컴퓨터 보조 진단

Computer-aided diagnosis
다른 의료 분야의 컴퓨터 지원은 임상 의사 결정 지원 시스템을 참조하십시오.
진단(인공지능)과 혼동하지 마십시오.
컴퓨터 보조 진단
X-ray of hand, where bone age is automatically found by BoneXpert software.jpg
컴퓨터 소프트웨어에 의한 골연령 자동 계산과 함께 손의 X선 촬영.
목적이미지 컴퓨터 지원 진단

컴퓨터 보조 진단(CADE)이라고도 불리는 컴퓨터 보조 검출(CADe)은 의사들이 의료 영상을 해석하는 데 도움을 주는 시스템이다. X선, MRI, 초음파 진단에서의 영상 기법은 방사선 전문의나 다른 의료 전문가가 단시간에 종합적으로 분석하고 평가해야 하는 많은 정보를 산출한다. CAD 시스템은 전문가에 의한 결정을 지원하기 위한 입력을 제공하기 위해 일반적인 외관에 대한 디지털 이미지를 처리하고 가능한 질병과 같은 눈에 띄는 부분을 강조한다.

또한 CAD는 전체 슬라이드 이미징과 머신러닝 알고리즘의 등장으로 디지털 병리학 분야에서 잠재적인 미래 응용 프로그램을 가지고 있다. 지금까지 그것의 적용은 면역력을 계량화하는 것에 한정되어 있었지만 표준 H&E 얼룩에 대해서도 조사되고 있다.[1]

CAD는 인공지능(AI)과 컴퓨터 비전(Computer Vision) 요소를 방사선 및 병리학 영상 처리와 결합한 학제 간 기술이다. 대표적인 적용은 종양 검출이다. 예를 들어 일부 병원은 CAD를 이용해 유방조영술(유방암 진단), 대장내 용종 검출, 폐암 등에서 예방적 건강검진을 지원한다.

컴퓨터 보조 감지(CADe) 시스템은 일반적으로 눈에 띄는 구조와 부분을 표시하는데만 국한된다. 컴퓨터 보조 진단(CADx) 시스템은 눈에 띄는 구조를 평가한다. 예를 들어 유방조영술에서 CAD는 연조직의 미세석회화 군집과 고밀도 구조를 강조한다. 이를 통해 방사선사는 병리학 상태에 대한 결론을 도출할 수 있다. 또 다른 애플리케이션은 CADq로, 예를 들어 종양의 크기나 종양의 행동을 조영제 섭취로 계량화한다. CAST(Computer-aided 간단한 부상자 분류, CAST)는 CAD의 또 다른 유형으로, 일부 의미 있는 범주(예:음과 양)로 연구의 완전 자동 해석과 삼성을 수행한다. CAST는 특히 생명이 위독한 중증의 신속한 진단이 필요한 응급 진단 영상촬영에 적용된다.

비록 CAD가 40년 이상 임상 환경에서 사용되어 왔지만, CAD는 보통 의사나 다른 전문가를 대신하지 않고 오히려 조연 역할을 한다. 일반적으로 방사선 전문의는 의료 이미지의 최종 해석을 책임진다.[2] 그러나 일부 CAD 시스템의 목표는 당뇨병성 망막병증, 유방조영술의 구조적 왜곡,[3][4] 흉부 CT의 지상 유리 결절,[5][6] CT 대장내 비폴리포이드("평형") 병변에서와 같이 전문의가 할 수 없는 환자의 이상 징후를 조기에 발견하는 것이다.[7]

주제

짧은 역사

1950년대 후반, 다양한 분야의 현대 컴퓨터 연구자들의 새벽과 함께 컴퓨터 보조 의료 진단(CAD) 시스템을 구축할 수 있는 가능성을 탐구하기 시작했다. 이러한 최초의 CAD 시스템은 의사 결정 과정을 추진하기 위해 흐름도, 통계 패턴 매칭, 확률 이론 또는 지식 기반을 사용했다.[8]

1970년대 초부터 의학에서는 흔히 "전문가 시스템"이라고 일컬어졌던 의학의 초창기 CAD 시스템 중 일부가 개발되어 주로 교육용으로 사용되었다. MYCIN 전문가 시스템,[9] I 전문가 시스템[10], CADUCUS(전문가 시스템)[11] 등이 그런 예다.

초기 개발 초기에 연구자들은 완전히 자동화된 CAD/전문가 시스템을 구축하는 것을 목표로 하고 있었다. 컴퓨터가 할 수 있는 일에 대한 기대는 이들 과학자들 사이에서 비현실적으로 낙관적이었다. 그러나, 리차드 M. Karp의 획기적인 논문인 "합병 문제들 사이의 감소성" 이후,[12] 중요한 계산 문제들의 그룹을 해결하기 위한 알고리즘을 개발할 때 한계가 있을 뿐 아니라 잠재적인 기회도 있다는 것이 명백해졌다.[8]

Karp가 1970년대 초 발견한 다양한 알고리즘의 한계를 새롭게 이해한 결과, 연구자들은 CAD와 의학 분야의 전문가 시스템이 가지고 있는 심각한 한계를 깨닫기 시작했다.[8] 이러한 한계를 인식함으로써 조사자들은 첨단 접근방식을 이용하여 새로운 종류의 CAD 시스템을 개발하게 되었다. 따라서, 1980년대 후반과 1990년대 초반에 데이터 마이닝 접근방식의 사용에 초점을 맞추었고, 보다 진보되고 유연한 CAD 시스템을 사용할 목적으로 했다.

1998년 유방조영술을 위한 최초의 상용 CAD 시스템인 ImageChecker 시스템은 미국 식품의약국(FDA)의 승인을 받았다. 그 후 몇 년 동안 유방조영술, 유방 MRI, 폐, 대장, 심장에 대한 의학적인 상상 등을 위한 상업 CAD 시스템도 FDA 승인을 받았다. 현재, CAD 시스템은 의사들에게 더 나은 의사 결정을 위한 진단 보조 도구로 사용된다.[13]

방법론

CAD는 근본적으로 매우 복잡한 패턴 인식에 기반을 두고 있다. X선이나 다른 유형의 영상을 스캔하여 의심스러운 구조가 있는지 확인하십시오. 일반적으로 알고리즘을 최적화하기 위해서는 몇 천 개의 영상이 필요하다. 디지털 영상 데이터는 DICOM 형식으로 CAD 서버에 복사되고 여러 단계로 준비 및 분석된다.

1. 에 대한 사전 처리

  • 아티팩트 감소(이미지의 버그)
  • 이미지 노이즈 감소
  • 영상의 다양한 기본 조건(예: 다른 노출 매개 변수)을 지우기 위한 영상 화질의 레벨링(조화)
  • 필터링

2.분할:

  • 이미지에서 서로 다른 구조의 분화(예: 심장, 폐, 늑골, 혈관, 가능한 둥근 병변)
  • 해부학적 데이터뱅크와 매칭
  • 관심[14] 볼륨의 회색 값 샘플

3. Structure/ROI(관심 영역) 분석 검출된 모든 영역을 개별적으로 분석하여 특수성을 파악한다.

  • 콤팩트
  • 형태, 크기 및 위치
  • 구조물/ROI를 기준으로 닫기 참조
  • ROI 내에서 평균 그레일벨 값 분석
  • ROI 내 구조물의 테두리에 대한 그리스레벨의 비율

4. 평가 / 분류 구조 분석 후 모든 ROI는 TP 확률에 대해 개별적으로 평가(점수)한다. 다음 절차는 분류 알고리즘의 예다.

감지된 구조가 특정 임계값 레벨에 도달한 경우 방사선사의 영상에서 강조 표시된다. CAD 시스템에 따라 이러한 표시는 영구적으로 또는 임시로 저장할 수 있다. 후자의 장점은 방사선사가 승인한 표시만 저장된다는 것이다. 나중에 시험하는 것이 더 어려워지기 때문에 오타를 저장해서는 안 된다.

