Содержание к диссертации
Введение
Глава 1. Современный уровень, проблемы и перспективы количественной диагностики 20
1.1. Введение .20
1.2. Медицинская диагностика по эндоскопическим изображениям 22
1.3. Диагностика по рентгеновским маммографическим изображениям 28
1.4. Использование диагностической информации рентгеновской томографии в хирургической практике .31
1.5. Формирование виртуальных 3D моделей органов человека (на примере почки) 35
1.6. Контурный анализ биомедицинских изображений 39
1.7. Система количественной диагностики как информационная система с принятием решения .48
1.8. Принципы проверки гипотез с помощью статистических критериев 52
1.9. Обоснование задач диссертационного исследования 55
1.10. Заключение 59
Глава 2. Метод и алгоритм классификации тканей желудка и пищевода по узкоспектральным эндоскопическим изображениям на основе их математических моделей 61
2.1. Введение 61
2.2. Характеристика узкоспектральных эндоскопических изображений .63
2.3. Математические модели на основе анализа точечных полей здоровых тканей и тканей с патологией 68
2.4. Метод объективной классификациия тканей желудка и пищевода 72
2.5.Алгоритм выделения границ патологии и здоровой ткани на эндоскопических узкоспектральных изображениях .81
2.6. Алгоритм устранения локальной неоднородности освещения эндоскопической сцены 88
2.7. Выводы 94
Глава 3. Метод классификации новообразований на маммографических изображениях на основе контурного анализа .95
3.1. Введение 95
3.2. Маркеры злокачественных процессов на рентгеновских маммографических изображениях .97
3.3. Метод классификации объектов по их форме на маммографических изображениях методами контурного анализа 102
3.4. Дополняющая методика классификации объектов на маммографических снимках .120
3.5. Выводы 122
Глава 4. Алгоритм сегментации тканей почки по ее томографическим срезам 126
4.1. Введение 126
4.2. Структура почки, ее функционирование и патологические изменения 127
4.3. Принципы сегментации изображений тканей почки и опухоли .129
4.4. Алгоритм сегментации органов на томографичеком изображении .133
4.5. Формирование пространственной полигональной модели человеческого органа 138
4.6. Заключение 139
Глава 5. Система поддержки принятия решения по медицинским изображениям на основе применения методов контурного анализа объектов и моделей их точечных полей 141
5.1. Введение 141
5.2. Подсистема поддержки диагностического решения для анализа эндоскопических изображений 142
5.3. Подсистема поддержки диагностического решения для рентгеновских маммографических изображений .145
5.4. Подсистема обработки КТ изображений и построения трехмерной полигональной модели 149
5.5. Заключение 152
Заключение 154
Список литературы
- Использование диагностической информации рентгеновской томографии в хирургической практике
- Математические модели на основе анализа точечных полей здоровых тканей и тканей с патологией
- Метод классификации объектов по их форме на маммографических изображениях методами контурного анализа
- Алгоритм сегментации органов на томографичеком изображении
Введение к работе
Актуальность темы. Проблема улучшения качества системы
здравоохранения является одной из важных задач современного общества. При этом особую роль занимает повышение эффективности ранней диагностики онкологических заболеваний у пациентов. К распространенным видам подобных заболеваний относятся опухоли органов желудочно-кишечного тракта (ЖКТ), молочных желез, почек. Информация о состоянии этих органов может быть получена в результате анализа их изображений, полученных различными методами: эндоскопия, рентгенография и компьютерная томография (КТ). Выявление информативных признаков очагов патологии врачом, как правило, осуществляется на основе визуальной оценки параметров формы и цвета участков тканей. Данный факт значительно снижает эффективность постановки верного диагноза ввиду субъективности принимаемого решения.
