Поиск по сайту
Авторизация
Логин:
Пароль:
Забыли свой пароль?
Рейтинг@Mail.ru

Компьютерная диагностика: нейронные сети и обработка изображений в офтальмологии

Computer-Aided Diagnosis System for Retinal Diseases in Medical Imaging

MARIUS CRISTIAN LUCULESCU, SIMONA LACHE

March 2008

В статье приводятся результаты некоторых исследований по биологическим визуальным структурам человека, которые касаются диагностики и диагностики, а также знаний и навыков в технических и информационных системах, визуальные заболевания, а именно макулярные. Эта важная трансдисциплинарная тема объединяет аспекты биосистем (визуальной системы человека), получения и обработки изображений (медицинская визуализация), методов искусственного интеллекта (нейронных сетей) и управления информацией (базы данных). Начиная с классических или цифровых изображений сетчатки, используя алгоритмы распознавания изображений нейронных сетей, система Computer-Aided Diagnosis (CADx) с высокой точностью идентифицирует макулярные заболевания. Изображения хранятся в базах данных вместе с персональными данными пациента и информацией о лечении и диагностике. Программное обеспечение включает модули обработки изображений, базы данных и искусственные нейронные сети, которые могут быть обучены распознаванию изображений новых заболеваний или улучшению чувствительности и специфичности системы. Компьютерная диагностика снижает уровень неуверенности врача в отношении некоторых заболеваний, улучшает исходную и эволюционную точность идентификации болезни, позволяет контролировать состояние здоровья пациента во время новых методов лечения, хранить изображения в цифровом формате и создавать базы данных диагнозов, которые могут быть изучается в исследованиях, медицинской практике и специализированном обучении (сегодня врачи часто используют Интернет для постановки правильного диагноза, например, читают про гепатит С на форуме). Использование такой системы повышает качество и доступность медицинских услуг.

1. Введение

В последние годы диагностика заболеваний зрительной системы человека имела удивительный прогресс, особенно благодаря технологическим инновациям и экспоненциальному развитию в области ИТ. Принимая во внимание разнообразие и сложность глазных функций, было разработано огромное количество оборудования, устройств, методов и алгоритмов диагностики. Иногда врач может идентифицировать определенные заболевания после визуального анализа изображения, представляющего пораженный участок. Тем не менее, во многих случаях диагноз не удался из-за различных факторов, таких как, например, снижение опыта, усталость, разнообразие форм и текстуры, сходство, плохое качество изображения и т. Д. В этих ситуациях второе мнение, полученное от другого эксперта или лучше от системы автоматизированной диагностики, очень важно и полезно.

Из множества заболеваний зрительной системы человека те, которые воздействуют на внутренний задний нервный слой глаза, а именно сетчатку, можно идентифицировать путем распознавания изображений в так называемом процессе обработки изображений медицинских заболеваний сетчатки. Из болезней сетчатки макулярные из них самые худшие.

Макула является биологической структурой от человеческой визуальной системы, ответственной за высокое остроту зрения, цветное зрение и центральное зрение. Состоит из небольшой чувствительной области в центральной части сетчатки, макула позволяет фокусировать центральное зрение в глазу и контролировать способность людей читать, управлять автомобилем, распознавать лица или цвета и видеть объекты в мельчайших подробностях.

Существуют различные условия для глаз, при которых макула может быть повреждена, что часто приводит к потере центрального зрения (рис.1). Макулярные заболевания, особенно AMD (возрастная дегенерация желтого пятна), все чаще возникают во всем мире, потому что они необратимы, поэтому очень важно, чтобы процесс был ранним выявлен и остановлен. Дегенерация макулы вызвана ухудшением центральной части сетчатки, внутреннего заднего слоя глаза, который регистрирует изображения, которые мы видим, и посылает их через зрительный нерв от глаза к мозгу.


Рисунок 1. Влияние AMD на человеческое видение [2]: a - нормальное зрение, b - потеря центрального зрения из-за AMD

Такие проблемы могут возникать в более высоком возрасте, но в последние годы они наблюдались во второй части жизни (40-60 лет).

Существующие варианты лечения могут замедлять прогрессию, а исследования продолжаются в направлении реверсирования повреждения сетчатки.

