Содержание к диссертации
Введение
ГЛАВА 1 Обзор и анализ алгоритмов, методов, методик и систем обработки и анализа маммографических снимков 14
1.1 Состояние проблемы диагностики заболеваний молочной железы 14
1.1.1 Способы диагностики заболеваний молочной железы 15
1.1.2 Роль и место маммографического обследования в диагностики заболеваний молочной железы 19
1.1.3 Методика проведения маммографического обследования 20
1.2 Обзор технических и программных средств обработки маммограмм 24
1.2.1 Обзор существующих технических средств обработки маммограмм 24
1.2.2 Обзор программных средств обработки маммограмм 33
1.3 Методы и алгоритмы, применяемые для обработки и анализа
маммографических снимков 36
1.3.1 Основные факторы, затрудняющие автоматическую обработку маммограмм 1.3.2 Аналого-цифровое преобразование маммограмм 37
1.3.3 Алгоритмы предварительной обработки маммограмм 37
1.3.4 Алгоритмы выделения областей новообразований 39
1.3.5 Алгоритмы распознавания новообразований 40
1.3.6 Выбор алгоритмов обработки маммограмм и распознавания новообразований 41
1.4 Выводы по первой главе 44
ГЛАВА 2 Разработка и исследование алгоритмов обработки и анализа маммографических снимков 47
2.1 Алгоритм формирования математической модели маммограммы на основе случайных марковских полей 47
2.2 Разработка алгоритма выделения областей новообразований на маммограммах 51
2.2.1 Алгоритм выделения области кисты молочной железы 51
2.2.2 Алгоритм выделения области фиброаденомы на маммограмме 53
2.2.3 Алгоритм выделения области рака молочной железы (РМЖ) на фоне
жировой инволюции 2.2.4 Алгоритм выделения рака молочной железы на фоне ФКБ 57
2.2.5 Алгоритм выделения области рака молочной железы на фоне аденоза 59
2.3 Исследование алгоритмов выделения областей новообразований на маммограммах 61
2.3.1 Исследование алгоритмов по выделению кисты молочной железы на маммографических снимках 61
2.3.2 Исследование алгоритмов по выделению областей фиброаденом на маммографических снимках 68
2.3.3 Исследование алгоритмов по выделению рака молочной железы на фоне жировой инволюции 74
2.3.4 Исследование алгоритмов по выделению рака молочной железы на фоне ФКБ 77
2.3.5 Исследование алгоритмов по выделению рака молочной железы на фоне аденоза 80
2.4 Выводы по второй главе 83
ГЛАВА 3 Разработка автоматизированной системы обработки и анализа маммографических снимков 85
3.1 Разработка требований к системе 85
3.1.1 Задачи, решаемые системой 85
3.1.2 Общие требования к системе 85
3.1.3 Требования к изображениям 86
3.2 Технические средства системы 86
3.2.1 Маммограф 87
3.2.2 Кассеты 89
3.2.3 Проявочная машина 90
3.2.4 Сканер высокого разрешения 91
3.2.5 Персональный компьютер 93
3.2.6 Принтер 93
3.3 Разработка структуры системы 94
3.4 Функции и назначения компонентов системы 95
3.4.1 Подсистема формирования маммограммы 95
3.4.2 Блок оцифровки 95
3.4.3 Подсистема формирования изображения
3.4.4 Подсистема обработки изображения 96
3.4.5 Подсистема выделения области новообразования 96
3.4.6 Подсистема вычисления текстурных признаков областей новообразований 97
3.4.7 Подсистема классификации новообразований 97
3.4.8 Подсистема ручного выделения ROI 101
3.4.9 Подсистема работы с базой данных 101
3.4.10 Подсистема формирования отчетов 102
3.4.11 Подсистема вывода отчетов и данных об исследованиях 102
3.5 Выводы по третьей главе 103
ГЛАВА 4 Реализация и практическое применение АСОиАМС 104
4.1 Характеристика групп пациентов 104
4.2 Статистическая оценка значимости факторов риска развития заболеваний молочной железы 110
4.3 Реализация АСОиАМС 115
4.3.1 Состав технических средств автоматизированной системы обработки и
анализа маммограмм 115
4.3.2 Структура программного обеспечения системы 115
4.4 Результаты диагностики заболеваний на обучающих выборках 117
4.4.1 Формирование выборок и обработка снимков 117
4.4.2 Обучение системы и формирование эталонов 120
4.4.3 Классификация снимков обучающей выборки врачом-рентгенологом 121
4.4.4 Анализ результатов классификации маммографических снимков обучающей выборки 122
4.5 Результаты диагностики заболеваний на экзаменационных выборках 124
4.5.1 Классификация новообразований из контрольной выборки системой 124
4.5.2 Классификация снимков контрольной выборки врачом-рентгенологом 125
4.5.3 Анализ результатов классификации маммографических снимков контрольной выборки 126
4.6 Примеры обработки и анализа маммографических снимков на АСОиАМС 128
4.7 Выводы по четвертой главе 133
Заключение 135
Библиографический список 136
- Роль и место маммографического обследования в диагностики заболеваний молочной железы
- Разработка алгоритма выделения областей новообразований на маммограммах
- Общие требования к системе
- Классификация снимков обучающей выборки врачом-рентгенологом
Введение к работе
Актуальность работы. Самой опасной болезнью женского населения является рак молочной железы (РМЖ). По данным Всемирной организации здравоохранения (ВОЗ) каждая 5 женщина в Европе заболевает раком до достижения 75 лет. По данным Министерства здравоохранения России число впервые выявленных злокачественных новообразований ежегодно растет: показатель впервые выявленного РМЖ у женского населения в 2007 г. равен 67,9, в 2008 г. – 68,8, в 2010 г. – 75.
