Реферат

Реферат по теме выпускной работы

• Введение
• 1. Актуальность
• 2. Цель и задачи исследования
• 3. Анализ существующих методов
  • 3.1 Обнаружение и распознавание объектов
  • 3.2 Детектирование объектов с использованием метода поиска объекта по шаблону
  • 3.3 Метод главных компонент
  • 3.4 Метод наименьших квадратов
• 4. Принцип работы радиологических карт в лучевой терапии
• 5. Выводы
• Список источников

• Введение

  Одним из главных аспектов лечения онкологических заболеваний является лучевая терапия. Для того, чтобы начать лечение человека, врач топограф выявляет пораженные участки тканей человека на рентгене, так называемые "артефакты". В дальнейшем врач определяет тип онкологической патологии, а так же кол-во и тип излучения, которое направленно на уничтожения пораженных онкологией тканей. Для минимизирования ущерба по здоровым клеткам организма, были созданны так называемые "радиологические карты" – это карты, которые отображают по какой закономерности будут рассеиваться волны определённого типа(альфа,бэта,гамма). На данный момент подбор этих карт происходит вручную, что очень замедляет темп лечения пациента. Из-за чего лечение затягивается, и на здоровье пациента это отображается неудовлетворительно.

• 1. Актуальность

  Эта система является актуальной потому, что на данный момент, подбор радиационных карт происходит вручную, что занимает значительное время у врача-топографа, тем самым увеличивает время лечения пациента, а время в данной сфере деятельности крайне важный аспект.

• 2. Цель и задачи исследования, планируемые результаты

  Целью является, обеспечить высокое качество обслуживания пациентов, страдающих онкологическими заболеваниями, упростить подготовку пациента к лучевой терапии, улучшить эффективность данной терапии на начальных этапах.

  Задачи

  •   Предоставление более качественного рентгенологического снимка

  •   Оптимизация процесса подбора радиологических карт для лучевой терапии

  •   Повышение качества предоставляемых услуг пациентам в онкологическом центре

• 3. Анализ существующих методов

  3.1. Обнаружение и распознавание объектов

  В первую очередь после получения очередного изображения, требуется выделить на нем объекты, представляющие интерес, а именно очаг, и затем уточнить тип найденного объекта. Для решения данной задачи существует множество различных подходов, а именно сегментация, детектирование признаков, категориальное распознавание и т.д., для дальнейшего анализа были выделены следующие группы методов: основанные на сопоставлении с шаблоном и основанные на извлечении признаков. [2]

  

  3.2. Детектирование объектов с использованием метода поиска объекта по шаблону

  Данная группа методов работает по следующему принципу: требуется два компонента – исходное изображение и изображение-шаблон. Чтобы определить сходный участок, необходимо наложить шаблон на снимок и попиксельно двигать его, слева направо, сверху вниз. В каждом положении вычисляется метрика, которая показывает, совпадают картинки или нет. Для каждого положения шаблона метрика заносится в результирующую матрицу R. Каждое положение (x,y) в R содержит метрику совпадений.[4]

  

  Пример работы метода детектирования объектов

  3.3. Метод главных компонент (МГК)

  Является одним из способов уменьшения размерности данных при минимальной потере информации. Данный метод сводится к вычислению собственных векторов и собственных значений ковариационной матрицы исходных данных [5]. Для применения метода главных компонент к люминесцентным изображениям таблица исходных данных формировалась следующим образом: изображение разбивалось на пиксели, каждый из которых нумеровался. [1] В свою очередь, каждый пиксель несёт в себе информацию об интенсивности трёх цветовых компонент: красной, зеленой и синей.

  

  3.4 Метод наименьших квадратов

  МНК заключается в нахождении таких F(a,b)= ∑ni=1(y_i–(ax_i+b))² коэффициенты линейной зависимости, при которых значение функции двух переменных будет наименьшим. Иначе говоря, при определенных значениях a и b сумма квадратов отклонений представленных данных от получившейся прямой будет иметь минимальное значение. [3] В этом и состоит смысл метода наименьших квадратов.

  Основные достоинства и недостатки работы каждого метода представлены в таблице 1.

  Таблица 1 – Достоинства и недостатки методов группы распознавания изображений

  Название методов	Достоинства	Недостатки
  Детектирование объектов	– работает в условиях перекрытий; – ищет все имеющиеся на изображении экземпляры объекта за один проход.	– сложность алгоритма растет экспоненциально с увеличением числа параметров модели.
  Метод наименьших квадратов	– удобен в реализации; – доступность математических выводов	– сложность вычислительной процедуры – чувствительность оценок к резким выбросам
  Метод главных компонент	– простота реализации; – низкое потребление памяти для хранения объектов; – простота добавления новых обученных фигур.	– очень чувствителен к освещенности; – чувствителен к углу поворота объекта;

  Для того, чтобы выяснить целесообразность применения описанных методов в системе анализа, было произведено сравнение с точки зрения точности распознавания, времени обработки одного изображения, вычислительной сложности и объема обучающей выборки.

