Kankerparuadalahkanker paling mematikan di Amerika, denganperkiraankematian 161840

kematianpadatahun 2008 [1]. Lobektomiatauoperasipengangkatanlobusparu-paru yang sakit

(strukturanatomiparu-paru) adalahpilihan yang lebihdisukaiuntukmengobatikankerparu-paru.
Perencanaanbedah yang akuratdarilobektomimenggunakan detail anatomisinformasidarironggaparu-
paru yang tidakpentingsebelumprosedur yang sebenarnya. Gambar. 1 menunjukkananatomiparu-
parumanusia yang khas, yang memiliki lima partisiberbeda yang disebutlobus. Batas-batas flese lobes
are lobar. Terangbiasanyaterdiriataslobus superior, tengah, dan inferior yang terpisah.olehkanan miring
dan horizontal fi sures, masing-masing. Paru-parukiribiasanyamemilikilobus superior dan inferior,
dipisahkanolehbagian oblique kiri. Secaraumum, lobusberfungsirelatifindependensatusama lain
tanpasaluranudarautamaataupembuluh yang melintasi lobar (beberapakasuskhususmemangterjadi).

Pada awalnya, kami telah mengembangkan algoritma DAS (algoritma pipelined) menggunakan sweeping
fissure adaptif dan perubahan DAS untuk membagi lobus paru pada gambar CT 2,5–7.0 mmclinical [30].
Algoritma menghasilkan akurasi 85% -95% untuk mencari daerah fissure. Menggunakan gambar CT yang
sama, ahli bedah memperoleh akurasi 80% untuk melokalisasi daerah ini (komunikasi pribadi dengan
ahli bedah), yaitu, segmentasi lobus paru menggunakan algoritma DAS sebanding dengan identifikasi
yang sesuai oleh ahli bedah pada gambar CT klinis.

Dengan munculnya scanner CT multislice, segmentasi lobus paru-paru di gambar CT isotropik menjadi
penting untuk memanfaatkan rincian asli mereka untuk perencanaan bedah yang lebih baik. Dalam
makalah ini, kami menyajikan algoritma segmentasi pipelined lobe menggunakan modifikasi adaptiss
fissure sweeping dan wavelet transform ke segmen lobus paru pada gambar CT isotropik 0,6 mm.
Dibandingkan dengan gambar CT klinis, gambar CT isotropik lebih berisik, seperti yang ditunjukkan pada
Gambar. 3. Selain itu, celah dalam gambar CT isotropik sebenarnya terlihat oleh mata manusia,
sedangkan celah dalam gambar CT klinis dapat diidentifikasi sebagai daerah di mana pohon bronkus
tidak ada. Untuk menemukan celah dalam gambar CT isotropik, algoritma segmentasi lobus

menggunakan pendekatan hibrida dengan menggabungkan informasi tingkat keabuan, kendala bentuk
3-D, dan informasi dari pohon bronkial. Tidak seperti metode segmentasi sebelumnya menggunakan
pohon bronkial [21] - [25], algoritma segmentasi lobus memanfaatkan informasi dari pohon bronkial
tanpa segmentasi untuk mengurangi waktu perhitungan dan kompleksitas. Akibatnya, algoritma ini
mampu memproses dan memvisualisasikan rongga paru patologis dalam 5 menit, membuka jalan bagi
penggunaan klinisnya. Untuk menggambarkan algoritma ini, kami mengatur makalah ini sebagai berikut.
Bagian II menjelaskan algoritma segmentasi lobus, kriteria evaluasi, dan visualisasi 3-D dari lobus paru-
paru. Bagian III menyajikan hasil dari algoritma dan diskusi segmentasi lobus. Bagian IV memberikan
kesimpulan dengan karya-karya masa depan

Gambar. 4. Kami berdasarkan modifikasi pada sapuan fissure adaptif asli dalam algoritma DAS, yang
menggunakan analisis statistik untuk menemukan daerah fissure

dalam gambar CT klinis 2,5–7,0 mm [30]. Sapu fissure adaptif yang dimodifikasi membuat perhitungan
yang sama untuk langkah-langkah dari pemeriksaan penyapuan dan retakan daerah fissure seperti pada
rekan aslinya.

Sapu fissure adaptif yang dimodifikasi pertama-tama preprocesses gambar CT untuk mengurangi
kebisingan. Karena gambar CT isotropik mengandung lebih banyak noise daripada rekan-rekan klinis
mereka, seperti yang ditunjukkan pada Gambar. 3, kami menggunakan filter Wiener untuk
menghilangkan kebisingan bukannya filter median, seperti pada sapuan fissure adaptif asli. Wiener filter
adalah filter optimisasi yang bertujuan untuk meminimalkan kesalahan kuadrat rata-rata antara gambar
asli dan mitra yang difilter [31]. Karena noise dalam gambar CT mengikuti distribusi Poisson [32], yang
dapat didekati menggunakan distribusi Gaussian untuk sejumlah besar kejadian [33], kami
menggunakan white noise Gaussian sebagai distribusi noise untuk filter Wiener. Kami memilih ukuran
filter dari 3 × 3 (piksel) untuk menyeimbangkan antara penghapusan noise dan lebih blur. Gambar 5
mengilustrasikan gambar CT sebelum dan sesudah menerapkan filter Wiener. Setelah Wiener filtering,
gambar yang dihasilkan pada Gambar. 5 (b) mengandung lebih sedikit noise speckle daripada aslinya

mitra dalam Gambar. 5 (a).

