Preview

Радиология – практика

Расширенный поиск

Автоматическое пакетное определение рентгеновской плотности печени для выявления субклинических заболеваний печени

Полный текст:

Аннотация

В работе предлагается система автоматической сегментации и определения рентгеновской плотности печени, разработанная авторами. Проведено ретроспективное исследование характеристик системы. Система способна корректно определять значения рентгеновской плотности как нормальной печени, так и печени с патологическими изменениями, способна работать с томограммами, где изображение печени представлено не полностью. Система может быть использована для автоматического определения рентгеновской плотности печени на больших базах компьютерных томограмм. Она может быть использована для выявления субклинических заболеваний печени, а также для научно-исследовательских работ. Ключевые слова: компьютерная томография, автоматическая сегментация печени, автоматическая денситометрия, автоматизированная система поддержки принятия решений.

Об авторах

Н. С. Кульберг
«Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»
Россия


А. Б. Елизаров
«Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»
Россия


В. П. Новик
«Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»
Россия


В. А. Гомболевский
«Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»
Россия


А. П. Гончар
«Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»
Россия


В. Ю. Босин
«Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»
Россия


А. В. Владзимирский
«Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»
Россия


С. П. Морозов
«Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»
Россия


Список литературы

1. Кульберг Н. С., Елизаров А. Б., Ковбас В. С. Программа сегментации изображения печени и определения рентгеновской плотности печени CTLiverExam. Свидетельство о государственной регистрации программы для ЭВМ № 2019660983. 2019.

2. Усанов М. С., Кульберг Н. С., Морозов С. П. Опыт применения адаптивных гомоморфных фильтров для обработки компьютерных томограмм // Информационные технологии и вычислительные системы. 2017. № 2. С. 33-42.

3. Усанов М. С., Кульберг Н. С., Морозов С. П. Разработка алгоритма анизотропной нелинейной фильтрации данных компьютерной томографии с применением динамического порога // Компьютерные исследования и моделирование. 2019. Т. 11. № 2. С. 233-248. DOI: 10.20537/2076-7633-2019-11-2-233-248.

4. Choi S. H., Kwon H. J., Lee S. Y. et al. Focal hepatic solid lesions incidentally detected on initial ultrasonography in 542 asymptomatic patients // Abdom. Radiol. 2016. V. 41. P. 265-272. DOI: 10.1007/s00261-015-0567-9.

5. Collin P., Rinta-Kiikka I., Räty S., Laukkarinen J., Sand J. Diagnostic workup of liver lesions: Too long time with too many examinations // Scand. J. Gastroenterol. 2015. V. 50. P. 355-359. DOI: 10.3109/00365521.2014.999349.

6. Gore R. M., Thakrar K. H., Wenzke D. R., et al. That liver lesion on MDCT in the oncology patient: is it important? // Cancer Imag. 2012. V. 12. № 2. P. 373-384. DOI: 10.1102/1470-7330.2012.9028.

7. Gore R. M., Pickhardt P. J., Mortele K. J., Fishman E. K., Horowitz J. M., Fimmel C. J., Talamonti M. S., Berland L. L., Pandharipande P. V. Management of incidental liver lesions on ct: a white paper of the ACR incidental findings committee. j am coll radiol. 2017. V. 14. № 11. P. 1429-1437. DOI: 10. 1016/j.jacr.2017.07.018.

8. Graffy P. M., Sandfort V., Summers R. M., Pickhardt P. J. Automated Liver Fat Quantification at nonenhanced abdominal CT for population-based steatosis assessment // Radiol. 2019. Online. DOI: 10.1148/radiol.2019190512.

9. Huang Q., Ding H., Wang X., Wang G. Fully automatic liver segmentation in CT images using modified graph cuts and feature detection // Comput. Biol. Med. 2018. V. 95. P. 198-208. DOI: 10.1016/j.compbiomed.2018.02.012.