Повышение информационного обеспечения врача и объективизация постановки диагноза возможны за счет разработки методов и алгоритмов автоматизированного анализа и классификации тканей на медицинских изображениях. Используемые при этом математические модели биологических структур основываются на аналитическом представлении характеристик цвета и формы тканей и органов. Полное описание формы объекта содержится в его контуре, а оттенки тканей могут быть удобно представлены в виде распределений точечных полей яркостных компонент.
На основании методов и алгоритмов анализа контуров и групповых точечных полей (ГТП) может быть построена система поддержки принятия решений (СППР), работа которой заключается в нахождении значений правдоподобия отнесения изображения диагностируемого объекта или ткани к заранее сформированным классам. С учетом полученных значений принимается рекомендательное решение о наличии или отсутствии патологии.
Таким образом, создание математических моделей биологических объектов и тканей на медицинских изображениях, разработка методов их объективной классификации и создание на этой базе СППР является актуальной научно-технической задачей, позволяющей повысить качество диагностики и лечения ряда онкологических заболеваний.
Степень разработанности темы исследования. Диссертационная работа посвящена созданию СППР, позволяющей производить объективное извлечение диагностической информации из медицинских снимков тканей и органов пациента на базе анализа контуров и ГТП, являющегося частью теории обработки и распознавания образов. Существенный вклад в развитие данной теории внесли зарубежные ученые: Гонсалес Р., Прэтт У., Робертс Л., Фу К., Вудс Р., Форсайт Д., Фукунага К. и др. Важные теоретические и практические результаты были получены отечественными учеными: Журавлев Ю.И., Гуревич И.Б., Жулев В.И., Титов В.С., Садыков С.С., Федотов Н.Г., Сойфер В.А., Бакут П.А. Также необходимо отметить вклад коллектива «Научной школы анализа
изображений и распознавания образов» (Поволжский государственный технологический университет), на базе которой была выполнена данная диссертационная работа, а именно: Кревецкого А.В., Передреева А.К., Роженцова А.А., Хафизова Р.Г., Егошиной И.Л., Леухина А.Н. и др. В работах данных авторов подробно рассмотрены вопросы контурного анализа в радиотехнических системах и системах связи, а также вопросы обработки и распознавания ГТП. Тематика и постановка задач диссертационной работы принималась при участии медицинских специалистов: д.м.н. Митраковой Н.Н., д.м.н. Севастьянова В.В., д.м.н. Дубровина В.Н.
Объектом исследования диссертационной работы являются
биомедицинские диагностические изображения, полученные при помощи таких технологий как узкоспектральная эндоскопия, рентгеновская маммография, компьютерная томография.
Предметом исследования выступают математические модели реальных биологических тканей на этих изображениях, методы классификации этих тканей и созданная на базе этих методов СППР.
Цель исследования – повышение качества диагностики и лечения онкологических заболеваний путем создания системы поддержки принятия решений по медицинским изображениям, использующей методы анализа контуров и точечных полей.
Задачи исследования:
-
Анализ состояния проблемы выявления информативных признаков, свидетельствующих о наличии патологии, на медицинских изображениях;
-
Разработка математических моделей органов с патологией и без для построения диагностической карты;
-
Разработка метода и алгоритма классификации тканей желудка и пищевода на основе анализа их точечных полей;
-
Разработка метода классификации новообразований на маммографических изображениях по их форме на основе контурного анализа;
-
Разработка алгоритма сегментации тканей почки для визуализации ее структуры и выявления патологии;
-
Разработка системы поддержки принятия решения по медицинским изображениям на основе контурного анализа и моделей их точечных полей.
Методы исследования. При решении поставленных задач применялись аналитические методы теории вероятности, контурного анализа, математической статистики, обработки сигналов и изображений, вычислительной математики и математического моделирования с применением вычислительной техники.
Научная новизна:
-
Математические модели здоровой ткани и ткани с патологией внутренней поверхности желудка и пищевода, отличающиеся представлением информации о цвете тканей в виде распределений вероятностей яркостей их точечных полей по эндоскопическим изображениям.