Маммография является самым распространенным неинвазивным
рентгенологическим методом выявления заболеваний молочной железы. Большинство медицинских учреждений России оснащены аналоговыми маммографическими комплексами. Маммограммы, полученные с помощью этих комплексов имеют большое количество недостатков: частая нерезкость изображения; повышенная зернистость фона; наличие мелких белых точек на снимках и т.д. Анализ маммограмм выполняет врач-рентгенолог визуально и качество оценки снимка, а, следовательно, и результат диагноза зависит от состояния здоровья врача, его квалификации, времени осмотра снимка, достаточной подсветки изображения и т.д. Цифровые маммографические комплексы устраняют большинство недостатков пленочной маммографии, однако дороги, как в приобретении, так и в обслуживании.
Таким образом, основным недостатком пленочной маммографии является ручная обработка и визуальный анализ маммограмм.
Зарубежными ведущими производителями пленочных и цифровых
маммографических аппаратов являются фирмы Agfa Healthcare, Carestream, FujiFilm, GE Healthcare, Hologic, IMS, Philips Healthcare, Planmed, Siemens Medical Solutions, IMS Giotto.
На мировом рынке существует несколько фирм, предлагающих компьютерные системы обработки маммограмм (от англ. Computer Aided Detection). Самые распространенные CAD системы: AccuDetect, Second Look Digital, The MAMMEX MammoCAD, TotalLook MammoAdvantage, syngo MammoCAD, Fujifilm’s Digital Mammography System, но ни одна из фирм, производящих коммерческие CAD системы не раскрывает алгоритмы предварительной обработки, сегментации, распознавания маммографических снимков. Стоимость коммерческой CAD системы не отличается от стоимости цифрового маммографического аппарата.
Алгоритмы обработки и анализа маммограмм представлены в работах Moradmand H., Setayeshi S., Karimian A.R., Sirous M., Esmaeil M. Garg R., Mittal B., Garg S. Anguh M., A. Silva и др. В России практически не ведутся исследования по автоматизированной обработке и анализу маммографических снимков.
В связи с вышесказанным актуальной является разработка автоматизированной
системы обработки и анализа маммограмм, которая будет недорогим и тиражируемым
аналогом существующих зарубежных компьютерных систем диагностики
новообразований в молочной железе, позволит провести обработку как скрининговых, так и снимков обследования, сократить время обработки и анализа каждого снимка, получить новые данные о динамике развития опухолей, повысить точность и объективность диагноза за счет использования большего количества данных, сформировать единую базу данных обследований и вести статистические исследования по различным параметрам.
Целью диссертационной работы является создание системы, обеспечивающей обработку и анализ оцифрованных маммографических снимков, позволяющей повысить процент правильной диагностики новообразования молочной железы.
Для достижения цели необходимо решить следующие задачи:
обзор и анализ алгоритмов, методов, систем обработки и анализа маммографических снимков, основанных на методах цифровой обработки изображений, распознавания образов и информационных технологий;
разработка и исследование алгоритмов предварительной обработки маммограмм;
разработка и исследование алгоритмов выделения областей 3 типов новообразований (киста, фиброаденома, рак молочной железы) на маммографических снимках;
разработка и исследование алгоритмов идентификации новообразований 3 типов (киста, фиброаденома, рак молочной железы) на маммографических снимках;
создание автоматизированной системы на основе разработанных алгоритмов, программных средств и современных компьютеров и формирование базы данных обработанных маммограмм для научно-статистических исследований;
разработка технологии проведения маммографического обследования с использованием автоматизированной системы;
проведение исследований на группе пациентов и экспериментальная оценка возможностей разработанной системы;
практическое применение созданной системы в маммографическом отделении больницы.
Объект исследования - аналоговые и цифровые маммографические снимки, полученные в результате маммографических обследованиях и скрининговых исследований.
Методы исследования. В работе использованы методы дискретной математики, математической логики, теории множеств, цифровой обработки изображений, математической статистики и распознавания образов.