10. Kaltenbach T. E., Engler P., Kratzer W., Oeztuerk S., Seufferlein T., Haenle M. M., Graeter T. Prevalence of benign focal liver lesions: ultrasound investigation of 45,319 hospital patients // Abdom. Radiol. 2016. V. 41. № 1. P. 25-32. DOI: 10.1007/s00261-015-0605-7.

11. Maxwell A. W., Keating D. P., Nickerson J. P. Incidental abdominopelvic findings on expanded field-of-view lumbar spinal importance, and concordance in interpretation by neuroimaging and body imaging radiologists // Clin. Radiol. 2015. V. 70. № 2. P. 161-167. DOI: 10.1016/j.crad.2014.10.016.

12. Pickhardt P. J., Park S. H., Hahn L., Lee S. G., Bae K. T., Yu E. S. Specificity of unenhanced CT for non-invasive diagnosis of hepatic steatosis: Implications for the investigation of the natural history of incidental steatosis // Eur. Radiol. 2012. V. 22. № 5. P. 1075-1082. DOI: 10.1007/s00330-011-2349-2.

13. Quattrocchi C. C., Giona A., Di Martino A. C. et al. Extra-spinal incidental findings at lumbar spine MRI in the general population: a large cohort study // Insights Imaging. 2013. V. 4. № 3. P. 301-308. DOI: 10.1007/s13244-013-0234-z.

14. Spinczyk D., Krasoń A. Automatic liver segmentation in computed tomography using general-purpose shape modeling methods. 2018. BioMedical Engineering OnLine V. 17. № 65. DOI: 10.1186/s12938-018-0504-6.

15. Venkatesh S. K., Chandan V., Roberts L. R. Liver Masses: A Clinical, Radiologic, and Pathologic Perspective. Clin Gastroenterol Hepatol. 2014. V. 12. P. 1414-1429. DOI: 10.1016/j.cgh.2013.09.017.

16. Xuesong L., Qinlan X., Yunfei Zh., Defeng W. Fully automatic liver segmentation combining multi-dimensional graph cut with shape information in 3D CT images. Scientific Reports. 2018. V. 8. № 10700. DOI: 10.1038/s41598-018-28787-y.

17. Yang D., Xu D., Zhou K. S., Georgescu B., Chen M., Grbic S., Metaxas D., Comaniciu D. Automatic Liver Segmentation Using an Adversarial Image-to-Image Network. In: Descoteaux M., Maier-Hein L., Franz A., Jannin P., Collins D., Duchesne S. (eds) Medical Image Computing and Computer Assisted Intervention - MICCAI 2017. MICCAI 2017. Lecture Notes in Computer Science. 2017. V. 10435. Springer, Cham. DOI: 10.1007/978-3-319-66179-7_58.

18. Zeb I., Li D., Nasir K., Katz R., Larijani V. N., Budoff M. J. Computed Tomography Scans in the Evaluation of Fatty Liver Disease in a Population Based Study. The Multi-Ethnic Study of Atherosclerosis. Acad Radiol. 2012. V. 19. № 7. P. 811-818. DOI: 10.1016/j.acra.2012.02.022.


Для цитирования:


Кульберг Н.С., Елизаров А.Б., Новик В.П., Гомболевский В.А., Гончар А.П., Босин В.Ю., Владзимирский А.В., Морозов С.П. Автоматическое пакетное определение рентгеновской плотности печени для выявления субклинических заболеваний печени. Радиология – практика. 2020;(3):50-61.

For citation:


Kulberg N.S., Elizarov A.B., Novic V.P., Gombolevskiy V.A., Gonchar A.P., Bosin V.Yu., Vladzimirskiy A.V., Morozov S.P. Automatic Batch Determining Radiodensity of the Liver to Detect Subclinical Liver Cases. Radiology - Practice. 2020;(3):50-61. (In Russ.)

Просмотров: 20


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2713-0118 (Online)