Publicado

2014-07-01

A robust neuro-fuzzy classifier for the detection of cardiomegaly in digital chest radiographies

Clasificador robusto neuro-difuso para la detección de cardiomegalia en radiografías digitales del tórax

DOI:

https://doi.org/10.15446/dyna.v81n186.37797

Palabras clave:

Cardiomegaly, fuzzy classifier, Radial Basis Function neural network, chest image radiographies (en)
Cardiomegalia, clasificador difuso, red neuronal Función de Base Radial, radiografías de tórax (es)

Descargas

Autores/as

  • Fabian Torres-Robles Instituto Politecnico Nacional de Mexico
  • Alberto Jorge Rosales-Silva Instituto Politecnico Nacional de Mexico
  • Francisco Javier Gallegos-Funes Instituto Politecnico Nacional de Mexico
  • Ivonne Bazan-Trujillo Instituto Politécnico Nacional
We present a novel procedure that automatically and reliably determines the presence of cardiomegaly in chest image radiographies. The cardiothoracic ratio (CTR) shows the relationship between the size of the heart and the size of the chest. The proposed scheme uses a robust fuzzy classifier to find the correct feature values of chest size, and the right and left heart boundaries to measure the heart enlargement to detect cardiomegaly. The proposed approach uses classical morphology operations to segment the lungs providing low computational complexity and the proposed fuzzy method is robust to find the correct measures of CTR providing a fast computation because the fuzzy rules use elementary arithmetic operations to perform a good detection of cardiomegaly. Finally, we improve the classification results of the proposed fuzzy method using a Radial Basis Function (RBF) neural network in terms of accuracy, sensitivity, and specificity.
Presentamos un nuevo procedimiento que determina de forma automática y fiable la presencia de cardiomegalia en radiografías torácicas. El CTR muestra la relación entre el tamaño del corazón y el tamaño del tórax. El esquema propuesto utiliza un clasificador robusto difuso para encontrar los valores correctos del tamaño del tórax y los límites del corazón derecho e izquierdo para medir el agrandamiento del corazón para detectar cardiomegalia. El método propuesto utiliza operaciones clásicas de morfología para segmentar los pulmones proporcionando baja complejidad computacional y el método difuso propuesto es robusto para encontrar las medidas correctas del CTR proporcionando un cálculo rápido porque las reglas difusas usan operaciones aritméticas elementales para desempeñar una buena detección de cardiomegalia. Finalmente, se mejoran los resultados de clasificación del método difuso propuesto utilizando una red neuronal función de base radial (RBF) en términos de precisión, sensibilidad y especificidad.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

van Ginneken, B., ter Haar Romeny, B.M. and Viergever, M.A., Computer-Aided Diagnosis in chest radiography: A Survey. IEEE Transactions on Medical Imaging, 20 (12), pp. 1228-1241, 2001.'

van Ginneken, B., Hogeweg, L. and Prokop, M., Computer-aided diagnosis in chest radiography: Beyond nodules, European Journal of Radiology, 72, pp. 226-230, 2009.

Jannin, P., Fitzpatrick, J.M., Hawkes, D.J., Pennec, X., Shahidi, R. and Vannier, M.W., Validation of medical image processing in image-guided therapy. IEEE Transactions on Medical Imaging, 21 (12), pp. 1455-1449, 2002.

Hasan, M.A., Lee, S.L., Kim, D.H. and Lim, M.K., Automatic evaluation of cardiac hypertrophy using cardiothoracic area ratio in chest radiograph images, Computer Methods and Programs in Biomedicine, 105 (2), pp. 95-108, 2012.

van Ginneken, B., Stegmann, M.B. and Loog, M., Segmentation of anatomical structures in chest radiographs using supervised methods: A comparative study on a public database, Medical Image Analysis, 10, pp. 19-40, 2006.

Jamrozy, M., Leyko, T. and Lewenstein, K., Early detection of the cardiac insufficiency, in Recent advances in mechatronics, Berlin, Springer, 2010, pp. 407-411.