Научная новизна работы
предложена и разработана научная идея использования текстурных признаков Харалика второго порядка полутоновых маммографических изображений для описания новообразований, отличающаяся простотой расчетов матрицы GLCM и формировании на ее основе вектора-признаков и позволившая распознать быстро и достаточно точно все три типа новообразований - киста, фиброаденома, рак молочной железы;
предложен подход выделения области молочной железы на маммограмме, основанный на случайных марковских полях, учитывающий индивидуальные особенности строения молочной железы каждой пациентки; выделения новообразований типов «Киста», «Фиброаденома», «Рак молочной железы» с использованием новых и достаточно простых алгоритмов предварительной обработки, позволяющие выделять место локализации новообразований даже на фоне фиброзно-кистозной болезни и аденоза, а также идентификации новообразований трех типов, использующий дискриминантный анализ Фишера, отличающийся расчетом дискриминантных функций и оценок независимо от количества экспериментов в группах;
- доказана экспериментально на реальных маммографических снимках
перспективность практического применения предложенных научной идеи использования
текстурных признаков Харалика второго порядка полутоновых изображений и подходов
выделения области молочной железы, областей новообразований трех типов, а также
идентификации этих новообразований в медицинских системах маммографического
скрининга.
Теоретическая значимость исследования обоснована тем, что:
применительно к задаче диссертации результативно использованы комплексы базовых методов теорий цифровой обработки изображений, распознавания образов, математической статистики;
изложены новые идея, понятие, алгоритмы, доказательства возможности распознавания на маммограммах новообразований трех основных типов;
установлено отсутствие подходов, алгоритмов и систем в цифровой обработке изображений и распознавании образов, позволяющих решить задачу идентификации новообразований трех основных типов;
изучены применительно к задачам диссертации методы математической статистики, цифровой обработки изображений и распознавания образов;
проведена модернизация существующих алгоритмов предварительной обработки, а также случайных марковских полей, обеспечивающие получение новых научных и практически результатов по теме диссертации.
Значение полученных соискателем результатов исследования для практики подтверждается тем, что:
разработаны и внедрены технология обработки и анализа маммограмм и автоматизированная система обработки и анализа маммографических снимков в НУЗ Отделенческой больницы на станции Муром, ОАО РЖД (г. Муром, Владимирская область) и в учебном процессе на кафедре информационных систем Муромского института (филиала) ФГБОУ ВПО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых»(г. Муром, Владимирская область);
определены возможности использования полученных теоретических и практических разработок для идентификации других новообразований при изменении коэффициентов алгоритмов и перспективы практического использования при маммографическом скрининге;
создана автоматизированная система обработки и анализа маммографических снимков, позволяющая выделять и идентифицировать три основных типа новообразований;
представлены рекомендации по дальнейшему совершенствованию алгоритмов и системы распознавания по выделению других типов новообразований, а также сокращению времени и повышения точности их распознавания.
Оценка достоверности результатов исследования выявила , что:
- результаты экспериментальных работ получены на сертифицированном
оборудовании и программном обеспечении; показана воспроизводимость результатов
исследований, как на тестовых, так и на реальных маммографических снимках,
выполненных в разных проекциях;
использованная теория построена на известных методах цифровой обработки изображений и распознавания образов, на проверяемых данных, полученных по теме диссертации традиционным экспериментальным путем;
идея использования текстурных признаков Харалика второго порядка полутоновых маммографических снимков для распознавания новообразований, базируется на анализе практики распознавания изображений в медицине;
проведено сравнение результатов предварительной обработки алгоритмами автора и известными алгоритмами общего назначения, такими как метод линейного контрастирования, эквализации, нормализации и установлено, что алгоритмы автора дают результаты более высокого качества, что важно для обеспечения нужной точности распознавания новообразований;
применены современные методики сбора и обработки исходной информации, принятые в цифровой обработке изображений и распознавании образов и использованы презентабельные 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 выделения новообразований нескольких типов;
непосредственном участии соискателя в получении исходных изображений реальных маммографических снимков, а также научных экспериментальных исследованиях;
личном участии в апробации результатов исследования по выделению и идентификации новообразований на маммографических снимках;
обработке и интерпретации экспериментальных данных по распознаванию новообразований трех основных типов и моделированию технологии обработки и анализа маммографических снимков, выполненных лично автором;
подготовке основных публикаций по предварительной обработке, выделению новообразований типа «киста», «фиброаденома» и «рак молочной железы», а также разработке автоматизированной системы обработки и анализа маммограмм;
личном участии по внедрению результатов диссертационной работы в маммографическом отделении лечебно-профилактического учреждения и в учебном процессе.
Диссертация охватывает основные вопросы поставленной научной задачи по созданию алгоритмов и системы распознавания новообразований на маммографических снимках и соответствует критерию внутреннего единства, что подтверждается наличием последовательного плана исследований, основной идейной линии по созданию новых быстродействующих и точных алгоритмов распознавания новообразований, взаимосвязи выводов по результатам теоретических и экспериментальных исследований.
