ДонНТУ   Портал магістрів

Реферат за темою магістерскої роботи

Зміст

Вступ

Сьогодні одним з найпоширеніших онкологічних захворювань серед жіночого населення є рак молочних залоз, найбільш ефективне лікування, якого відбувається в тому випадку якщо він був діагностований на ранніх стадіях, що можливо зробити лише при проходженні мамографії, результати якої обробити в найкоротші терміни можна за допомоги комп'ютерної обробки рентгенівських знімків.

Рентгеномамографія є основним методом об'єктивної оцінки стану молочних залоз. Ця методика рентгенологічного дослідження дозволяє своєчасно розпізнати патологічні зміни в молочних залозах в 95-97% випадків. Останнім часом в літературі з'явилися повідомлення про те, що мамографія може сприяти розвитку раку. Проте серйозні дослідження, в тому числі вітчизняні, спростували це. В даний час в усьому світі жінки старше 40 років проходять мамографію кожні 2 роки, після 50 років - щороку.

Мамографія - високоефективний і безпечний метод дослідження, що дозволяє виявити пухлинне утворення мізерно малих розмірів, яке не виявляється клінічно. Рання діагностика відіграє важливу роль у проведенні своєчасного лікування, як результат стає висока ймовірність повного одужання, в більшості випадків при збереженні молочних залоз [1].

1. Постановка задачі дослідження

У зв'язку з неухильним зростанням захворюваності на рак молочної залози, діагностика та лікування цього захворювання на сьогоднішній день є однією з головних проблем клінічної онкології. Згідно зі статистикою, щорічно в США і розвинених країнах Європи виявляється понад 900 000 нових випадків раку молочної залози. У структурі захворюваності та смертності жіночого населення України від онкологічних захворювань рак молочної залози вийшов на перше місце. У середньому ризик захворіти на рак молочної залози має кожна десята жінка. Враховуючи це, основним напрямком сучасної мамології, як і раніше, є пошук шляхів ранньої діагностики раку молочної залози.

Основним завданням даної роботи є створення нового програмного продукту визначення патологічних змін молочних залоз, який би був незалежним від будь-яких конкретних установок, визначав би місця патологічних змін з координатами їх розташування, самостійно б розраховував розміри патології і робив висновок про можливу подальшу діагностику, а також формував відповідний звіт.

Основною метою Основною метою є розробка спеціалізованої комп'ютерної системи, яка визначатиме патологічні зміни молочної залози за отриманими рентгенівським знімком.

Об'єктом дослідження в даній роботі є зображення молочної залози, отримані шляхом зняття рентгенограми. Основними вимогами до комп'ютерної системи обробки таких зображень є: точність, швидкість обробки даних, адаптивність до обробки різних типів патологій.

Предметом дослідження є методи обробки рентгенівських знімків молочної залози, що дозволяють визначити наявність новоутворень і ступінь їх доброякісності.

Завдання для створення спеціалізованої комп'ютерної системи визначення патологічних змін молочних залоз по рентгенівських знімках можна сформулювати наступним чином:

  1. попередній аналіз зображення;
  2. вибір методів обробки зображення;
  3. розробка відповідного програмного забезпечення;
  4. розрахунок параметрів патологічних ділянок;
  5. формування та передача відповідного звіту лікареві;
  6. апробація системи для визначення ефективності її роботи.

2. Алгоритми, застосовувані для обробки рентгеномаммограмм

Сьогодні у світі розробляються і використовуються різні системи комп'ютерного аналізу цифрових рентгенограм, алгоритми та програми пошуку і деталізації різних ознак злоякісних процесів.

Система оцінки мамограм - ImageChecker M1000 System - виробляє комп'ютерний аналіз цифрових мамограм для виявлення микрокальцинатов і щільних мас пухлини як градієнтів інтенсивності пікселів зображення з роздільною здатністю 50 мікрон в 12-бітовій сірій шкалі. Складні зорові образи, такі як спикули, аналізуються нейронними мережами. При спільному зчитуванні з рентгенологами система покращує чутливість мамографії на 8%, так що загальна чутливість досягає 88%. У зазначеній системі використовується потужна комп'ютерна техніка для обробки зображення, при аналізі одного знімка проводиться приблизно до 1 млрд. операцій.