-
Метод классификации тканей желудка и пищевода по узкоспектральным эндоскопическим изображениям на основе разработанных
математических моделей этих органов, отличающийся использованием аппарата многомерного статистического анализа, включающий алгоритм устранения локальной неоднородности освещения, и позволяющий получить объективную оценку состояния биологической ткани на основе построения диагностической карты внутренней поверхности органов.
-
Метод классификации доброкачественных и злокачественных новообразований на маммографических изображениях, отличающийся использованием аппарата контурного анализа, позволяющий получить объективную оценку степени патологии новообразований на рентгеновском маммографическом изображении со значениями специфичности, чувствительности и диагностической точности не менее 95%.
-
Алгоритм сегментации структуры почки по ее томографическим срезам, отличающийся использованием аппарата анализа ГТП, позволяющий построить 3D модель органа и повысить информативность при принятии решения в ходе предоперационной подготовки и при проведении малоинвазивных операций.
Теоретическая значимость исследования обоснована тем, что
– выявлена необходимость создания новых объективных подходов,
алгоритмов и систем в цифровой обработке биомедицинских диагностических
изображений и распознавании образов, позволяющих решить задачу
идентификации новообразований на данных изображениях.
– применительно к задачам диссертации результативно использованы комплексы базовых методов теории цифровой обработки изображений, распознавания образов, математической статистики, контурного анализа, теории принятия оптимальных решений;
– изложены новые подходы, алгоритмы и доказательства возможности классификации патологических тканей на биомедицинских диагностических изображениях узкоспектральной эндоскопии, рентгеновской маммографии и КТ;
Значение полученных соискателем результатов исследования для практики подтверждается тем, что
– разработана и внедрена СППР врача-эндоскописта и построения диагностической карты внутренних органов при проведении эндоскопического исследования в отделении эндоскопии ГБУ РМЭ «Республиканская клиническая больница», г. Йошкар-Ола;
– разработана и внедрена СППР хирурга на этапе предоперационного планирования и построения трехмерной модели органа на примере почки и ее структур в урологическом отделении ГБУ РМЭ «Республиканская клиническая больница», г. Йошкар-Ола.
Оценка достоверности результатов исследования выявила, что
– результаты исследований по биомедицинским изображениям,
полученными методами узкоспектральной эндоскопии, рентгеновской
маммографии и КТ, подтверждены гистологическими диагнозами;
– разработанные подходы построены на основе известных методах цифровой обработки изображений и распознавания образов, на проверяемых
данных, полученных по теме диссертации традиционным экспериментальным путем;
– принципы использования предложенных в работе методов и алгоритмов основаны на практике вынесения решения опытными клиницистами;
– применены современные методики сбора и анализа исходной информации, принятые в цифровой обработке изображений и распознавании образов и использованы презентативные выборочные данные при выполнении экспериментальных исследований.
Личный вклад соискателя состоит в
– участии автора на всех этапах процесса исследований по реализации темы диссертации;
– личном участии в теоретических разработках, связанных с созданием и реализацией алгоритмов классификации тканей;
– обработке и интерпретации экспериментальных данных;
– участии в подготовке основных публикаций по тематике
диссертационного исследования
Практическая ценность работы.
-
Разработанные математические модели точечных полей на изображениях тканей ЖКТ и молочной железы послужили основой для получения алгоритмов классификации этих тканей на два класса – здоровая ткани и ткань с развивающейся злокачественностью. В результате повышается правильность диагностических решений и снижается уровень субъективных ошибок.
-
Впервые показана возможность количественной оценки области хирургического вмешательства на основе метода аналитического задания ее границ.
-
По результатам разработанного подхода к сегментации органелл почки построена ее 3D модель с выделением участка, занимаемого раковой опухолью.
Реализация результатов работы.