Практическая ценность работы. Разработанные алгоритмы и программные модули составляют основу АСОиАМС, применение которой позволяет решать следующие задачи практической медицины:
- постановка диагноза с использованием информации, содержащейся во всех
снимках, полученных в результате обследования;
существенное уменьшение субъективных ошибок врача при выявления новообразований на скрининговых маммограммах;
сокращения времени, повышения точности, объективности обследования пациентов.
Реализация результатов работы. Разработанная автоматизированная система используется в маммографическом отделении больницы на станции Муром ОАО «РЖД» и в учебном процессе Муромского института (филиала) ФГБОУ ВПО «Владимирский государственный университет имени А. Г. и Н. Г. Столетовых» в виде цикла практических занятий по дисциплине «Методы и системы цифровой обработки изображений» и «Научно-исследовательской работе студентов (НИРС)», что подтверждается соответствующими актами.
На защиту выносятся следующие основные результаты работы.
-
Алгоритм выделения областей молочной железы, основанный на случайных марковских полях, учитывающий индивидуальные особенности строения молочной железы каждой пациентки
-
Алгоритмы и программные модули выделения новообразований типа «Киста молочной железы», «Фиброаденома», «Рак молочной железы» с использованием новых и достаточно простых алгоритмов предварительной обработки, позволяющие выделять место локализации новообразований даже на фоне фиброзно-кистозной болезни и аденоза;
-
Алгоритмы и программные модули распознавания новообразований 3-х типов (киста, фиброаденома, рак молочной железы) на маммографических снимках, использующие дискриминантный анализ Фишера, отличающийся расчетом дискриминантных функций и оценок независимо от количества экспериментов в группах.
-
Тиражируемая система автоматизированной обработки и анализа маммографических снимков, обеспечивающая как автоматическую, так и диалоговую диагностику заболеваний молочной железы;
-
Результаты экспериментах исследований и практического применения системы, которые экспериментально доказали на реальных маммографических снимках применение предложенных научной идеи использования текстурных признаков и подходов выделения области молочной железы, областей новообразований трех типов, а также идентификации этих новообразований в медицинских системах маммографического скрининга.
Апробация работы. Материалы диссертационной работы докладывались и обсуждались на: Международном симпозиуме «Надежность и качество» (г. Пенза, 2012 г., 2013 г.); Международных конференциях «Распознавание 2012», «Распознавание 2013» (г. Курск, 2012 г., 2013 г.); XX Международной научной конференции студентов, аспирантов и молодых учных «ЛОМОНОСОВ-2013», (г. Москва, 2013 г.), а также на IV, V, VI Всероссийских межвузовских научных конференциях «Наука и образование в развитии промышленной, социальной и экономической сфер регионов России» (г. Муром, 2011-2013 гг.); XVIII Международной конференции по вычислительной механике и современным прикладным программным системам (г. Алушта, 2013 г.); VII всероссийском национальном конгрессе лучевых диагностов и терапевтов «РАДИОЛОГИЯ-2013» (г. Москва, 2013 г.); 11-ой международной конференции «Распознавание образов и анализ изображений: Новые информационные технологии»
(РОАИ-11-2013) (г. Самара, 2013 г.); «Искусственный интеллект. Интеллектуальные системы» (пос. Кацивели, АР Крым, Украина, 2013 г.)
Публикации. Основные результаты диссертации опубликованы в 26 работах, в том числе в 7 статьях в журналах из перечня ВАК, одной монографии, 9 статьях в других научных журналах и 6 тезисах. Получены 2 патента РФ на полезные модели и 1 свидетельство о регистрации программ для ЭВМ.
Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 104 наименований, 99 рисунков, 18 таблиц. Общий объем диссертации 149 страниц, в том числе 130 страниц основного текста, 9 страниц литературы, 10 страниц приложений.
Роль и место маммографического обследования в диагностики заболеваний молочной железы
По данным мировой статистики ежегодно выявляются около 1,38 млн. новых случаев РМЖ – это 10% от всех злокачественных опухолей различной локализации [7].
Показатели заболеваемости во всем мире варьируются в широких пределах. Самые низкие показатели заболеваемости наблюдаются в большинстве африканских стран, а так же в Японии и Китае, но и здесь эти показатели в последнее время возрастают.
Показатели выживаемости при раке молочной железы в разных странах варьируются в широких пределах – от 80% и более; в Северной Америке, Швеции и Японии около 60%; в странах со средним уровнем дохода менее 40. Низкие показатели выживаемости в менее развитых странах объясняются, главным образом, отсутствием программ по раннему выявлению, что приводит к значительному проценту женщин, у которых заболевание выявляется на поздних стадиях, а также отсутствием надлежащих средств и оборудования для диагностирования и лечения.
