Próba zastosowania ilościowej analizy obrazów TK w różnicowaniu guzów i udarów – badanie wstępne

• Authors: Beata Chrześcijanek , Antonina Młynarczyk-Kochanowska , Michał Strzelecki , Andrzej Klimek , Maciej Rachalewski

Title variants

EN

Examination of the application of quantitative analysis of CT brain images in ischaemic stroke and brain tumour detection – preliminary test

• Languages of publication: EN PL

Abstracts

EN

Introduction: Neuroimaging is a standard examination implemented for diagnosis of various pathologies of the central nervous system. The fundamental diagnostic procedures in medical imaging of the central nervous system are computed tomography and magnetic resonance imaging. In case of a sudden focal or generalized onset of brain dysfunctions at first we should think about stroke. A very important test if stroke is suspected is computed tomography. In this paper we would like to check if it is possible to distinguish two pathologies of the cerebrum: ischaemic stroke and tumour, using quantitative analysis of selected abnormalities. Material and methods: Analysis is based on comparison of two pathologies (ischaemic stroke and tumour). Two sets of images were prepared. Analysis is performed to distinguish abnormalities observed on computed tomography brain images from healthy tissue. The image analysis includes data conversion, normalization of region of interest, estimation of the number of texture features, features selection based on four different methods of selection and finally classification based on artificial neural network classifier. Results: In the examination, different effectiveness of used methods was observed. Quantitative analysis of selected texture features allows to differentiate two classes of pathologies. Also an important observation is that the artificial neural network can be a useful tool in data classification and analysis. Conclusions: The performed analysis is effective but only for small number of data. That is why it still needs to be conducted on a larger set of data. It will be also necessary to repeat classification a number of times and to perform data validation in order to confirm effectiveness of the presented method. After that we can hope to get really satisfying results.

PL

Wstęp: Neuroobrazowanie jest standardowym badaniem stosowanym w diagnostyce ośrodkowego układu nerwowego (OUN). Podstawowymi narzędziami diagnostycznymi w obrazowaniu OUN są tomografia komputerowa (TK) oraz rezonans magnetyczny. W przypadku wystąpienia nagłych ogniskowych lub uogólnionych objawów neurologicznych należy w pierwszej kolejności podejrzewać udar mózgu. Obecnie badaniem pierwszego rzutu w diagnostyce neuroradiologicznej jest badanie TK. W przedstawionej pracy podjęto próbę sprawdzenia, czy jest możliwa ilościowa analiza obrazów TK, pozwalająca odróżnić zmiany rozrostowe OUN od udarów niedokrwiennych. Materiały i metody: Analizę oparto na porównaniu dwóch patologii OUN: udaru niedokrwiennego oraz zmiany rozrostowej. Ocenie poddano obrazy TK mózgowia, na których wyodrębniono zmianę patologiczną. Podczas kolejnych etapów pracy przeprowadzono: konwersję danych, definiowanie obszarów zainteresowania (ROI), estymację cech tekstury, selekcję cech z zastosowaniem czterech różnych metod oraz klasyfikację opartą na sztucznej sieci neuronowej. Wyniki: Odnotowano różną skuteczność zastosowanych metod, co dało podstawę do stwierdzenia, że ilościowa analiza wybranych cech tekstury obrazu pozwala odgraniczyć klasy przypisane do omawianych patologii, natomiast użycie sztucznych sieci neuronowych do klasyfikacji danych wskazuje na ich skuteczność i przydatność jako narzędzi stosowanych w analizie wybranych danych. Podsumowanie: W sytuacji gdy badanie neuroradiologiczne nie wypada jednoznacznie, a leczenie udaru i guza mózgu różnią się diametralnie, istnieje możliwość zastosowania przedstawionej analizy w celu skrócenia czasu potrzebnego do postawienia właściwej diagnozy. Przedstawione wyniki mają jednak charakter wstępny i wymagają dalszej analizy na większej grupie pacjentów.

