Эта работа опубликована в сборнике статей с материалами трудов 1-ой международной телеконференции "Проблемы и перспективы современной медицины, биологии и экологии". Название сборника "Фундаментальные науки и практика Том 1, №1"

Посмотреть обложку сборника

Скачать информацию о сборнике (в архиве: обложка, тит. лист, оглавление, список авторов)

 

ИПС им. А.К. Айламазяна РАН (г.Переславль-Залесский)

Вопрос автоматической постановки диагноза с использование компьютерной техники всегда волновал работников медицинской сферы деятельности. Здесь важна высокая степень надежности, т.к. ошибки анализа заболевания могут повести за собой сложные последствия. Решение задачи приводит к формализации знаний квалифицированных специалистов, которых зачастую не хватает, и позволяет облегчить работу врачей. Для постановки диагноза таких заболеваний, как ишемия почек, хронический пиелонефрит, мочекаменная болезнь и др., необходимо проанализировать снимки медико-биологической жидкости. Процесс дегидратации капли жидкости (фация) снимается под микроскопом с большим увеличением. В процессе высыхания на фации появляются маркеры, характерные для той или иной болезни. В работе рассматриваются  алгоритмы обработки таких снимков для автоматической постановки диагноза.

Выделение внешней границы
Для постановки диагноза необходимо выделить на снимке значимые области фации, к которым относятся: внешняя граница, зона кристаллизации и белковая зона.

Для выделения внешней границы применяется ряд алгоритмов [1, 2], в том числе модифицированный алгоритм Canny [3]. Задача разработанного алгоритма заключается  в нахождении внешней границы, и в определении центра фации.

На рисунках показаны оригинальный и обработанный снимки. На обработанном снимке показаны все дуги, выделенные алгоритмом. Светлой пунктирной линией отмечена предположительно внешняя граница фации.

 

 

 

 

 

Изображения могут быть плохого качества, что часто затрудняет анализ. Так, например, на рисунке в качестве внешней границей ошибочно выбрана граница белковой зоны. Но формы этих границ совпадают, а это значит, что центр фации был найден правильно (белый квадрат в центре фации). Дальнейший анализ изображения направлен на исправление ошибки определения внешней границы.

 

 

 

 

 

 

 

 

 

 

Уточнение внешней границы
Изображение для удобства дальнейшей работы разворачивается в полярных координатах относительно центра, найденного Canny Points. Затем на развернутом изображении производится анализ полученных дуг с использованием разработанного алгоритма Pattern.

 

 

 

 

 

 

 

 

 

 

 

Задача данного алгоритма заключается в том, чтобы на основе метода наименьших квадратов [4] построить многочлен n-ого порядка, который приближал бы внешнюю границу. Для этого необходимо выделить две параллельные границы, одна из которых (темно-серая) с максимальным количеством точек, близких к полученному многочлену – внешняя граница. А вторая (бледно-серая) – предположительно граница белковой зоны. По алгоритму из двух границ выбирается та, что по высоте находится выше. Тем самым была правильно выделена внешняя граница.

Затем данное изображение выравнивается относительно найденной внешней границы, т.е. каждый столбец пикселей смещается на максимальную высоту внешней границы. После чего изображение обрабатывается алгоритмом Find Borders.

 

 

 

Задача данного алгоритма –– уточнить внешнюю границу и выделить белковую зону. Согласно данному алгоритму строятся графики усредненной яркости (Av) и дисперсии (Dx) пикселей в каждой строке растра. Внешняя граница (широкая белая линия) находится по анализу первой и второй производной графика яркости. Граница белковой зоны (широкая темно-серая линия) строится на основе анализа производных в точках пересечения графиков яркости или дисперсии с графиком среднего значения яркости или дисперсии соответственно. Если таких пересечений больше одного (как на графике дисперсии Dx), то добавляется еще одно значение – максимум отклонения от среднего значения яркости или дисперсии между этими пересечениями. В итоге, получается от двух до шести линий, каждая из которых имеет свою «весовую» характеристику: высота линии, значение производной или максимума отклонения. Все значения масштабируются, и выбирается максимальное среднее значение всех сочетаний «весовых» характеристик линий.

После применения алгоритма на исходном изображении отмечаются значимые области фации, к которым относятся: внешняя граница, зона кристаллизации и белковая зона. Выделение границ не всегда приводит к таким хорошим результатам. Дело в том, что большинство фаций имеют округлую форму, но есть и исключения. Не всегда получается приблизить кругом такие фации. Примерно в 7-8% случаях граница определяется неверно из-за плохого качества изображения, «засветки» и т.п.