Ежегодно в России регистрируются более 50 000 тысяч новых случаев заболевания. В 2000 году было зарегистрировано – 44840 случаев, а 2010 году это число выросло до 55241 [2]. Средний возраст заболеваемости в РФ составляет 59,2 года.
По статистике в России различными заболеваниями молочных желез, среди которых фиброзно-кистозная и узловая мастопатия, кисты, фиброаденомы молочной железы, страдает около 50% всех женщин. От онкологических заболеваний молочных желез в нашей стране умирает 18,4% женщин. Основная причина такой высокой смертности – запущенное состояние болезни [8].
По данным Минздрава РФ Владимирская область занимает 15 место по всему центральному федеральному округу (ЦФО), включая г. Москва и Московскую обл., а среди близлежащих областей – 3 место по числу людей, у которых впервые выявлены злокачественные новообразования и 5 место по числу летальных исходов от опухолей в молочной железе среди областей ЦФО [2]. 1.1.1 Способы диагностики заболеваний молочной железы
Существует несколько способов диагностики заболеваний молочной железы: УЗИ молочных желез, маммография, компьютерная томография, магнитно-резонансная томография
Маммография – неинвазивный рентгенологический метод исследования молочных желез [9].
С помощью маммографии возможно обнаружить огромное количество патологий молочной железы – доброкачественные опухоли (кисты, фиброаденомы, галактоцеле, олеогранулемы и т.д.), злокачественные опухоли, предраковые образования МЖ.
Различают пленочную (аналоговую) и цифровую маммографию.
Пленочная маммография позволяет: – возможность поли позиционного изображения молочной железы; – возможность визуализации непальпируемых образований (в виде узла, локальной тяжистой перестройки структуры, скопления микрокальцинатов); – возможность выполнения широкого спектра инвазивных и неинвазивных методик, используемых как для диагностики, так и для лечения ряда заболеваний (аспирационная биопсия, склерозирование кист, дуктография, внутритканевая маркировка опухоли и прочее); – возможность объективного сравнительного анализа изображения молочной железы на маммограмме в динамике. Наряду с достоинствами пленочной маммографии имеются и существенные недостатки: – для проведения пленочной маммографии требуется специальное оборудование, которое имеет большой вес (маммограф более 200 кг, проявочная машина в среднем 60 кг) и занимает большое пространство в кабинете; – используются одноразовые маммографические кассеты, которые необходимо хранить при температуре 10-20С и относительной влажности 30-50% в металлических шкафах, либо в специализированных помещениях; – проявление пленки осуществляется с помощью специальных реактивов, за состоянием которых необходимо тщательно следить, иначе использование истощенного фиксажа или проявителя дает желто-зеленую вуаль, а недостаточная промывка пленки приводит к появлению вуали или белого налета при неполном удалении гипосульфита; – по многим причинам получается нечеткая, малоконтрастная маммограмма (например, неплотный прижим крышек кассеты или экрана к пленке приводит к появлению нерезкости изображения, использование экранов с повышенной зернистостью приводит к повышенной зернистости фона, что затрудняет поиск микрокальцинатов, механическое загрязнение экранов приводит к появлению мелких белых точек, симулирующих наличие мелких кальцинатов и так далее); – анализ маммограмм выполняет врач-рентгенолог, поэтому качество оценки снимка зависит от состояния здоровья врача, его квалификации, времени осмотра снимка, достаточной подсветки изображения, появления на снимках артефактов (пыли, грязи, пятен и так далее). – рентгеноблучение пациентов.
Цифровая маммография [10, 11] обладает теми же достоинствами что и пленочная, а также устраняет ее некоторые недостатки: поскольку снимок сразу попадает на экран монитора рабочей станции рентгенолога, не требуется использование проявочных машин, комнат и реактивов; врачу предоставляется возможность предварительной обработки снимков. О коммерческих цифровых маммографических комплексах речь пойдет далее.
Большинство российских медицинских учреждений используют пленочную маммографию [11]. УЗИ молочной железы. Ультразвуковая маммография (УЗМ) или ультразвуковое исследование молочной железы (УЗИ МЖ) – это неинвазивное исследование, использующее высокочастотные звуковые волны для получения изображения внутренней структуры молочной железы [12].
Основная цель УЗМ – диагностика любых отклонений, например, узла, кровянистых или прозрачных выделений из соска). С помощью УЗИ также возможно оценить структуру найденного новообразования даже при плотной МЖ, в которой много протоков, желез, фиброзной или железистой тканей. Поэтому УЗИ МЖ применяется в основном у молодых женщин от 15 до 35 лет, а также у нерожавших женщин старше 35 лет [13].
Разработка алгоритма выделения областей новообразований на маммограммах
Маммографическая пленка CEA MA PLUS является односторонней ортохроматической пленкой. Эта маммографическая пленка позволяет получать качественные изображения при высоких скоростях экспозиции, с отчетливо видными переходами от областей низкой плотности тканей молочной железы к участкам с высокой. Контур груди и подкожные области прекрасно просматриваются без помощи дополнительной яркой подсветки. Чрезвычайно высокая плотность (затемненность) изображения вне объекта улучшает визуализацию всех деталей молочной железы [28].
