پردازش و تحلیل کامپیوتری تصاویر سی‌تی‌اسکن ریه در راستای ارایه‌ی معیاری جهت تشخیص بیماری انسدادی ریوی

نوع مقاله : مقاله های پژوهشی

نویسندگان

1 کارشناس ارشد، گروه مهندسی برق و کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

2 پژوهشگر ارشد، آزمایشگاه تحلیل تصاویر، بخش رادیولوژی، بیمارستان هنری فورد، دیترویت، آمریکا و استاد تمام، قطب علمی کنترل و پردازش هوشمند، دانشکده‌ی مهندسی برق و کامپیوتر، دانشگاه تهران، تهران، ایران

3 دانشیار، گروه رادیولوژی، بیمارستان سینا، دانشگاه علوم پزشکی تهران، تهران، ایران

چکیده

مقدمه: بیماری انسدادی ریه یکی از شایع‌ترین و خطرناک‌ترین بیماری‌های ریوی است. پیش‌بینی می‌شود طی سال‌های آتی، این بیماری به عنوان سومین بیماری کشنده‌ی دنیا شناخته شود. ارایه‌ی روش‌های جدید در راستای تشخیص بیماری کمک ارزنده‌ای به پزشکان و بیماران خواهد کرد.روش‌ها: ده بیمار مبتلا به بیماری انسدادی ریه (6 مرد و 4 زن با میانگین سنی 8/49 سال) بر طبق معاینات کلینیکی و نتایج تست تنفسی وارد مطالعه گردیدند. در همین راستا، ده شخص سالم (6 مرد و 4 زن با میانگین سنی 4/45 سال) نیز به عنوان گروه شاهد مورد بررسی قرار گرفتند. تصاویر سی‌تی‌اسکن ریه‌ی این دو گروه، توسط کامپیوتر پردازش و تحلیل گردید.یافته‌ها: میزان ارتجاع پذیری و الاستیسیته‌ی نسج ریه‌ی نمونه‌ها از طریق تحلیل کامپیوتری تصاویر بررسی شد. میانگین نرمالیزه شده‌ی این ویژگی در گروه بیمار 6/21 درصد و در گروه شاهد 7/40 درصد به دست آمد. همچنین میانگین نرمالیزه شده‌ی تغییرات دوز جذبی در پنجره‌های مربعی شکل 10 پیکسلی در تصاویر بازدمی به عنوان معیاری جهت بررسی میزان گیرافتادگی هوا محاسبه گردید. متمایز بودن این معیارها توسط آزمون آماری t-student با (05/0 > P) اثبات گردید.نتیجه‌گیری: این مطالعه نشان داد که ارتجاع پذیری و دوز جذبی نسج ریه که توسط پردازش و تحلیل کامپیوتری تصاویر سی‌تی‌اسکن به دست آمد، می‌تواند به عنوان یک معیار در راستای تشخیص و بیان شدت بیماری به کار گرفته شود. از این‌رو، می‌توان از این روش پیشنهادی در کنار سایر معیارها برای تشخیص بیماری انسدادی ریه استفاده نمود.

کلیدواژه‌ها


عنوان مقاله [English]

Computerized Processing and Analysis of CT Images for Developing a New Criterion in COPD Diagnosis

نویسندگان [English]

  • Mohammad Parsa Hosseini 1
  • Hamid Soltanian Zadeh 2
  • Shahram Akhlaghpoor 3
1 Department of Electrical and Computer Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran
2 Image Analysis Laboratory, Department of Radiology, Henry Ford Health System, Detroit, Michigan, USA AND Professor, Control and Intelligent Processing Center of Excellence (CIPCE), School of Electrical and Computer Engineering, Tehran University, Tehran, Iran
3 Associate Professor, Department of Radiology, Sina Hospital, Tehran University of Medical Sciences, Tehran, Iran
چکیده [English]

