Tissue densitometry analysis of spherical formations of lungs on the base of artificial intelligence system in the multispiral computed tomography

Abstract

Applying modern methodological approaches to inspection, it is not always possible to establish the nature of the spherical formation of lungs (SFL). The way of assessment of internal structure SFL consisting of target volume densitometry, allowed to receive consecutive selections in the allocated zones of interest of values of pixels from files in the DICOM format, to carry out the analysis of distribution of densitometrical density, both to the cut planes, and taking into account various cuts in the allocated volume. The newly developed technology of the densitometrical analysis of spherical formations of lungs on the basis of neural networks, is capable to classify the numerical data obtained from computer tomograms by means of the software «Radiologist +». Sensitivity at division of «primary cancer - infiltrative tuberculosis» made 91.1%, specificity - 88.6%, accuracy - 90.2%. Sensitivity at division of «primary cancer - pneumonia» made 90.4%, specificity - 74.5%, accuracy - 84.2%. Sensitivity at division of «infiltrative tuberculosis - pneumonia» made 79.5%, specificity - 80.8%, accuracy - 80.2%.

Keywords

spherical formations of lungs / multispiral computed tomography / technology of the densitometrical analysis / neural network / artificial intelligence system / software « Radiologist +»

References

[1] Габуния Р.И., Колесникова Е.К. Компьютерная томография в клинической диагностике. М.: Медицина; 1995.

[2] Власов П.В. Лучевая диагностика заболеваний органов грудной полости. М.: Видар; 2006.

[3] Коновалов В.К., Колмогоров В.Г., Лобанов М.Н., Шевчук Ю.А. Опыт применения трехмерных реконструкций при мультиспиральной компьютерно-томографической диагностике шаровидных образований легких. Радиология - практика. 2012; 3: 45-50.

[4] Розенштраух Л.С. Психофизиологические факторы в рентгенодиагностике. Вестник рентгенологии и радиологии. 1994; 4: 57-61.

[5] Лукомский Г.И., Шулутко М.Л., Виннер М.Г., Овчинников А.А. Бронхопульмонология. М.: Медицина; 1982.

[6] Иваничко Т.Е. Особенности дифференциальной диагностики периферических образований легких при компьютерной томографии: Дисс. ... канд. мед. наук. Томск; 2000.

[7] Найдич Б.Г. Проблема нестабильности восприятия и интерпретации рентгеновских изображений шаровидных образований легких. Вестник рентгенологии и радиологии. 1989; 3: 69-74.

[8] Календер В. Компьютерная томография. М.: Техносфера; 2006.

[9] Прокоп М., Галански М. Спиральная и многослойная компьютерная томография. М.: МЕДпресс-информ; 2007.

[10] Коновалов В.К., Шойхет Я.Н., Федоров В.В., Лобанов М.Н., Леонов С.Л., Шайдук А.М. и др. Способ прицельной объемной денситометрии шаровидных образований легких для оценки их внутренней структуры при мультиспиральной компьютерной томографии. Проблемы клинической медицины. 2012; 1-4: 74-86.

[11] Исаков А.Е., Коновалов В.К., Леонов С.Л., Лобанов М.Н. Перекодирование файлов DICOM. Свидетельство о государственной регистрации программы для ЭВМ, № 2013660511; 2013.

[12] Дабагов А.Р. Цифровая радиология и диагностика. Достижения и перспективы. Журнал радиоэлектроники. 2009; 5. Доступ на: http://jre.cplire.ru/jre/may09/2/text.html

[13] Коновалов В.К., Леонов С.Л., Шайдук А.М., Шойхет Я.Н., Федоров В.В., Колмогоров В.Г. и др. Способ оценки внутренней структуры шаровидных образований легких. Патент РФ, № 2515508; 2012.

[14] Ворона О.И., Леонов С.Л., Коновалов В.К., Шайдук А.М. Получение параметров компьютерных изображений. Свидетельство о государственной регистрации программы для ЭВМ, № 2013613849; 2013.

[15] Казанцев М.В., Леонов С.Л., Коновалов В.К., Шайдук А.М. Конструктор нейронных сетей. Свидетельство о государственной регистрации программы для ЭВМ, № 2014611358; 2014.

[16] Яхъяева Г.Э. Нечеткие множества и нейронные сети: Учебное пособие. М.: Интернет-Университет Информационных Технологий; БИНОМ; 2006.

RIGHTS & PERMISSIONS

Eco-Vector