민감성 및 특수성

CAD 시스템은 의심스러운 구조를 강조하기 위해 노력한다. 오늘날의 CAD 시스템은 병리학적 변화를 100% 감지할 수 없다. 적중률(감성)은 시스템 및 용도에 따라 최대 90%까지 가능하다.[23] 올바른 적중률을 참 양성(TP)이라고 하며, 건강한 섹션의 잘못된 표시가 거짓 양성(FP)으로 구성된다. 표시된 FP가 적을수록 특수성이 높아진다. 사용자가 이러한 모든 잘못된 히트 수를 식별해야 하기 때문에 낮은 특수성은 CAD 시스템의 허용치를 감소시킨다. 폐 개요 검사(CAD 흉부)의 FP 속도는 검사당 2로 감소할 수 있다. 다른 세그먼트(예: CT 폐검사)의 경우 FP 속도는 25 이상일 수 있다. CAST 시스템의 경우 FP 속도는 매우 낮아야 하며(검사당 1회 미만) 의미 있는 스터디 트라이지를 허용해야 한다.

절대검출률

방사선사의 절대 검출률은 감도와 특수성에 대한 대체 측정 기준이다. 전반적으로 민감도, 특수성, 절대 검출률에 대한 임상시험의 결과는 현저하게 다를 수 있다. 각각의 연구 결과는 그것의 기본 조건에 따라 달라지며, 그 조건에 따라 평가되어야 한다. 다음과 같은 사실이 강한 영향을 미친다.

  • 소급 또는 전진 설계
  • 사용된 이미지의 품질
  • X선 검사의 상태
  • 방사선사의 경험과 교육
  • 병변 유형
  • 고려된 병변의 크기

오늘날 의학 분야의 CAD가 직면한 과제

컴퓨터가 시작된 이래로 CAD가 달성한 많은 발전에도 불구하고, 오늘날 CAD 시스템이 직면하고 있는 몇 가지 과제들이 있다.[24]

일부 과제는 입력 데이터 수집, 사전 처리, 처리 및 시스템 평가를 포함한 CAD 시스템 절차의 다양한 알고리즘 제한과 관련이 있다. 알고리즘은 일반적으로 가능한 단일 진단을 선택하도록 설계되어 있어 다중 동시 장애를 가진 환자에게는 차선의 결과를 제공한다.[25] 오늘날 CAD의 입력 데이터는 대부분 전자 건강 기록(EHR)에서 나온다. EHR에 대한 효과적인 설계, 구현 및 분석은 모든 CAD 시스템에서 중요한 필수 사항이다.[24]

데이터의 막대한 가용성과 이러한 데이터의 분석의 필요성 때문에 빅데이터도 오늘날 CAD 시스템이 직면한 가장 큰 난제 중 하나이다. 점점 더 방대한 양의 환자 데이터가 심각한 문제다. 종종 환자 데이터는 복잡하고 반정형 또는 비정형 데이터일 수 있다. 합리적인 시간 내에 저장, 검색 및 분석하기 위해 고도로 개발된 접근법이 필요하다.[24]

사전 처리 단계에서는 입력 데이터를 정규화해야 한다. 입력 데이터의 정규화에는 노이즈 감소 및 필터링이 포함된다. 처리에는 애플리케이션에 따라 몇 가지 하위 단계가 포함될 수 있다. 의료 영상에 관한 기본 세 가지 하위 단계는 분할, 형상 추출/선택 및 분류다. 이러한 하위 단계에는 계산 시간이 짧은 입력 데이터를 분석할 수 있는 고급 기술이 필요하다. CAD 시스템의 이러한 절차에 대한 혁신적 기법을 만드는 데 많은 노력을 기울였지만, 여전히 각 단계마다 최고의 알고리즘이 단 한 개도 없다. CAD 시스템의 모든 측면을 위한 혁신적인 알고리즘을 구축하기 위한 지속적인 연구가 필수적이다.[24]

CAD 시스템에 대한 표준화된 평가 대책도 부족하다.[24] 이 사실은 상업적 사용을 위한 FDA 승인을 얻기 위한 어려움을 야기할 수 있다. 더욱이 CAD 시스템의 많은 긍정적인 발전이 입증되었지만, 임상 실습을 위한 알고리즘을 검증하기 위한 연구는 거의 확인되지 않았다.[26]

다른 과제는 의료 제공자가 임상 실무에서 새로운 CAD 시스템을 채택하는 문제와 관련된다. 일부 부정적인 연구들은 CAD 사용을 저해할 수 있다. 또한 CAD 사용에 대한 보건 전문가 교육이 부족하여 시스템 결과를 잘못 해석할 때도 있다. 이러한 도전에 대해서는 보다 상세히 기술되어 있다.[24]

적용들

Interface of Medical Ceet, IBM의 임상 의사 결정 지원 알고리즘.

CAD는 유방암, 폐암, 대장암, 전립선암, 뼈전립선암, 관상동맥질환, 선천성 심장결함, 병리학적 뇌감지, 골절감지, 알츠하이머병, 당뇨병성 망막병증 진단에 사용된다.

유방암

CAD는 유방 촬영 검사(여유방의 X선 검사)에 사용된다. 유방조영술은 유방암의 조기 발견을 위해 사용된다. CAD 시스템은 종종 종양을 악성 또는 양성 종양으로 분류하는 것을 돕기 위해 사용된다. CAD는 특히 미국과 네덜란드에서 확립되어 있으며, 주로 방사선과 의사가 인체 평가 외에도 사용한다. 최초의 유방조영술 CAD 시스템은 시카고 대학의 연구 프로젝트에서 개발되었다. 오늘날 그것은 iCAD와 홀로닉에 의해 상업적으로 제공되고 있다.[citation needed] 그러나 높은 민감도를 달성하면서도 CAD 시스템은 특수성이 매우 낮은 경향이 있고 CAD를 사용할 경우의 이점은 불확실하다. 2008년 유방 촬영 검사에서 컴퓨터 보조 검출에 대한 체계적 검토 결과 CAD는 암 검출률에는 큰 영향을 미치지 않지만, 바람직하지 않게 회수율(즉, 거짓 양성 비율)을 증가시킨다고 결론 내렸다. 그러나 이 연구에서는 여러 연구에서 회수율에 미치는 영향에서 상당한 이질성에 주목하였다.[27]

최근의 머신러닝, 딥러닝, 인공지능 기술의 발전은 방사선사가 암 검출률을 개선하고 잘못된 긍정과 불필요한 환자 리콜을 줄임으로써 유방 촬영 영상을 판독하는 난제를 해결하는 데 도움이 되는 것으로 임상적으로 입증된 CAD 시스템의 개발을 가능하게 했다.독서 시간이 점점 줄어드는 [28]것

자기공명영상 기반 유방조영술을 평가하는 절차도 존재한다.

폐암(골반암)

폐암 진단에서는 특별한 3차원 CAD 시스템을 이용한 컴퓨터 단층촬영을 확립하고 적절한 제2의견으로 간주한다.[29] 이때 단일 영상 최대 3,000개의 볼륨 데이터 세트가 준비되고 분석된다. 1 mm의 원형 병변(폐암, 전이 및 양성 변화)을 검출할 수 있다. 오늘날 유명한 의료 시스템 공급업체들은 모두 그에 상응하는 솔루션을 제공한다.

폐암의 조기 발견은 가치가 있다. 그러나 X선 영상에서 초기(1단계)에 있는 폐암의 무작위 검출은 어렵다. 5~10mm의 다양한 원형 병변은 쉽게 간과할 수 있다.[30] CAD 흉부 시스템의 일상적인 적용은 초기 의심 없이 작은 변화를 감지하는 데 도움이 될 수 있다. 다수의 연구자들은 흉부 방사선[31][32][33] 촬영과 CT에서 폐결절(원형 병변 30mm 미만)을 검출하기 위한 CAD 시스템과 [34][35]CT에서 폐결절의 진단(예: 악성 및 양성 구별)을 위한 CAD 시스템을 개발했다. 가상 이중 에너지 이미징은[36][37][38][39] 흉부 방사선 촬영에서 CAD 시스템의 성능을 향상시켰다.[40]

대장암

CAD는 CT 대장내 대장내 대장 용종을 검출할 수 있다.[41][42] 용종은 대장의 안쪽 안쪽에서 생기는 작은 성장이다. CAD는 폴립의 특징적인 "범프형" 모양을 식별하여 폴립을 검출한다. 과도한 잘못된 긍정을 방지하기 위해 CAD는 후스트랄 주름을 포함한 정상적인 대장벽을 무시한다.