Научные и практические результаты работы использованы в процессе
выполнения работ по гранту по программе «У.М.Н.И.К.» на выполнение НИОКР
по теме: «Разработка аппаратно-программного комплекса «Помощник
эндоскописта», а также при подготовке лекций и лабораторных работ по дисциплинам «Научно-исследовательская работа студентов» и «Электрические явления в клетке» направлений подготовки 12.03.04 «Биотехнические системы и технологии».
Разработанные программные реализации предложенных алгоритмов
используются в эндоскопическом и урологическом отделениях ГБУ РМЭ
«Республиканская клиническая больница», что подтверждается
соответствующими актами.
На защиту выносятся следующие научные положения.
1. Метод и алгоритм классификации тканей желудка и пищевода по
узкоспектральным эндоскопическим изображениям на основе математических
моделей в виде трехмерных нормальных распределений их точечных полей
позволяет построить объективную диагностическую карту внутренней
поверхности органа.
-
Метод классификации новообразований на маммографических изображениях на основе анализа формы контуров диагностируемых объектов, обеспечивает получение объективной оценки характера новообразования.
-
Алгоритм сегментации структуры почки по ее томографическим срезам для построения трехмерной модели почки, позволяет эффективно визуализировать ее структуру и повысить информативность для принятия решения при подготовке и проведении операции.
-
Система поддержки принятия решения по медицинским изображениям на основе применения методов контурного анализа объектов и моделей их точечных полей, позволяет повысить объективность постановки диагноза и информационное обеспечение при планировании и проведении операции.
Апробация работы. Материалы диссертационной работы докладывались и обсуждались на 9-м Открытом немецко-российском семинаре «Распознавание образов и понимание изображений – OGRW-9-2014» (г. Кобленц, Германия, 2014г.), Международной молодежной конференции «Научному прогрессу – творчество молодых» (г. Йошкар-Ола, 2015г.), 27-ой и 28-ой Всероссийской научно-технической конференции студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы и комплексы» (г. Рязань, 2014, 2015), конференциях профессорско-преподавательского состава Поволжского государственного технологического университета (2012–2015 гг.).
Публикации. Основные результаты диссертации опубликованы в 17 научных работах, в том числе в 1 монографии, 10 статьях рецензируемых научных журналов, рекомендованных ВАК РФ, 3 статьях других научных изданий и 3 тезисах. Получено 6 свидетельств о регистрации программ для ЭВМ.
Структура и объем работы. Диссертация состоит из введения, пяти глав, заключения, списка литературы из 196 наименований, 79 рисунков, 14 таблиц. Общий объем диссертации 194 страниц, в том числе 172 страниц основного текста, 22 страниц литературы.
Использование диагностической информации рентгеновской томографии в хирургической практике
Технологии количественной диагностики состояния здоровья человека являются сравнительно новыми, но быстро развивающимися областями фундаментальных и клинических исследований. Достаточно часто исследования в этих направлениях ограничены рамками лабораторий и их результаты рассматриваются, в основном, в качестве чисто теоретических и экспериментальных методов и представлены материалами докторских и кандидатских диссертаций, например [1-9]. Значительное внимание проблемам количественной диагностики уделяется зарубежными исследователями [11-17,48,49]. Научной и материально-технической основами количественной диагностики служат такие крупнейшие открытия XX и начала XXI веков, как компьютерная и магнитно-резонансная томография, ультразвуковые и эндоскопические сканеры, компьютерные технологии на основе цифровой обработки биомедицинских изображений и т.п. [39-47]. Задачи количественной диагностики патологических процессов у пациента рассматриваются в качестве информационных задач. Типовой подход к их решению обычно осуществляется в следующей последовательности: – формирование математической модели исследуемого процесса; – получение информативных признаков для уточнения параметров математической модели; – синтез достаточных статистик для принятия решения на базе оптимальных критериев; – клинические испытания пациентов контрольной группы и пациентов с установленной патологией с целью оценки эффективности разработанных решающих правил. Важной особенностью процедуры количественной диагностики пациента является соблюдения принципа «не навреди». Применительно к этому требованию любые решения, полученные аналитическим путем для решаемой информационной задачи, не являются окончательными. Последнее слово здесь остается за человеком – специалистом, принимающим решение на основе своих знаний и опыта, полученных результатов количественной диагностики и дополнительных методов диагностики. Например, статистический анализ формы изображений в ткани молочной железы с большой вероятностью может указывать на злокачественный характер новообразования. Но окончательный диагноз в этом случае устанавливается лишь по результатам патогистологического исследования.
