|
У інформаційно-діагностичних системах для визначення патологій потрібна попередня обробка знімків та генерація консультативного висновку. У даній статті наведені результати експериментів по обробці текстури, наведені можливі шляхи поліпшення якості такої обробки і подальшого прийняття рішення. |
Источник: http://nich.donntu.ru/konf/konf4/sek_07_informat/s07_05.pdf [174 КБ]
С развитием средств диагностики широкое применение в медицинских учреждениях нашли информационно-диагностические системы. Их задачами являются накопление, хранение и обработка данных о пациентах и формирование отчетной документации, что облегчает работу врача. Однако, для повышения эффективности их работы необходима обработка диагностических данных с целью получения предварительного консультативного заключения.
В системах, использующих ультразвуковую эхолокацию, выделение патологий может быть проведено путем анализа взаимного расположения различных образований с помощью построения геометрической модели и текстурного анализа структуры тканей. Разрабатываемую информационно-диагностическую систему предполагается реализовать по модульному принципу. Построение геометрической модели производится в модуле контурного анализа, а текстурный анализ – в модуле текстурной сегментации.
Текстурный анализ ультразвуковых эхограмм, включает в себя текстурную сегментацию и классификацию изображений. Как показано в [1], сегментация и классификация изображений могут быть проведены одновременно с использованием искусственных нейронных сетей. При этом до подачи изображений на вход нейронной сети возникает необходимость в проведении предварительной обработки. Такая обработка требуется, потому что применение нейронных сетей с непосредственной подачей на их вход пикселов исходного изображения связано со следующими проблемами:
- при непосредственном предъявлении точек изображения на вход нейронной сети возникают сложности при учете углов поворота участков текстур относительно краев изображения;
- так как текстура – пространственное свойство, то она должна обрабатываться в пределах некоторой области – окна определенного размера. С использованием такого окна возникает проблема выбора его размера. При выборе этого размера малым могут наблюдаться значительные ошибки внутри участков с однородной текстурой, так как при этом результат обработки становится статистически неустойчивым. Если же выбрать такое окно большого размера, возникает значительное количество ошибок распознавания вблизи границ текстурных участков за счет захвата окном двух и более различных текстур.
Проблема учета углов поворота текстурных участков может быть решена путем проведения предварительной статистической обработки ультразвуковых снимков до подачи их на вход нейронной сети. При этом рассчитываются статистики, не зависящие от поворота текстур внутри анализируемого окна. В качестве таких статистик могут применяться статистики различия уровней серого (GLDS) и статистики пространственной зависимости уровней серого (SGLD), описанные в [2], а также статистики микротекстуры Лоза. Статистики, полученные путем свертки исходного изображения с масками микротекстуры Лоза, слабо зависят от взаимного пространственного расположения пикселов изображения, поэтому применение статистик SGLD и GLDS дает лучшие результаты, так как они учитывают взаимное пространственное расположение пикселов на изображении друг относительно друга.
Для решения проблемы выбора размера окна для анализа текстуры применим подход, описанный в [3]. Следуя этому подходу, выбирается окно небольшого размера, и в этом окне по исходному изображению рассчитываются пространства статистик (GLDS или SGLD). Это позволяет обеспечить более низкий уровень ошибок, возникающих за счет смешения статистик вблизи границ двух или более участков с разными текстурами, происходящего из-за захвата этих текстурных участков окном, в котором производится анализ. Устранение статистической неустойчивости полученных данных, обусловленной малым размером окна при расчете текстурных свойств, производится путем фильтрации полученных пространств текстурных статистик при помощи сглаживающего фильтра, сохраняющего контуры, с использованием окна большего размера.
В работе [4] с учетом всего сказанного выше была построена программная модель модуля текстурной сегментации ультразвуковых эхограмм. При этом был выполнен ряд экспериментов по обработке искусственно созданных изображений, сформированных с использованием текстур из альбома Бродаца. Их задачей являлось исследование влияния на точность работы модели таких параметров как размер окна при расчете статистик, размер окна для фильтрации пространств текстурных свойств, а также самого метода фильтрации. При этом в качестве текстурных свойств были использованы статистики GLDS – математическое ожидание (1), контраст (2) и второй угловой момент (3).
|
(1) |
|
(2) |
|
(3) |
Здесь pd(k) - вектор, представляющий собой разностную гистограмму второго порядка, где k -й элемент этого вектора представляет собой количество пикселов на анализируемом изображении, абсолютная разница яркостей которых равна k и отстоящих друг от друга на вектор d =(d1,d2), где d1- расстояние между пикселами по горизонтали, а d2 - по вертикали; k -номер элемента вектора pd (k), K - размерность этого вектора, равная количеству уровней серого, которые можно представить на данном изображении.
В экспериментах при фильтрации пространства статистик были применены следующие фильтры: квадрантный фильтр, сохраняющий конуры (EPNSQ) [3] и медианный. Результаты, полученные в [5] позволяют сделать вывод, что при распознавании искусственных текстур модель при меньших размерах окна фильтра функционирует лучше с применением квадрантного фильтра, а при больших размерах – с применением медианного фильтра. Однако в данных экспериментах наилучший результат (2,8%) был получен при использовании квадрантного фильтра с размером окна для расчетов 7 пикселов и размером окна фильтра 15 пикселов.
Для параметров модели модуля текстурной сегментации, обеспечивших лучшие результаты при распознавании изображений-моделей, были проведены эксперименты по обработке реальных ультразвуковых снимков печени с заведомо известными диагнозами. Использовались снимки со здоровыми тканями печени и с такими патологиями как киста печени, гемангиома печени, а также метастазы.Нейронная сеть была обучена распознаванию участков с патологиями и без них, выделенных на данных снимках. Каждой точке изображения с патологией или без нее в результате классификации был присвоен свой цвет-индекс, так как это было описано в [1].
В результате анализа формировалось результирующее изображение с цветами – индексами.
На рисунке 1 приведены результаты обработки с помощью обученной нейронной сети ультразвукового снимка кисты печени. На результирующем изображении белым цветом обозначены точки, относящиеся к данной патологии (киста), черным – нормальные ткани, серым – ошибочно обработанные участки (распознаны как гемангиома на другом снимке).
 |
 |
Рисунок 1 – Исходное изображение (слева) и результат обработки (справа)
В целом, патология была обнаружена, а неточности обработки можно объяснить тем, что при обучении нейронной сети использовались снимки различного качества, за счет чего нормальная ткань, представленная на одном снимке могла быть принята за патологию, представленную на другом. Возможный путь снижения погрешности – предварительное улучшение качества изображений (фильтрация, устранение влияния различной яркости фона снимков и т.п.).
Дальнейший анализ ультразвукового изображения предполагает передачу результата обработки из модуля текстурной сегментации в подсистему принятия решения. Данная подсистема представляет собой продукционную систему, основной задачей которой является генерация предварительного консультативного диагностического заключения. Продукционная система генерирует решение исходя из следующих параметров:
Используя указанные выше параметры подсистема принятия решения может также сделать вывод, является ли выделенный при текстурной сегментации участок ткани патологией, либо это результат неточностей при классификации текстур. Таким образом, на этапе генерации консультативного диагноза также возможно уточнение результата текстурной сегментации изображения.
Литература