Cordova, J., Lee, G., Hernandez, M., Aguilar, C., Barriguete, J. and Kuri, P., Clinical prevention of chronic diseases: Overweight, diabetes mellitus and cardiovascular risk, Mexican Journal of Cardiology, 20 (1), pp. 42-45, 2009.

Brown, M.S., Wilson, L.S., Doust, B.D., Gill, R.W. and Sun, C., Knowledge-based method for segmentation and analysis of lung boundaries in chest X-ray images, Computerized Medical Imaging and Graphics, 22, pp. 463-477, 1998.

Ishida, T., Katsuragawa, S., Chida, K., MacMahon, H. and Doi, K., Computer-aided diagnosis for detection of cardiomegaly in digital chest radiographs, Proceedings of SPIE 5747 Medical Imaging 2005: Image Processing, pp. 914-920, 2005.

Kulkarni, D.A. and Dere, P.U., Characterization of cardiomegaly disease from X-ray images using mean shift based image segmentation, International Conference on Contours of Computing Technology, ThinkQuest 2010, pp. 133-137, 2010.

Ilovar, M. and Sajn, L., Analysis of radiograph and detection of cardiomegaly, IEEE Proceedings of the 34th International Convention MIPRO 2011, pp. 859 - 863, 2011.

Ordaz-Gutierrez, S., Gallegos-Funes, F.J., Rosales-Silva,A.J., Carvajal-Gamez, B.E. and Mujica-Vargas,D., Diagnosis of acute lymphoblastic leukemia using fuzzy logicand neural networks,Imaging Science Journal, 61 (1), pp. 57-64, 2013.

Dickstein, K., Cohen-Solal, A., Filippatos, G., McMurray, J.J.V., Ponikowski, P., Poole-Wilson, P.A., Strömberg, A., van Veldhuisen, D.J., Atar, D., Hoes, A. W., Keren, A., Mebazaa, A., Nieminen, M., Priori, S. G. and Swedberg, K., ESC Guidelines for the diagnosis and treatment of acute and chronic heart failure 2008. European Heart Journal, 29, pp. 2388-2442, 2008.

Moreno-Escobar, J.A., Gallegos-Funes, F.J., Ponomaryov, V. and de-la-Rosa-Vazquez, J.M., Radial basis function neural network based on order statistics. Lecture Notes in Computer Science, 4827, pp. 150-160, 2007.

Torres-Robles, F., Gallegos-Funes, F.J. and Rosales-Silva, A.J., Fuzzy feature extraction in image radiographies to detect cardiac insufficiency, IEEE 2nd Workshop Circuits and Systems for Medical and Environmental Applications, CASME, Merida, Mexico, pp. 1-4, 2010.

Bankman, I., Handbook of medical image processing and analysis Volume 1. Boston: Academic Press, 2008.

Kerre, E.E., Fuzzy techniques in image processing. Berlin: Springer, 2000.

Goncalves, M., Rodríguez, R. and Tineo, L. Formal method to implement fuzzy requirements. DYNA, 79 (173), pp. 15-24, 2012.

Gonzalez, R.C., Digital image processing using Matlab. New York: Prentice Hall, 2003.

Kinani, J.M.V., Gallegos-Funes, F.J., Rosales-Silva, A.J. and Arellano, A., Computer-aided diagnosis of brain tumors using image enhancement and fuzzy logic. DYNA. 81 (183), pp. 148-157, 2014.

Licencia

Derechos de autor 2014 DYNA

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

El autor o autores de un artículo aceptado para publicación en cualquiera de las revistas editadas por la facultad de Minas cederán la totalidad de los derechos patrimoniales a la Universidad Nacional de Colombia de manera gratuita, dentro de los cuáles se incluyen: el derecho a editar, publicar, reproducir y distribuir tanto en medios impresos como digitales, además de incluir en artículo en índices internacionales y/o bases de datos, de igual manera, se faculta a la editorial para utilizar las imágenes, tablas y/o cualquier material gráfico presentado en el artículo para el diseño de carátulas o posters de la misma revista.