Lung disease detection using feature extraction and extreme learning machine

INTRODUCTION: The World Health Organization estimates that by 2030 the Chronic Obstructive Pulmonary Disease (COPD) will be the third leading cause of death worldwide. Computerized Tomography (CT) images of lungs comprise a number of structures that are relevant for pulmonary disease diagnosis and analysis. METHODS: In this paper, we employ the Adaptive Crisp Active Contour Models (ACACM) for lung structure segmentation. And we propose a novel method for lung disease detection based on feature extraction of ACACM segmented images within the cooccurrence statistics framework. The spatial interdependence matrix (SIM) synthesizes the structural information of lung image structures in terms of three attributes. Finally, we perform a classification experiment on this set of attributes to discriminate two types of lung diseases and health lungs. We evaluate the discrimination ability of the proposed lung image descriptors using an extreme learning machine neural network (ELMNN) comprising 4-10 neurons in the hidden layer and 3 neurons in the output layer to map each pulmonary condition. This network was trained and validated by applying a holdout procedure. RESULTS: The experimental results achieved 96% accuracy demonstrating the effectiveness of the proposed method on identifying normal lungs and diseases as COPD and fibrosis. CONCLUSION: Our results lead to conclude that the method is suitable to integrate clinical decision support systems for pulmonary screening and diagnosis.

Modelo de Contorno Ativo Crisp Adaptativo 2D aplicado na segmentação dos pulmões em imagens de TC do tórax de voluntários sadios e pacientes com enfisema pulmonar / Adaptive 2D Crisp Active Contour Model applied to lung segmentation in CT images of the thorax of healthy volunteers and patients with pulmonary emphysema

INTRODUÇÃO: Dentre as doenças que afetam a população mundial, destaca-se a preocupação com a Doença Pulmonar Obstrutiva Crônica (DPOC), que, segundo a Organização Mundial de Saúde, pode se constituir na terceira causa de morte mais importante em todo mundo no ano de 2030. Visando contribuir com o auxílio ao diagnóstico médico, esta pesquisa centraliza seus esforços na etapa de segmentação dos pulmões, visto que esta é a etapa básica de sistema de Visão Computacional na area de pneumologia. MÉTODOS: Este trabalho propõe um novo método de segmentação dos pulmões em imagens de Tomografia Computadorizada (TC) do tórax chamado de Método de Contorno Ativo (MCA) Crisp Adaptativo 2D. Este MCA consiste em traçar automaticamente uma curva inicial dentro dos pulmões, que se deforma por iterações sucessivas, minimizando energias que atuam sobre a mesma, deslocando-a até as bordas do objeto. O MCA proposto é o resultado do aperfeiçoamento do MCA Crisp desenvolvido previamente, visando aumentar a sua exatidão, diminuindo o tempo de análise e reduzindo a subjetividade na segmentação e análise dos pulmões dessas imagens pelos médicos especialistas. Este método por iterações sucessivas de minimização de sua energia, segmenta de forma automática os pulmões em imagens de TC do tórax. RESULTADOS: Para sua validação, o MCA Crisp Adaptativo é comparado com os MCAs THRMulti, THRMod, GVF, VFC, Crisp e também com o sistema SISDEP, sendo esta avaliação realizada utilizando como referência 24 imagens, sendo 12 de pacientes com DPOC e 12 de voluntários sadios, segmentadas manualmente por um pneumologista. Os resultados obtidos demonstram que o método proposto é superior aos demais. CONCLUSÃO: Diante dos resultados obtidos, pode-se concluir que este método pode integrar sistemas de auxílio ao diagnóstico médico na área de Pneumologia.

