Застосування текстурного аналізу у вирішенні задачі класифікації медичних зображень
DOI:
https://doi.org/10.20535/2617-8974.2020.4.221876Ключові слова:
діагностика пацієнтів, захворювання печінки, ультразвукові дослідження, пухлини мозку, магнітно-резонансна томографія, текстурний аналіз, машинне навчання, «Випадковий ліс класифікації»Анотація
Дана робота розглядає використання методів текстурного аналізу для отримання інформативних ознак, які описують текстуру медичних зображень. Для дослідження було взято 317 знімків ультразвукового дослідження печінки (як у здорових людей, так і у людей з різними патологіями, такими як: аутоімунний гепатит, хвороба Вільсона, гепатит В і С, стеатоз і цироз), за якими і були отримані інформативні ознаки; також було взято 3064 зображення магнітно-резонансної томографії мозку (де зображені три типи пухлин, таких як: менінгіома, гліома та пухлина гіпофізу), на яких були застосовані отримані ознаки, щоб перевірити їх універсальність. Ультразвукові знімки печінки були надані Інститутом ядерної медицини та променевої діагностики НАМН України, в той час як знімки магнітно-резонансної томографії мозку були взяті з онлайн джерела. В результаті дослідження було отримано більше 100 інформативних ознак різного роду, які успішно класифікують як ультразвукові зображення печінки, так і знімки магнітно-резонансної томографії мозку. Для класифікації зображень був застосований один із найбільш популярних методів машинного навчання – «Випадковий ліс класифікації». Для задачі захворювань печінки було отримано 3 моделі Випадкового лісу окремо під кожний тип ультразвукового датчику, які успішно класифікують 2 класи («норма» і «патологія»). Перед їх отриманням загальну вибірку було розбито на навчальну (для навчання моделей), тестову (для підбору оптимальних параметрів налаштування Випадкового лісу) і екзаменаційну (для об’єктивної оцінки отриманих моделей). На загальній вибірці точність розпізнавання отриманих моделей варіюється від 92% до 92.9%. В задачі ж пухлин мозку, оскільки класів було 3, то було побудовано 3 моделі Випадкового лісу під окремі задачі «Одна пухлина проти всіх», а також 1 модель під мультикласову задачу. Точність моделей на екзаменаційній вибірці (10%) варіюється від 84% до 93.8%Посилання
Croft, P., Altman, D. G., Deeks, J. J., et. al. The science of clinical practice: Disease diagnosis or patient prognosis? Evidence about “what is likely to happen” should shape clinical practice. BMC Medicine. 2015. Vol. 13, No. 1. P. 8. DOI: 10.1186/s12916-014-0265-4
Boyd, A., Cain, O., Chauhan, A., et. al. Medical liver biopsy: , indications, procedure and histopathology. Frontline Gastroenterology. 2020. Vol. 11, No. 1. pp. 40–47. DOI: 10.1136/flgastro-2018-101139
Dumont, L., Larochelle-Brunet, F., Théoret, H., et. al. Non-invasive brain stimulation in information systems research: A proof-of-concept study. PLoS ONE. 2018. Vol. 13, No. 7. P. 16. DOI: 10.1371/journal.pone.0201128
Mohammed, M. A., Al-Khateeb, B., Rashid, A. N., et. al. Neural network and multi-fractal dimension features for breast cancer classification from ultrasound images. Computers and Electrical Engineering. 2018. Vol. 70. pp. 871–882. DOI: 10.1016/j.compeleceng.2018.01.033
Zwart, A. D. de, Beeres, F. J. P., Rhemrev, S. J., et al. Comparison of MRI, CT and bone scintigraphy for suspected scaphoid fractures. European Journal of Trauma and Emergency Surgery. 2016. Vol. 42, No. 6. pp. 725–731. DOI: 10.1007/s00068-015-0594-9
Verma, A., Khanna, G. A survey on digital image processing techniques for tumor detection. Indian Journal of Science and Technology. 2016. Vol. 9, No. 14. P. 15. DOI: 10.17485/ijst/2016/v9i14/84976
Mitrea, D., Nedevschi, S., Cenan, C., et. al. Exploring texture-based parameters, noninvasive characterization and modeling of diffuse liver diseases and liver cancer from ultrasound images. WSEAS Transactions on Computers. 2007. Vol. 6, No. 2. pp. 283–290. DOI:
Gao, S., Peng, Y., Guo, H., et al. Texture analysis and classification of ultrasound liver images: Bio-Medical Materials and Engineering, 14. pp. 1209–1216. DOI: 10.3233/BME-130922
Sawyer, T. W., Chandra, S., Rice, P. F. S., et al. Three-dimensional texture analysis of optical coherence tomography images of ovarian tissue. Physics in Medicine and Biology. 2018. Vol. 63, No. 23. P. 29. DOI: 10.1088/1361-6560/aaefd2
Настенко, Є. А., Янковий, І. О. Класифікатор стану печінки у дітей з патологією гепатобіліарної системи за текстурними статистиками ультразвукового дослідження. Біомедична інженерія і технологія. 2019. Vol. 2. C. 15–23.
Круглый, В. В., Настенко, Е. А. Формирование информативных признаков для задачи классификации патология/норма по изображению УЗИ печени пациента. Scientific Discussion. 2019. Vol. 1, No. 31. C. 57–59.
Настенко, Є. А., Дикан, І. М., Тарасюк, Б. А., та ін. МГУА класифікація станів печінки при дифузних захворюваннях на основі статистичних показників текстури ультразвукових зображень. Індуктивне моделювання складних систем. 2019. Vol. 11. С. 54-66.
Nastenko, I. A., Konoval, O. O., Nosovets, O. K., et al. Set Classification: Techno-Social Systems for Modern Economical and Governmental Infrastructures. 2018. DOI: 10.4018/978-1-5225-5586-5.ch003
Грішко, Д. Ю., Трофименко, О. В., Павлов, В. В. Структурний синтез за критерієм точності в задачі класифікації об’єктів множин. Scientific Discussion. 2019. Vol. 1, No. 31. С. 50-52.
Scalco, E., Rizzo, G. Texture analysis of medical images for radiotherapy applications / 2017. 15 p. DOI: 10.1259/bjr.20160642
HimaBindu, G., Anuradha, C., Chandra Murty, P. S. R. Assessment of combined shape, color and textural features for video duplication. Traitement du Signal. 2019. Vol. 36, No. 2. P. 193–199. DOI: 10.18280/ts.360210
Cheng, J., Huang, W., Cao, S., et. al. Enhanced performance of brain tumor classification via tumor region augmentation and partition. PLoS ONE. 2015. Vol. 10, No. 10. P. 13. DOI: 10.1371/journal.pone.0140381
Cheng, J., Yang, W., Huang, M., et al. Retrieval of Brain Tumors by Adaptive Spatial Pooling and Fisher Vector Representation. PLoS ONE. 2016. Vol. 11, No. 6. P. 15. DOI: 10.1371/journal.pone.0157112
Iglovikov, V., Shvets, A. TernausNet: U-Net with VGG11 Encoder Pre-Trained on ImageNet for Image Segmentation. ArXiv. 2018. P. 5. DOI:
1. Ronneberger, O., Fischer, P., Brox, T. U-net: Convolutional networks for biomedical image segmentation: Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 15. pp. 234–241. DOI: 10.1007/978-3-319-24574-4_28
