Алгоритм обработки исходных изображений в системе автоматизированного анализа флюорографических снимков М. В. Манов
Научный руководитель: Ю. В. Ефимова кандидат педагогических наук, старший преподаватель
Чистопольский филиал Казанского национального исследовательского технического университета им. А.Н. Туполева-КАИ
Аннотация. Каждый год врачи ставят диагнозы примерно по 75 млн. флюорограммам. Это означает, что для их обработки и анализа требуется много квалифицированных специалистов и времени. Данный алгоритм предназначен для сокращения временных затрат на сортировку, анализ флюорографических снимков, а также определения наличия или отсутствия патологии. Таким образом, данный алгоритм снижает влияние человеческого фактора при постановке диагноза, т.к. выполняет анализ и постановку диагноза по флюорографическим снимкам в автоматическом режиме.
Ключевые слова: Снимок, система, анализ, флюорография
Система автоматизированного анализа флюорографических снимков предназначена сокращения временных затрат на сортировку, анализ флюорографических снимков, а также определение наличия или отсутствия патологии.
Как правило, флюорографию проводят с целью диагностики таких болезней как злокачественная опухоль, туберкулѐз и др. Поэтому данную процедуру необходимо проходить каждому человеку по достижении 14 лет раз в год или же хотя бы раз в 2 года.
Каждый год врачи ставят диагнозы примерно по 75 млн. флюорограммам. Это означает, что для их обработки и определения, на каких флюорограммах лѐгкие здоровы, а на каких есть патология различного рода, требуется огромное количество квалифицированных специалистов и большой объѐм времени. Рассмотрим алгоритм работы разрабатываемой системы. В флюорограммы из больниц автоматически передаются на сервер, а затем с помощью программного обеспечения начинается их обработка, что существенно сократит временные затраты.
Работа системы автоматизированного анализа флюорографических снимков основана на применении свѐрточных нейронных сетей. Свѐрточными нейронными сетями называются вычислительные системы, способные к самообучению и постепенному повышению производительности. Основными особенностями свѐрточных нейронных сетей являются: эффективность в распознавании визуальных образов (изображения и видео), способность масштабироваться и распознавать изображения большого разрешения, возможность использования объемных (трехмерных) нейронов, укладка множества слоев путем пространственной локализации обеспечивает появление нелинейных фильтров, что позволяет реагировать на все большее число пикселей.
В системе автоматизированного анализа флюорографических снимков свѐрточные нейронные сети применяются в составе программного обеспечения, где с помощью уже имеющихся снимков флюорограмм, проверенных квалифицированными врачи осуществляется обучение системы для качественного анализа входных данных.
При разработке системы возникла проблема определения типа снимков, т.к. первоначало неизвестно, какой тип снимков загружен на сервер позитивный или негативный, поэтому было необходимо реализовать алгоритм. На всех флюорографических снимках находится область, которая, в основном закрашена черным цветом у позитивных снимков, и белый – у негативных.
Эмпирически было решено, для определения типа снимков использовать заранее заданную область, расположенную по центру нижней стороны снимка, так как эта область окрашена в чѐрный цвет для позитивных снимков и белым – для негативных как показано на рисунке 1.
Рисунок 1 – Ключевая область
Данная область программой выбирается согласно процентному соотношению от всего разрешения изображения, что позволяет определять тип у изображений практически любых расширений.
После выделения ключевой области начинается считывание и суммирование значений всех пикселей, входящих в нее, после чего находится среднее арифметическое. Пороговые значения, по которым можно было разделить позитивные снимки от негативных, были получены экспериментальным путем. В рамках исследования было протестировано большое количество позитивных и негативных снимков и получены значения для позитивных снимков это минимальное значение яркости равное 191, а для негативных – максимальное значение 37. Видно, что разность между полученными значениями является достаточно большой, и программа будет определять типы флюорографических снимков с приемлемой для данных исследований точностью.
Таким образом, программный комплекс принимает решение о том, к какому типу относится загруженное изображение, на основе полученных заранее экспериментальным путем значений.
Разработанная система автоматизированного анализа флюорографических снимков позволит значительно сократить временные затраты на обработку большого количества изображений (в среднем 0,8 секунд на работу с одной флюорограмму). Таким образом, данная система снижает влияние человеческого фактора при постановке диагноза, т.к. выполняет анализ и постановку диагноза по флюорографическим снимкам в автоматическом режиме.