В настоящее время количественный анализ широко и успешно применяется в лабораторной практике. Существующие подходы диагностики заболеваний по характеру наличия определенных веществ в биологических жидкостях пациента позволяют с достаточной точностью определить широкий спектр патологий. Актуальными являются работы по нахождению специфических метаболитов, свидетельствующих о наличии онкологического процесса (онкомаркеры) у пациента. Таким образом, решения, принимаемые экспертом по вынесению диагноза и выбору направления лечения, основываются исключительно на количественных данных о состоянии его биологических жидкостей.
Наиболее часто при формировании математических моделей для решения задач количественной диагностики используются изображения органов пациента, получаемые неинвазивным путем от рентгеновских датчиков (компьютерная томография, маммография), ультразвуковых сканеров, приборов, использующих квантовые эффекты. Благодаря большой эффективности методов цифровой обработки изображений становится возможным получение достаточно адекватных математических моделей здоровых и больных органов. Для получения математических моделей исследуемых органов по их биомедицинским изображениям применяются две группы признаков. Признаки первой группы характеризуют форму органа, для анализа которой используются методы контурного анализа [19,20]. Признаками второй группы являются значения светимости и цвета точек (пикселей), расположенных на поверхности или внутри органа. Совокупность пикселей образует точечные поля [28], исследования которых позволяют вынести обоснованное решение о состоянии здоровья органа. В данном случае математическими моделями служат многомерные распределения вероятностей параметров точечных полей. Методы теории вероятностей и математической статистики часто используются при принятии решений о патологическом или нормальном состоянии тканей органа по характеристикам точечных полей или компактно расположенных группах точек [50,51].
Задача данной главы заключается в обосновании конкретных целей диссертационного исследования в области количественной диагностики по биомедицинским изображениям органов пациента. Для этого далее приведен обзор основных классов используемых для диагностики биомедицинских изображений и математических методов их анализа и принятия обоснованных решений.
Математические модели на основе анализа точечных полей здоровых тканей и тканей с патологией
Перспективной тенденцией в современной медицине является переход к оценке состояния здоровья пациента, основанной на анализе диагностической информации, выраженной в количественном виде. Эта тенденция реализуется в рамках доказательного подхода. Ключевым преимуществом количественной оценки является ее объективный характер. Решение о состоянии здоровья пациента обычно принимается в условиях недостатка информации. Оно основывается на его опыте, способностях и личностных качествах. В связи с этим существует заметныйриск принятия ошибочного решения. Минимизация неблагоприятных для здоровья пациента факторов достигается созданием автоматизированных систем поддержки принятия решения. Подобные СППР должны рассматриваться как способ получения дополнительной объективной информации. Их целью является поддержка принятия решения автоматизированными интеллектуальными устройствами. Часто исходными данными служат медицинские изображения органов и их тканей.Актуальность создания СППРдля объективной классификации тканей является высокой в практике эндоскопической диагностикижелудка и пищевода.
