РАЗРАБОТКА СПЕЦИАЛИЗИРОВАННОЙ КОМПЬЮТЕРНОЙ СИСТЕМЫ ДИАГНОСТИКИ НОВООБРАЗОВАНИЙ ГОЛОВНОГО МОЗГА

Т.Н. Веселова

Донецкий национальный технический университет

Актуальность диагностики новообразований головного мозга не вызывает сомнений. В настоящее время, к сожалению, количество больных возрастает с каждым годом, а также выявляются новые разновидности опухолей, поэтому медицинские центры, где проводится подобного вида диагностика, нуждаются в программном обеспечении, которое позволит специалистам дифференцировать опухоли, оценивать и прогнозировать возможное состояние пациента.

Ведущую роль в клинической диагностике опухолей головного мозга играет магнитно-резонансная томография (МРТ). Объемное образование наиболее часто имеет овальную, дольчатую или неправильную форму и, в большинстве случаев, четко очерченные контуры; структура его может быть неоднородной и содержать участки кистозного перерождения. Рисунок мозга выявляется на томограмме в связи с различной плотностью белого, серого вещества, желудочков мозга. Участки повышенной плотности – белые, пониженной – черные. Изменения плотности мозгового вещества при наличии опухоли  позволяют увидеть опухоль на томограмме. 

 В магистерской работе решаются следующие задачи:

1.      Проводится анализ состояния существующих исследований в области диагностики новообразований головного мозга;

2.     Строится модель (СКС или углубленная подсистема) для оценки оцифрованной томограммы. 

3.      Производится вывод заключения после анализа изображения с использованием информации о состоянии пациента (результат анализов, анамнез, предварительные обследования).

4.      Проводится анализ функционирования системы (подсистемы) и оценивается эффективность ее применения в медицинском центре.

Требования к программе. Программа должна обладать возможностями производить следующие операции:

по обработке изображения:

- изменение контрастности и яркости;

- выделения интересующей области;

- расчета параметров области (размер, плотность);

по выводу результатов:

- формирование базы данных, в которую предполагается занести необходимую информацию о проведенном обследовании;

- обучение нейронной сети на предмет выявления патологии;

- вывод типа патологии в соответствие с классификацией новообразований.

Для программной обработки используются изображения формата “*.jpg”. В качестве языка программирования выбран Microsoft Visual Basic 6.0.

Так как исходное изображение наряду с полезной информацией может содержать различные помехи и шумы, то в программе предусматривается возможность фильтрации с использованием медианного фильтра. Медианная фильтрация – метод нелинейной обработки сигналов, разработанный Тьюки. Этот метод полезен при подавлении шума на изображении. Медианный фильтр представляет собой скользящее окно, охватывающее нечетное число элементов изображения. Центральный элемент заменяется медианой всех элементов изображения в окне. Медианой дискретной последовательности , , ... , для нечетно N является тот ее элемент, для которого существует  элементов, меньших или равных ему по величине, и   элементов, больших или равных ему по величине. Медианная фильтрация эффективно подавляет разрозненные импульсные помехи, однако может привести к ослаблению сигнала. 

В качестве инструментальной нейронной сети выбрана сеть с радиальными базисными функциями. В роли компонентов обучающей выборки  выступают:

- результаты анализа изображения;

- данные анамнеза (жалобы пациента);

- результаты других обследований и анализов в направлении выявления  патологии.

В сетях с радиальными базисными функциями в качестве базисных выбираются функции расстояния между векторами. В качестве меры близости весов применяется евклидова метрика.

Нейронная сеть состоит из трех слоев: входной, скрытый, выходной. Сеть характеризуют три типа параметров:

- линейные весовые параметры выходного слоя wij; компонентам весового вектора присваиваются случайные начальные значения.

- центры с – параметры скрытого слоя, входят в описание нелинейно;

- отклонения (радиусы базисных функций)  – нелинейные параметры скрытого слоя.

На вход m-базисных функций скрытого слоя подается каждый из n-компонентов обучающей выборки. Каждый нейрон скрытого слоя вычисляет гауссову функцию преобразования. Величина сигнала j-го нейрона выходного слоя зависит от того, насколько близок предъявленный входной сигнал х запомненному этим нейроном центру сj. Центры определяют точки, через которые должна проходить функция. Используется кластеризация образов, то есть, схожие векторы объединяются в кластеры, которые далее представляются одним вектором.

Нейронные сети с радиальными базисными функциями – это нейросетевая реализация аппроксимируемой функции, при которой каждому предъявленному образу соответствует свой нейрон скрытого (шаблонного) слоя. Выход сети представляет собой линейную комбинацию некоторого набора базисных функций.

Преимущество нейронных сетей данного вида заключается в их быстром обучении по сравнению с обычными многослойными сетями. Сложности же возникают в поиске числа скрытых нейронов и применении обучения без учителя для предварительной кластеризации.

В условиях ДОКТМО, где прошли две производственные практики, установлен магнитно-резонансный томограф «Gyroscan Intera» фирмы  «Philips» с напряженностью магнитного поля 1.0 Тесла. Данные с томографа передаются на главный компьютер врача – диагноста, а также дополнительный компьютер  для обработки снимков (станция «Easy Vision»), на которой и может быть установлена разрабатываемая система диагностики.

В Донецком диагностическом центре подобной компьютерной программы оценки новообразований головного мозга с постановкой предварительного диагноза в соответствие с классификацией нет. Поэтому предполагается, что данная разработка найдет применение в отделе компьютерной и магнитно-резонансной томографии.