Проявочные машины Для проявления пленок используются проявочные машины. Проявочная машина Kodak Mammography X-Ray Processor (MXP-M) предназначена для применения в маммографии. Данный настольный прибор гарантирует надежное качество изображений для проявочной машины с неглубокими баками, особенно при использовании химических реактивов Kodak для обработки медицинской рентгеновской пленки. Пониженное использование химических реактивов и снижение затрат за счет системы полуавтоматического обновления растворов в зависимости от фактической длины обрабатываемой пленки. Снижение использования воды и энергозатрат при использовании интегрированного режима ожидания, который снижает потребление, когда проявочная машина не используется. Возможность снижения артефактов и получения надежных результатов при помощи циклов антикристаллизации и антиокисления, которые помогают сохранить ролики транспортной системы чистыми, а также поддерживают необходимую химическую активность, когда проявочная машина не используется [29].
Проявочные машины серии "Мини Мед-МТ" предназначены для высококачественной быстрой проявки всех видов рентгеновской пленки в рентгеновских отделениях больниц, поликлиник, травмпунктов. Преимущества аппаратов - в быстроте и высоком качестве проявки, простоте в установке и техническом обслуживании, большой производительности, высокой надежности, сверхкомпактности и низкой цене [30].
Проявочная машина Kodak Min-R Mammography Processor предназначена для высококачественной обработки листовых рентгеновских пленок форматов от 10х10 до 35х43 см. Процессор создан для обработки маммографической пленки, предъявляющей максимальные требования к качеству получаемого изображения. Однако обработка всех других типов медицинской листовой пленки (общего применения, видеопленки, пленки для лазерных принтеров) так же возможна. Использование специальных материалов в транспортирующей системе процессора позволяет снизить до минимума появление артефактов при обработке маммографических пленок и улучшить качество изображения. Обладает возможностью выбора цикла обработки пленки [31].
Маммографы Любой цифровой маммографический комплекс включает следующие элементы: 1. маммограф с цифровым плоским детектором; 2. рабочая станция рентгенолаборанта (системный блок, монитор, клавиатура, мышь, набор программного обеспечения); 3. рабочая станция врача (монитор, программа просмотра и обработки изображений, системный блок, монитор, клавиатура, мышь); 4. устройство для печати цифрового изображения на пленку.
Рассмотрим преимущества цифровой технологии в отличие от аналоговой. Использование цифровой маммографии в первую очередь повышает качество исследования молочной железы, позволяет проводить более точную и детальную диагностику за счет возможностей постпроцессинговой обработки полученных изображений: изменение уровня яркости и контрастности, негатив/позитив изображения, выделения и увеличения интересующего участка, акцентирование внимания на мелких деталях и тончайших структурах, меняя их визуальные качества,
Широкий динамический диапазон, высокая чувствительность и специальное программное обеспечение позволяют увидеть на одном диагностическом снимке изображение почти всех тканей разной плотности.
Пространственное разрешение комплекса отражает способность системы воспроизводить мельчайшие патологические изменения, в том числе и микрокальцинаты от 50 до 100 мк, что чрезвычайно важно для ранней диагностики рака молочной железы.
Цифровая маммография облегчает работу врача-рентгенолога при чтении цифровой информации.
Цифровая технология позволяет устранить ошибки при выборе условий экспонирования, что практически сводит к минимуму число повторных снимков и экономит время.
Отсутствует потребность в использовании пленки и химикатов, что способствует получению экономического и экологического эффекта.
Существенно снижается время, затраченное на обработку и проявку рентгеновской пленки, что значительно повышает пропускную способность кабинета маммографии.
Использование термографического принтера и термографической пленки, не чувствительной к дневному свету, дает возможность постоянно получать снимки высокого качества и создает удобства в работе.
Цифровая маммография позволяет формировать электронный архив, имеет широкие возможности обработки и передачи цифровых изображений не только в любые подразделения своего лечебного учреждения, но и в другие лечебно-диагностические центры [10, 11].
Общие требования к системе
В [104] были исследованы алгоритмы распознавания новообразований, и оказалось, что с помощью метода построения эталонов правильно распознано из 9 только 2 объекта (22,2%); метод построения ближайших соседей показал 100% результат (правильно распознано все 9 объектов). При использовании дискриминантного анализа было правильно распознано все 9 экзаменационных объектов.
Таким образом, исследования показали, что наиболее приемлемыми алгоритмами фильтрации шумов являются медианный и сигма фильтры, так как позволяют уменьшить энтропию маммограммы, не вызывают размытия контура объектов по краям и не усредняют яркости.
Установлено, что в алгоритмах контрастирования изображений наилучшим является алгоритм эквализации гистограммы CLAHE.