심혈관질환

심혈관계 컴퓨팅, 심혈관 정보학, 수학적 및 계산적 모델링에서 최첨단 방법은 임상 의사 결정에서 귀중한 도구를 제공할 수 있다.[43] 새로운 영상 분석 기반 마커를 입력으로 사용하는 CAD 시스템은 혈관 내과의사가 심혈관 질환 환자에게 가장 적합한 치료에 대해 보다 높은 신뢰도로 결정할 수 있도록 도울 수 있다.

경동맥성 동맥경화증의 신뢰할 수 있는 조기 발견과 위험 긴장증은 무증상 환자의 뇌졸중을 예측하는 데 가장 중요하다.[44] 이를 위해 초음파 영상 기반 기능을 이용한 다양한 비침습성 및 저비용 마커가 제안되었다.[45] 이것들은 심혈관 위험의 개선된 예측, 평가 및 관리를 위한 임상 결정을 돕기 위해 심혈관 질환, 질감 및 운동 특성을[46][47][48][49] 결합한다.[50]

CAD는 관상동맥 CT 혈관조영술(CCTA) 연구에서 유의미한(협착증의 50% 이상 유발) 관상동맥질환을 자동으로 검출하는 데 사용할 수 있다.[51]

선천성 심장 결함

병리학의 조기 발견은 삶과 죽음의 차이일 수 있다. CADe는 디지털 청진기와 컴퓨터 보조 아우스컬레이션이라고도 알려진 전문 소프트웨어를 통해 배양할 수 있다. 결함 있는 심장을 통해 피가 흐르면서 발생하는 중얼거림, 불규칙한 심장 소리는 높은 민감도와 특수성으로 감지될 수 있다. 컴퓨터가 지원하는 아우스컬레이션은 외부 소음과 신체 소리에 민감하며 정확하게 기능하기 위해서는 거의 조용한 환경이 필요하다.

병리학적 뇌 감지(PBD)

채플롯 외 연구진은 이산파울렛트 변환([52]DWT) 계수를 사용해 병리학적 뇌를 검출했다. Maitra와 Chatterjee는 DWT의 개선된 버전인 Slantlet 변환을 채용했다. 각 영상의 형상 벡터는 특정 논리에 따라 선택한 6개의 공간 위치에 해당하는 Slantlet 변환 출력의 크기를 고려하여 생성된다.[53]

2010년 왕씨와 우씨는 주어진 MR 뇌 영상을 정상 또는 비정상으로 분류하는 전방신경망(FNN) 기반 방식을 제시했다. FNN의 매개변수는 적응성 무질서한 입자 군집 최적화(ACPSO)를 통해 최적화되었다. 160개 이상의 이미지 결과 분류 정확도는 98.75%[54]로 나타났다.

2011년 우씨와 왕씨는 형상 추출에 DWT, 형상 감소를 위한 PCA, 크기 조정 무질서한 인공 벌 군집(SCABC)을 분류기로 FNN을 사용할 것을 제안했다.[55]

2013년 사리타 외 연구진이 최초로 웨이브릿 엔트로피(WE)를 적용해 병리학적 뇌를 검출했다. 사리타는 거미줄 플롯을 사용하자고 제안하기도 했다.[56] 후에 장 외는 거미줄 줄거리를 없애는 것이 공연에 영향을 미치지 않는다는 것을 증명했다.[57] 유전적 패턴 검색법이 적용돼 정상 대조군에서 비정상적인 뇌를 확인했다. 분류 정확도는 95.188%[58]로 보고되었다. 다스 등은 리플릿 변형을 사용할 것을 제안했다.[59] Zhang 등은 입자 군집 최적화(PSO)를 사용할 것을 제안했다.[60] Kalbkhani 등은 GARCH 모델을 사용할 것을 제안했다.[61]

2014년 엘다산 등은 맥박 결합 신경망을 사용할 것을 제안했다.[62]

2015년 저우 외 연구진은 순진한 베이즈 분류기를 병리학적 뇌를 검출하는 데 적용할 것을 제안했다.[63]

알츠하이머병

CAD는 알츠하이머병과 경미한 인지장애를 가진 대상자를 정상적인 노인통제를 통해 식별하는데 사용될 수 있다.

2014년에는 파드마 외 AD 양성 종양 슬라이스와 악성 종양 슬라이스를 세분화하고 분류하기 위해 결합된 웨이블렛 통계 텍스처 기능을 사용했다.[56] 장 외 연구진은 커널 지원 벡터 머신 의사결정 트리가 80% 분류 정확도를 가지고 있으며 각 이미지 분류에 대한 평균 계산 시간은 0.022초라는 것을 발견했다.[64]

2019년에는 시그나에프스키 외. 알츠하이머병에서 신경섬유 엉킴(NFT)의 검출과 정량화를 위해 훈련된 전체 경련 네트워크(FCN)와 기타 여러 가지 요법들을 보고하였다. 훈련된 FCN은 200세기를 대상으로 훈련된 SegNet 모델을 사용하여 NFT 객체를 정확하게 식별함으로써 순진한 디지털 전체 슬라이드 이미지(WSI) 의미 분할에서 높은 정밀도와 리콜을 달성했다. FCN은 GPU(Graphic Processing Unit)당 WSI당 평균 처리 시간이 45분으로 거의 실제에 가까운 효율에 도달하여 신뢰할 수 있고 재현 가능한 대규모 NFT 탐지가 가능했다. 다양한 타우오페라티에 걸쳐 8개의 순진한 WSI의 시험 데이터에 대한 측정된 성능은 각각 회수율, 정밀도, F1 점수가 0.92, 0.72, 0.81로 나타났다.[65]

아이겐브레인(Eigenbrain)[67]은 주성분 분석(Principle Component Analysis[66]) 또는 독립성분 분석(Independent Component Analysis) 분해를 기반으로 AD를 검출하는 데 도움을 줄 수 있는 다항 커널 SVM은 우수한 정확도를 달성한 것으로 나타났다. 다항식 KSVM은 선형 SVM과 RBF 커널 SVM보다 성능이 우수하다.[68] 적절한 결과를 가진 다른 접근법에는 텍스처 분석,[69] 형태학적 [70]특징 또는 고차 통계적 특징의[71] 사용이 포함된다.

핵의학

CADx는 핵의학 영상에 사용할 수 있다. 전신 골격 스캔의 골격 전이 진단용 상용 CADx 시스템과 심근관류 영상의 관상동맥 질환이 존재한다.[72]

높은 민감도와 허용 가능한 잘못된 병변 감지율을 가진 컴퓨터 보조 자동 병변 감지 시스템은 유용하다는 것이 입증되고 미래에 아마도 핵의학 의사가 가능한 뼈 병변을 식별하는 것을 도울 수 있을 것이다.[73]

당뇨망막병증

당뇨망막병증은 망막의 질환으로 주로 자금경시영상에 의해 진단된다. 산업화된 국가의 당뇨병 환자들은 일반적으로 이 질환에 대한 정기적인 검사를 받는다. 영상촬영은 비정상적인 망막혈관의 초기 징후를 인식하는 데 사용된다. 이러한 영상의 수동 분석은 시간이 많이 걸리고 신뢰할 수 없다.[74][75] CAD는 자동 검출 방식의 정확성, 민감성, 특수성을 높이기 위해 채택되었다. 일부 CAD 시스템을 사용하여 채점자를 대체하는 것은 안전하고 비용 효율적일 수 있다.[75]

영상 전처리, 형상 추출 및 분류는 이러한 CAD 알고리즘의 두 가지 주요 단계다.[76]

전처리방법

영상 정규화는 전체 영상에 걸친 변동을 최소화하고 있다. 눈의 주변 영역과 중심 황반 부위 사이의 강도 변화는 혈관 분할의 부정확성을 유발하는 것으로 보고되었다.[77] 이 기법은 2014년 리뷰를 바탕으로 최근(2011년 이후) 발표된 40개 논문 중 11개에서 가장 많이 사용돼 나타났다.[76]