2. Разработка проблемы

Макулярные заболевания имеют большое разнообразие форм и текстур, и иногда их трудно идентифицировать и распознавать даже опытными врачами. В этих ситуациях система компьютерного диагностирования (CADx) становится очень полезным инструментом не только для врачей, но и для исследователей. Именно поэтому мы пытаемся разработать и оптимизировать такую ​​систему на основе интеллектуальных алгоритмов классификации / распознавания изображений.

Очень важно провести различие между автоматизированным детектированием (CAD) и автоматизированным диагностированием (CADx) [3]. В то время как первый метод предполагает только выявление и локализацию областей интересов возможного заболевания, второй позволяет получить высокую степень точности анализа области, диагностической классификации или распознавания заболеваний. Что касается производительности, то система САПР характеризуется чувствительностью, представляющей процент правильно распознанных изображений с потенциальными заболеваниями, в то время как система CADx характеризуется специфичностью, поскольку процент изображений изображений правильно распознается.

Система компьютерного диагноза (CADx) для макулярных заболеваний является очень полезным инструментом для врачей и исследователей из-за следующих преимуществ:

• Диагноз, распознаваемый компьютером, уменьшит степень неуверенности врача;

• Он обеспечивает точность, консистенцию и высокий коэффициент достоверности при интерпретации результатов;

• Он позволяет контролировать состояние здоровья пациента во время новых методов лечения;

• Время идентификации диагноза значительно сокращается;

• Диагноз может быть сохранен в цифровом формате (файл изображения для фотографии сетчатки и медицинская запись в конкретной базе данных пациентов);

• Изображение может обрабатываться и анализироваться в режиме онлайн или в автономном режиме;

• Система создает базу данных диагнозов, полезную для исследователей, для медицинской практики и для специализированных учебных целей;

• Может быть разработана база данных с личной и личной информацией пациента, имеющая локальный или удаленный защищенный доступ;

• Длительные затраты на лечение, дополнительные тесты и количество хирургических вмешательств значительно снижены;

• Повышается качество и доступность медицинских услуг.

2.1. Структура системы CADx

Система CADx должна анализировать изображение макулы пациента и распознавать ее, предлагая ответ, который содержит четыре возможных диагноза, упорядоченных по степени уверенности. Первоначально система была обучена распознавать нормальную макулу и определенный набор диагнозов, но ее можно дополнительно обучить, используя программное обеспечение, чтобы узнать больше.

Структура процесса CADx представлена ​​на рис.2.

Изображение сетчатки приобретается с помощью камеры исследования сетчатки и передается компьютеру в качестве ввода данных для разработанного программного обеспечения. Модуль обработки изображений используется для улучшения качества изображения или геометрических преобразований. Затем определенный вектор функций изображения автоматически извлекается, и полученные значения применяются к входам искусственной нейронной сети (ANN), используемой для классификации / распознавания изображений [4]. ANN генерирует ответ, который представляет собой набор из четырех возможных диагнозов, упорядоченных по степени уверенности. В конце концов, врач может установить окончательный диагноз после обсуждения с пациентом, принимая во внимание личные и heredo-побочные антецеденты и другие аспекты, которые считаются важными. Результаты хранятся в базе данных, как медицинская карта пациента, вместе с личной информацией и рекомендуемым лечением.


Рис.2. Структура процесса CADx

2.2 Этап знания в домене

На международном уровне анализ нынешнего этапа показал чрезвычайно важный интерес: автоматизированная диагностика, основанная на распознавании изображений, является одной из основных тем исследований в рамках медицинской визуализации [3], [5]. Этот интерес мотивирован заботой, проявленной к состоянию здоровья людей, а также преимуществами CADx, упомянутыми выше. В минутном анализе литературы по специальности указывалось следующее:

• В области медицинской визуализации было проведено бесчисленное количество исследований, посвященных компьютерной диагностике рака молочной железы [6], легочных узелков из рентгенограмм грудной клетки [7] и CAT SCAN [8], [ 9], церебральные аневризмы [10], [11], некоторые области лучше покрыты, другие области менее покрыты, как и в случае изображений сетчатки;

• В области визуализации сетчатки существует ряд достижений, но из-за большого разнообразия диагноза, решенные проблемы имеют в виду только выборочное лечение их идентификации [12]. Существуют исследования, связанные с диагностикой глаукомы в изображениях глазного дна [13], распознаванием радужной оболочки глаза, идентификацией белых пятен и интенсивными кровотечениями на уровне сетчатки, автоматическим обнаружением повреждения диабетической ретинопатии [14], но нет окончательных результатов группа болезней;