Экспериментально установлено, что: - применение алгоритмов пороговой сегментации эффективно позволяет выделять только область молочной железы, использование их для выделения новообразований не представляется возможным; - поскольку маммограмма содержит большое количество текстур, алгоритм наращивания областей также не приемлем для сегментации; бинарный алгоритм увеличения однородностей способен достаточно успешно выделять краевую область молочной железы, что позволяет установить некоторые признаки РМЖ, например, втянутость соска, однако при сегментации происходит выделение областей фиброза, что усложняет правильность диагностики новообразований; - алгоритм кластеризации К-средних совсем не подходит для сегментации маммографических снимков, так как лучшим образом подходит для классификации; - алгоритмы маркерного водораздела и Fuzzy C-mean наиболее точно выделяют области новообразований.
В ходе исследований установлено, что метод ближайших соседей и дискриминантный классификатор Фишера являются наилучшим для решения задачи классификации новообразований.
Дальнейшие исследования следует проводить с использованием следующих алгоритмов и методов: - фильтрация шума с помощью медианного и сигма фильтров коррекция яркости и контрастности методом преобразования гистограмм - выделение новообразований на маммограммах с помощью алгоритма маркерного водораздела и Fuzzy C-mean - распознавание типов новообразований следует проводить методом ближайших соседей и дискриминантного анализа Фишера.
Выводы по первой главе
1. Анализ состояния развития злокачественных заболеваний молочной железы в мире, в России и по Владимирской области показал что, рак молочной железы лидирует среди онкологических заболеваний у женщин - это общая тенденция.
2. Для выявления различных заболеваний молочных желез используются пленочная и цифровая маммография. В России большинство лечебно-профилактических учреждений оснащены устаревшей аналоговой техникой, которая не позволяет получить маммограммы с высоким качеством и использовать современные информационные технологии, методы цифровой обработки изображений и распознавания. Существующая пленочная технология получения и последующая ручная обработка маммограмм требует много времени, и высока вероятность появления шума и артефактов на снимках.
3. Во всем мире осуществляется переход от аналоговой к цифровой технике, однако в России это процесс выполняется очень медленно. Цифровые маммографические комплексы позволяют получить цифровую маммограмму высокого качества, снизить долю облучения пациенток, хранить снимки с предыдущих обследований, отправка маммограмм по сети Интернет для коллективной постановки диагноза.
4. Молодым женщинам (до 40 лет) с плотными тканями молочных желез требуется ультразвуковая маммография, позволяющая выявить заболевания молочных желез, которые не способна показать рентгеновская маммография.
5. Компьютерная томография как вид обследований МЖ в России вообще не используется в связи с большой дозой облучения женщин.
6. Магнитно-резонансная томография используется для выявления злокачественных областей на снимках с мастопатией, когда размер опухоли очень мал. Данный вид обследований не несет рентгеновского излучения. Несмотря на достоинства данного метода, не все женщины могут позволить себе обследование МЖ с помощью МРТ, в виду дороговизны либо отсутствия МРТ во многих регионах.
7. Сложность обработки аналоговых маммограмм зависит от следующих факторов: наличие повреждений на экранах кассет, правильность промывки пленки, состояние реактивов в проявочных машинах и прочее. Кроме того, наличие той или иной формы мастопатии, из-за которой плотная молочная железа имеет однородную структуру, осложняет автоматическую диагностику молочной железы. Кроме того, возникает сложность при диагностике рака молочной железы, так как на ранней стадии это заболевание болезненных ощущений не вызывает, и имеет малый размер опухоли.
8. Существующие алгоритмы предварительной обработки молочных желез не учитывают наличие мастопатии на снимках, что плохо сказывается на результате обработки снимков.
9. Непосредственное применение существующих алгоритмов распознавания для анализа маммографического снимка не дает требуемой точности классификации новообразований. Это связано с тем, что на снимках не выделены информационные признаки и области новообразований.
10. В некоторых исследовательских центрах и учебных заведениях России ведутся работы по созданию алгоритмов предварительной обработки, выделения новообразований и их классификации для выявления заболеваний на ранних стадиях. Однако до сих пор не создан алгоритм автоматической обработки рентгеновских снимков, однозначно применяющийся к маммограммам.
11. Отсутствуют алгоритмы выделения областей новообразований на снимках, удовлетворяющие требования обеспечения максимального уровня правильного распознавания.
Классификация снимков обучающей выборки врачом-рентгенологом
Представляет собой работу маммографического комплекса: на кассету (3.2.2) с помощью рентгеновского излучения переносится снимок молочной железы, затем в «темной» комнате при ультрафиолетовом свете из кассеты вытаскивает пленка и помещается в проявочную машину. В ней с помощью различных реактивов проявляется маммограмма. Если обследование проводится на цифровом маммографическом комплексе, тогда на рабочую станцию врача-рентгенолога поступает цифровой рентгеновский снимок молочной железы, минуя кассеты и проявочные машины.