히스토그램 등화 샘플 이미지. 왼쪽: 일반 그레이 스케일 펀드스코픽 이미지. 오른쪽: 사후 히스토그램 동등화 처리.[78]

히스토그램 등분화는 이미지 내에서 대비를 강화하는 데 유용하다.[79] 이 기법은 국소 대비를 증가시키기 위해 사용된다. 처리가 끝나면 입력 이미지에서 어두웠던 영역이 밝아져 해당 영역에 존재하는 특징들 간의 대비가 크게 강화된다. 반면에 입력 영상의 밝은 영역은 밝기를 유지하거나 밝기가 감소하여 영상의 다른 영역과 같을 수 있다. 혈관 분할 이외에도 당뇨병성 망막병증과 관련된 다른 특징들은 이 전처리 기법을 사용하여 더욱 분리될 수 있다. 미세뇨와 출혈은 붉은 병변인 반면, 배출물은 노란 반점이다. 이 두 그룹 간의 대비를 증가시키면 영상에서 병변을 더 잘 시각화할 수 있다. 이 기법으로 2014년 검토 결과, 최근(2011년 이후) 14건 중 10건이 1차 연구를 발표한 것으로 나타났다.[76]

그린 채널 필터링은 선박보다 병변을 구분하는 데 유용한 또 다른 기법이다. 이 방법은 당뇨병성 망막병증 관련 병변 사이의 최대 대조를 제공하기 때문에 중요하다.[80] 미세항진증과 출혈은 녹색 채널 필터링 적용 후 어둡게 나타나는 적색 병변이다. 반대로 정상 이미지에서 노란색으로 보이는 엑기스는 녹색 필터링 후 밝은 흰색 점으로 변형된다. 이 기법은 2014년 검토에 따라 주로 사용되는데, 최근 3년간 발표된 40편의 기사 중 27편이 출품됐다.[76] 또한, 녹색 채널 필터링을 사용하여 이중창 시스템과 연계하여 광 디스크의 중심을 검출할 수 있다.[79]

균일하지 않은 조명 보정이란 펀더스코픽 영상에서 균일하지 않은 조명에 대해 조절하는 기법이다. 불균일 조명은 이미지의 통계적 특성 변화로 인해 당뇨망막병증의 자동 검출에 잠재적인 오류가 될 수 있다.[76] 이러한 변화는 특징 추출과 같은 후자의 처리에 영향을 미칠 수 있으며, 사람에 의해 관찰될 수 없다. 균일하지 않은 조명(f')의 보정은 알려진 원래 픽셀 강도(f)를 사용하여 픽셀 강도를 수정하고 국소( ()와 원하는 픽셀의 평균 강도(μ)를 수정하여 얻을 수 있다(아래 공식 참조).[81] 그런 다음 월터-클레인 변환을 적용하여 균일한 조명을 얻는다.[81] 이 기법은 2014년부터 심사에서 가장 적게 사용된 전처리 방법이다.

형태학 연산은 2014년 검토에서 두 번째로 가장 적게 사용된 전처리 방법이다.[76] 이 방법의 주요 목적은 대조도 향상, 특히 배경 대비 어두운 영역을 제공하는 것이다.

피쳐 추출 및 분류

펀더러시픽 이미지의 사전 처리 후, 다른 계산 방법을 사용하여 이미지를 추가 분석한다. 그러나 현재 문헌에서는 혈관 분할 분석 시 일부 방법이 다른 방법보다 더 자주 사용된다는 점에 동의하였다. 이러한 방법은 SVM, 다중 스케일, 선박 추적, 지역 성장 접근법 및 모델 기반 접근법이다.

지원 벡터 머신. 두 그룹 간의 분리를 최대화하기 위해 서포트 벡터(더쉬 라인)가 생성된다.

서포트 벡터 머신은 혈관 분할에서 지금까지 가장 자주 사용되는 분류기로, 케이스의 최대 90%에 달한다.[82] SVM은 광범위한 패턴 인식 기법에 속하는 감독된 학습 모델이다. 알고리즘은 데이터에서 구별되는 표본들 사이에 가장 큰 간격을 만들어내면서 작동한다. 이러한 요소들 간에 분류상의 잠재적 오류를 최소화하는 가장 큰 격차를 만드는 것이 목표다.[83] SVM 알고리즘은 혈관 정보를 나머지 눈 영상에서 성공적으로 분리하기 위해 감시 환경을 통해 혈관 픽셀을 나머지 영상에서 분리하는 지원 벡터를 만든다. 새로운 영상에서 혈관을 검출하는 것은 서포트 벡터를 사용하여 유사한 방법으로 할 수 있다. 녹색 채널 필터링 등 다른 전처리 기법과 결합하면 혈관 이상 검출 정확도가 크게 향상된다.[76] SVM의 몇 가지 유익한 특성은 다음과[83] 같다.

  • 유연성 – 기능 측면에서 높은 유연성
  • 단순성 – 특히 대규모 데이터셋을 사용하는 단순성(데이터 간 분리를 위해 지원 벡터만 필요)

다중 스케일 접근법은 혈관 분할 시 다중 분해능 접근법이다. 저 분해능에서는 먼저 지름이 큰 혈관을 추출할 수 있다. 해상도를 높임으로써 대형 선박의 작은 가지를 쉽게 알아볼 수 있다. 따라서 이 기법을 사용할 때의 한 가지 장점은 분석 속도 증가다.[74] 또한, 이 접근법은 3D 영상에 사용될 수 있다. 표면 표현은 혈관의 곡률에 정상인 표면으로 혈관 표면의 이상을 검출할 수 있다.[79]

혈관 추적은 혈관의 "중심선"을 감지하는 알고리즘의 기능이다. 이 중심선은 혈관 곡률의 최대 피크다. 선박의 중심은 가우스 필터가 제공하는 방향 정보를 사용하여 찾을 수 있다.[79] 중심선의 개념을 활용하는 유사한 접근방식은 골격 기반 및 미분형 기하학 기반이다.[74]

지역 성장 접근법은 유사성이 있는 인접 픽셀을 검출하는 방법이다. 그러한 방법을 시작하려면 시드 포인트가 필요하다. 이 기술이 작용하기 위해서는 유사성과 공간적 근접성의 두 가지 요소가 필요하다. 비슷한 강도를 가진 씨드 픽셀에 인접한 픽셀은 같은 타입일 가능성이 높으며 성장 지역에 추가될 예정이다. 이 기법의 한 가지 단점은 알고리즘에 편향과 불일치를 도입하는 시드 포인트의 수동 선택이 필요하다는 점이다.[74] 이 기술은 시신경 식별에도 사용되고 있다.[79]

모델 기반 접근법은 이미지에서 혈관을 추출하기 위해 표현을 사용한다. 모델 기반의 세 가지 광범위한 범주가 알려져 있다: 변형, 파라메트릭 및 템플릿 일치.[74] 변형 가능한 방법은 이미지에 있는 개체의 윤곽에 맞게 변형될 물체를 사용한다. 파라메트릭은 혈관의 관, 실린더 또는 타원체 표현과 같은 기하학적 파라미터를 사용한다. 혈관 위상학 정보와 결합한 고전적 뱀 윤곽선도 모델 기반 접근법으로 활용할 수 있다.[84] 마지막으로, 템플릿 매칭은 Hidden Markov Mode 1을 사용한 확률적 변형 공정에 의해 장착된 템플릿의 사용이다.

