Методы и алгоритмы классификации патологий на медицинских изображениях

ВВЕДЕНИЕ 4
ГЛАВА 1. ТЕКУЩИЕ СОСТОЯНИЕ В ЗАДАЧАХ КЛАССИФИКАЦИИ МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ 10
1.1. Магнитно-резонансная томография как средство диагностирования 12
1.2. Искусственные нейронные сети 22
1.2.1. Определение искусственной нейронной сети 23
1.2.2. Связь с биологией 27
1.2.3. Определение искусственной нейронной сети 29
1.3. Анализ существующих методов классификации медицинских изображений 32
1.4. Выбор проектных решений 42
1.5. Краткие выводы 45
ГЛАВА 2. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ РЕШЕНИЯ ЗАДАЧ КЛАССИФИКАЦИИ МЕДИЦИНСКИХ СНИМКОВ НА ОСНОВЕ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ 47
1.1. Используемые данные 48
1.2. Архитектура нейронной сверточной сети 49
1.2.1. Анализ архитектуры нейронной сети 49
1.2.2. Построение архитектуры сети принимаемой в качестве решения 53
1.3. Краткие выводы 58
ГЛАВА 3. РАЗРАБОТКА И РЕАЛИЗАЦИЯ МЕТОДА 60
3.1. Формирование архитектуры проектного решения 60
3.2. Подготовка данных 62
3.3. Реализация и обучение нейронной сети 64
ГЛАВА 4. ЭКСПЕРИМЕНТ И СРАВНЕНИЕ 67
4.1. Обучение сверточной нейронной сети 67
4.2. Сравнение результатов и выводы 68
ЗАКЛЮЧЕНИЕ 70
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 73
ПРИЛОЖЕНИЕ 78

Весь текст будет доступен после покупки

Медицинские изображения имеют ряд особенностей, которые следует учитывать при создании систем распознавания. Основными проблемами при работе с медицинскими изображениями: МРТ головного мозга или КТ грудной части человека, являются низкое качество и плохой контраст, наличие артефактов и засветок, обусловленных ручным способом их получения.
Точный анализ и правильная обработка результатов исследований позволяют эффективно выделять патологические процессы. Проблему повышения качества требуется решать на всех этапах распознавания изображений: сегментации, выделении и анализе объектов, параметрическом описании, классификации. Классификация позволяет дать ответ на вопрос: являются ли выделенные объекты отражением патологического процесса (см. [1, с. 1]).
Для классификации объектов могут применяться различные методы машинного обучения, такие как нейронные сети, метод опорных векторов, дискриминантного анализа и т. д. Вместе с тем задача автоматизированной диагностики патологических процессов по данным медицинских изображений далека от своего разрешения.
По данным Министерства здравоохранения РФ, в стране онкологическими заболеваниями страдают 4 млн россиян. Эту цифры замглавы ведомства Евгений Камкин назвал 3 февраля 2023 года. По его словам, ежегодно выявляется около 600 тыс. новых случаев. Так в сравнении с 2008 г. количество смертей от онкологических заболеваний в мире выросло примерно на 28%.