Общие принципы создания проектируемой системы изложены в параграфах 1.7-1.8 диссертации. Исходя из них в основе системы поддержки принятия решения лежит обоснованная классификация тканей желудка и пищевода на два класса: патология и норма. Ключевым информативным признаком патологических процессов на эндоскопическом изображении служит цвет ткани. Поэтому критерием классификации являетсястатистически установленное различие светимости участка ткани в интересующей области. Входной информацией для классификатора служат математические модели классов и значения цветов исследуемыхпикселов. Математической модельюдиагностируемой ткани являются распределения выборочных значений светимости эталонных и анализируемых участков изображения. По результатам работы классификатора тканей достигается возможностьформирования диагностической карты биологической ткани. Для этого на изображении сегментируются участки с различной вероятностью отнесения к классам патологии или нормы. Далее формируются границы данных регионов. Подобная диагностическая карта повышает информационное обеспечение врача при проведении исследования и, особенно, при хирургическом вмешательстве, т.к. позволяет оценить правильность принимаемых решений в определении зоны резекции патологии.
Разработанная системаоказывает поддержку специалистув более точной дифференциации изменений цвета на эндоскопических изображениях. Количественная информация о таких изменениях анализируется при помощи ЭВМ. Результатом такого анализа будет сообщение о возможностиналичия патологических очагов на интересующем анализируемом участке ткани. Разбиение точечных оценок степени патологии ткани на диапазоны позволяет визуализировать переход здоровой ткани в пораженную при заданном пороговом уровне степени патологии участка ткани. Результат работы системы классификации и является объективной поддержкой специалисту при вынесении диагностического решения.
Для повышения эффективности разрабатываемой системы предлагается использование алгоритмов повышения качества изображения. В частности, подробно описано применение алгоритма устранения локальной неоднородности освещения Retinex и подтверждение его эффективности.
Разработанный метод и алгоритм классификации показал достаточно высокую надежность. Данный алгоритм реализован программно и является частью модульной СППР по медицинским изображениям методами анализа контуров и точечных полей. 2.2. Характеристика узкоспектральных эндоскопических изображений
Классические эндоскопические системы используют широкий диапазон видимого светового спектра от 400 до 800 нм. Для получения более контрастного изображения, на котором более отчетливо видны кровеносные сосуды, применяется технология NBI (NarrowBandImaging) [64]. На рисунке 2.1 представлена схематическая диаграмма взаимодействия светового излучения и живой ткани. Когда свет попадаетна биологическую ткань, некоторая его часть отражаетсяот поверхности,а некотораяпроникает глубже. Происходит многократное рассеяние в ткани среди легких и мелких клеточных элемнтов, таких как ядра клеток, клеточные органеллы и ядрышек. В результате, происходит диффузное распространение света в ткани. Характеристики данногопроцесса определяются длиной волны излучаемого света. Красный свет, имеющийбольшую длину волны, широко и глубоко диффундирует, в то время как синий, имеющий короткую длину волны, распространяется в меньшем диапазоне [56]. Это показано на рисунке 2.2.
Метод классификации объектов по их форме на маммографических изображениях методами контурного анализа
Оценка степени адекватности математической модели (2.6) обучающей выборки Q класса А. Такую оценку получим на основании значений правдоподобия отсчтов объединенной выборки Q е математической модели (2.6) по сравнению со значениями правдоподобия отсчтов выборок Q, / = 1,2,...,/и, модели (2.5). Значение правдоподобия принадлежности отсчета выборки Q е математической модели в виде распределения (2.6) может быть получено заменой переменной, являющейся аргументом функции P(q j ), на одно из конкретных значений q j , взятых из объединенной выборки Q. Таким образом, выборке Q можно поставить в соответствие функцию правдоподобия yqj)= з ,exp{-0.5(qj-MQ)rZe-(qj-MQ)}, (2.8) Отметим, что функция правдоподобия (2.8) в отличии от функции (2.6) математической модели выборки Q, является не трехмерной, а одномерной функцией. Поскольку для построения этой функции используются отсчеты выборки Q, являющиеся случайными величинами, то е отсчты также будут случайными.