고용에 미치는 영향

의료 진단 노동 자동화(예: 적혈구 수량화)는 몇 가지 역사적 선례가 있다.[85] 2010년대의 딥러닝 혁명은 이미 방사선과나 피부과보다 시각진단 여러 분야에서 더 정확한 AI를 만들어냈으며, 이 격차는 더욱 커질 것으로 보인다. 많은 의사들을 포함한 일부 전문가들은 AI가 의학 전문분야에 미칠 영향을 무시한다. 이와는 대조적으로, 많은 경제학자와 인공지능 전문가들은 방사선학과 같은 분야가 실업이나 방사선사의 임금 하락 압력으로 대규모로 붕괴될 것이라고 믿는다; 병원은 전반적으로 방사선사가 덜 필요할 것이고, 여전히 존재하는 많은 방사선사는 상당한 재교육을 필요로 할 것이다. '딥러닝의 대부' 제프리 힌튼은 (향후 5년 또는 10년 안에 예상되는 진보를 감안하여) 병원이 방사선사 교육을 즉각 중단해야 한다고 주장하는데, 시각 진단에 대한 시간이 많이 걸리고 비용이 많이 드는 교육은 곧 쓸모없게 되어 전통적인 방사선사의 과잉으로 이어질 것이기 때문이다.[86][87] 미국 항공우주국(MAA)의 한 관계자는 병리학자와 방사선사가 단일 '정보 전문가' 역할로 병합해야 한다고 주장하며 "방사선사가 컴퓨터로 대체되는 것을 피하려면 스스로 컴퓨터에 의해 교체를 허용해야 한다"고 말했다. 정보 전문가는 "베이지안 논리학, 통계학, 데이터 과학"과 일부 유전체학 및 생체 공학에 대해 교육을 받을 것이다. 수동 시각 패턴 인식은 현재의 부담스러운 방사선학 훈련과 비교해 크게 강조되지 않을 것이다.[88]

