В последние годы одним из направлений развития компьютерных технологий в медицине является обработка цифровых изображений: улучшение качества изображения, восстановление поврежденных изображений, его распознавание отдельных элементов. Распознавание патологических процессов является одной из наиболее важных задач обработки медицинских изображений. В последние годы в решении данной задачи используются компьютерных систем диагностики – CAD (computer added diagnostic). Алгоритм CAD-системы медицинских изображений, как правило, включают в себя сегментацию изображения, выделение объектов интереса («масс»), их анализ, параметрическое описание, их классификацию [1]. При этом выделенные объекты являются отражением патологического процесса в организме, а их классификация отвечает на вопрос – все ли выделенные объекты являются проявлением патологического процесса. В качестве методов параметрического описания выделенных объектов используется текстурный, гистограммный и морфометрический анализ [1, 4, 6], однако сочетание этих методов применяется редко. Классификация объектов интереса может проводиться по методу нейронных сетей, опорных векторов, дискриминантного анализа и др. [2, 11]. Вместе с тем, задача автоматизированной диагностики патологических процессов по данным медицинских изображений далека от своего разрешения. Актуальной проблемой остается определение оптимальных методов параметрического описания объектов интереса, что может оказывать непосредственное влияние на качество классификации данных объектов. Этот вопрос был изучен с помощью разработанной нами CAD-системы оценки планарных сцинтиграмм скелета у онкологических больных. Планарная сцинтиграфия скелета является методом диагностики костных метастазов. Суть этой диагностической методики заключается в введении больным радиофармпрепарата (РФП) - фосфатных комплексов, меченных изотопом^99mTc. Фосфатные комплексы связываются с кристаллами гидроаппатита, уровень которых повышен в зонах костных метастазов. Гамма излучение обусловленное изотопом ^99mTc регистрируется датчиками гамма-камеры. За счет этого формируется электронное изображение скелета (передняя и задняя проекция), на котором можно выявить метастатическое поражение задолго до появления выраженной локальной деминерализации и костной деструкции, которая регистрируется при рентгенологическом обследовании [3].

Функциональная схема CAD-системы включает перевод изображения из формата DICOM в среду MATLAB с последующей автоматической сегментацией изображения «пороговым» методом [1] и сохранением его в архиве. Результатом сегментации являлось выделение очагов гиперфиксации (ОГФ) РФП, которые и представлялись « зонами интереса». Для данных зон проводился текстурный анализ по методу Харалика [4, 7] и локальной бинарной текстуры (Local Binary Patterns- LBP) [10], а также гистограммный и морфометрический анализ [1, 6]. Одновременно выделенные очаги гиперфиксации РФП были проанализированы экспертом и разделены на метастатические и неметастатические очаги. Формировалась обучающая выборка, состоящая из объектов - проанализированных экспертом очагов гиперфиксации РФП, Каждому объекту в обучающей выборке соответствовал просчитанный набор гистограммных, текстурных и морфометрических параметров. Перечень параметров оценки ОГФ РФП, отмеченных на сцинтиграммах, представлены в табл.

Таблица. Перечень параметров оценки очагов гиперфиксации РФП

Автоматическое распознавание распознавания ОГФ с разделением их на «метастатические» и «не метастатические» было проведено на основе метода опорных векторов (SVM — support vector machines) —набора алгоритмов вида «обучение с учителем», использующихся для задач классификации и регрессионного анализа [5]. Основная идея метода опорных векторов — перевод исходных векторов в пространство более высокой размерности и поиск разделяющей гиперплоскости с максимальным зазором в этом пространстве. Две параллельных гиперплоскости строятся по обеим сторонам гиперплоскости, разделяющей наши классы. Разделяющей гиперплоскостью будет гиперплоскость, максимизирующая расстояние до двух параллельных гиперплоскостей. Алгоритм работает в предположении, что чем больше разница или расстояние между этими параллельными гиперплоскостями, тем меньше будет средняя ошибка классификатора. Метод опорных векторов был положен в основу формирования классификатора (классифицирующей функции), на основе обучающей выборки. При этом классификатор был создан отдельно для объектов передних и задних сканограмм. Качество получившегося классификатора проверялось на выборке неклассифицированных ОГФ передних (200 очагов) и задних (200 очагов) сканограмм. Целью такой экспериментальной оценки является измерение производительности классификатора т.е. его способности принимать верные решения (вероятность верной классификации). Оценка качества классификатора была проведена с помощью ROC-кривой, выражающей соотношение уровня верных и ложных обнаружений [9]. При этом рассчитывался численный показатель площади под ROC-кривой - AUC (Area Under Curve).

