Image Analysis Framework for Head and Neck Cancer
Author
Paramanathan, Senthoopiya Achuthan
Term
4. term
Publication year
2016
Submitted on
2016-01-05
Pages
64
Abstract
I Danmark får omkring 1.500 mennesker hvert år konstateret hoved- og halskræft. Strålebehandling er en hyppig behandling, men den kan have bivirkninger, der påvirker livskvaliteten. For at ramme kræftvævet præcist og skåne raskt væv markerer læger i dag manuelt tumorens placering på CT-billeder. Det er tidskrævende og kan give variation både mellem forskellige læger og hos den samme læge over tid. Dette projekt udvikler en metode til automatisk at segmentere (markere) tumorvæv på CT-scanninger af hoved og hals. Tilgangen er en klassifikationsbaseret segmentering, hvor computeren bruger teksturinformation – altså mønstre i gråtonerne i billederne – til at skelne mellem tumor og ikke-tumor. Metoden blev først vurderet med krydsvalidering for at træne og måle ydeevnen, og dernæst blev den trænede klassifikator testet på nye CT-billeder fra to patienter. Vi rapporterer tre mål for ydeevne: sensitivitet (andelen af tumorområder, der bliver fundet), specificitet (andelen af ikke-tumor, der korrekt frasorteres), og nøjagtighed (den samlede andel korrekte klassifikationer). Ved krydsvalidering opnåede metoden en sensitivitet på 66,58 %, specificitet på 98,85 % og nøjagtighed på 95,94 %. Ved test på de to nye patienter var resultaterne: sensitivitet 22,8 %, specificitet 90 % og nøjagtighed 64 %. Metoden viser dermed høj specificitet, men lavere sensitivitet på nye data, hvilket peger på behov for yderligere udvikling og afprøvning på flere patienter.
In Denmark, about 1,500 people are diagnosed with head and neck cancer each year. Radiation therapy is a common treatment, but its side effects can reduce quality of life. To target the tumor precisely and spare healthy tissue, doctors currently mark the tumor location manually on CT images. This is time-consuming and can lead to variation both between different clinicians and for the same clinician over time. This project develops a method to automatically segment (mark) tumor tissue on head and neck CT scans. The approach is a classification-based segmentation that uses texture information—patterns in the gray levels of the images—to distinguish tumor from non-tumor. The method was first evaluated with cross-validation to train and estimate performance, and then the trained classifier was tested on new CT images from two patients. We report three performance measures: sensitivity (the share of tumor areas correctly found), specificity (the share of non-tumor correctly rejected), and accuracy (the overall share of correct classifications). In cross-validation, the method achieved 66.58% sensitivity, 98.85% specificity, and 95.94% accuracy. When tested on the two new patients, results were 22.8% sensitivity, 90% specificity, and 64% accuracy. The method therefore shows high specificity but lower sensitivity on new data, indicating a need for further development and testing on more patients.
[This abstract was generated with the help of AI]
Documents