참고 항목

참조

  1. ^ "Computer-aided Diagnosis: The Tipping Point for Digital Pathology". Digital Pathology Association. 27 April 2017.
  2. ^ Oakden-Rayner, Luke (May 2019). "The Rebirth of CAD: How Is Modern AI Different from the CAD We Know?". Radiology: Artificial Intelligence. 1 (3): e180089. doi:10.1148/ryai.2019180089. ISSN 2638-6100. PMC 8017402.
  3. ^ Bird, R. E.; Wallace, T. W.; Yankaskas, B. C. (1992). "Analysis of cancers missed at screening mammography". Radiology. 184 (3): 613–617. doi:10.1148/radiology.184.3.1509041. PMID 1509041.
  4. ^ Baker, J. A.; Rosen, E. L.; Lo, J. Y.; et al. (2003). "Computer-Aided Detection (CAD) in Screening Mammography: Sensitivity of Commercial CAD Systems for Detecting Architectural Distortion". American Journal of Roentgenology. 181 (4): 1083–1088. doi:10.2214/ajr.181.4.1811083. PMID 14500236.
  5. ^ Jang, H. J.; Lee, K. S.; Kwon, O. J.; et al. (1996). "Bronchioloalveolar carcinoma: focal area of ground-glass attenuation at thin-section CT as an early sign". Radiology. 199 (2): 485–488. doi:10.1148/radiology.199.2.8668800. PMID 8668800.
  6. ^ Suzuki, K.; Li, F.; Sone, S.; Doi, K. (2005). "Computer-aided diagnostic scheme for distinction between benign and malignant nodules in thoracic low-dose CT by use of massive training artificial neural network". IEEE Transactions on Medical Imaging. 24 (9): 1138–1150. doi:10.1109/tmi.2005.852048. PMID 16156352. S2CID 2690415.
  7. ^ Lostumbo, A.; Suzuki, K.; Dachman, A. H. (2010). "Flat lesions in CT colonography". Abdom Imaging. 35 (5): 578–583. doi:10.1007/s00261-009-9562-3. PMID 19633882. S2CID 13487349.
  8. ^ a b c Yanase J, Triantaphyllou E (2019). "A Systematic Survey of Computer-Aided Diagnosis in Medicine: Past and Present Developments". Expert Systems with Applications. 138: 112821. doi:10.1016/j.eswa.2019.112821.
  9. ^ Shortliffe EH, and Buchanan BG (1975). "A model of inexact reasoning in medicine". Mathematical Biosciences. 23 (3–4): 351–379. doi:10.1016/0025-5564(75)90047-4.
  10. ^ Miller RA, Pople Jr HE, and Myers JD (1982). "Internist-I, an experimental computer-based diagnostic consultant for general internal medicine". New England Journal of Medicine. 307 (8): 468–476. doi:10.1056/NEJM198208193070803. PMID 7048091.
  11. ^ Feigenbaum, Edward; McCorduck, Pamela (1984). The fifth generation. Addison-Wesley. pp. 1–275. ISBN 978-0451152640.
  12. ^ Richard M. Karp (1972). "Reducibility Among Combinatorial Problems" (PDF). In R. E. Miller; J. W. Thatcher (eds.). Complexity of Computer Computations. New York: Plenum. pp. 85–103.
  13. ^ Doi K (2007). "Computer-aided diagnosis in medical imaging: historical review, current status and future potential". Computerized Medical Imaging and Graphics. 31 (4): 198–211. doi:10.1016/j.compmedimag.2007.02.002. PMC 1955762. PMID 17349778.
  14. ^ Echegaray, Sebastian; Gevaert, Olivier; Shah, Rajesh; Kamaya, Aya; Louie, John; Kothary, Nishita; Napel, Sandy (18 November 2015). "Core samples for radiomics features that are insensitive to tumor segmentation: method and pilot study using CT images of hepatocellular carcinoma". Journal of Medical Imaging. 2 (4): 041011. doi:10.1117/1.JMI.2.4.041011. PMC 4650964. PMID 26587549.
  15. ^ Murphy, K.; van Ginneken, B.; Schilham, A. M.; et al. (2009). "A large-scale evaluation of automatic pulmonary nodule detection in chest CT using local image features and k-nearest-neighbour classification". Medical Image Analysis. 13 (5): 757–770. doi:10.1016/j.media.2009.07.001. PMID 19646913.
  16. ^ Suzuki, K.; Armato, 3rd, S. G.; Li, F.; Sone, S.; Doi, K. (2003). "Massive training artificial neural network (MTANN) for reduction of false positives in computerized detection of lung nodules in low-dose computed tomography". Medical Physics. 30 (7): 1602–1617. Bibcode:2003MedPh..30.1602S. doi:10.1118/1.1580485. PMID 12906178.
  17. ^ Chan, H. P.; Lo, S. C.; Sahiner, B.; et al. (1995). "Computer-aided detection of mammographic microcalcifications: pattern recognition with an artificial neural network". Medical Physics. 22 (10): 1555–1567. Bibcode:1995MedPh..22.1555C. doi:10.1118/1.597428. hdl:2027.42/134770. PMID 8551980.
  18. ^ Gletsos, Miltiades; Mougiakakou, Stavroula; Matsopoulos, George; Nikita, Konstantina; Nikita, Alexandra; Kelekis, Dimitrios (2003). "A computer-aided diagnostic system to characterize CT focal liver lesions: design and optimization of a neural network classifier". IEEE Transactions on Information Technology in Biomedicine. 7 (3): 153–162. doi:10.1109/TITB.2003.813793. PMID 14518728. S2CID 18918667.
  19. ^ Mougiakakou, Stavroula; Golemati, Spyretta; Gousias, Ioannis; Nicolaides, Andrew; Nikita, Konstantina (2007). "Computer-aided diagnosis of carotid atherosclerosis based on ultrasound image statistics, laws' texture and neural networks". Ultrasound in Medicine and Biology. 33 (1): 26–36. doi:10.1016/j.ultrasmedbio.2006.07.032. PMID 17189044.
  20. ^ Stoitsis, John; Valavanis, Ioannis; Mougiakakou, Stavroula; Golemati, Spyretta; Nikita, Alexandra; Nikita, Konstantina (2006). "Computer aided diagnosis based on medical image processing and artificial intelligence methods". Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 569 (2): 591–595. Bibcode:2006NIMPA.569..591S. doi:10.1016/j.nima.2006.08.134.
  21. ^ Chen, S.; Suzuki, K.; MacMahon, H. (2011). "Development and evaluation of a computer-aided diagnostic scheme for lung nodule detection in chest radiographs by means of two-stage nodule enhancement with support vector classification". Medical Physics. 38 (4): 1844–1858. Bibcode:2011MedPh..38.1844C. doi:10.1118/1.3561504. PMC 3069992. PMID 21626918.
  22. ^ Papadopoulos, A.; Fotiadis, D. I.; Likas, A. (2005). "Characterization of clustered microcalcifications in digitized mammograms using neural networks and support vector machines". Artif Intell Med. 34 (2): 141–150. doi:10.1016/j.artmed.2004.10.001. PMID 15894178.
  23. ^ Wollenweber T.; Janke B.; Teichmann A.; Freund M. (2007). "Korrelation zwischen histologischem Befund und einem Computer-assistierten Detektionssystem (CAD) für die Mammografie". Geburtsh Frauenheilk. 67 (2): 135–141. doi:10.1055/s-2006-955983.
  24. ^ a b c d e f Yanase J, Triantaphyllou E (2019). "The Seven Key Challenges for the Future of Computer-Aided Diagnosis in Medicine". International Journal of Medical Informatics. 129: 413–422. doi:10.1016/j.ijmedinf.2019.06.017. PMID 31445285. S2CID 198287435.
  25. ^ Wadhwa, R. R.; Park, D. Y.; Natowicz, M. R. (2018). "The accuracy of computer‐based diagnostic tools for the identification of concurrent genetic disorders". American Journal of Medical Genetics Part A. 176 (12): 2704–2709. doi:10.1002/ajmg.a.40651. PMID 30475443. S2CID 53758271.
  26. ^ Bron EE, Smits M, Van Der Flier WM, Vrenken H, Barkhof F, Scheltens P, Papma JM, Steketee RM, Orellana CM, Meijboom R, and Pinto M (2015). "Standardized evaluation of algorithms for computer-aided diagnosis of dementia based on structural MRI: the CAD Dementia challenge". NeuroImage. 111: 562–579. doi:10.1016/j.neuroimage.2015.01.048. PMC 4943029. PMID 25652394.
  27. ^ Taylor P, Potts HW (2008). "Computer aids and human second reading as interventions in screening mammography: Two systematic reviews to compare effects on cancer detection and recall rate" (PDF). European Journal of Cancer. 44 (6): 798–807. doi:10.1016/j.ejca.2008.02.016. PMID 18353630.
  28. ^ Benjamens, Stan; Dhunnoo, Pranavsingh; Mesko, Bertalan (2020). "The state of artificial intelligence-based FDA-approved medical devices and algorithms: an online database". NPJ Digital Medicine. 3: 118. doi:10.1038/s41746-020-00324-0. PMC 7486909. PMID 32984550.
  29. ^ Abe, Yoshiyuki; Hanai, Kouzo; Nakano, Makiko; Ohkubo, Yasuyuki; Hasizume, Toshinori; Kakizaki, Toru; Nakamura, Masato; Niki, Noboru; Eguchi, Kenji (2005-01-01). "A Computer-aided Diagnosis (CAD) System in Lung Cancer Screening with Computed Tomography". Anticancer Research. 25 (1B): 483–488. ISSN 0250-7005. PMID 15816616.
  30. ^ Wu N, Gamsu G, Czum J, Held B, Thakur R, Nicola G (Mar 2006). "Detection of small pulmonary nodules using direct digital radiography and picture archiving and communication systems". J Thorac Imaging. 21 (1): 27–31. doi:10.1097/01.rti.0000203638.28511.9b. PMID 16538152. S2CID 31230950.
