IME - AZ EGÉSZSÉGÜGYI VEZETŐK SZAKLAPJA

Tudományos folyóirat

   +36-30/459-9353       ime@nullimeonline.hu

   +36-30/459-9353

   ime@nullimeonline.hu

Új Perspektíva a tüdőszűrésen alapuló hagyományos mellkas diagnosztikában CAD rendszerek segítségével

  • |
  • Főoldal
  • Cikk keresés IME-ben
  • Új Perspektíva a tüdőszűrésen alapuló hagyományos mellkas diagnosztikában CAD rendszerek segítségével

  • Cikk címe: Új Perspektíva a tüdőszűrésen alapuló hagyományos mellkas diagnosztikában CAD rendszerek segítségével
  • Szerzők: Horváth Ákos , Nikházy László, Dr. Horváth Gábor
  • Intézmények: Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék, BME Méréstechnika és Információs Rendszerek Tanszék
  • Évfolyam: IX. évfolyam
  • Lapszám: 2010. / Különszám
  • Hónap: Különszám
  • Oldal: 6-10
  • Terjedelem: 5
  • Rovat: KÉPALKOTÓ DIAGNOSZTIKA
  • Alrovat: KUTATÁS - FEJLESZTÉS
  • Különszám: IX./Képalkotó különszám

Absztrakt:

A sokak által – korszerűtlensége miatt – lassan feledni kívánt tüdőszűrés intézménye egészen új diagnosztikai szerepet kaphat korszerű digitális mellkasröntgen készülékek és a hozzájuk illeszthető számítógé- pes háttér biztosításával. A nagyfelbontású digitális képalkotás alapot teremtett a mellkas diagnosztikai szű- rővizsgálatok újragondolására. A számítógépes képfeldolgozás alkalmazásával olyan döntéstámogató rendszerek jönnek létre, melyek több betegségcsoportba tartozó páciensek korai kiemelését segítik. A cikk – két korábbi cikkünk folytatásaként – a tüdődiagnosztikai CAD rendszerek (Computer Aided Detection systems) fontosságát és egy hazai fejlesztésű tüdődiagnosztikai CAD rendszer újabb célkitűzéseit foglalja össze: kerek- árnyék keresés és krónikus obstruktív légúti betegség (COPD) szűrése mellkasröntgen felvétel alapján.

Angol absztrakt:

Pulmonary screening – due to its obsolete condition in Hungary – wanted to be forgotten by many, may get an entirely new role using modern digital X-ray machines and fitting computational background. Highresolution digital imaging methods opened the door to the reconsideration of chest screening tests. Using computerised image processing decision support systems are created, which can spot various diseases in an early stage. The article – a continuation of two previous ones – summarises the importance of medical decision support systems and the objectives of a newly developed Hungarian pulmonary CAD (computer aided detection) system. The main goals are lung nodule detection and COPD (chronic obstructive pulmonary disease) screening based on chest X-ray images.

Cikk letöltése




Vissza az előző oldalra
Szerző Intézmény
Szerző: Horváth Ákos Intézmény: Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék
Szerző: Nikházy László Intézmény: BME Méréstechnika és Információs Rendszerek Tanszék
Szerző: Dr. Horváth Gábor Intézmény: Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék

[1] Horváth Á, Máthé Cs.: Számítógépes Mellkasröntgendiagnosztika MTT 55. Nagygyűlés 2008 Balatonfüred
[2] Máthé Cs., Horváth Á., Losonczy Gy: Digitális Mellkasdiagnosztikai Tapasztalataink a PI-PACS rendszerrel Klinikánkon MTT 55. Nagygyűlés 2008 Balatonfüred
[3] Müller V., Horváth Á., Horváth G., Nikházy L.: Krónikus Obstruktív Tüdőbetegség (COPD) Szűrése Mellkasröntgen Felvétel Alapján Számítógépes Döntéstámogató (CAD) Rendszer Segítségével 2010 Sopron
[4] Horváth Á., Horváth G., Nikházy L., Müller V.: Computer-aided detection of chronic obstructive pulmonary disease (COPD) using digital chest radiographs, ERS 2010 Barcelona
[5] Nikházy L., Horváth G., Horváth Á., Müller V.: „Computer-aided detection of COPD using digital chest radiographs”, XII Mediterranean Conference on Medical and Biological Engineering and Computing 2010, IFMBE Proceedings, 2010, Volume 29, Part 2, pp. 252-255
[6] Global initiative for chronic obstructive lung disease. (2009) Global strategy for the diagnosis, management, and prevention of chronic obstructive pulmonary disease. http://www.goldcopd.com
[7] Altrichter M., Horváth G., Pataki B., Strausz Gy., Takács G., Valyon J.: „Neurális hálózatok”, Panem kiadó, 2006
[8] Horváth G., Juhász S., Simkó G.: „CAD-rendszerek a tüdőszűrés hatékonyságának javítására”, IME, Vol. VII. Képalkotó diagnosztikai különszám 2008. október, pp. 38-43.
[9] Döbrőssy L., Kovács A. Budai A, Cornides Á: „Szűrővizsgálatok a tüdőrák korai felismerésére: a klinikai és a népegészségügyi nézőpontok ütközése”, Orvosi Hetilap, Vol. 148. No. 34. pp.1587-1590. 2007.
[10] Timothy W. Freer, Michael J. Ulissey, „Screening Mammography with Computer-aided Detection: Prospective Study of 12,860 Patients in a Community Breast Center” Radiology 2001, Vol. 220: pp. 781-786.
[11] Shuji Sakai, Hidetake Yabuuchi, Yoshio Matsuo, Takashi Okafuji, Takeshi Kamitani, Hiroshi Honda, Keiji Yamamoto, Keiichi Fujiwara, Naoki Sugiyama and Kunio Doi: “Integration of Temporal Subtraction and Nodule Detection System for Digital Chest Radiographs into Picture Archiving and Communication System (PACS): Four-year Experience” Journal of Digital Imaging 2008, Vol. 21. No. 1. pp. 91-98.
[12] Kunio, Doi: „Computer-Aided Diagnosis in Medical Imaging: Achievements and Challenges” Keynote lecture, World Congress on Medical Physics and Biomedical Engineering, WC2009, Munich, Germany.
[13] T. A. Bley, T. Baumann, U. Saueressig, G. Pache, M. Treier, O. Schaefer, U. Neitzel, M. Langer, E. Kotter: „Comparison of Radiologist and CAD Performance in the Detection of CT-confirmed Subtle Pulmonary Nodules on Digital Chest Radiographs”, Investigative Radiology, Vol. 43, No. 6. June, 2008. pp. 343-348.