• Обработка и анализ изображений в этом поле, как правило, предполагают использование операций сегментации изображения (оптического диска, макулы, сосудистой арки, макулярных рузунных отложений, микроаневризмы и экссудатов при диабетической ретинопатии) [15], усиление контраста [ 16], применение фильтра [17];

• Часто используемые методы и методы классификации / распознавания изображений используют линейные или превосходные классификаторы порядка [18], деревья решений, машинное обучение [19] и чаще всего нейронные сети [20], [21], [22], [23].

3. Проблема и Решение

Для решения проблемы автоматизированной диагностики заболеваний макулы и для оптимизации решения был разработан программный пакет. В Matlab® был разработан специальный модуль обработки изображений, модуль базы данных и модуль нейронных сетей.

Описание компонентов системы представлено вперед, с упором на наиболее важные аспекты процесса диагностики.

3.1 Получение изображения

Изображение Retina может быть получено непосредственно с камеры исследования сетчатки, которая предлагает цифровое изображение или классическое изображение на цветной реверсивной пленке. Эти последние типы изображений должны обрабатываться на машине обработки фотографий, а затем оцифровываться с помощью сканера. Система готова работать с любым изображением сетчатки в цифровом формате. Формат файла изображения, используемого для распознавания, в этом выпуске программного обеспечения должен быть одним из JPG.

3.2 Обработка изображений

Имея изображения на экране компьютера, врач может наблюдать детали и обрабатывать их, чтобы подчеркнуть элементы, которые могут идентифицировать диагноз.

Для этого графический пользовательский интерфейс (GUI), разработанный в Matlab авторами, предлагает доступ к модулю обработки изображений. Он содержит опции для обработки одного изображения за раз (рис.3) или для сравнения двух изображений, представляющих, например, две стадии заболевания одного и того же пациента.


Рис.3. Главное окно модуля обработки изображений

Сравнение может быть сделано с визуальной точки, а также с математической точки зрения - гистограммы и значения функций изображения.

Для пользователя доступны различные варианты (рис. 3): открытие файла, сохранение его в том же или другом формате, просмотр исходного изображения, компонентов Red (R), Green (G) и Blue (B), преобразование из RGB к Грей. Гистограммы для компонентов R, G и B могут быть рассчитаны и построены для нескольких максимум 255 бит. Пользователь может масштабировать, панорамировать и поворачивать изображение. Детали изображения проверяются с помощью средства Image Tools (рис. 4). Возможны варианты: вертикальное масштабирование, горизонтальное масштабирование, неограниченное масштабирование, вертикальное панорамирование, горизонтальное панорамирование, неограниченное панорамирование и возврат к исходному виду. Изображение может быть горизонтальным или вертикальным.

Контраст может быть усилен с помощью выравнивания гистограммы. Врач может выбрать и обрезать область интересов изображения и сохранить ее.


Рис.4. Опция «Инструменты изображения»

Все эти инструменты доступны для того, чтобы подчеркнуть некоторые характеристики изображения, чтобы диагностика была легко распознана.

Возможности для просмотра и редактирования изображения очень полезны для пользователя, особенно для врача, но они очень важны на этапе проектирования системы автоматизированного диагностирования. Они дали возможность создать базу данных с изображениями диагнозов, используемых для обучения искусственной нейронной сети в процессе распознавания изображений. Для тестирования сети использовалась другая база данных.

На этапе проектирования системы было возможно, имея все эти инструменты, подготовить изображения, чтобы можно было правильно распознать повернутое изображение или зеркальное отображение, если лучше использовать серые изображения или изображения RGB или контраст расширенные изображения для входов нейронной сети.

Другим важным вариантом, доступным в модуле обработки изображений, является «Сравнение двух изображений».

Два файла изображений могут быть открыты и проанализированы вместе, визуально или с использованием нормализованных гистограмм или значений, которые представляют функции. Пользователь может масштабировать и панорамировать изображения и строить гистограммы.