  31. ^ Giger, Maryellen Lissak; Doi, Kunio; MacMahon, Heber (1988-03-01). "Image feature analysis and computer-aided diagnosis in digital radiography. 3. Automated detection of nodules in peripheral lung fields". Medical Physics. 15 (2): 158–166. Bibcode:1988MedPh..15..158G. doi:10.1118/1.596247. ISSN 2473-4209. PMID 3386584.
  32. ^ Ginneken, B. Van; Romeny, B. M. Ter Haar; Viergever, M. A. (2001-12-01). "Computer-aided diagnosis in chest radiography: a survey". IEEE Transactions on Medical Imaging. 20 (12): 1228–1241. doi:10.1109/42.974918. ISSN 0278-0062. PMID 11811823. S2CID 6280485.
  33. ^ Coppini, G.; Diciotti, S.; Falchini, M.; Villari, N.; Valli, G. (2003-12-01). "Neural networks for computer-aided diagnosis: detection of lung nodules in chest radiograms". IEEE Transactions on Information Technology in Biomedicine. 7 (4): 344–357. doi:10.1109/TITB.2003.821313. ISSN 1089-7771. PMID 15000360. S2CID 15121082.
  34. ^ Giger, M. L.; Bae, K. T.; MacMahon, H. (1994-04-01). "Computerized detection of pulmonary nodules in computed tomography images". Investigative Radiology. 29 (4): 459–465. doi:10.1097/00004424-199404000-00013. ISSN 0020-9996. PMID 8034453. S2CID 9800069.
  35. ^ Kanazawa, K.; Kawata, Y.; Niki, N.; Satoh, H.; Ohmatsu, H.; Kakinuma, R.; Kaneko, M.; Moriyama, N.; Eguchi, K. (1998-03-01). "Computer-aided diagnosis for pulmonary nodules based on helical CT images". Computerized Medical Imaging and Graphics. 22 (2): 157–167. doi:10.1016/S0895-6111(98)00017-2. ISSN 0895-6111. PMID 9719856.[영구적 데드링크]
  36. ^ Chen, Sheng; Zhong, Sikai; Yao, Liping; Shang, Yanfeng; Suzuki, Kenji (2016). "Enhancement of chest radiographs obtained in the intensive care unit through bone suppression and consistent processing". Physics in Medicine and Biology. 61 (6): 2283–2301. Bibcode:2016PMB....61.2283C. doi:10.1088/0031-9155/61/6/2283. PMID 26930386.[영구적 데드링크]
  37. ^ Chen, S.; Suzuki, K. (2014-02-01). "Separation of Bones From Chest Radiographs by Means of Anatomically Specific Multiple Massive-Training ANNs Combined With Total Variation Minimization Smoothing". IEEE Transactions on Medical Imaging. 33 (2): 246–257. doi:10.1109/TMI.2013.2284016. ISSN 0278-0062. PMID 24132005. S2CID 922550.
  38. ^ Suzuki, K.; Abe, H.; MacMahon, H.; Doi, K. (2006-04-01). "Image-processing technique for suppressing ribs in chest radiographs by means of massive training artificial neural network (MTANN)". IEEE Transactions on Medical Imaging. 25 (4): 406–416. CiteSeerX 10.1.1.589.8748. doi:10.1109/TMI.2006.871549. ISSN 0278-0062. PMID 16608057. S2CID 17961280.
  39. ^ LOOG, M; VANGINNEKEN, B; SCHILHAM, A (2006-12-01). "Filter learning: Application to suppression of bony structures from chest radiographs". Medical Image Analysis. 10 (6): 826–840. doi:10.1016/j.media.2006.06.002. ISSN 1361-8415. PMID 16859953.
  40. ^ Chen, S.; Suzuki, K. (2013-02-01). "Computerized Detection of Lung Nodules by Means of #x201C;Virtual Dual-Energy #x201D; Radiography". IEEE Transactions on Biomedical Engineering. 60 (2): 369–378. doi:10.1109/TBME.2012.2226583. ISSN 0018-9294. PMC 4283823. PMID 23193306.
  41. ^ Bell, L.T.O.; Gandhi, S. (2018). "A comparison of computer-assisted detection (CAD) programs for the identification of colorectal polyps: Performance and sensitivity analysis, current limitations and practical tips for radiologists". Clinical Radiology. 73 (6): 593.e11–593.e18. doi:10.1016/j.crad.2018.02.009. PMID 29602538.
  42. ^ Suzuki, Kenji; Yoshida, Hiroyuki; Näppi, Janne; Dachman, Abraham H. (2006-10-01). "Massive-training artificial neural network (MTANN) for reduction of false positives in computer-aided detection of polyps: Suppression of rectal tubes". Medical Physics. 33 (10): 3814–3824. Bibcode:2006MedPh..33.3814S. doi:10.1118/1.2349839. ISSN 2473-4209. PMID 17089846.
  43. ^ Golemati, Spyretta; Nikita, Konstantina (2019). Cardiovascular Computing-Methodologies and Clinical Applications. Springer.
  44. ^ Gastounioti, Aimilia; Makrodimitris, Stavros; Golemati, Spyretta; Kadoglou, Nikolaos; Liapis, Christos; Nikita, Konstantina (2014). "A novel computerized tool to stratify risk in carotid atherosclerosis using kinematic features of the arterial wall". IEEE Journal of Biomedical and Health Informatics. 19 (3): 1137–1145. doi:10.1109/JBHI.2014.2329604. PMID 24951709. S2CID 5924749.
  45. ^ Golemati, Spyretta; Gastounioti, Aimilia; Nikita, Konstantina (2013). "Toward novel noninvasive and low-cost markers for predicting strokes in asymptomatic carotid atherosclerosis: the role of ultrasound image analysis". IEEE Transactions on Biomedical Engineering. 60 (3): 652–658. doi:10.1109/TBME.2013.2244601. PMID 23380846. S2CID 5653986.
  46. ^ Golemati, Spyretta; Patelaki, Eleni; Gastounioti, Aimilia; Andreadis, Ioannis; Liapis, Christos; Nikita, Konstantina (2020). "Motion synchronization patterns of the carotid atheromatous plaque from B-mode ultrasound". Scientific Reports. 10 (1): 11221. Bibcode:2020NatSR..1011221G. doi:10.1038/s41598-020-65340-2. PMC 7343786. PMID 32641773.
  47. ^ Rizi, Fereshteh; Au, Jason; Yli-Ollila, Heikki; Golemati, Spyretta; Makunaite, Monika; Orkisz, Maciej; Navab, Nassir; MacDonald, Maureen; Laitinen, Tiina Marja; Behnam, Hamid; Gao, Zhifan; Gastounioti, Aimilia; Jurkonis, Rytis; Vray, Didier; Laitinen, Tomi; Serusclat, Andre; Nikita, Konstantina; Zahnd, Guillaume (2020). "Carotid Wall Longitudinal Motion in Ultrasound Imaging: An Expert Consensus Review". Ultrasound in Medicine and Biology. 46 (10): 2605–2624. doi:10.1016/j.ultrasmedbio.2020.06.006. PMID 32709520.
  48. ^ Golemati, Spyretta; Gastounioti, Aimilia; Nikita, Konstantina (2016). "Ultrasound-Image-Based Cardiovascular Tissue Motion Estimation". IEEE Reviews on Biomedical Engineering. 9: 208–218. doi:10.1109/RBME.2016.2558147. S2CID 23333131.
  49. ^ Gastounioti, Aimilia; Golemati, Spyretta; Stoitsis, John; Nikita, Konstantina (2013). "Carotid artery wall motion analysis from B-mode ultrasound using adaptive block matching: in silico evaluation and in vivo application". Physics in Medicine and Biology. 58 (24): 8647–8661. Bibcode:2013PMB....58.8647G. doi:10.1088/0031-9155/58/24/8647. PMID 24256708.
  50. ^ Gastounioti, Aimilia; Kolias, Vasileios; Golemati, Spyretta; Tsiaparas, Nikolaos; Matsakou, Aikaterini; Stoitsis, John; Kadoglou, Nikolaos; Gkekas, Christos; Kakisis, John; Liapis, Christos; Karakitsos, Petros; Sarafis, Ioannis; Angelidis, Padelis; Nikita, Konstantina (2014). "CAROTID - a web-based platform for optimal personalized management of atherosclerotic patients". Computer Methods and Programs in Biomedicine. 114 (2): 183–193. doi:10.1016/j.cmpb.2014.02.006. PMID 24636805.
  51. ^ Goldenberg, Roman; Eilot, Dov; Begelman, Grigory; Walach, Eugene; Ben-Ishai, Eyal; Peled, Nathan (2012). "Computer-aided simple triage (CAST) for coronary CT angiography (CCTA)". International Journal of Computer Assisted Radiology and Surgery. 7 (6): 819–827. doi:10.1007/s11548-012-0684-7. ISSN 1861-6410. PMID 22484719. S2CID 5627031.
  52. ^ 채플롯, S, L.M. Patnaik, N.R. Jaganathan, 자기공명 뇌 영상 분류 벡터 기계와 신경 네트워크를 지원하기 위한 입력으로 웨이블렛을 사용하는 자기공명 뇌 영상 분류. 바이오메디컬 신호 처리 및 제어, 2006. 1(1): 페이지 86-92.
  53. ^ 마이트라, M., A. Chatterjee, 자기공명 뇌 이미지 분류를 위한 슬랜틀릿 변환 기반 지능형 시스템. 바이오메디컬 신호 처리 및 제어, 2006. 1(4): 페이지 299-306.
  54. ^ Wang, S.; Wu, W. (2010). "A Novel Method for Magnetic Resonance Brain Image Classification based on Adaptive Chaotic PSO". Progress in Electromagnetics Research. 109: 325–343. doi:10.2528/PIER10090105.
  55. ^ Zhang, Yudong; Wu, L. (2011). "Magnetic Resonance Brain Image Classification by an Improved Artificial Bee Colony Algorithm". Progress in Electromagnetics Research. 2011: 65–79. doi:10.2528/PIER11031709.
  56. ^ a b Padma, A.; Sukanesh, R. (2014). "Segmentation and Classification of Brain CT Images Using Combined Wavelet Statistical Texture Features". Arabian Journal for Science and Engineering. 39 (2): 767–776. doi:10.1007/s13369-013-0649-3. S2CID 62615810.
  57. ^ Zhang, Yudong; Dong, Zhengchao; Ji, Genlin (2015). "Effect of spider-web-plot in MR brain image classification". Pattern Recognition Letters. 62: 14–16. doi:10.1016/j.patrec.2015.04.016.