KÉPALKOTÓ KÜLÖNSZÁM Új perspektíva a tüdőszűrésen alapuló hagyományos mellkas diagnosztikában CAD rendszerek segítségével Horváth Ákos, Innomed Medical Zrt., Nikházy László, Dr. Horváth Gábor, BME Méréstechnika és Információs Rendszerek Tanszék A sokak által – korszerűtlensége miatt – lassan feledni kívánt tüdőszűrés intézménye egészen új diagnosztikai szerepet kaphat korszerű digitális mellkasröntgen készülékek és a hozzájuk illeszthető számítógépes háttér biztosításával. A nagyfelbontású digitális képalkotás alapot teremtett a mellkas diagnosztikai szűrővizsgálatok újragondolására. A számítógépes képfeldolgozás alkalmazásával olyan döntéstámogató rendszerek jönnek létre, melyek több betegségcsoportba tartozó páciensek korai kiemelését segítik. A cikk – két korábbi cikkünk folytatásaként – a tüdődiagnosztikai CAD rendszerek (Computer Aided Detection systems) fontosságát és egy hazai fejlesztésű tüdődiagnosztikai CAD rendszer újabb célkitűzéseit foglalja össze: kerekárnyék keresés és krónikus obstruktív légúti betegség (COPD) szűrése mellkasröntgen felvétel alapján. Pulmonary screening – due to its obsolete condition in Hungary – wanted to be forgotten by many, may get an entirely new role using modern digital X-ray machines and fitting computational background. Highresolution digital imaging methods opened the door to the reconsideration of chest screening tests. Using computerised image processing decision support systems are created, which can spot various diseases in an early stage. The article – a continuation of two previous ones – summarises the importance of medical decision support systems and the objectives of a newly developed Hungarian pulmonary CAD (computer aided detection) system. The main goals are lung nodule detection and COPD (chronic obstructive pulmonary disease) screening based on chest X-ray images. ELÔZMÉNYEK 2008-ban 183 ernyőfénykép-szűrőállomás működött az országban. Ezekkel összesen 2 308 748 tüdőszűrő vizsgálatot végeztek. 2007-ben ugyanez a szám még 2 935 269, egy évvel korábban pedig 3 670 144 volt. Eszerint az utolsó két évben 20-20%-kal csökkent a tüdőszűrések száma! Ahogy csökkent a szűrővizsgálatok száma úgy csökkent a szűréssel felkutatott TBC-sek és tüdődaganatosok aránya is. A Statisztikai Hivatal számaiból kiderül az is, hogy a tízezer szűrésre jutó tüdő TBC-s és igazolt tüdődaganatos betegek száma gyakorlatilag nem változott, tehát a hatékonyság nem csökkent, csak a kevesebb számú vizsgálatnak kö- 6 szönhető, hogy az új TBC-s és tüdődaganatos betegek közül egyre kevesebbet emel ki a hálózat. A jelenlegi tüdőszűrő hálózat eszközparkja szégyenletesen elavult. Negyven éves eszközökön történik a vizsgálatok nagy része, indokolatlanul magas páciensdózis alkalmazása mellett, 10cmx10cm-es analóg kisfilmek leletezésére kárhoztatva a szakdolgozókat. Ennek következményeként egyre gyakrabban fordulnak elő műhibaperek, melyek a sajtóhírek szerint egyenként egy-egy digitális tüdőszűrő eszköz árával vetekedő kártérítéssel zárulnak. Ugyanakkor Magyarország a szűkebb földrajzi térségben is egyedülálló a szűrőhálózat kiépítettségét tekintve. Amikor a szűrőhálózatot kialakították, a tüdő TBC detektálása volt a feladata, mely betegség azonban az elmúlt évtizedek alatt jelentősen visszaszorult és legtöbbször körülhatárolhatók azon földrajzi területek, ahol az incidencia ma is jelentős. Mivel azonban önmagában más vizsgálati eszközök (mint pl. a Mantoux teszt) nem elegendő, kimondható mégis, hogy a TBC szűrését sem lehet abbahagyni. Más tüdőbetegségek viszont rohamosan emelkedő arányt mutattak ugyanezen évtizedek alatt. Köztudomású, hogy Magyarországon a tüdő daganatos megbetegedéseinek aránya