Giessener Elektronische Bibliothek

GEB - Giessener Elektronische Bibliothek

Evaluation eines Computerprogramms zur Differenzierung zwischen gesundem und fibrotischem Lungengewebe in der hochauflösenden Computertomographie mittels der fraktalen Dimension

Evaluation of a semi-automatically operating software program, which differentiates between healthy subjects and patients with pulmonary fibrosis based on the fractal dimension D of high-resolution Computed Tomography (HRCT) lung images

Franzki, Klara Renée


Zum Volltext im pdf-Format: Dokument 1.pdf (2.570 KB)


Bitte beziehen Sie sich beim Zitieren dieses Dokumentes immer auf folgende
URN: urn:nbn:de:hebis:26-opus-120300
URL: http://geb.uni-giessen.de/geb/volltexte/2016/12030/

Bookmark bei del.icio.us


Freie Schlagwörter (Deutsch): fraktale Dimension , fraktal , Lungenfibrose , HRCT , HR-CT
Freie Schlagwörter (Englisch): fractal dimension , fractal , lung fibrosis , HRCT, HR-CT
CCS - Klassifikation: D.2.2
Universität Justus-Liebig-Universität Gießen
Institut: Klinik für Diagnostische und Interventionelle Radiologie
Fachgebiet: Medizin
DDC-Sachgruppe: Medizin
Dokumentart: Dissertation
Sprache: Deutsch
Tag der mündlichen Prüfung: 09.12.2015
Erstellungsjahr: 2015
Publikationsdatum: 19.04.2016
Kurzfassung auf Deutsch: Ziel dieser Arbeit war die Evaluation einer semiautomatisch funktionierenden Software, welche anhand der fraktalen Dimension D hochaufgelöste Thorax-Computertomographien von Patienten mit radiologisch gesundem Lungenparenchym und Patienten mit Lungenfibrose unterscheidet.
Methodik: Lungen-HRCT-Scans von 78 Patienten mit Lungenfibrose und 23 HRCTs radiologisch unauffälligen Lungenparenchyms wurden retrospektiv auf die fraktale Dimension, ihre Dichte und das Lungenvolumen hin untersucht und mit der vom Radiologen gestellten Diagnose korreliert. Durch Bildsegmentierung mittels Saatkorn-Algorithmus und Schwellenwertbildung entstanden fünf Bilddatensätze, die jeweils bestimmte Hounsfield-Bereiche (HE-Bereiche) der Original-Bilddaten darstellen. Für alle wurde die fraktale Dimension über die Masse-Radius-Methode berechnet. Die D-Mittelwerte wurden mittels T-Tests auf signifikante Differenzen untersucht. Über logistische Regression wurde die Wahrscheinlichkeit berechnet, mit welcher ein Fall anhand der berechneten Variablen einer der beiden Gruppen (Gesund oder Fibrose) zugeordnet werden kann.
Ergebnisse: Die Mittelwerte für die fraktale Dimension, die Dichte und das Lungenvolumen der verschiedenen Datensätze zeigten einen signifikanten Unterschied zwischen den Gruppen „Gesund“ und „Fibrose“. Bei Einbeziehen aller Variablen in die logistische Regression konnte eine korrekte Zuordnung in eine der beiden Gruppen mit einer Wahrscheinlichkeit von 92,1% erfolgen. Führten wir die logistische Regression mit nur einer Variablen durch, wurde die größte Wahrscheinlichkeit der Übereinstimmung in der Gruppenzuordnung durch die fraktalen Dimensionswerte des HE-Bereich von -300 und größer festgestellt. Diese lag bei 88,1%.
Schlussfolgerung: Die fraktale Dimension stellt einen geeigneten Parameter dar, Patienten mit gesundem von Patienten mit fibrosiertem Lungenparenchym in der HRCT zu differenzieren. Daher stellt diese Methodik einen guten Ansatzpunkt zur Entwicklung eines objektiven, streng reproduzierbaren diagnostischen Hilfsmittels zur Unterstützung des Radiologen dar.
Kurzfassung auf Englisch: The aim of this study was the evaluation of a semi-automatically operating software program, which differentiates between healthy subjects and patients with pulmonary fibrosis based on the fractal dimension D of high-resolution Computed Tomography (HRCT) lung images.
Method: Lung HRCT scans of 23 subjects with radiologically unsuspicious lung parenchyma were retrospectively examined as well as 78 patients with pulmonary fibrosis regarding their lung density, the lung volume, and D. They were then correlated with the radiologist´s diagnosis. The lungs were initially segmented and then a volumetric and a CT densitometric analyses were carried out. Finally, the completly segmented lung was divided into five different Hounsfield unit (HU) ranges. For all five HU ranges, D was calculated separately via the mass-radius method. T-tests were used to examine whether the mean D values of healthy and sick subjects were significantly different or not. By means of logistic regression, the likelihood was calculated that indicates whether or not a subject was classified properly into the correct group healthy or fibrosis, based on the calculated variables.
Results: The mean values for density, lung volume and the fractal dimensions of the different data sets showed a significant difference between the "healthy" and the "fibrosis" groups. Inclusion of all variables in the logistic regression enabled a correct classification with a probability of 92.1%. When the logistic regression was performed with just one variable, the greatest likelihood of correct group classification was achieved by the fractal dimension values obtained from the lung sets that were generated using the HU range of [-300 HU and larger]. This likelihood was 88.1%.
Conclusion: The fractal dimension presents a suitable parameter to differentiate between patients with healthy lung parenchyma and those with fibrosis in the HRCT. Therefore, this methodology presents a good starting point to develop an objective, strictly reproducible diagnostic tool to assist radiologists.
Lizenz: Veröffentlichungsvertrag für Publikationen ohne Print on Demand