Аналогично (2.8) можно записать выражение для функции правдоподобия принадлежности выборок Q. своим математическим моделям: чю= М-4%-мЛч{%-мЛ (2.9) (2л-)2Е,.2 i = l,2,-,n;j = i,2,-,sr Обучающие выборки Q, і = 1,2,...,п, были получены на различных участках выбранной области поверхности пищевода, признанных экспертом здоровыми. Чтобы модель (2.6) могла считаться адекватной моделью здоровой ткани, статистические характеристики обучающих выборок Q., і = \,2,...,, должны незначительно отличаться от аналогичных характеристик объединенной выборки Q.
Алгоритм классификации обеспечивает обоснованное принятие решения о том, к какому из классов Ах или А2 следует отнести конкретный пиксель и изображения ткани на поверхности пищевода. В нашем распоряжении находится функция правдоподобия ZQ(4j), j = \,2,...,s (см. (2.8)), построенная по объединенной обучающей выборке Q, а также функции правдоподобия г ы.л; i = l,2,-,m;j = l,2,-X построенные по обучающим выборкам V,, полученным на тканях с патологией. Функции L (v..) строятся на основании математических моделей (2.7): Mv,) = 5 exp{-0.5(vy-M,fi:-:(vy-M,)}, (2.10) (2я-)22Уі. / = 1,2,...,т;у = 1,2,...,ґ. Здесь v. - конкретный отсчт из обучающей выборки V,. Оптимальные алгоритмы классификации используют информацию двух видов. Информацией первого вида служит степень соответствия классифицируемого выборочного отсчта и математическим моделям каждого из классов. Такую информацию дат величина отношения правдоподобия[97]. Л.(и) = , i = l,2,...,m. (2.11) Аг, О ) Вторым видом информации служат доопытные знания, представленные априорными вероятностями принадлежности выборочного отсчта и каждому из классов алфавита. Широко используемым алгоритмом для отнесения отсчта и к определнному классу алфавита является алгоритм максимального отношения правдоподобия. В соответствии с ним решение для алфавита из двух классов А и А2 в пользу класса Ах принимается при условии: Л.(и) = - i = l,2,...,m, (2.12) Lv(u) р2 где рхи р2 - априорные вероятности принадлежности отсчта и к первому или второму классу (рисунок 2.8). Часто значения этих вероятностей неизвестны, и тогда при использовании алгоритма максимального отношения правдоподобия полагают значения априорных вероятностей каждого из классов одинаковыми между собой. В этом случае решающее правило (2.12) принимает вид: Лг(и) 1, г = 1,2,...,7й. (2.13) Таким образом, пиксель на изображении пищевода соответствует здоровой ткани, если значение его правдоподобия математической модели (2.6) больше или равно значению правдоподобия математической модели (2.7).
Структура классификатора (см. рисунок2.8) содержит два параллельных канала, на входы которых подается классифицируемый отсчт u. В верхнем канале вычисляется значение LQ(u) правдоподобия отсчта u математической модели класса А1 , а в нижнем канале – величина LV (u) правдоподобия этого отсчта математической модели класса А2 . Далее формируется отношение правдоподобия Q,V(u) , которое сравнивается с пороговым уровнем, равным единице. Если этот уровень не превышен, то принимается решение о соответствии отсчта u точке на больной ткани пищевода. В противном случае ткань в этой точке считается здоровой.
Алгоритм сегментации органов на томографичеком изображении
Другим важным структурным элементом на рентгеновских маммографических изображениях, характер которого может влиять на выносимый врачом-экспертом результат, являются кальцинаты. Под кальцинатами понимается скопление солей кальция в ткани органа. Чаще обнаруживают не один, а несколько кальцинатов. По сути, это известковые «капсулы», которые заключают в себе участки омертвевшей ткани (в результате инфекции, травмы). Таков один из способов организма прервать распространение патологического процесса, просто «запечатав» его источник.
Кальцинаты, обусловленные доброкачественным процессом, выявляемые при маммографии, обычно большого размера, зернистые, круглые с ровным контуром и лучше визуализируются по сравнению с кальцинатами при злокачественных образованиях. Кальцинаты при раке молочной железы (а также при многих доброкачественных процессах), как правило, мелкого размера и, для того чтобы их увидеть, нередко нужна лупа.