Untuk mengidentifikasi lokasi dan lekukan celah yang sebenarnya, algoritma segmentasi lobus
menggunakan teknik pencarian celah untuk mencari garis terpanjang yang terus menerus melintasi
daerah fissure, yang menandakan celah yang sebenarnya. Teknik pencarian celah melakukan analisis
pixel-by-pixel dan secara otomatis menempatkan titik jangkar pada jarak 5 piksel terpisah sepanjang
celah yang teridentifikasi. Setelah pencarian celah, algoritma menggunakan teknik verifikasi celah, yang
memvalidasi kebenaran fisura saat ini dengan membandingkan titik jangkar dengan rekan-rekan mereka
pada celah yang berdekatan sebelumnya. Gambar 8 menjelaskan kedua teknik untuk pencarian fisura
dan verifikasi fisura. Karena perubahan antara celah dalam dua gambar CT isotropik yang berdekatan
sangat

Untuk mengidentifikasi celah, algoritma kami menerapkan transformasi wavelet biorthogonal (bior 1.3)
ke daerah fissure yang ditemukan. Wavelet ini cocok untuk pemrosesan gambar karena simetri dan fase
linier [41]. Di antara empat gambar yang dihasilkan dari transformasi ini (low-pass, horizontal, vertikal,
dan diagonal), algoritma ini menggunakan gambar detail horizontal untuk pemrosesan lebih lanjut
karena sebagian besar fisura lobar muncul secara horizontal di seluruh daerah fisura. Hal ini disebabkan
oleh retakan fisura adaptif yang dimodifikasi yang mengarahkan daerah fissure sepanjang arah celah.
Algoritma ini menggunakan dekomposisi tingkat kedua untuk menghasilkan gambar detail horizontal
karena level ini memberikan kontras terbaik

untuk celah. Gambar 7 mengilustrasikan contoh gambar detail horizontal (baris II) yang dihasilkan dari
transformasi wavelet dari daerah fissure yang ditemukan dari modifikasi fissure sweep yang dimodifikasi
(baris I). Celah yang disorot oleh panah memiliki intensitas piksel yang lebih seragam dan dalam kontras
yang jauh lebih baik setelah

transformasi wavelet

Gambar. 12. Contoh penilaian algoritma segmentasi lobus menggunakan kriteria evaluasi dijelaskan
dalam (9) dan (10). (A) segmen Fissure disorot oleh panah hampir tidak dapat dibedakan dengan mitra
yang disegmentasikan secara manual. (B) segmen Fissure disorot oleh panah berada di batas kriteria 3-
mm. (c) Panah menunjukkan kesalahan terburuk. Dalam hal ini, 91% dari panjang fissure berada dalam
kriteria 3-mm dan celah memiliki kesalahan kasus yang lebih buruk 3,6 mm.
Kami menilai algoritma segmentasi lobus menggunakan tumpukan gambar CT isotropik dari sembilan
pasien anonim di Foothills Medical Centre, Calgary, AB, Kanada. CT Sensation 16 multislice CT scanner
menghasilkan semua tumpukan dengan protokol yang sama dan agen kontras yodium. Semua gambar
CT memiliki resolusi 512 × 512 piksel dengan ketebalan 0,6 mm. Semua sembilan pasien memiliki paru-
paru patologis yang mengandung nodul kanker. Ini memungkinkan kami menguji algoritme kami di
bawah berbagai kasus pasien. Dua pasien mengalami patologi parah di paru-paru kanan mereka yang
secara signifikan mengubah anatomi oblique kanan

dan fisura horizontal, seperti ditunjukkan pada Gambar. 14. Ahli bedah dan ahli radiologi mengalami
kesulitan memisahkan fisura oblique dan horizontal secara visual dalam dua kasus ini (komunikasi
pribadi dengan ahli bedah dan ahli radiologi). Karena kurangnya ground truth untuk kasus-kasus ini,
kami tidak dapat mengevaluasinya untuk celah oblik dan horizontal kanan. Ini memungkinkan kami
menguji algoritme kami menggunakan sisa sembilan, tujuh, dan tujuh kasus untuk mengidentifikasi
miring kiri, miring kanan, dan celah horizontal kanan, masing-masing. Untuk semua pasien, parameter
awal yang digunakan dalam algoritme adalah global, yang berarti bahwa parameter ditetapkan untuk
mewakili anatomi paru umum, bukan pasien tertentu. Dengan demikian, nilai-nilai parameter ini tidak
tergantung pada pasien.