  Полученные результаты сравнения представлены в таблице 2.

  Таблица 2 – Сравнение методов обнаружения объекта

  Метод	Объем обучающей выборки, шт.	Время обработки одного изображения, мс	Вычислительная сложность	Точность распознавания
  Главных компонент	29303	100	+	~80%
  Детектирование объектов	26405	100	+++	~85%
  Метод наименьших квадратов	28140	100	+	~90%

  Примечание: количеством знаков "+"" отмечается степень различия для критерия.

  Таким образом, метод наименьших квадратов существенно проще при проведении вычислительной процедуры и дает хорошие по статистическим свойствам оценки. Этот метод наиболее подходит для выполнения поставленной задачи.

  В процессе изучения существующих методов были проведены экспериментальные исследования для выбора наиболее эффективного метода с точки зрения точности распознавания.

  Таблица 3 – Сравнение методов распознавания

  Название Метода	Достоинства	Недостатки
  Метод водораздела	Удовлетворительно локализует наличие текстуры отличной от фона	Чрезмерная сегментация
  Метод нормальных разрезов	Хорошо локализирует наличие текстуры отличной от фона. Хорошая модель представления изображения	Не обеспечивают локализацию объектов. Не выделяет изменение яркости и поворот текстуры Большое время выполнения
  Метод оценки изменения формы спектра	Удовлетворительно обеспечивает локализацию объектов, локализирует дефекты	Не локализует дефекты, образованные поворотом Больше время выполнения

• 4. Принцип работы радиологических карт в лучевой терапии

  Лучевая терапия — это направленное использование радиации для лечения новообразований и ряда неопухолевых заболеваний. При облучении происходит гибель больных клеток, что останавливает развитие болезни. Если не проводить лечение, больные клетки могут непрерывно расти, разрушая при этом здоровые клетки и распространяясь по всему организму.[6]

  

  Рис.1 – Пример радиологической карты

  Облучение используется для лечения многих типов опухоли, и для многих пациентов оно является единственным методом лечения, который им необходим. Лучевая терапия может приносить уменьшение болей, симптомов сдавления здоровых органов, прекращать кровотечение.

  

  Рис.2 – Снимок с очагом воспаления

  Источник излучения можно подводить к больному участку несколькими способами, если источник:

     •   находится на расстоянии от тела пациента – облучение называется дистанционным;

     •   помещают в какую-либо полость – внутриполостное;

     •   вводят непосредственно в больной участок в виде жидкости, проволоки, игл, зондов, а также в виде жидкости через рот, в сосуды и полости.

  При планировании лечения, задействуется такой фактор как точечные излучения непосредственно в очаг пораженных клеток. Для минимизации ущерба здоровым тканям принято использовать стандартизированные радиологические карты для распределения дозиметрических излучений. Благодаря этому, появляется возможность минимизировать урон, наносимый аппаратом с источником здоровым тканям пациента с онкологическим заболеванием. [6]

• Выводы

  На данном этапе выполнения магистерской работы проведен сравнительный анализ существующих категорий методов решения поставленной задачи, выявлены достоинства и недостатки. Определены направления в решении подзадачи распознавания. В процессе исследования предметной области были выявлены существенные проблемы, которые могут возникнуть при обработке изображения, а именно сложность в точности подбора карты для очага для минимизации поражения не пораженных клеток.

• Список источников

  1. Donoser, M. and Bischof, H. Efficient Maximally Stable Extremal Region (MSER) Tracking.

  2. Anop MF, Katueva EV, Mihalichuk V.I. Particle swarm algorithms in the image processing problem // Science and Education. – 2015. – № 1.

  3. Vodolazsky I. A., Egorov A. S., Krasnov A. V. Genetic algorithm and its most common methods of implementation.

  4. Bay H., Ess A., Tuytelaars T., Van Gool L. Speeded-Up Robust Features (SURF) // Computer Vision and Image Understanding. June 2008. Vol. 110(3). P. 346–359.

  5. Е.Е. Borisov, O.D Funko, On the task of finding an object in the image // Science and Education – 2014. – №2.

  6. N.A. Lichman, N.G. Kukva, N.G. Semikoz Radation therapy of primary and mestatic tumors 2018.

  7. Mimics Z [Электронный ресурс].

  8. Planmeca Oy – Dental software – Planmeca Romexis [Электронный ресурс].

  9. Implant-Assistant® [Электронный ресурс].

  10. Д.К. Калиновский, И.Н.Матрос-Таранец. Современные подходы в диагностике, лечении и реабилитации травм челюстно-лицевой области с использованием компьютерных технологий и телемедицины. Том 7, №1, 2009.

  11. Алгоритмы выделения контуров изображений [Электронный ресурс].