Reducing false positive responses in lung nodule detector system by asymmetric AdaBoost

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F08%3A03144356" target="_blank" >RIV/68407700:21230/08:03144356 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Reducing false positive responses in lung nodule detector system by asymmetric AdaBoost

Popis výsledku v původním jazyce

We are developing a complex computer aided diagnosis (CAD) system to detect small pulmonary nodules from helical CT scans. Here we present a classifier to reduce the number of false positive responses of the primary detector. Our approach is based on anasymmetric Adaboost which enables us to give different weights to missed nodules (false negatives, FNs) and incorrectly detected structures (false positives, FPs). This is useful because there are noticeably more negative examples in the nodule candidateset than real nodules-true positives (TPs). The whole system is meant as a second opinion for a human radiologist to speed up reading the examination. That is why we should detect as many true nodules as possible, while a certain number of FPs is acceptable. The system was tested on 147 cases (36559 slices) containing 357 nodules marked by an expert radiologist. The new classifier significantly reduced the number of false positives, while only a few nodules were incorrectly omitted.

Název v anglickém jazyce

Reducing false positive responses in lung nodule detector system by asymmetric AdaBoost

Popis výsledku anglicky

We are developing a complex computer aided diagnosis (CAD) system to detect small pulmonary nodules from helical CT scans. Here we present a classifier to reduce the number of false positive responses of the primary detector. Our approach is based on anasymmetric Adaboost which enables us to give different weights to missed nodules (false negatives, FNs) and incorrectly detected structures (false positives, FPs). This is useful because there are noticeably more negative examples in the nodule candidateset than real nodules-true positives (TPs). The whole system is meant as a second opinion for a human radiologist to speed up reading the examination. That is why we should detect as many true nodules as possible, while a certain number of FPs is acceptable. The system was tested on 147 cases (36559 slices) containing 357 nodules marked by an expert radiologist. The new classifier significantly reduced the number of false positives, while only a few nodules were incorrectly omitted.

Druh

D - Stať ve sborníku

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2008

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of 2008 IEEE International Symposium on Biomedical Imaging: From Nano to Macro

ISBN

978-1-4244-2002-5

ISSN

1945-7928

e-ISSN

—

Počet stran výsledku

4

Strana od-do

—

Název nakladatele

IEEE

Místo vydání

New York

Místo konání akce

Paris

Datum konání akce

14. 5. 2008

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000258259800165