  58. ^ Zhang, Y.; Wang, S.; Ji, G.; Dong, Z. (2013). "Genetic Pattern Search and its Application to Brain Image Classification". Mathematical Problems in Engineering. 2013: 1–8. doi:10.1155/2013/580876.
  59. ^ Das S.; Chowdhury M.; Kundu M.K. (2013). "Brain MR Image Classification Using Multiscale Geometric Analysis of Ripplet". Progress in Electromagnetics Research. 137: 1–17. doi:10.2528/pier13010105.
  60. ^ Zhang, Y.; Wang, S. (2013). "An MR Brain Images Classifier System via Particle Swarm Optimization and Kernel Support Vector Machine". The Scientific World Journal. 2013: 130134. doi:10.1155/2013/130134. PMC 3791634. PMID 24163610.
  61. ^ Kalbkhani H.; Shayesteh M.G.; Zali-Vargahan B. (2013). "Robust algorithm for brain magnetic resonance image (MRI) classification based on GARCH variances series". Biomedical Signal Processing and Control. 8 (6): 909–919. doi:10.1016/j.bspc.2013.09.001.
  62. ^ El-Dahshan E.S.A.; Mohsen H.M.; Revett K.; et al. (2014). "Computer-aided diagnosis of human brain tumor through MRI: A survey and a new algorithm". Expert Systems with Applications. 41 (11): 5526–5545. doi:10.1016/j.eswa.2014.01.021.
  63. ^ Zhou, Xing-Xing (2015). "Detection of Pathological Brain in MRI Scanning Based on Wavelet-Entropy and Naive Bayes Classifier". Bioinformatics and Biomedical Engineering. Lecture Notes in Computer Science. Vol. 9043. pp. 201–209. doi:10.1007/978-3-319-16483-0_20. ISBN 978-3-319-16482-3. {{cite book}}: 누락 또는 비어 있음 title= (도움말)
  64. ^ Zhang, Yudong; Wang, Shuihua; Dong, Zhengchao (2014). "Classification of Alzheimer Disease Based on Structural Magnetic Resonance Imaging by Kernel Support Vector Machine Decision Tree". Progress in Electromagnetics Research. 144: 185–191. doi:10.2528/PIER13121310.
  65. ^ Signaevsky, Maxim; Prastawa, Marcel; Farrell, Kurt; Tabish, Nabil; Baldwin, Elena; Han, Natalia; Iida, Megan; Koll, John; Bryce, Clare; Purohit, Dushyant; Haroutunian, Vahram; McKee, Ann; Stein, Thor; White-III, Charles; Walker, Jamie; Richardson, Timothy; Hanson, Russell; Cordon-Cardo, Carlos; Donovan, Michael; Zeineh, Jack; Fernandez, Gerardo; Crary, John (2019). "Artificial intelligence in neuropathology: deep learning-based assessment of tauopathy". Laboratory Investigation. 99 (7): 1019–1029. doi:10.1038/s41374-019-0202-4. PMC 7684013. PMID 30770886.
  66. ^ Friston, K.; Poline, J-P.; Holmes, C.J.; Frith, C.D.; Frackowiak, R.S. (1996). "A multivariate Analysis of PET activation studies". Hum. Brain Mapp. 4 (2): 140–151. doi:10.1002/(SICI)1097-0193(1996)4:2<140::AID-HBM5>3.0.CO;2-3. PMID 20408193.
  67. ^ Martínez-Murcia, F.J.; Górriz, J.M.; Ramírez, J.; Puntonet, C.G.; Illán, I.A. (2013). "Functional activity maps based on significance measures and Independent Component Analysis". Computer Methods and Programs in Biomedicine. 111 (1): 255–268. doi:10.1016/j.cmpb.2013.03.015. PMC 6701938. PMID 23660005.
  68. ^ Dong, Z.C. (2015). "Detection of subjects and brain regions related to Alzheimer's disease using 3D MRI scans based on eigenbrain and machine learning". Frontiers in Computational Neuroscience. 66 (9): 66. doi:10.3389/fncom.2015.00066. PMC 4451357. PMID 26082713.
  69. ^ Zhang, J.; Yu, C.; Jiang, G.; Liu, W.; Tong, L. (2012). "3d texture analysis on mri images of alzheimer's disease". Brain Imaging and Behavior. 6 (1): 61–69. doi:10.1007/s11682-011-9142-3. PMID 22101754. S2CID 10069584.
  70. ^ Chupin, Marie; Gérardin, Emilie; Cuingnet, Rémi; Boutet, Claire; Lemieux, Louis; Lehéricy, Stéphane; Benali, Habib; Garnero, Line; Colliot, Olivier (2009). "Fully automatic hippocampus segmentation and classification in Alzheimer's disease and mild cognitive impairment applied on data from ADNI". Hippocampus. 19 (6): 579–587. doi:10.1002/hipo.20626. PMC 2837195. PMID 19437497.
  71. ^ Martinez-Murcia, F.J.; Gorriz, J.M.; Ramirez, J.; Ortiz, A. (2016). "A Spherical Brain Mapping of MR Images for the Detection of Alzheimer's Disease". Current Alzheimer Research. 13 (5): 575–588. doi:10.2174/1567205013666160314145158. hdl:10481/42543. PMID 26971941.
  72. ^ "EXINI Diagnostics".
  73. ^ Huang, Kao and Chen (18 June 2007). "A Set of Image Processing Algorithms for Computer-Aided Diagnosis in Nuclear Medicine Whole Body Bone Scan Images". IEEE Transactions on Nuclear Science. 54 (3): 514–522. Bibcode:2007ITNS...54..514H. doi:10.1109/TNS.2007.897830. S2CID 20730927.
  74. ^ a b c d e Kaur, M; Talwar, R (2014). "Review on: blood vessel extraction and eye retinopathy detection". International Journal of Computer Science and Information Technologies. 5 (6): 7513–7516. S2CID 17460643.
  75. ^ a b Tufail, A; Rudisill, C; Egan, C; Kapetanakis, VV; Salas-Vega, S; Owen, CG; Lee, A; Louw, V; Anderson, J; Liew, G; Bolter, L; Srinivas, S; Nittala, M; Sadda, S; Taylor, P; Rudnicka, AR (n.d.). "Automated diabetic retinopathy image assessment software: diagnostic accuracy and cost-effectiveness compared to human graders". Ophthalmology. 124 (3): 343–351. doi:10.1016/j.ophtha.2016.11.014. PMID 28024825.
  76. ^ a b c d e f g Ahmad, A.; Mansoor, A. B.; Mumtaz, R.; Khan, M.; Mirza, S. H. (2014-12-01). Image processing and classification in diabetic retinopathy: A review. 2014 5th European Workshop on Visual Information Processing (EUVIP). pp. 1–6. doi:10.1109/EUVIP.2014.7018362. ISBN 978-1-4799-4572-6. S2CID 16465894.
  77. ^ Fraz, M. M.; Barman, S. A.; Remagnino, P.; Hoppe, A.; Basit, A.; Uyyanonvara, B.; Rudnicka, A. R.; Owen, C. G. (2012-11-01). "An Approach to Localize the Retinal Blood Vessels Using Bit Planes and Centerline Detection". Comput. Methods Prog. Biomed. 108 (2): 600–616. doi:10.1016/j.cmpb.2011.08.009. ISSN 0169-2607. PMID 21963241.
  78. ^ Priya, R; Aruna, P (2011). "Review of automated diagnosis of diabetic retinopathy using the support vector machine". International Journal of Applied Engineering Research, Dindigul. 1 (4): 844–862.
  79. ^ a b c d e Biradar, S; Jadhav, AS (2015). "A survey on blood vessel segmentation and optic disc segmentation of retinal images" (PDF). International Journal of Advanced Research in Computer and Communication Engineering. 4 (5): 21–26.
  80. ^ Saleh, Marwan D.; Eswaran, C. (2012-10-01). "An Automated Decision-support System for Non-proliferative Diabetic Retinopathy Disease Based on MAs and HAs Detection". Comput. Methods Prog. Biomed. 108 (1): 186–196. doi:10.1016/j.cmpb.2012.03.004. ISSN 0169-2607. PMID 22551841.
  81. ^ a b Antal, B.; Hajdu, A. (2012-06-01). "An Ensemble-Based System for Microaneurysm Detection and Diabetic Retinopathy Grading". IEEE Transactions on Biomedical Engineering. 59 (6): 1720–1726. arXiv:1410.8577. doi:10.1109/TBME.2012.2193126. ISSN 0018-9294. PMID 22481810. S2CID 16382245.
  82. ^ Patwari, Manjiri; Manza, Ramesh; Rajput, Yogesh; Saswade, Manoj; Deshpande, Neha (2013-10-01). "Review on Detection and Classification of Diabetic Retinopathy Lesions Using Image Processing Techniques". ResearchGate. 2 (10).
  83. ^ a b Administrator (2015-05-20). "Review on: Detection of Diabetic Retinopathy using SVM and MDA". International Journal of Computer Applications. 117 (20): 1–3. Bibcode:2015IJCA..117t...1S. doi:10.5120/20667-2485.
  84. ^ Espona, L.; Carreira, M. J.; Ortega, M.; Penedo, M. G. (2007-06-06). Martí, Joan; Benedí, José Miguel; Mendonça, Ana Maria; Serrat, Joan (eds.). Pattern Recognition and Image Analysis. Lecture Notes in Computer Science. Springer Berlin Heidelberg. pp. 178–185. doi:10.1007/978-3-540-72849-8_23. ISBN 9783540728481.
  85. ^ Paiva, Omir Antunes; Prevedello, Luciano M. (October 2017). "The potential impact of artificial intelligence in radiology". Radiologia Brasileira. 50 (5): V–VI. doi:10.1590/0100-3984.2017.50.5e1. PMC 5656066. PMID 29085178.
  86. ^ Mukherjee, Siddhartha (27 March 2017). "A.I. Versus M.D." The New Yorker. Retrieved 3 February 2018.
  87. ^ "Why scan-reading artificial intelligence is bad news for radiologists". The Economist. 29 November 2017. Retrieved 3 February 2018.
  88. ^ Jha, Saurabh; Topol, Eric J. (13 December 2016). "Adapting to Artificial Intelligence". JAMA. 316 (22): 2353–2354. doi:10.1001/jama.2016.17438. PMID 27898975.

외부 링크