МЕТОДЫ ОПРЕДЕЛЕНИЯ НЕСТАБИЛЬНЫХ АТЕРОСКЛЕРОТИЧЕСКИХ БЛЯШЕК

Михалец В.В.

Донецкий национальный технический университет

III МЕЖДУНАРОДНАЯ НАУЧНАЯ КОНФЕРЕНЦИЯ СТУДЕНТОВ, АСПИРАНТОВ И МОЛОДЫХ УЧЕНЫХ, г.Донецк, 22-23 мая 2007г.

КОМПЬЮТЕРНЫЙ МОНИТОРИНГ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

Церебральная патология занимает одно из ведущих мест в структуре смертности и инвалидизации населения, что определяет ее как одну из важнейших медицинских и социальных проблем.

Инфаркт мозга отличается этиопатогеннетической гетерогенностью, основными причинами его являются атеросклеротические поражения магистральных артерий головы, кардиогенные эмболии, артериальная гипертония.

У больных со стенозом сонных артерии менее 70% гемодинамические нарушения не являются ведущей причиной возникновения острого нарушения мозгового кровообращения. Инсульты в таких случаях развиваются в результате эмболии из распадающейся атеросклеротической бляшки в устье внутренних сонных артерий. Поэтому актуальным вопросом является точное и своевременное определение источника эмболии – нестабильной атеросклеротической бляшки.

В настоящее время существует возможность проводить полноценные ультразвуковые исследования с использованием неинвазивной визуализации стенок сосуда высоко-разрешающим ультразвуковым сканером в В-режиме. По получаемому в результате подобных исследований полутоновому ультразвуковому изображению атеросклеротической бляшки, с помощью определенных методов обработки изображения и классификации структуры объекта на изображении, можно поставить диагноз о степени неустойчивости, эмбологенности атеросклеротической бляшки, в простейшем случае - идентифицировать симптоматические и асимптоматические бляшки. Получены следующие результаты.

Алгоритм определения нестабильных атеросклеротических бляшек:

• получение исходного полутонового ультразвукового изображения атеросклеротической бляшки с высокой разрешающей способностью с УЗ сканера;
• предварительная обработка изображения (линеаризация гистограммы изображения, контрастирование, фильтрация);
• ручное оконтуривание формы атеросклеротической бляшки;
• расчет числовых значений признаков выделенной структуры, получение N-мерного вектора входных признаков;
• применение классификатора для идентификации типа атеросклеротической бляшки; входными данными служит полученный на предыдущем этапе N-мерный вектор признаков.

Наиболее важные моменты в вышеприведенном алгоритме – это выбор рассчитываемых числовых признаков и обучение выбранного классификатора.

Выбор количественных признаков, характеризующих УЗ изображение с наибольшей информативностью

Для большинства изображений лишь небольшой набор признаков является информативным, причем он различен в зависимости от поставленной задачи. Для ультразвукового изображения атеросклеротической бляшки данная проблема также актуальна. Признаки, рассчитываемые на основе статистики исходного полутонового изображения (среднее значение яркости, СКО среднего значения яркости, асимметрия гистограммы, общая энтропия, равномерность яркости) являются наиболее простыми по вычислительной сложности, но имеют недостатки.

Для идентификации и классификации сложных биологических объектов широко применяются статистические текстурные признаки. Одним из них является Матрица совместной встречаемости уровней яркости, каждый элемент (i,j) которой является оценкой вероятности того, что пара точек изображения, расположенных друг от друга на определенном расстоянии и под определенным углом, будет иметь уровни яркости, соответственно, i и j. На основании данной матрицы вычисляются различные описатели: второй угловой момент (мера однородности), энтропия, энергия, инерция, контраст и др.

Обучение классификатора

Для решения задачи классификации необходимо обладать знаниями о принадлежности векторов текстурных признаков обучающего множества УЗ изображений к определенному классу атеросклеротических бляшек.

В случае, когда такие априорные знания есть, для задачи классификации применимы следующие классификаторы: статистический классификатор «k-ближайших соседей», либо прогнозирующая искусственная НС прямого распространения, обучаемая с учителем.

В случае, когда априорных знаний нет, основная задача состоит в разделении исходного обучающего множества векторов на кластеры в N-мерном пространстве, где N – размерность векторов признаков. Для этой задачи подходят искусственные НС, обучаемые без учителя – сети Кохонена и наращиваемые самоорганизующиеся сети.

НС с наращиваемой самоорганизующейся структурой является более гибкой и адаптивной, чем сеть Кохонена, так как количество необходимых для классификации кластеров (классов) определяется во время обучения, а не задается до его начала. Когда новый обучающий вектор поступает на входы наращиваемой НС, вычисляются эвклидовые расстояния между ним и всеми нейронами классифицирующего слоя. Выбирается минимальное расстояние. Если оно будет больше, чем порог различия между векторами одного класс, то создается новый нейрон, который будет представлять новый класс.

Полученное соответствие между векторами текстурных признаков и конкретным классом атеросклеротической бляшки далее используется для построения топологических связей между радиальным и выходным слоями в вероятностной нейронной сети (PNN). Выход сети PNN имеет вероятностный характер, так как данная сеть аппроксимирует плотность вероятности для каждого класса с помощью ядерных функций.

Сеть PNN имеет три слоя: входной, радиальный и выходной. Во входном слое количество элементов равно размерности вектора признаков. Радиальные элементы берутся по одному на каждое наблюдение (обучающий вектор). Каждый из них представляет гауссову функцию с центром в этом наблюдении. Каждому классу соответствует один выходной элемент. Каждый такой выходной элемент соединен со всеми радиальными элементами, относящимися к его классу.

После сравнения между собой вероятностей принадлежности входного вектора различным классам выбирается наиболее вероятный класс.

Точность определения нестабильной атеросклеротической бляшки зависит от выбранных для анализа текстурных признаков, количества обучающих примеров, соблюдения соответствия пропорций классов в обучающем множестве их пропорциям во всей исследуемой популяции.