magasabb, mint bárhol a világon. A krónikus obstruktív légúti megbetegedések (COPD) száma pedig még nagyobb mértékben emelkedik. Nagy kérdés tehát, hogy ez a szűrőhálózat átalakítható-e, más funkciókkal ellátható-e. Mindenesetre a tüdőszűrő rendszer átalakulása már nem volt tovább halogatható. Vagy jelentősen visszafejlődik, hiszen eredeti céljára már csak néhány megyében használják kötelező jelleggel, vagy az ország lakosságának egészsége megőrzése céljából, de éppen gazdasági érvek mentén a hálózatot új feladatokkal kell felruházni. Ma az évenkénti kb. 1600 új TBC-s beteg kiemelésén túl a 8000-9000 új tüdődaganatos beteg kiszűrésére, és a mérvadó szakmai fórumok szerint is több százezres látens COPD-s betegtömeg felkutatásra lehetne kísérletet tenni. Nem említve egyéb alkalmazásokat, mint a hipertónia-rizikószűrés, BMI vizsgálat, menedzserszűrések, melyek elvégzésére is alkalmassá lehetne tenni a szűrőhálózatot. Ma a digitális mellkas diagnosztika robbanásszerű fejlődésének vagyunk szemtanúi. A korábbi szűrésre használt (analóg) eszközök által igényelt páciensdózis tört részével dolgozva olyan képalkotó rendszerek állnak már rendelkezésre, melyek a nagy térbeli felbontás mellett, a nagy színmélység kihasználásával (ablakolási technikák segítségével) a lényegesen részletgazdagabb felvételeken kisebb, az IME IX. ÉVFOLYAM KÉPALKOTÓ DIAGNOSZTIKAI KÜLÖNSZÁM 2010. OKTÓBER KÉPALKOTÓ KÜLÖNSZÁM emberi szem számára kevésbé kiugró elváltozások kimutatására is alkalmasak. SZÁMÍTÓGÉPES KÉPFELDOLGOZÁS – CAD RENDSZEREK A digitális képalkotás elterjedésével a számítógépes képfeldolgozás távlatai is megnyíltak. A világ legnagyobb orvosi képfeldolgozással foglalkozó fejlesztő intézeteinek (Philips, GE stb.) munkája nyomán a mammográfiához hasonlóan mellkas diagnosztikai CAD rendszerek jelennek meg nemcsak CT-re, de ma már mellkas röntgen (PA) felvételekre alapozva is. Ezek a rendszerek a gyakorlott szakorvosok hatékonyságát jelentősen megnövelik, megjelölve azokat a területeket a mellkas-röntgenfelvételeken, melyek eltérnek a normálistól, anélkül, hogy konkrét diagnózist mondanának. A CAD rendszerek alkalmasak nagytömegű mellkas-felvétel elemzésére, a képeken található bizonyos alakzatok detektálására, felismerésére, és ez alapján széleskörű orvosi szűrővizsgálatok kiértékelésének támogatására. A rendszerek a mellkas átvilágításon alapuló szűrővizsgálatokat támogatják, ahol a hangsúly a prevención van, vagyis ahol a tünetek megjelenése előtt lehetséges különböző kóros folyamatokra, különösen rosszindulatú daganatra gyanús elváltozásokat jelezni. A hazai tüdőgyógyászat prominensei közül a tavaly elhunyt Magyar Pál professzor látta meg hat évvel ezelőtt annak a lehetőségét, hogy a digitális mellkas diagnosztika terén az utóbbi években történt műszaki kutatási-fejlesztési eredményekre érdemes alapozni. A szűrőrendszer feladatainak újrafogalmazásával a szakma súlyát újra emelni lehet, de még inkább mód nyílik kóros elváltozások idejekorán történő felismerésére. Ekkor fogott az Innomed Medical Zrt. a Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszékével és a Semmelweis Egyetem Pulmonológiai Klinikájával közös fejlesztésbe. A projekt finanszírozását előbb egy GVOP, majd egy KMOP pályázat támogatta, illetve támogatja ma is. Az Innomed Medical Zrt. először egy alacsonydózisú digitális mellkas-szűrő berendezést fejlesztett ki, kifejezetten a közvetlen digitális képeket adó hazai tüdőszűrő hálózat létrehozását megcélozva. Majd szintén hazai K+F forrásokra támaszkodva kifejlesztette a PI-PACS rendszerét. Ez a – tüdőszűrő állomások, egy modalitással működő rendelőintézetek, nagyobb radiológiai osztályok, de megyei kórházak digitális