Весь текст будет доступен после покупки

Показано, что на текущий момент существует большой спектр систем и средств, выполняющих обработку и последующую визуализацию медицинских данных. Подобные решения представлены рядом программных продуктов, которые различаются по функциям, направленности и сложности. Выделены два ключевых способа реализации подобных программных комплексов. Первый способ предполагает, что комплексы обработки медицинских изображений встраиваются в аппаратную часть, а затем поставляются совместно с аппаратным обеспечением. Второй способ заключается в реализации и установке систем в качестве самостоятельного программного обеспечения. Наиболее актуальными и перспективными системами являются те, что поставляются и реализуются независимо от аппаратной части, так как позволяют выполнять обработку изображений независимо от оборудования, на котором они получены.
Важно отметить, что такие модальности как МРТ и КТ обладают достаточно высоким качеством, однако имеют высокое время сбора данных, а также их невозможно использовать при хирургических вмешательствах. В свою очередь, эндоваскулярные процедуры на сердце практически всегда проходят под контролем эхокардиографии или флюороскопии. Наличие ряда недостатков, присущих подобным модальностям, среди которых низкое качество выходных данных, ограниченная область видимости, отсутствие глобального контекста, значительное число артефактов и теней, высокий спекл-шум и низкий контраст, не позволяет эффективно выполнять диагностирование пациентов и назначить верный курс лечения.
В связи с этим было предложено реализовать методы и алгоритмы классификации снимков КТ и МРТ на основе сверточных нейронных сетей. Однако подобные техники требуют наличия дополнительного оборудования, что влечёт за собой большие затраты при их использовании в клинической практике. Менее затратной альтернативой является обнаружение патологии с использованием изображений. На сегодняшний день было предложено множество методов по локализации патологии, однако большинство из них носили лишь экспериментальный характер. Важно добавить, что особенностью подобных методов является их строение по принципу каскадности. Такой подход легко интерпретируется, однако имеет свойство к накоплению ошибки и обладает слабой обобщающей способностью. При масштабировании и использовании этого подхода на других данных приходится тонко перенастраивать параметры блоков обработки. Необходимо подчеркнуть, что методы, построенные по такому принципу, зачастую тестируются на небольшой выборке. Это объясняется тем, что катетер на таких изображениях довольно легко различим, однако анатомические структуры без введения контрастного вещества высокой плотности отсутствуют. В связи с этим, эффективным является подход, основанный на обработке динамических трёхмерных данных с МРТ аппарата.
Анализ исследований показал, что базирующиеся на свёрточных нейронных сетях методы локализации и классификации трёхмерных данных медицинских не имеют каскадности, обрабатывают сырые данные без дополнительной предобработки, характеризуются высокой обобщающей способностью и масштабируемостью.
Слово «Опухоль» (tumor) является синонимом слова новообразование (neoplasm) - последнее формируется за счет аномально быстрого роста клеток [5]. При этом на практике разделяют доброкачественные и злокачественные опухоли. Отдельно выделяют группу опухолей, склонных к метастизированию, которые рассматриваются как особо опасные. Наиболее распространенными видами ОГМ являются [5]:
• глиомы или астроцитомы - формируются из астроцитов и других видов глиальных клеток, обеспечивающих среду обитания для нервных клеток;
• енингиомы - формируются из различных клеток мягких мозговых оболочек (тонкий слой ткани, который выстилает головной и спинной мозг);
• метастазы - являются результатом метастазирования из другого органа, в котором развилась злокачественная опухоль (последний вид ОГМ встречается наиболее часто).

Весь текст будет доступен после покупки

1. Статистика заболеваний и летальных исходов [электронный ресурс]. – Режим доступа: https://www.who.int/ru/news-room/fact-sheets/detail/cancer
2. Коновалов А.Н., Корниенко В.Н., Пронин И.Н. Магнитно-резонансная томография в нейрохирургии. – М.: Видар, 1997. – 472с.: ил.
3. Верещагин Н.В., Борисенко В.В., Власенко А.Г. Мозговое кровообращение. Современные методы исследования в клинической неврологии М.: Интер-Весы. 1993. С. 87-143
4. Swe, Z.O. Brain tumor detection and segmentation using watershed segmentation and morphological operation/ Z.O. Swe, S.K. Aung // International Journal of Research in Engineering and Technology. —2014. —Vol. 3. — Issue 03.—PP. 367-374.
5. Manoj, L.L. Brain Tumor Detection and Segmentation Using Histogram Thresholding/ K.K. Manoj, Y.K. Soubrabh// International Journal of Engineering and Advanced Technology. - 2012. - Vol. 1. - Issue 04. - P. 16-20.
6. Mansfield, P. NMR Imaging in Biomedicine: Supplement 2 Advances in Magnetic Resonance/ P. Mansfield, P.G. Morris. — New York: Academic press, 1982. — 365 P.
7. Neeraj, S. Automated medical image segmentation techniques/ S. Neeraj, L.M. Aggarwal // Journal of medical physics. — 2010. — Vol. 35. — PP. 3-14.
8. Georg, R. Характеристики МРТ-изображений [электронный ресурс]. – R. George, J.D. Cruze, R. Singh// перевод сайта MRI Master. Режим доступа: http://mrimaster.ru/characterimages/t2.

Весь текст будет доступен после покупки