Англійські дослідники описують специфічні моделі спікульних поразок, в яких аналізуються патологічні зразки лінійних структур і центральних мас на мамограмах. Лінійні структури детектувались з використанням факторного аналізу для розділення систематичних і випадкових особливостей зразків класів. Центральні маси поділялися на рекурсивному медіанному фільтруванні з використанням ознак локальної орієнтації. Для спікульних поразок розмірами в 16 мм та більших зразків визначена чутливість 80% до 1,4% хибнопозитивних даних. Визначення мас детекції має чутливість 80% до 23% хибнопозитивних даних на зображенні.

Каліфорнійські дослідники використовують для пошуку микрокальцинатов по мамограм медіанну фільтрацію для автоматичного аналізу морфології сірої шкали з 20% хибнонегативних результатів. Аналізують оцифровані мамограми з пікселом 70 і 35 мікрон і глибиною сірої шкали 4096 (12 біт). Алгоритм визначає мікрокальцинати, які може пропустити радіолог. Кожен об'єкт класифікується на три категорії: доброякісні мікрокальцинати, суспіціозні мікрокальцинати і артефакти. Дані представляються радіологам для подальшого висновку [2].

Аналіз рентгенологічної картини показав, що завдання, які необхідно вирішити, що б лікар рентгенолог поставив достовірний діагноз, можна звести до наступних:

  1. ппідвищення контрасту (якості) мамограм;
  2. детектування країв новоутворень;
  3. детектування микрокальцинатов на мамограмах;
  4. класифікація (розпізнавання) виявлених утворень.

Контраст зображення може бути збільшений простим збільшенням або розтягуванням мультімасштабних максимумів градієнта зображення. Якщо робота відбувається з вейвлет-коефіцієнтами, то їх змінюють методом адаптивного вирівнювання гістограми. Зображення з підвищеним контрастом забезпечують тонкі деталі тканин, які є видимими з трудомісткими контраст/яскравість віконними методами. Збільшення контрасту проводиться будь-яким методом навіть класичним лінійним.

Враховуючи, що мікрокальцинати відповідають високочастотним компонентам спектру зображення, їх виявлення здійснюється шляхом розкладання мамограми на різні частотні смуги, потім придушуються підполоси низької частоти, потім для відновлення мамограми використовуються підполоси тільки високих частот. Так само виявлення микрокальцинатов можна виробляти і з використанням вейвлет-фреймів, оператора поліпшення і відповідної технології реконструкції. Або ж можна використовувати метод заснований на надмірному дискретному вейвлет-перетворенні через його відмінні властивості: сталість зсуву та чисельної помилкостійкості. Процедура ця складається з 3 кроків: видалення низькочастотної компоненти щільної тканини, фільтрація шуму і поліпшення видимості микрокальцинатов. Так само є і безліч інших методів, заснованих на класифікаторах нейронних мереж, застосуванні адаптивних вейвлетів, техніці оптимального зважування вейвлет-пакетів і т. д.[3]

Для класифікації виявлених утворень можна також використовувати вейвлет-методи, такі як: мультімасштабний статистичний підхід до аналізу структури, для класифікації микрокальцинатів на доброякісні та злоякісні, витягуючи мультімасштабні статистичні ознаки текстури, засновані на матриці спільної появи, і так само вейвлет-ознаки текстури, в областях інтересу , що містять мікрокальцинати. І коефіцієнти розкладання скейлінг функції на деякому масштабі, тобто коли при великих значеннях масштабу скейлінг функція апроксимує дельта функцію, помилка апроксимації ж мінімізується за рахунок використання генетичного алгоритму [4].

3. Огляд досліджень і розробок

3.1 Детектування країв новоутворень

У ряді завдань діагностики стану організму використовується кількісний аналіз, який ефективно проводиться в цифрових системах аналізу медичних зображень. Найбільш важливим етапом в таких системах є виділення досліджуваного об'єкта - етап сегментації. Існує два загальних підходи до вирішення задачі виділення об'єкту із загальної сцени зображення, засновані на альтернативних концепціях; виділення точок зображення, однорідного за своїми локальним властивостям; виділення точок зображення, властивості яких мають розривністю при переході від однієї області до іншої. Для рентгенограми характерним є затемнення об'єктів один одним, якщо на шляху іонізуючого випромінювання вони зустрічаються двічі. Внаслідок цього об'єкт спостереження представляє неоднорідну область за оптичної щільності на рентгенограмі. Тому, для побудови алгоритму сегментації краще підходить концепція, заснована на виділенні точок зображення з розривними локальними властивостями [5].