képalkotó rendszereinek kiszolgálására is alkalmas általános – PACS rendszer mára jól bevált eszköz országszerte. Különböző kórházi információs rendszerekhez (HIS) illesztve mind foszforlemezes technikákkal (CR) működő, mind direkt digitális (DR) rendszerekkel dolgozó digitális mellkas diagnosztikai modalitásokkal együttműködik. A PI-PACS rendszer digitális radiológiai képalkotó eszközökről (RTG, CT, MRI, UH etc.) származó felvételek tárolásáról, hosszú távú archiválásáról gondoskodik, valamint a felvételeket elérhetővé teszi a helyben folyó, de igény szerint távoli helyen történő leletezés számára is. A digitális röntgentechnika adta lehetőségeket kiaknázva a felvételek részletes elemzéseknek vethetők alá. Ezen lehetőségek egy része az emberi szem számára teszik áttekinthetőbbé a tüdőparenchymát vagy a tüdő vascularis szerkezetét. Ilyen eljárások például a mellkas röntgenképén látszó nem lágyrészárnyékok eliminálása. A kulcscsontok vagy a bordakészlet árnyékát eltüntetve a tüdőbe vetülő kerekárnyékok könnyebben észrevehetőek. A kontrasztviszonyok jó beállításával, a megfelelő területek kinagyításával olyan képletek lesznek vizsgálhatók, amelyek az analóg technika használata mellett áttekinthetetlenek voltak. Erről az alkalmazási lehetőségről szólt 2008-ban a Magyar Tüdőgyógyász Társaság (MTT) kongresszusán egy, az SE Pulmonológiai Klinikával együtt készített előadásunk és poszterünk [1,2]. A kóros elváltozások korai felismerésének lehetőségét azonban arra alapozhatjuk igazán, hogy a digitális felvételek a közvetlenül szemmel látható képrészleteknél jóval több információt tartalmaznak. Az ilyen rejtett információt a digitális, nagyfelbontású képekből összetett képelemző, képszűrő és képértelmező eljárások segítségével kaphatjuk meg. A CAD rendszerek ezt a feladatot látják el: megtalálják és kiemelik a képekből a kóros elváltozásra utaló rejtett információt. Mesterséges intelligencia alkalmazásával a számítógépes feldolgozás ennél mélyebb elemzést is végezhet, amivel a normálistól eltérő tüdőterületeket lehet megjelölni a diagnosztizáló szakorvos számára anélkül, hogy konkrét diagnózist mondanánk az adott területről. Ezzel egy döntéstámogató rendszert biztosítunk a leletezéshez. Az ún. CAD rendszerrel nemcsak olyan tüdőbetegségek (TBC, tumoros betegségek, pneumónia) lesznek hatékonyabban kiemelhetőek, melyek körülírt árnyék formájában elváltozást mutatnak a röntgenfelvételeken, de más krónikus betegségek (pl. COPD) szűrését is nagymértékben fogjuk tudni támogatni. Erről a kutatási ágról is beszámoltunk a tüdőgyógyász szakma legrangosabb hazai fórumán, a 2010. évi MTT kongresszuson a Semmelweis Egyetem Pulmonológiai Klinikájával közösen [3]. Ugyanezt a témát mutattuk be 2010-ben a European Respiratory Society Barcelonai kongresszusának poszter szekciójában [4]. A következőkben előbb a kerekárnyék kereső modulról, majd a COPD gyanús esetek kiszűréséről lesz szó. KEREKÁRNYÉK KERESÉS MELLKAS-RÖNTGENFELVÉTEL ALAPJÁN CAD RENDSZER SEGÍTSÉGÉVEL A CAD rendszer legfontosabb feladata bizonyos kóros elváltozások, illetve az ilyen elváltozásokra utaló gyanús területek megtalálása; a tüdő területen belül foltok keresése és minősítése. A feladat elvégzéséhez számos részfeladatot kell megoldani. Meg kell találnunk és körbe kell határolnunk az elemzés tárgyát képező tüdőterületet, a vizsgálati területet a képen lévő zajoktól meg kell tisztítanunk, IME IX. ÉVFOLYAM KÉPALKOTÓ DIAGNOSZTIKAI KÜLÖNSZÁM 2010. OKTÓBER 7 KÉPALKOTÓ KÜLÖNSZÁM a képet szűrnünk kell. A szűrés célja egyrészt a képeknek a képen esetlegesen található, a felvételi technikából adódó zajtól való megtisztítása, másrészt az ún. anatómiai zaj eltüntetése. A kóros