Среди кальцинатов доброкачественной природы выделяют кальцинаты кожи, сосудистые, зернистые, крупные продолговатые, круглые, кальцинаты с просветлением в центре, в виде «кольца», кальцинаты швов, дистрофические, а также взвесь кальция. Аморфные (бесформенные), нечеткие и крупные неоднородные кальцинаты, обычно относят к кальцинатам неопределенной природы, возможно злокачественным. К кальцинатам злокачественной природы относят мелкие плеоморфные и мелкие линейные или линейные ветвящиеся.
Характер распределения кальцинатов также может свидетельствовать о наличии злокачественных процессов. Так, к примеру, о низкой вероятности злокачественных процессов говорит их региональное распределение (кальцинаты расположены в большом объеме железистой ткани, более 2 см2, и не являющимися зоной ветвления одного протока). Кальцинаты, образующие одну линию, также являются признаком злокачественности. Кроме этого, сегментарное распределение свидетельствует о наличии злокачественных процессов, особенно при наличии ветвящихся кальцинатов, так как при этом происходит накопление кальцинатов в системе одного или нескольких протоков.
К признакам наличия злокачественных или доброкачественных процессов относят также изменение архитектоники. Под этим термином понимается изменение нормальной структуры железистой ткани, причем какого-либо образования при этом и не выявляется. Изменение архитектоники ткани молочной железы может быть представлено отдельными тонкими линиями, отходящими из одной точки, локальным втяжением ткани железы или изменением ее контура. На фоне изменения архитектоники могут также выявляться образования, асимметрии или кальцинаты. При отсутствии в анамнезе травматического повреждения или перенесенного ранее оперативного вмешательства, данный признак может свидетельствовать о наличии радиального рубца или злокачественного образования.
Кроме перечисленных маркеров, при маммографической диагностике также имеют место дополнительные признаки: ассиметричные тубулярные структуры (единичные расширенные протоки), лимфатические узлы, расположенные в ткани молочной железы, общая ассимметрия железистой ткани, очаговая ассимметрия, втяжение кожи, втяжение соска, утолщение кожи, утолщение трабекул, образования на коже, аксиллярная лимфаденопатия. Все эти признаки, в зависимости от перечисленных выше параметров, также могут свидетельствовать о наличии патологии.
Практикующий врач-рентгенолог, аспирант Е.А. Романычева предложила в качестве информативных признаков использовать особенности форм изображений объектов. В процессе многолетней работы с маммографическими изображениями ею была отмечена следующая закономерность: форма изображений доброкачественных образований имела гладкие очертания с протяженными прямолинейными сегментами, в то время как злокачественные образования имеют очертания формы в виде волнообразных линий с длинными узкими выбросами.С математической точки зрения такие информативные признаки свидетельствуют о том, что спектр контура доброкачественного объекта сосредоточен на низких частотах, а спектр контуров злокачественных объектов на низких частотах характеризуется значительным провалом.
Среди других признаков патологии, на который обращают внимание врачи-диагносты в первую очередь, является отсутствие яркостного изображения объекта на одном из парных маммографических снимков в сопряженной с патологией зоне. Это связано с тем, что, как правило, тело человека без отклонений имеет свойство билатеральной симметрии, т.е. существует плоскость симметрии, относительно которой две половины тела человека зеркально симметричны. Соответственно, патология чаще всего выражена лишь на одной из молочных желез, в то время как различные фиброзные отложения и другие внутренние структуры, выделяющиеся по яркости на изображении, имеют место на обоих снимках,несмотря на отсутствие идентичности друг с другом. Рассмотренная далее в данной работе методика нахождения и дифференциации новообразований на маммографических рентгеновских изображениях основывается на предположении о достаточности двух перечисленных выше методов дифференциации патологических тканей.