3.1.1 Сегментація рентгенограм методом апроксимацій перепаду яскравості

Вважатимемо, що вихідне зображення пройшло всі етапи кодування, результатом якого є дискретне цифрове зображення виду {fij} (I=0,1,…, N-l; J=0,1,...,M-1), де N і М - число елементів зображення по вертикалі і горизонталі, відповідно; fIJ - значення яскравості елемента зображення у I-ої рядку і J-му стовпці. У реальних умовах цифрове зображення представляє суміш ідеального зображення і перешкоди, яку вважаємо некорельованою і гауссовською. Тоді елемент цифрового зображення представляє адитивну суміш ідеального зображення і шуму.

Введемо систему безперервних координат XY і крок Δх по осі X и Δу - по осі Y. Тоді елементи множини fIJ в системі XY розташовуються з координатами (I*Δу,J*Δх).

Апроксимуємо перепад контрасту в ковзному вікні розміром n * m прямою лінією. Однак, вважається, що лінія проходить через фіксовану точку з координатами х0, у0. Введення фіксованої точки дозволяє майже в два рази скоротити число параметрів, які в подальшому підлягають оцінці [6].З урахуванням прийнятих припущень модель перепаду яскравості має вигляд (1).

(1)

де

α - напрямок перепаду;

A - половинна частина перепаду;

h - зміщення перепаду.

Параметри перепаду α, A, h овизначаються виходячи з мінімуму помилки апроксимації реального перепаду яскравості. Помилка апроксимації дискретних значень {fij}r, що належать околиці радіусом r і центром в точці (х0,у0) визначається виразом (2).

(2)

де

Nr - кількість элементів безлічі {fij}r.

3.1.2 Алгоритм виділення контуру зображення оператором Собеля

Процес заснований на простому переміщенні маски фільтра від точки до точки зображення. У разі лінійної просторової фільтрації відгук задається сумою добутку коефіцієнтів фільтра на відповідні значення пікселів в області, покритої маскою фільтра. При виявленні перепадів яскравості використовуються дискретні аналоги похідних першого і другого порядку. Для простоти викладу будуть розглянуті одновимірні похідні.

Перша похідна одновимірної функції f (x) визначається як різниця значень сусідніх елементів (3).

(3)

Аналогічно, друга похідна визначається як різниця сусідніх значень першої похідної (4).

(4)

Обчислення першої похідної цифрового зображення засноване на різних дискретних наближеннях двовимірного градієнта. За визначенням, градієнт зображення f (x, y) в точці (x, y) - це вектор (5).

(5)

Як відомо з курсу математичного аналізу, напрям вектора градієнта збігається з напрямком максимальної швидкості зміни функції f в точці (x, y).

Важливу роль при виявленні контурів грає модуль цього вектора, який позначається ∇f (градієнт) і дорівнює (6).

(6)

Напрямок вектора градієнта також є важливою характеристикою. Позначимо α(x, y) кут між напрямком вектора ∇f в точці (x, y) і віссю x, який обчислюється за формулою (7).

(7)

Обчислити градієнт зображення можна, обчисливши величини приватних похідних ∂f/∂x и ∂f/∂y для кожної точки.

Оператор Собеля використовує область зображення 3х3 і використовує ваговий коефіцієнт 2 для середніх елементів (8).

(8)

Це збільшене значення використовується для зменшення ефекту згладжування за рахунок надання більшої ваги середнім точкам [7]. Маски, використовувані оператором Собеля:

3.1.3 Порівняльний аналіз методів

Можна навести порівняльний аналіз способу сегментації і заснованого на градієнтному виділенні перепадів з використанням оператора Собеля. Для чисельної оцінки при зіставленні використовується показник правильної класифікації граничних (9) і негранічних точок (10).

де Nr - кількість точок правильно класифікованих як граничні, NH - чкількість точок правильно класифікованих як негранічні, N0 - кількість граничних точок, N- кількість точок у межах двовимірного зображення [8].

Таблиця 1 - Результати порівняння методів виділення границь об’єктів.

Спосіб сегментації α β
Оператор Собеля 0,9 0,91
Апроксимаційний підхід 1 0,998

На підставі наведених результатів можна стверджувати: апроксимаційний підхід мінімізує число розривів в контурах об'єкта на зображенні, що є визначальним на користь запропонованого способу сегментації.