elváltozások számítógépes detektálását nagymértékben nehezíti a képeken a szummációs felvételből adódó olyan árnyékok jelenléte, melyek az algoritmikus megoldást, a gépi felismerést félrevezethetik. Ilyen árnyékot képeznek a csontok (kulcscsont és a bordák), de ugyancsak nehezíti, vagy egyenesen gátolja a diagnosztikai célú foltdetektálást (nodule detection) a szív árnyéka. Ez utóbbi miatt a teljes tüdőterület számítógépes elemzése valójában legtöbbször nem is lehetséges. A csontok és a szív árnyéka tehát anatómiai zajnak tekinthető, melyet a további feldolgozás sikere érdekében „el kell tüntetni” a képről. Igazodva a hazai digitális mellkasröntgenfelvételek készítésére alkalmas eszközök lehetőségeihez, az anatómiai zaj szűrését képfeldolgozó eljárások kidolgozásával oldottuk meg. Az így zajtalanított, előszűrt képeken már nagyobb eséllyel találjuk meg azokat a területeket, melyeknél a kóros elváltozás gyanúja felmerül. A jelöltkeresés olyan összetett képszűrő eljárásokkal történik, ahol adott mérethatárok (általában 5-15 mm) közötti kerek vagy közel kerek árnyékokat keresünk. Az így megjelölt képterületek azonban még nem feltétlenül jelentik azt, hogy kóros elváltozást találtunk. A képterületekről egy sor jellemző értéket kell kiszámítanunk, és az így meghatározott több tíz, esetleg száznál is több jellemző alapján el kell döntenünk, hogy a kijelölt területet végül is valóban gyanúsnak minősítsük-e. Az elsődleges foltkeresést (jelöltkeresés) tehát számos jellemző paraméter számítása követi, majd egy osztályozási feladat következik, melynek eredményeképp már megjelölhetünk egyes képterületeket, mint kóros elváltozásra gyanúsakat. Az osztályozás eredménye egyben a gyanú erősségét is jelezheti. A teljes feldolgozási folyamatot az 1. ábra mutatja. Az osztályozásnál fontos, hogy minél több orvosi ismeretet is beépítsünk. Az osztályozó kialakítása ezért kellő számú szakorvos által minősített (kóros és egészséges esetekről készült) kép felhasználásával történik (1. ábra). Az 5-15 mm mérettartományba eső kerekárnyékokon túl számos olyan kóros eset található, ahol az elváltozás árnyéka 15 mm-nél jóval nagyobb. Bár ezen esetek szakorvosok általi kiszűrése általában nem okoz gondot, nem célszerű, ha egy számítógépes rendszer ezek megtalálására nem képes. A fenti rendszert ezért kiegészítettük egy olyan modullal, mely a kimondottan nagy (>15mm) méretű árnyékok detektálására alkalmas. KRÓNIKUS OBSTRUKTÍV LÉGÚTI BETEGSÉG (COPD) SZÛRÉSE MELLKAS-RÖNTGENFELVÉTEL ALAPJÁN SZÁMÍTÓGÉPES DÖNTÉSTÁMOGATÓ (CAD) RENDSZER SEGÍTSÉGÉVEL A krónikus obstruktív tüdőbetegséget krónikus áramláskorlátozottság jellemzi, mely általában progresszív és részlegesen reverzibilis lehet. Diagnosztizálása spirometriás vizsgálattal történik. Azok a 40 év feletti dohányosok tartoznak a rizikócsoportba, akik terhelés mellett köhögéssel, köpetürítéssel vagy légszomjjal küzdenek, esetükben spirometriás vizsgálat szükséges. A COPD aluldiagnosztizált, 1. ábra A tüdődiagnosztikai CAD rendszer funkcionális felépítése 8 IME IX. ÉVFOLYAM KÉPALKOTÓ DIAGNOSZTIKAI KÜLÖNSZÁM 2010. OKTÓBER KÉPALKOTÓ KÜLÖNSZÁM sok páciens esetében a betegség azonosítása csak előrehaladott állapotban történik meg. Emiatt merült fel annak a kérdése, hogy a Magyarországon a még rutinszerűen végzett mellkas-röntgenvizsgálat használható-e a COPD-s páciensek kiemelésére. Ezt az teszi lehetővé, hogy a COPD karakterisztikus jegyei, az emphysema és a hiperinfláció – jól követhetőek a röntgenfelvételeken. Célunk volt egy mellkasröntgen alapú számítógépes döntéstámogató (CAD) rendszer kipróbálása egészséges és beteg pácienseken. A páciensek kora, neme, testmagassága, testsúlya elérhető volt klinikai