Background: Chronic obstructive pulmonary disease (COPD) is one of the most prevalent and dangerous pulmonary diseases in the world. It is forecasted that COPD will be the third deadly disease in the future. Therefore, developing non-invasive methods for diagnosis of the disease would be helpful for physicians and patients.Methods: Based on clinical investigations and spirometry tests, ten adult patients with COPD (6 male and 4 female) with mean age of 49.8 years were enrolled as the case group. In addition, ten age and sex-matched healthy, non-COPD individuals (6 male and 4 female) with mean age of 45.4 years were recruited as the controls. Lung CT-scan images of the subjects were processed and analyzed by a computer to find a relationship.Findings: The elasticity of lung parenchyma variation was obtained with digital image processing. The normalized average of this pattern was found to be 21.6% in patients and 40.7% in controls. In addition, normalized mean value of Hounsfield unit variations in square 10 pixel × 10 pixel windows in the expiratory images were calculated as a parameter of air-trapping in COPD. Differences between the groups were shown by student t-test (P < 0.05). Conclusion: This study showed that the variation of lung parenchyma elasticity and Hounsfield units are found by processing and analysis of the full inspiration and expiration images. These factors can be used as criteria in diagnosis of COPD. Moreover, the severity of the disease can be presented by the proposed method.

کلیدواژه‌ها [English]

  • Air-trapping
  • Chronic obstructive pulmonary disease
  • Image processing and analysis
  • CT-scan lung images
  1. Snider GL. Pathogenesis and terminology of emphysema. Am J Respir Crit Care Med 1994; 149(5): 1382-3.
  2. Thurlbeck WM, Müller NL. Emphysema: definition, imaging, and quantification. AJR 1994; 163(5): 1017-25.
  3. Barker AF, Bardana EJ, Jr. Bronchiectasis: update of an orphan disease. Am Rev Respir Dis 1988; 137(4): 969-78.
  4. Stanford W, Galvin JR. The diagnosis of bronchiectasis. Clin Chest Med 1988; 9(4): 691-9.
  5. Davis Al, Salzman SH. Bronchiectasis. In: Cherniack NS, editor. Chronic Obstructive Pulmonary Disease.Philadelphia, PA: Saundres; 1991. p. 316-38.
  6. Death-types. [Online]. 2010. [cited 2010 may 21]; Available from: URL: http://www.wrongdiagnosis.com/.
  7. COPD. [Online]. 2010. [cited 2010 may 21]; Available from: URL: http://www.emedicinehealth.com/.
  8. Van Beek EJR, Hoffman EA. Imaging in COPD. Imaging Decisions MRI 2009; 13(1): 11-7.
  9. Muller NL. Clinical Value of High-Resolution CT in Chronic Diffuse lung Disease. AJR 1991; 157(6): 1163-70.
  10. Primack SL, Müller NL. High-resolution computed tomography in acute diffuse lung disease in the immunocompromised patient. Radiologic Clinics of North America 1994; 32(4): 731-44.
  11. Lakare S, Kaufman A. 3D Segmentation Techniques for Medical Volumes. New York: State University of New York at Stony Brook; 2000.
  12. Hosseini MP, Soltanian-Zadeh H, Akhlaghpour SH, Behrad A. A New Scheme for Evaluation of Air-Trapping in CT Images. Proceedings of the 6th Iranian Conference on Machine Vision and Image Processing (MVIP'2010); 2010 Oct 27-28; Isfahan, Iran.
  13. Hosseini MP, Soltanian-Zadeh H, Akhlaghpour SH. A Novel Method for Identification of COPD in Inspiratory and Expiratory States of CT Images. Proceedings of the 1st Middle East Conference on Biomedical Engineering (MECBME'2011); 2011 Feb 21-24; Sharjah, UAE.
  14. Amini AA, Tehrani S, Weymouth TE. Using Dynamic Programming for Minimizing the Energy Of Active Contours In The Presence Of Hard Constraints. Proceedings of the International Conferance on Computer Vision; 1988 Dec 5-8; Tampa, FL. p. 95-7.