Keywords

EN

artificial neural network; computed tomography; guz; ischaemic stroke; multilayer perceptron; neuroimaging; neuroobrazowanie; perceptron wielowarstwowy; sztuczna sieć neuronowa; tomografia komputerowa; tumour; udar niedokrwienny

Discipline

• MEDICINE: MEDICINE

• Publisher: Medical Communications
• Journal: Aktualności Neurologiczne
• Year: 2014
• Volume: 14
• Issue: 2
• Pages: 89-95

Contributors

author

Beata Chrześcijanek

• Klinika Neurologii i Udarów Mózgu, Uniwersytet Medyczny w Łodzi, ul. Żeromskiego 113, 90-549 Łódź, tel./faks: [phone]

author

Antonina Młynarczyk-Kochanowska

• Instytut Elektroniki, Politechnika Łódzka. Zakład Elektroniki Medycznej, Instytut Elektroniki, Politechnika Łódzka, ul. Wólczańska 211/215, budynek B9 (II piętro), 90-924 Łódź, tel.: [phone]

author

Michał Strzelecki

• Instytut Elektroniki, Politechnika Łódzka

author

Andrzej Klimek

• Klinika Neurologii i Udarów Mózgu, Uniwersytet Medyczny w Łodzi

author

Maciej Rachalewski

• Zakład Diagnostyki i Terapii Radiologicznej i Izotopowej, Szpital Kliniczny im. WAM w Łodzi

References

• 1. Biller J., Love B.: Choroby naczyniowe układu nerwowego. W: Bradley W.G., Daroff R.B., Fenichel G.M., Jankovic J. (red.): Neurologia w praktyce klinicznej. Zasady diagnostyki i postępowania. Tom II, Czelej, Lublin 2006: 1429-1434.
• 2. Ryglewicz D.: Epidemiologia udarów mózgu. W: Szczudlik A., Członkowska A., Kwieciński H., Słowik A. (red.): Udar mózgu. Wydawnictwo Uniwersytetu Jagiellońskiego, Kraków 2007: 85-95.
• 3. Sobotko-Waszczeniuk O., Lukasiewicz A., Pyd E. i wsp.: Differentiation of density of ischaemic brain tissue in computer tomography with respect to neurological deficit in acute and subacute period of ischaemic stroke. Pol. J. Radiol. 2009; 74: 30-36.
• 4. Studniarek M. (red.): Radiologia - diagnostyka obrazowa, część II. Akademia Medyczna w Gdańsku, Gdańsk 2001: 69-80.
• 5. Amutha Devi C., Rajagopalan S.P.: Brain stroke classification based on multi-layer perceptron using watershed segmentation and Gabor filter. J. Theor. Appl. Inf. Technol. 2013; 56: 410-416.
• 6. Kharat K.D., Kulkarni P.P., Nagori M.B.: Brain tumor classification using neural network based methods. International Journal of Computer Science and Informatics 2012; 1: 85-90.
• 7. DICOM - Imaging and Communication in Medicine. Adres: http://medical.nema.org [cytowany 18 września 2014 r.].
• 8. DICOM Viewing Software. Adres: http://www.k-pacs.de [cytowany 18 września 2014 r.].
• 9. Szczypiński P.M., Strzelecki M., Materka A., Klepaczko A.: MaZda - a software package for image texture analysis. Com-put. Methods Programs Biomed. 2009; 94: 66-76.
• 10. Materka A.: MaZda User’s Manual. Adres: www.eletel.p.lodz.pl/ programy/mazda/download/mazda_manual.pdf [cytowany 18 września 2014 r.].
• 11. Hajek M., Dezortova M., Materka A., Lerski R. (red.): Texture Analysis for Magnetic Resonance Imaging. Med4publishing, 2006.
• 12. Zieliński K.W, Strzelecki M.: Komputerowa analiza obrazów biomedycznych. Wstęp do morfometrii i patologii ilościowej. Wydawnictwo Naukowe PWN, Warszawa - Łódź 2002.
• 13. Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R. (red.): Biocybernetyka i inżynieria biomedyczna 2000. Tom 6: Sieci neuronowe. Akademicka Oficyna Wydawnicza EXIT, Warszawa 2000.
• 14. Schürmann J.: Pattern Classification. A Unified View of Statistical and Neural Approaches. John Wiley & Sons, New York 1996.
• 15. Korbicz J., Obuchowicz A., Uciński D.: Sztuczne sieci neuronowe. Podstawy i zastosowania. Akademicka Oficyna Wydawnicza PLJ, Warszawa 1994.
• 16. Tadeusiewicz R., Korbicz J., Rutkowski L., Duch W: Inżynieria biomedyczna - podstawy i zastosowania. Tom 9: Sieci neuronowe w inżynierii biomedycznej. Akademicka Oficyna Wydawnicza EXIT, Warszawa 2013.

• Document Type: article