vizsgálati adatokból. Emellett rendelkezésünkre állt a vizsgálat során alkalmazott röntgendózis, amit a digitális röntgenkészülék által mért adatokból számoltunk. További paramétereket, amelyek a COPD betegséggel összefüggésbe hozhatók, a mellkasröntgenfelvételek számítógépes elemzésével nyertünk. A tüdőkontúrt komplex képfeldolgozó algoritmusokkal határoztuk meg, majd ennek felhasználásával származtattunk olyan paramétereket, amelyek a hiperinflációt jelzik. A fenti adatok felhasználásával lehetőség nyílik az obstruktív tüdőbetegség észlelésére, azonban ez nem könynyű feladat, hiszen komplex, gépi tanuláson alapuló rendszerek alkalmazását igényli. A COPD detektálását neurális hálózatokra alapozott osztályozó alkalmazásával végeztük. Az elemzésünkben 525 páciens adatait használtuk fel, akik közül spirometriás vizsgálattal 186 páciens volt COPD-s betegnek minősítve, 339 pedig egészségesnek. A neurális hálók tanítása és tesztelése keresztkorrelációs technikával tör- tént. A teszt során a számítógép az alanyok 83%-át osztályozta helyesen. További mutatók: Negatív Prediktív Érték 85,7%; Pozitív Prediktív Érték 77,7%; Szenzitivitás 73,1%; Specificitás 88,5%. Ezek az adatok azt mutatják, hogy a mellkas-röntgenszűrés – megfelelő számítástechnikai segítséggel – jó eszköz lehet a feltehetően COPD-s betegek kiszűrésére. A rendszer továbbfejlesztése érdekében a jövőben vizsgálni kívánjuk a tüdő egyes területeinek rajzolatgazdagságát, valamint a páciensek dohányzási szokásaira vonatkozó adatokat is figyelembe fogunk venni. Ez utóbbira vonatkozó előzetes vizsgálataink további javulást mutatnak az osztályozás pontosságán. KÖSZÖNETNYILVÁNÍTÁS Az előző cikkeinkhez hasonlóan most is meg kell említenünk, hogy a fejlesztést egy nagyobb csapat végzi, melynek tagjai az Innomed Zrt., a Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszékének (BME MIT) és a Semmelweis Egyetem Pulmonológiai Klinikájának munkatársai. A cikkben vázolt eredmények elérésében a szerzőkön kívül meg kell említsük: Horváth Áront és Orbán Gergelyt a BME MIT részéről, Kelemen Attilát, Nagy Jánost, Szilák Károlyt és Wolf Pétert az Innomed Medical Zrt. részéről és Müller Veronikát, Nagy Andreát, Bartusek Dórát és Süttő Zoltánt a Semmelweis Egyetem Pulmonológiai Klinikájáról. A cikkben bemutatott fejlesztést a Nemzeti Fejlesztési Ügynökség támogatta: KMOP-1.1.1-07/1-2008-0035 IRODALOMJEGYZÉK [1] Horváth Á, Máthé Cs.: Számítógépes Mellkasröntgendiagnosztika MTT 55. Nagygyűlés 2008 Balatonfüred [2] Máthé Cs., Horváth Á., Losonczy Gy: Digitális Mellkasdiagnosztikai Tapasztalataink a PI-PACS rendszerrel Klinikánkon MTT 55. Nagygyűlés 2008 Balatonfüred [3] Müller V., Horváth Á., Horváth G., Nikházy L.: Krónikus Obstruktív Tüdőbetegség (COPD) Szűrése Mellkasröntgen Felvétel Alapján Számítógépes Döntéstámogató (CAD) Rendszer Segítségével 2010 Sopron [4] Horváth Á., Horváth G., Nikházy L., Müller V.: Computer-aided detection of chronic obstructive pulmonary disease (COPD) using digital chest radiographs, ERS 2010 Barcelona [5] Nikházy L., Horváth G., Horváth Á., Müller V.: „Computer-aided detection of COPD using digital chest radiographs”, XII Mediterranean Conference on Medical and Biological Engineering and Computing 2010, IFMBE Proceedings, 2010, Volume 29, Part 2, pp. 252-255 [6] Global initiative for chronic obstructive lung disease. (2009) Global strategy for the diagnosis, management, and prevention of chronic obstructive pulmonary disease. http://www.goldcopd.com [7] Altrichter M., Horváth G., Pataki B., Strausz Gy., Takács G., Valyon J.: „Neurális hálózatok”, Panem kiadó, 2006 [8] Horváth G., Juhász S., Simkó G.: „CAD-rendszerek a tüdőszűrés hatékonyságának javítására”, IME, Vol. VII. Képalkotó diagnosztikai különszám 2008. október, pp. 38-43. [9] Döbrőssy L., Kovács A. Budai A, Cornides Á: „Szűrővizsgálatok a tüdőrák korai felismerésére: a klinikai és a népegészségügyi nézőpontok ütközése”, Orvosi Hetilap; Vol. 148. No. 34. pp.1587-1590. 