В состав блока оцифровки входит модуль работы со сканером высокого разрешения и модуль импорта изображения в формат медицинских данных DICOM [85]. Таким образом, в данном блоке происходит аналогово-цифровое преобразование пленочной маммограммы в цифровой вид.
Данная подсистема является связующим звеном системы обработки и анализа маммограмм и базой данных пациентов и обследований, она сохраняет в базу данных исходный маммографический снимок (3.3.1, либо 3.3.2), и подает на вход подсистемы обработки изображений маммограмму.
На вход данной подсистемы поступает цифровой снимок молочной железы в краниокаудальной или медиолатеральной проекциях. Поскольку как уже говорилось, нет необходимости обрабатывать весь снимок целиком, в данной подсистеме происходит выделение области молочной железы путем использования разработанной модели молочной железы с помощью Марковского случайного поля для нормального распределения. Далее область молочной железы подвергается контрастированию. В подсистеме реализованы алгоритмы линейного контрастирования, эквализации, нормализации, CLAHE, алгоритмы гистограммных преобразований направленные на конкретные типы снимков.
На следующем шаге с помощью различных фильтров (медианная фильтрация и ее разновидности, сигма-фильтрация, усредняющий фильтр, фильтр Ли, фильтр Кауна) фильтруется аппаратный шум и артефакты. Иногда возникает необходимость использования пороговой обработки, порог выбирается по методу Отсу.
Подсистема выделения областей новообразований состоит из 3 основных модулей: работа с кистой, с фиброаденомой и раком молочной железы. В зависимости от выбранного пользователем алгоритма предварительной обработки выполняется тот или иной алгоритм. Кроме того, пользователь может сам вручную выполнить любой из алгоритмов текстурной сегментации в не зависимости от предыдущего блока. 3.4.6 Подсистема вычисления текстурных признаков областей новообразований
Данная подсистема осуществляет вычисление текстурных признаков и формирования по этим данным вектора признаков для последующего использования его в подсистеме классификации.
Подсистема классификации состоит из 2 основных частей: обучения и распознавания [99]. Первый уровень характеризует этап работы системы классификации – обучение. На 2 уровне происходит выделение области молочной железы (в соответствии с моделями (п. 3.2) на снимках с преобладанием жировой ткани, железисто-жировой ткани, и с плотной железистой тканью. На следующем уровне происходит обучение системы для выделения новообразований: кисты, фиброаденомы и рака молочной железы на маммограммах в соответствии с 2 уровнем. 4 уровень характеризует общий состав алгоритмов выделения каждого вида новообразований, который уточняется на 5 и 6 уровнях. Вычисленные текстурные характеристики (6 уровень) заносятся в базу данных как эталонные вектора-признаков.
Технология обучения представлена на рис. 3.7-3.9. Блок распознавания новообразований представлен на рисунке 3.10. Технология распознавания: неизвестный снимок поступает на 1 уровень в подсистему предварительной обработки, обрабатывается 3 алгоритмами выделения областей новообразований из расчета появления различных заболеваний (киста, фиброаденома, РМЖ) на снимке (уровни 2-4). На 5 уровне маркируются все выделенные области и для каждой области вычисляются вектора признаков (уровни 6-7). Далее вектор признаков поступает на вход подсистемы классификации (уровень 8). Результатом 8 уровня является найденный тип новообразования. Рисунок 3.7 – Общая схема обучения Рисунок 3.8 – Общая схема обучения (продолжение) Рисунок 3.9 – Общая схема обучения (окончание)
В разработанной АСОиАМС имеется возможность врачу самому выделять подозрительную с его точки зрения область и в дальнейшем обработать только эту область либо комплексом алгоритмов выделения областей новообразований, либо выбрать конкретные алгоритмы обработки ROI. Кроме того, с помощью инструмента «линейка» представляется возможность измерить ROI [138].
Серверная часть взаимодействует с БД, где хранится вся информация. Для взаимодействия клиентской части с серверной служит драйвер доступа к БД Firebird .NET Provider. В качестве модуля взаимодействия с серверной частью будет выступать класс функций работы с серверной частью. С помощью данного класса будут отправляться запросы на сервер, приниматься результаты, а также представлять их в нужной структуре. Класс будет содержать методы для извлечения данных на компоненты интерфейсы, например в таблицы, выпадающие списки, а также метод добавления/редактирования/удаления записей, и др.
Серверная часть состоит из системы управления базами данных (СУБД). Сервер СУБД принимает все пришедшие запросы, обрабатывает их и отсылает ответ клиенту. Все операции с базой данных выполняется через запросы на структурированном языке SQL.
Модуль создания и вывода статистики – дополнительно разработанный модуль. Позволяет осуществлять построение гистограмм, показывающих количество случаев выявления отдельного заболевания по любому значению анкеты, к примеру, можно проследить в каком возрасте чаще всего выявляется заболевание «Рак молочной железы».
