고 있다. PET의 감쇠 보정을 위해 T1 시컨스 계열인 VIBE DIXON은 조영제에 직접적으로 영향을 미치지만, 실제 ${\mu}-map$과 감쇠 보정된 PET 영상에는 큰 변화가 없었다. 그러므로 PET/MRI 검사시 조영제 사용은 PET 데이터 얻기 전 후 언제든 사용할 수 있을 것이다.