DOI: https://doi.org/10.20535/2617-8974.2019.2.184714

КЛАСИФІКАТОР СТАНУ ПЕЧІНКИ У ДІТЕЙ З ПАТОЛОГІЄЮ ГЕПАТОБІЛІАРНОЇ СИСТЕМИ ЗА ТЕКСТУРНИМИ СТАТИСТИКАМИ УЛЬТРАЗВУКОВОГО ДОСЛІДЖЕННЯ

Євген Арнольдович Настенко, Ілля Олексійович Янковий

Анотація


За результатами ультразвукового дослідження печінки можна діагностувати наявність дифузних захворювань печінки.На вході було отримано набір медичних зображень ультразвукової діагностики печінки. В даній роботі до зображень було застосовано методи текстурного аналізу, внаслідок чого було отримано 96 статистичних ознак. Всі отримані дані були приведені до стандартного розподілу. Кількість ознак була скорочена при збереженні вагомої інформації за допомогою ядрової методики головних компонент. Розглянуто побудову моделі класифікатора, наведено порівняння ефективності моделі випадкового лісу, логістичної регресії та багатошарового перцептрону. Проведено оцінювання точності моделі за допомогою методу перехресної перевірки. Найкращий результат показала модель мультиноміальної логістичної регресії – 77%. Розроблено систему для прогнозування можливих патології печінки у дітей за допомогою текстурного аналізу результатів сонографії. Отримана система візуалізує результати прогнозування та їх точність для спрощення процесу прийняття рішень лікарем з ультразвукової діагностики

Ключові слова


класифікація; текстурний аналіз; текстурні статистики; метод головних компонент; ядрові методи; перехресна перевірка; дифузні захворювання печінки; ультразвукова діагностика; дитячі захворювання

Повний текст:

PDF

Посилання


World Health Organization Global hepatitis report, 2017 / World Health Organization. — 2017. — 62 p.

Fornari F. Complications following percutaneous liver biopsy promoting group / F. Fornari, A. Francavilla, M. Frezza[et al.] // Liver. — 1986. — Vol. 50, No. 84. — P. 165–173.

Tchelepi H. Sonography of diffuse / H. Tchelepi, P. W. Ralls, R. Radin, E. Grant // Ultrasound. — 2002. — Vol. 21, No. 9. — P. 1023–1032.

Bataller R. Science in medicine - liver fibrosis / R. Bataller, D. a Brenner // Journal of Clinical Investigation. — 2005. — Vol. 115, No. 2. — P. 209–218.

Дыкан И. Н. Современный взгляд на проблему лучевой диагностики фиброза печени / И. Н. Дыкан, Н. Е. Новиков, Б. А. Тарасюк // Лучевая диагностика, лучевая терапия. — 2013. — Vol. 4. — P. 67–76.

Curley S. A. Radiofrequency ablation of hepatocellular cancer in 110 patients with cirrhosis / S. A. Curley, F. Izzo, L. M. Ellis[et al.] // Annals of Surgery. — 2000. — Vol. 232, No. 3. — P. 381–391.

Materne R. Assessment of hepatic perfusion parameters with dynamic mri / R. Materne, A. M. Smith, F. Peeters[et al.] // Magnetic Resonance in Medicine. — 2002. — Vol. 47, No. 1. — P. 135–142.

Алешкевич А. И. ОСНОВЫ и принципы лучевой диагностики / А. И. Алешкевич, В. В. Рожковская, И. И. Сергеева, Т. Т. Ф. А. Г.А. — Минск : Белорусский государственный медицинский университет, 2014. — 86 p.

Bohte A. E. The diagnostic accuracy of us, ct, mri and 1h-mrs for the evaluation of hepatic steatosis compared with liver biopsy: a meta-analysis / A. E. Bohte, J. R. Van Werven, S. Bipat, J. Stoker // European Radiology. — 2011. — Vol. 21, No. 1. — P. 87–97.

Gerstenmaier J. F. Ultrasound in chronic liver disease / J. F. Gerstenmaier, R. N. Gibson // Insights into Imaging. — 2014. — Vol. 5, No. 4. — P. 441–455.

Nailon W. H. Texture analysis methods for medical image characterisation / W. H. Nailon // Intech. — 2016. — Vol. i, No. tourism. — P. 13.

Haralick R. M. Textural features for image classification / R. M. Haralick, K. S. Shanmugam, I. Dinstein // IEEE Transactions on Systems, Man, and Cybernetics. — 1973. — P. 610–621.

Haralick R. M. Statistical and structural approaches to texture / R. M. Haralick // Proceedings of the IEEE. — 1979. — Vol. 67, No. 5. — P. 786–804.

Galloway M. M. Texture analysis using gray level run lengths / M. M. Galloway // Computer Graphics and Image Processing. — 1974. — Vol. 4, No. 2. — P. 172–179.

Thibault G. Texture indexes and gray level size zone matrix application to cell nuclei classification / G. Thibault, B. Fertil, C. Navarro, S. Pereira // Pattern Recognition and Information Processing. — 2009. — No. November. — P. 140–145.

Sun C. Neighboring gray level dependence matrix for texture classification / C. Sun, W. G. Wee // Computer Vision, Graphics and Image Processing. — 1983. — Vol. 23, No. 3. — P. 341–352.

Amadasun M. Texural features corresponding to texural properties / M. Amadasun, R. King // IEEE Transactions on Systems, Man and Cybernetics. — 1989. — Vol. 19, No. 5. — P. 1264–1274.

Carlson J. Radiomics package / J. Carlson. — 2015.

Lambin P. Radiomics digital phantom / P. Lambin // Cancer Data. — 2016.

Grus J. Data science from scratch (2nd edition) / J. Grus // 2019. — P. 409.

GORBAN A. N. Principal manifolds and graphs in practice: from molecular biology to dynamical systems / A. N. GORBAN, A. ZINOVYEV // International Journal of Neural Systems. — 2010. — Vol. 20, No. 03. — P. 219–232.

Rafiee J. Wavelet basis functions in biomedical signal processing / J. Rafiee, M. A. Rafiee, N. Prause, M. P. Schoen // Expert Systems with Applications. — 2011. — Vol. 38, No. 5. — P. 6190–6201.