3.2 Детектування микрокальцинатів на мамограмі

Приблизно в 75% випадків злоякісної пухлини молочної залози зустрічається місцевоінфільтруючий вузловий рак, тобто скірозні пухлини, які супроводжуються дрібноточковими звапнінням - мікрокальцинатами (гідроксілфосфат кальцію). Встановлена абсолютно чітка залежність між числом, характером розподілу микрокальцинатов і ймовірністю раку. Зі збільшенням числа микрокальцинатов на одиницю площі ймовірність раку зростає. Так, при 15 мікрокальцинатах на 1 см3 ймовірність раку досягає 87%. Виявлення микрокальцинатов навіть за відсутності пухлинного вузла вельми підозріло на рак, оскільки мікрокальцинати нерідко є єдиною ознакою, що дозволяє запідозрити рак молочної залози. На рентгенівських мамографічних знімках мікрокальцинати виглядають як тонкі і яскраві плями, розміром від 0,1 до 0,6 мм, і знаходяться в області щільної тканини молочних залоз, що робить їх практично невидимими [9].

Процес пошуку микрокальцинатів проводиться за такою схемою:

  1. Поліпшення якості зображення: фільтрація за допомогою вейвлет-перетворень (Добеши 2-ого рівня);
  2. Визначення області інтересу за допомогою використання статистичних характеристик третього і четвертого порядків: ексцес і асиметрія;
  3. Нечітка кластеризація для виділення вузлових структур на області інтересу;
  4. Вузловий відбір, для відокремлення дійсних областей микрокальцинатов за параметрами: щільність кластера і товщина кластеризації.

Більш докладний опис даних методів пошуку микрокальцинатів здійснено в статті [10], а результати виконання наведені на рисунку 1.

Результат роботи виділення мікрокальцинатів на мамограмі

Рисунок 1 - Результат роботи виділення мікрокальцинатів

Висновки

Серед методів доклінічної діагностики раку молочної залози сьогодні провідне місце займає мамографія. Сучасні рентгенівські установки мають дуже високу роздільноу здатність, дозволяючи виявляти злоякісні пухлини розміром до 2 мм в доклінічній стадії. Створюючи більш ефективні методи обробки рентгеномаммографій можна домогтися збільшення успіхів у мамографії в області ранньої діагностики, які ширше відкриють перспективу для застосування органозберігаючих операцій на молочній залозі.

На момент написання даного реферату із запропонованих вище 4 пунктів обробки зображення мамограми був зроблений вибір методу виділення краю новоутворення, та опис алгоритму виділення микрокальцинатов на мамограмах.

При написанні даного реферату магістерська робота ще не завершена. Остаточне завершення: грудень 2013 року. Повний текст роботи та матеріали по темі можуть бути отримані у автора або його керівника після зазначеної дати.

Перелік посилань

  1. Терновой С.К. Лучевая маммография / А.Б. Абдураимов, С.К. Терновой – М.: «ГЭОТАР-Медиа», 2007.
  2. Останькович А.А., Методы обработки маммограмм для выявления скрытых процессов в молочных железах/ А.А. Останькович, С.Д. Вайман, А.П. Тананакин, В.В. Небрат, А.И. Ходанов// Радиология – Новосибирск, 2003.
  3. Смоленцев Н.К. Основы теории вейвлетов – М: ДМК Пресс, 2005.
  4. Пикар Д. Вейвлеты, аппроксимация и статистические приложения// перевод К.А.Алексеев - ПГУ, Пенза, 2002.
  5. Гонсалес Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. – М.: Техносфера, 2005.
  6. Хюккель М. Оператор нахождения контуров на кодированных изображениях. // Интегральные роботы. - М.: Мир, 2003.
  7. Буй Т.Т.Ч. Анализ методов выделения краев на цифровых изображениях/ Т.Т.Ч. Буй, В.Г. Спицын// М.: Техносфера,2010.
  8. Senthilkumaran N. A. Study on Edge Detection Methods for Image Segmentation // N. Senthilkumaran, R. Rajesh // Proceedings of the International Conference on Mathematics and Computer Science – 2009.
  9. Лучевая диагностика. Заболевания молочных желез / Уве Фишер, Фридеман Баум, Сузанне Люфтнер-Нагель ; пер. с англ. ; под общ. ред. чл.-кор. РАМН, проф. Б.И.Долгушина. – М. : МЕДпресс-информ, 2009.
  10. Доценко В.В. Выбор метода определения патологических изменений молочной железы по рентгеновским снимкам/ В.В. Доценко, Е.В. Меркулова// Донецьк, ДонНТУ — 2013.