INTRODUCTION: Among the diseases that affect the world's population, there is concern about Chronic Obstructive Pulmonary Disease (COPD), that, according to the World Health Organization, could be the leading cause of death worldwide by the year 2030. Aiming to contribute to aid medical diagnosis, this research focuses its efforts on the segmentation of the lungs, since this is the basic step system in the area of Computer Vision pulmonology. METHODS: This paper proposes a new method for segmentation of lung images in Computed Tomography (CT) of the chest called Active Contour Method (MCA) Crisp Adaptive 2D. This MCA is to draw a curve starting inside an object of interest. This curve is deformed by successive iterations, minimizing energies that act on it, moving it to the edges of the object. The MCA is the improvement of the proposed MCA Crisp previously developed, aiming to increase the accuracy, decreasing analysis time and reducing the subjectivity in the segmentation and analysis of the lungs of these images by pulmonologists. This method is automatically initialized in the lungs and on successive iterations to minimize this energy, this MCA automatically targets the lungs in chest CT images. RESULTS: To evaluate the proposed method, the MCA Adaptive Crisp is compared with MCAs THRMulti, THRMod, GVF, VFC, Crisp and also with the system SISDEP, this assessment is performed using reference images 24, 12 COPD patients and 12 volunteers healthy, manually segmented by a pulmonologist. The results show that the proposed method is superior to the others. CONCLUSION: Based on the results, it can be concluded that this method can integrate systems aid in the medical diagnosis of Pulmonology.

Modelo de contorno ativo crisp: nova técnica de segmentação dos pulmões em imagens de TC / Active contour modes crisp: new technique for segmentation the lungs in CT images

Este trabalho propõe um novo método de contornos ativos (MCA), chamado de MCA Crisp, e o avalia na segmentação dos pulmões em imagens de Tomografia Computadorizada (TC). O MCA consiste em traçar uma curva inicial em torno ou dentro de um objeto de interesse. Esta curva se deforma, conforme algumas energias que atuam sobre a mesma, deslocando-a até as bordas do objeto. Este processo é realizado por iterações sucessivas de minimização de uma dada energia, associada à curva. Aplicando MCAs descritos na literatura na segmentação dos pulmões em imagens de TC, constatam-se limitações. Neste contexto, propõe‑-se o MCA Crisp para suprir tais limitações, propondo uma inicialização automática e uma nova energia externa baseada em regras e nas densidades radiológicas pulmonares. Realiza-se uma comparação entre os MCAs Tradicional, Balão, GVF e o método proposto para demonstrar a superioridade do novo método. Em seguida, para validar o MCA Crisp realiza-se uma análise qualitativa junto a um médico especialista na área de Pneumologia do Hospital Universitário Walter Cantídio da Universidade Federal do Ceará. Nesta análise, são utilizados 100  pulmões em imagens de TC. A eficiência da segmentação foi avaliada em  5 categorias, obtendo os seguintes resultados:   73% ótimas, sem falhas, 20% aceitáveis, com pequenos erros, 7% razoáveis, com erros grosseiros e  0% ruim, segmentando apenas uma pequena parte do pulmão, e  0% péssima, obtendo uma segmentação totalmente errada. Conclui-se que o MCA Crisp é um método útil para segmentar os pulmões em imagens de TC e com potencial para integrar sistemas que auxiliem o diagnóstico médico.

This paper proposes a new Active Contour Model (ACM), called ACM Crisp, and evaluates the segmentation of lungs in computed tomography (CT) images. An ACM draws a curve around or within the object of interest. This curve changes its shape, when some energy acts on it and moves towards the edges of the object. This process is performed by successive iterations of minimization of a given energy, associated with the curve. The ACMs described in the literature have limitations when used for segmentations of CT lung images. The ACM Crisp model overcomes these limitations, since it proposes automatic initiation and new external energy based on rules and radiological pulmonary densities. The paper compares other ACMs with the proposed method, which is shown to be superior. In order to validate the algorithm a medical expert in the field of Pulmonology of the Walter Cantídio University Hospital from the Federal University of Ceará carried out a qualitative analysis. In these analyses  100 CT lung images were used. The segmentation efficiency was evaluated into  5 categories with the following results for the ACM Crisp: 73% excellent, without errors, 20% acceptable, with small errors, and  7% reasonable, with large errors, 0% poor, covering only a small part of the lung, and  0% very bad, making a totally incorrect segmentation. In conclusion the ACM Crisp is considered a useful algorithm to segment CT lung images, and with potential to integrate medical diagnosis systems.