2007. [10] Timothy W. Freer, Michael J. Ulissey, „Screening Mammography with Computer-aided Detection: Prospective Study of 12,860 Patients in a Community Breast Center” Radiology 2001; Vol. 220: pp. 781-786. IME IX. ÉVFOLYAM KÉPALKOTÓ DIAGNOSZTIKAI KÜLÖNSZÁM 2010. OKTÓBER 9 KÉPALKOTÓ KÜLÖNSZÁM [11] Shuji Sakai, Hidetake Yabuuchi, Yoshio Matsuo, Takashi Okafuji, Takeshi Kamitani, Hiroshi Honda, Keiji Yamamoto, Keiichi Fujiwara, Naoki Sugiyama and Kunio Doi: “Integration of Temporal Subtraction and Nodule Detection System for Digital Chest Radiographs into Picture Archiving and Communication System (PACS): Four-year Experience” Journal of Digital Imaging 2008; Vol. 21. No. 1. pp. 91-98. [12] Kunio, Doi: „Computer-Aided Diagnosis in Medical Imaging: Achievements and Challenges” Keynote lecture, World Congress on Medical Physics and Biomedical Engineering, WC2009, Munich, Germany. [13] T. A. Bley, T. Baumann, U. Saueressig, G. Pache, M. Treier, O. Schaefer, U. Neitzel, M. Langer, E. Kotter: „Comparison of Radiologist and CAD Performance in the Detection of CT-confirmed Subtle Pulmonary Nodules on Digital Chest Radiographs”, Investigative Radiology, Vol. 43, No. 6. June, 2008. pp. 343-348. A SZERZÔK BEMUTATÁSA Horváth Ákos 1998-ban szerzett villamosmérnöki diplomát a Budapesti Műszaki és Gazdaságtudományi Egyetemen. Telekommunikációs hálózatok hibatűrő konfigurációjával foglalkozott, majd a Matáv PKI Távközlésfejlesztési Intézetében dolgozott 2002-ig. 2002ben bekapcsolódott a BME Méréstech- nika és Információs Rendszerek Tanszékén folyó mammográfiás röntgenfelvételek elemzésébe, ahol a mikrokalcifikációk detektálására alkalmas algoritmusok kifejlesztésében vett részt. 2004 tavaszától az Innomed Medical Zrt. munkatársa, ahol a Röntgenfejlesztés részlegen mellkasröntgen felvételek képfeldolgozásával és PACS rendszerek fejlesztésével foglalkozik. Nikházy László 2006 óta a Budapesti Műszaki és Gazdaságtudományi Egyetem hallgatója. 2010-ben szerzett mérnök-informatikus BSc diplomát kitüntetéssel, jelenleg ugyanezen szak mesterképzésén folytatja tanulmányait. 2009-ben kapcsolódott be az Innomed Medical Zrt. és a BME Méréstechnikai és Információs Rendszerek Tanszékének közös projektjébe, amelynek keretében mellkas-röntgenfelvételek képfeldolgozásával és orvosi CAD rendszerek fejlesztésével foglalkozik. 2008 ősze óta részt vesz az egyetemen folyó oktatómunkában is, a Számítástudományi és Információelméleti Tanszéken vezet gyakorlatokat. Dr. Horváth Gábor okl. villamosmérnök a Budapesti Műszaki és Gazdaságtudományi Egyetemen (BME) 1970ben szerezte diplomáját. 1987-ben digitális jelfeldolgozás témakörben megszerezte a műszaki tudomány kandidátusa fokozatot. Végzése óta a BME Méréstechnika és Információs Rendszerek Tanszék (illetve ennek jogelődje a Műszer és Méréstechnika Tanszék) munkatársa. Jelenleg a tanszék vezetője. Tagja több tudományos társaságnak, többek között az IEEEnek (Institute of Electrical and Electronics Engineers), a Méréstechnikai Automatizálási és Informatikai Tudományos Egyesületnek és a Neumann János Számítógép-tudományi Társaságnak. Kutatási területe a digitális jelfeldolgozás, neurális hálózatok, és hibrid intelligens rendszerek. XI. Outsourcing Konferencia Időpont: 2010. november 3. (szerda) Helyszín: Best Western Hotel Hungaria (1074 Budapest, Rákóczi út 90.) 10 IME IX. ÉVFOLYAM KÉPALKOTÓ DIAGNOSZTIKAI KÜLÖNSZÁM 2010. OKTÓBER