3.3. Анализ и анализ изображений

Изображения с макулярными заболеваниями характеризуются большим разнообразием форм и структур, поэтому более полезно использовать для классификации / распознавания изображений, дескрипторов текстур вместо формальных или пограничных дескрипторов. Поэтому в качестве функций изображения использовались набор из шести значений, которые описывают регион путем количественной оценки его текстурного содержания [24]. Шесть дескрипторов основаны на статистических свойствах гистограммы интенсивности, а именно на статистических моментах, а именно: среднее - показатель средней интенсивности, стандартное отклонение - мера среднего контраста, гладкость интенсивности в этой области, третий момент - a мера асимметрии гистограммы, равномерности и энтропии.

Система должна распознавать изображения, даже если они повернуты, зеркалированы или масштабированы. Что касается этого аспекта, то был использован набор из семи двумерных инвариантов момента, нечувствительных к трансляции, масштабированию, зеркалированию и вращению.

...

4. Вывод

Авторы разработали полное программное обеспечение для этой автоматизированной системы диагностики. Врач будет использовать программу в так называемом пользовательском режиме, который не содержит всех вышеперечисленных средств и может быть выбран из опций меню «Настройки». Система является открытой, позволяющей создавать новые базы данных с изображениями диагнозов, новыми нейронными сетями для обучения и оптимизации их администратором, который будет иметь доступ ко всем средствам (режим администратора), чтобы иметь возможность распознавать новые диагностировать и продолжать учебный процесс для повышения производительности системы.

Графический интерфейс является удобным для пользователя. Начиная с классических или цифровых изображений сетчатки,

используя алгоритмы распознавания изображений нейронных сетей, система Computer-Aided Diagnosis (CADx) с высокой точностью идентифицирует макулярные заболевания. Изображения хранятся в базах данных вместе с персональными данными пациента и информацией о лечении и диагностике. Программное обеспечение включает модули обработки изображений, базы данных и нейронные сети, которые можно обучить распознаванию изображений новых заболеваний. Компьютерная диагностика снижает уровень неуверенности врача в отношении подобных заболеваний, улучшает исходную и эволюционную точность идентификации болезни, позволяет контролировать состояние здоровья пациента во время новых методов лечения, сохранять изображения в цифровом формате и создавать базы данных диагнозов, которые могут быть используемых в исследованиях, медицинской практике и специализированном обучении.

Новые направления развития системы будут сосредоточены на:

• Внедрение системы таким образом, чтобы она была реализована в цифровой фотокамере сетчатки. Это предполагает аппаратную реализацию нейронной сети вместе с функциями обработки изображений;

• Анализ изображения сетчатки в режиме онлайн на компьютере. Это будет возможно только с цифровой камеры исследования сетчатки;

• Интеграция на сервере базы данных для различных типов диагностики с дистанционным защищенным доступом для исследователей, врачей, преподавателей и студентов. Эта база данных будет разработана в важном исследовательском проекте под названием «Исследования в области визуализации и компьютерного диагностирования заболеваний зрительной системы человека», финансируемых Румынским советом по исследованиям в области высшего образования;

• Адаптация системы к ее использованию для распознавания изображений из других доменов (например, для промышленности);

• Улучшение системы за счет добавления новых функций изображения, которые могут использоваться в качестве входов в нейронной сети и тестирования их на базах данных, содержащих другие изображения, чем на сетчатых, в области медицинской визуализации;

• Возможность сравнить более двух изображений, чтобы лучше наблюдать эволюцию заболевания, бок о бок или накладываться, используя прозрачность;

• Обучение нейронных сетей для классификации определенных заболеваний (одна сеть для одного типа заболеваний), улучшение специфики и адаптация программного обеспечения CADx для использования нескольких сетей для распознавания большого числа заболеваний.

Использованные источники

[1]  American Macular Degeneration Foundation macular.org, 2008.

[2] National Eye Institute, National Institutes of Health, nei.nih.gov/health/maculardegen/ 2008.

[3] B.J. Erickson, B. Bartholmai, Computer-Aided Detection and Diagnosis at the Start of the Third Millennium, Journal of Digital Imaging, nr. 15, pag. 59–68, 2002.

[4] M. Luculescu, S. Lache, MaculaTEST – Computer-Aided Diagnosis System for Macular Diseases, The 6th WSEAS International  Conference  on COMPUTATIONAL INTELLIGENCE, MAN- MACHINE  SYSTEMS  and  CYBERNETICS (CIMMACS '07), Puerto De La Cruz, Tenerife, Canary Islands, Spain, December 14-16, 2007, pp.77-82.