Постановка диагноза мочекаменной болезни
Маркер камнеобразования в почках – это появление кристаллов солей в краевой белковой зоне фации. Различают 3 степени активности камнеобразования: высокую (краевая белковая зона полностью заполнена кристаллами солей); умеренную (в краевой белковой зоне определяются отдельные конгломераты солей); слабую (в краевой белковой зоне определяются единичные кристаллы солей). Отсутствие кристаллов солей в краевой белковой зоне означает отсутствие процесса камнеобразования. Наличие трещин в краевой белковой зоне (шумы) не свидетельствует о процессе камнеобразования.

 

 

 

 

 

Выявление данного маркера реализуется на стадии работы модуля Find Borders. На рисунках изображены слабая, умеренная и высокая стадии заболевания  соответственно.

Идея алгоритма состоит в том, чтобы определить «пестроту» белковой зоны. При отсутствии процесса камнеобразования в белковой зоне отсутствуют кристаллы солей, т.е. нет резких перепадов яркости. В соответствии с предлагаемым алгоритмом  белковая зона делится на квадраты, сторона которых равна половине высоты белковой зоны. В каждом квадрате вычисляется дисперсия яркости. Первое значение, которое определяет процесс камнеобразование – это средняя дисперсия яркости относительно всех квадратов. Второе значение – дисперсия полученных значений, относительно среднего значения дисперсии (дисперсия дисперсий). Экспериментальным методом были получены пороговые значения данных признаков для 800 снимков.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Постановка диагноза обострения хронического пиелонефрита
Маркер обострения хронического пиелонефрита обусловлен круговым замкнутым или разорванным контуром, ограничивающим значительную часть фации. Для работы данного алгоритма применяется измененный алгоритм Canny Lines, основанный на алгоритме выделения границ Canny Points [3].

Алгоритм постановки диагноза (Laser Border) использует тот факт, что Canny выделяет границы перехода яркости. А т.к. контур маркера должен ограничивать значительную часть фации, то линии должны быть горизонтальными на развернутом в полярных координатах изображении.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Затем проводится анализ количества точек, входящих в оставшиеся дуги. Строится гистограмма точек (справа на рисунке), где по оси ординат откладывается высота, на которой находятся точки, а по оси абсцисс – их количество.

Выбирается максимальное значение количества точек на горизонтали и связанный с этим значением плотный кластер. Все дуги, не лежащие в этом кластере, удаляются. На изображении удаленные, на этой стадии дуги, показаны желтым цветом. Таким образом, получаются необходимые для анализа дуги. При дальнейшем рассмотрении этих дуг на предмет количества точек входящих в эти дуги, и среднего отклонения от полинома, построенного по методу наименьших квадратов можно определить степень болезни.

Выводы
Полученные алгоритмы позволяют автоматизировать процесс анализа фаций и значительно облегчают работу медицинского персонала. Правильная постановка диагноза мочекаменной болезни осуществляется в 98% случаев. Для постановки диагноза хронического пиелонефрита необходимо добавить еще несколько информативных признаков, чтобы увеличить эффективность процедуры распознавания. В настоящее время болезнь определяется в 86% случаев. Дальнейшие разработки в этом направлении помогут автоматически определять такие заболевания как ишемия почек, бактериурии, выявлять продукты жизнедеятельности микрофлоры и т.д. Так же будут анализироваться снимки других медико-биологических жидкостей: крови, слюны и т.п.

 

 

Список литературы:
[1] Виноградов А.Н. Калугин Ф.В. Недев М.Д. Погодин С.В. Талалаев А.А. Тищенко И.П. Фраленко В.П. Хачумов В.М. Выделение и распознавание локальных объектов на аэрокосмических снимках. – М.: Авиакосмическое приборостроение, № 9, 2007, 39-45 c.
[2] Kalugin F. Pogodin S. Object contour extraction at aerospace photos. -- Minsk, Belarus: Proceedings of the 9th International Conference "Pattern Recognition and Information Processing", 2007, vol. 1, 177-182 c.
[3] Калугин Ф.В., Выделение контуров дегидратированных биологических жидкостей человека на медицинских снимках, AITTH’2008
[4] Бочканов Сергей, Быстрицкий Владимир, Аппроксимация методом наименьших квадратов (МНК) – Эл. ресурс: http://alglib.sources.ru/interpolation/leastsquares.php