При интерпретации значений AUC выявлено, что интервал 0.9-1.0 соответствует отличному качеству модели, 0.8-0.9 - очень хорошему, 0.7-0.8 – хорошему, 0.6-0.7 – среднему, 0.5-0.6 – неудовлетворительному. Далее было проведено изучение влияния текстурных, гистограммных и морфометрических параметров на качество классификатора. Для этого классификационная функция выстраивалась с учетом параметров рассчитанных только одним из четырех применявшихся методов. Оценка качества классификатора осуществлялась с помощью ROC-кривых и AUC, полученные данные представлены на рис.1.

Как видно из рисунка, классификатор, созданный на основании данных морфометрического анализа ОГФ РФП, имеет средний уровень качества. При этом отсутствуют сколько-нибудь выраженные различия между классификаторами для сцинтиграмм передних (AUC_ant = 0,63) и задних (AUC_post= 0,66) проекций. Ситуация близкая к изложенной выше наблюдается и для классификатора, созданного на основании метода локальной бинарной текстуры. Качество классификатора для передних проекций сцинтиграмм описывается ROC-кривой с AUC_ant = 0,73), а для задних прекций сцинтиграмм - ROC-кривой с AUC_post= 0,74. Качество классификатора возрастает при использовании для его создания данных текстурного анализа по Харалику. Это особенно заметно в классификаторе для задних проекций сцинтиграмм (AUC _post= 0,88) . Качество классификатора для передних проекций сцинтиграмм несколько ниже (AUC _ant = 0,78). Аналогичные данные были получены при проверке классификатора, построенного на основании материалов гистограммного анализа.

Однако наиболее информативным является классификатор, построенный на основании данных всех четырех рассмотренных выше видов анализа. При проверке эффективности классифицирующей функции на тестовой выборке очагов гиперфиксации РФП с помощью ROC-анализа выявлено, что качество классификатора для задних проекций сцинтиграмм выше, чем для передних (AUC _post= 0,96 и AUC _ant = 0,86, соответственно).

САD-системы до настоящего времени нашли пока еще ограниченное применение в анализе планарных сцинтиграмм скелета. Отчасти это связано со сложностями параметрического описания выявляемых ОГФ РФП. Однако известные САD-системы в основном используют данные текстурного анализа [8,12]. В отличие от них, предлагаемая диагностическая система включает данные, полученные с помощь иных методов анализа. При этом, несмотря на то, что информативность морфологического анализа и локально-бинарного текстурного анализа невелика, их сочетание с текстурным анализом по Харалику и гистограммным анализом существенно повышает производительность классификатора. Тем самым улучшаются диагностические возможности CAD-системы.

Таким образом, качество классификатора CAD-системы оценки планарных остеосцинтиграмм существенно возрастает при построении классификационной функции по данным, полученных при параллельном использовании текстурного анализа по методу Харалика и локальной бинарной текстуры, а также гистограммного и морфометрического анализа.

Литература 

1.     Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. Пер. с англ. Москва: Техносфера. 2006. 615с.

2.     Дабагов А. Р. Цифровая радиология и диагностика. Достижения и перспективы. Журнал радиоэлектроники. 2009, №5, с.140-152.

3.     Паша С.П., Терновой С.К. Радионуклидная диагностика. М.: ГЭОТАР-медиа, 2008, 204 с.

4.     Харалик Р. М. Статистический и структурный подходы к описанию текстур ТИИРЭ 5, 1979. С.98-118.

5.     Bartlett P., Shawe-Taylor J. Generalization performance of support vector machines and other pattern classifiers // Advances in Kernel Methods. MIT Press,Cambridge, USA, 1998.

6.     Farid H. Detection Steganographic Message in Digital Images // Technical Report TR2001-412, Dartmouth College, Hanover, NH, 2001.

7.     Haralick R. M., Shanmugam K., and Dinstein I. Textural Features of Image Classification, IEEE Transactions on Systems, Man and Cybernetics, vol. SMC-3, no. 6, Nov. 1973.

8.     Kaveh Sh. Simulation of attenuation effects in bone scintigraphy. Master of Science Thesis., Department of Radiation Physics, University of Gothenburg, 2009, 28 p.

9.     Metz C.E. Fundamentals of ROC Analysis // Handbook of Medical Imaging. Vol. 1. Physics and Psychophysics. Beutel J, Kundel HL, and Van Metter RL, Eds. SPIE Press (Bellingham WA 2000), Chapter 15: 751-769.

10. Ojala T., Pietikainen M., Maenpaa T. Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns // IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 24(7), 2002. pp. 971-987

11. Pelckmans K., Suykens J.A.K., Van Gestel T., Brabanter J. De, Lukas L., Hamers B., De Moor B., Vandewalle J. LS-SVMlab Toolbox User’s Guide version 1.5. ESAT-SCD-SISTA Technical Report 02-145. February 2003, Р.107

12. Sadik M. Bone scintigraphy. A new approach to improve diagnostic accuracy. University of Gothenburg, 2009. Р.44