[5] R.M. Summers, Road Maps for Advancement of Radiologic Computer-Aided Detection in The 21st Century, Radiology, nr. 229, 2003, pp. 11–13.

[6] F. M. Hall, Breast Imaging and Computer- Aided Detection, The New England Journal of Medicine, vol. 356, 2007, pp. 1464-1466.

[7] J. Shiraishi, et al., Computer-Aided Diagnosis for Distinction between Benign and Malignant Solitary Pulmonary Nodules in Chest Radiographs: ROC Analysis of Radiologists’ Performance, Radiology nr. 227, 2003, pp. 469–474.

[8] L.P. Lawler, et al., Computer Assisted Detection of Pulmonary Nodules: Preliminary Observations Using a Prototype System with Multidetector Row CT Data Sets, Journal of Digital Imaging nr. 16, 2003, pp. 251–261.

[9] C.C. McCulloch, et al., Model-based Detection of Lung Nodules in Computed Tomography Exams, Academia Radiol. nr. 11, 2004, pp. 258–266.

[10] S. Kobashi, et al., Computer-Aided Diagnosis of Intracranial Aneurysms in MRA Images with Case-Based Reasoning, IEICE Transactions on Information and Systems, nr. E89-D, 2006, pp. 340-350.

[11] R. Yokoyama, et al., Development of an Automated Method for the Detection of Chronic Lacunar Infarct Regions in Brain MR Images, IEICE Trans. on Inf. and Systems nr. E90-D, 2007, pp. 943-954.

[12] J.C. Brown, et al., Detection of Diabetic Foveal Edema, Arch. Ophthalm., nr.122, 2004, pp.330–335.

[13] T. Hatanaka, et al., Development of Computer- Aided Diagnosis System for Fundus Images, The 8th International Conference on Medical Image Computing and Computer Assisted Intervention, Palm Springs, California, USA, 2005.

[14] M. Larsen, et al., Automated Detection of Fundus Photographic Red Lesions in Diabetic Retinopathy, Investigative Ophthalmology & Visual Science, vol. 44, No.2, 2003, pp. 761-766.

[15] M. Niemeijer, et al., Segmentation of the Optic Disc, Macula and Vascular Arch in Fundus Photographs, IEEE Trans. Med. Imaging, nr. 26(1), 2007, pp. 116-127.

[16] L. Carnimeo, A. Giaquint, Contrast Enhancement of Diabetic Retinal Images via a Hybrid Neurofuzzy System, WSEAS TRANSACTIONS   on   SYSTEMS,  Issue 7, Volume 5, July 2006, pp.1595-1600.

[17] S. Yamamoto, Image Processing Algorithm of Computer-Aided Diagnosis In Lung Cancer Screening By CT, Systems and Computers in Japan, vol. 36, 2005, pp. 40–53.

[18] M. Burroni, et al., Melanoma Computer-Aided Diagnosis: Reliability and Feasibility Study, Clinical Cancer Research, vol. 10, 2004, pp. 1881–1886.

[19] M. Niemeijer, et al., Automated Detection and Differentiation of Drusen, Exudates, and Cotton-Wool Spots in Digital Color Fundus Photographs for Diabetic Retinopathy Diagnosis, Investigative Ophthalmology and Visual Science, nr. 48(5), 2007, pp. 2260-2267.

[20] Osman M. K., Mashor M. Y., Arshad M. R., 3D Object Recognition Using Multiple Views, Affine Moment Invariants and Multilayered Perceptron Network, WSEAS TRANSACTIONS on SYSTEMS Journal, Issue 10, Volume 3, December 2004, pp. 3065-3069.

[21] F. Ahmed, Artificial Neural Networks for Diagnosis and Survival Prediction in Colon Cancer, Molecular Cancer nr. 4, 2005, pp. 29.

[22] S. H. Muhammad, et. Al, Image Texture Classification using Projection and Neural Network,    WSEAS    TRANSACTIONS    on SYSTEMS Journal, Issue 4, Volume 3, June 2004, pp. 1825-1830.

[23] V. S. Kodogiannis, M.  Boulougoura,  E. Wadge, Improved Neural Network-Based Interpretation of Capsule Endoscopic Images, WSEAS    TRANSACTIONS    on    SYSTEMS Journal, Issue 9, Volume 4, September 2005, pp. 1499-1507.