Fuzzy-neural network in the automatic detection and volumetry of the spleen on spiral CT scans
- 1. Mainz Univ. (Germany). Inst. fuer Informatik
- 2. Mainz Univ. (Germany). Klinik und Poliklinik fuer Radiologie
Description
Purpose: To assess spleen segmentation and volumetry in spiral CT scans with and without pathological changes of splenic tissue. Methods: The image analysis software HYBRIKON is based on region growing, self-organized neural nets, and fuzzy-anatomic rules. The neural nets were trained with spiral CT data from 10 patients, not used in the following evaluation on spiral CT scans from 19 patients. An experienced radiologist verified the results. The true positive and false positive areas were compared in terms to the areas marked by the radiologist. The results were compared with a standard thresholding method. Results: The neural nets achieved a higher accuracy than the thresholding method. Correlation coefficient of the fuzzy-neural nets: 0.99 (thresholding: 0.63). Mean true positive rate: 90% (thresholding: 75%), mean false positive rate: 5% (thresholding>100%). Pitfalls were caused by accessory spleens, extreme changes in the morphology (tumors, metastases, cysts), and parasplenic masses. Conclusions: Self-organizing neural nets combined with fuzzy rules are ready for use in the automatic detection and volumetry of the spleen in spiral CT scans. (orig.)
Abstract (German)
Ziel: Auf der Basis von Spiral-CT-Aufnahmen sollte Milzparenchym mit und ohne pathologische Veraenderungen mit Hilfe eines entwickelten Softwaresystems ausgewertet (segmentiert und volumetriert) werden. Methoden: Die Software HYBRIKON ist ein auf Voxelseeding, selbstorganisierenden neuronalen Netzen und fuzzy-anatomischen Regeln basierendes Bildanalyseprogramm zur Analyse von DICOM-Volumen-Daten. Die neuronalen Netze wurden mit Spiral-CT Daten von 10 Patienten trainiert, die nicht in der folgenden Evaluierung an Spiral-CT-Daten von 19 Patienten beurteilt wurden. Die Ergebnisse wurden von einem erfahrenen Radiologen ueberprueft. Richtig-positive (korrekt als Milz detektierte) Areale und falsch-positive (fehlerhaft als Milz detektierte) Areale wurden prozentual im Vergleich zum tatsaechlichen, vom Radiologen markierten Milz-Areal berechnet. Zusaetzlich wurden die Ergebnisse mit den Resultaten einer Standard-Dichtemaske verglichen. Ergebnisse: Die neuronalen Netze zeigten eine deutlich hoehere Genauigkeit in der Erkennung des Milzparenchyms als die Dichtemaske: Korrelationskoeffizient 0,99 (Dichtemaske: 0,63), richtig-positiver Anteil etwa 90% (Dichtemaske: 75%), falsch-positiver Anteil etwa 5% (Dichtemaske: >100%). Fehlerursachen waren Nebenmilzen, Faelle mit extrem veraenderter Morphologie (Tumor-Metastasen, Zysten) sowie perilienale Raumforderungen. Schlussfolgerungen: Fuzzy-neuronale Netze koennen zur automatischen Milzsegmentierung und Milzvolumetrie in der Spiral-CT sinnvoll eingesetzt werden. (orig.)Additional details
Additional titles
- Original title (German)
- Automatische Berechnung des Milzvolumens aus Spiral-CT-Daten mit Hilfe neuronaler Netze und ''Fuzzy Logik''
Publishing Information
- Journal Title
- RoeFo - Fortschritte auf dem Gebiete der Roentgenstrahlen und der neuen bildgebenden Verfahren
- Journal Volume
- 172
- Journal Issue
- 2
- Journal Page Range
- p. 139-146
- ISSN
- 0936-6652
- CODEN
- RFGNDO
INIS
- Country of Publication
- Germany
- Country of Input or Organization
- Germany
- INIS RN
- 31018608
- Subject category
- S62: RADIOLOGY AND NUCLEAR MEDICINE;
- Descriptors DEI
- COMPUTERIZED TOMOGRAPHY; DATA PROCESSING; NEURAL NETWORKS; SPIRAL CONFIGURATION; SPLEEN
- Descriptors DEC
- BODY; CONFIGURATION; ORGANS; PROCESSING; TOMOGRAPHY