КЛАС-БАЛАНСНИЙ ВІДБІР ІНТЕНСИВНОСТЕЙ У КТ-ЗОБРАЖЕННЯХ ЛЕГЕНЬ

Анотація

Інформативні ділянки на медичних КТ-зображеннях займають невелику частку, тоді як фон та інші тканини здебільшого домінують та впливають на якість подальшого аналізу й класифікації. Глибокі нейронні мереж здатні самостійно вилучати інформативні ознаки, проте дисбаланс класів, мала вибірка та неоднорідна якість даних ускладнюють навчання та інтерпретацію моделей комп’ютерної діагностики. Рішенням може стати використання класичних методів машинного навчання з ручною процедурою формування ознак, що вимагає певних кроків попередньої обробки даних. Метою роботи є обґрунтування користі етапу попередньої обробки зображень, який концентрує увагу на змістовних частинах зображення, пом’якшує дисбаланс класів і робить дані придатнішими для подальшого текстурного аналізу та побудови моделей. У даній роботі пропонується метод клас-балансного відбору, що узагальнює розподіли яскравості пікселів, шляхом послідовного переходу від рівня окремого зрізу до рівня пацієнта та класу, в результаті чого формується узгоджений профіль поширених значень. Далі відбирається обмежений набір інтервалів яскравості, що покривають заздалегідь визначену частку загальної маси інтенсивностей. Фільтровані зображення зберігаються у вигляді теплової карти частот значень пікселів, зважуючи їх відповідно до типовості в межах набору. Результати показали, що запропонований клас-баланскний фільтр робить інформативні структури компактнішими та виразнішими, а представлення різних класів більш рівномірною. Теплові карти зберігають змістовну частину сигналу при помітному скороченні зайвої інформації, що спрощує побудову інформативних ознак. Ефект зберігається для різних налаштувань відбору та є узгодженим на рівні пацієнта. Клас-збалансований відбір інтервалів яскравості можна розглядати як практичний стартовий крок попередньої обробки для задач аналізу КТ-зображень. Він фокусує обробку на найважливіших ділянках, вирівнює внесок класів і підвищує придатність даних до подальшої інтерпретації та моделювання, особливо в умовах малої вибірки.