Цифровая диагностика опухолей мозга
Введение
1.1 Актуальность темы исследованияИнформационные технологии играют важную роль в области медицины и биомедицины. В настоящее время разработаны правила компьютерного автоматизированного изучения медицинских данных органов и систем человека. Они помогают в решении ряда задач в медицинской диагностике. На данный момент обработка цифровых изображений занимает важное место в мире. Сегментация, распознавание аномалий органов и автоматизация диагностики заболеваний по 2D и 3D данным является одной из самых значимых задач в обработке и анализе медицинских данных.
Компьютерная диагностика (computer-aided diagnosis, CAD) – системы, которые помогают врачам интерпретировать медицинские изображения. Применение подобных систем приводит к повышению точности диагностики, а так же позволяет оптимизировать загруженность врачей и уменьшить затраты по времени. CAD-системы стали одними из основных предметов исследований в области медицинской визуализации. Системы компьютерной диагностики стали
Содержание
1. Введение 5
1.1 Актуальность темы исследования 5
1.2 Общая постановка задачи 6
1.3 Задачи и проблемы анализа медицинских изображений 6
2. Современное состояние исследуемой темы 8
2.1 Общая характеристика исходных данных и применяемых методов искусственного интеллекта 8
2.2 Обзор открытых источников данных медицинских изображений 9
2.3 Определение направления данного исследования 12
3. Проблема обнаружения и исследования опухолей головного мозга 14
3.1 Обзор датасета, принятого к исследованию 15
3.2 Глиальные опухоли 19
3.3 Задачи 20
4. Сегментация медицинских изображений 22
4.1 Глубокое обучение и искусственные нейронные сети 22
4.2 Полносвёрточные нейронные сети 24
4.3 Архитектура сети U-Net. U-Net 3D 24
4.4 Convolution layers 25
4.5 Max-pooling 26
4.6 Функции активации 27
4.7 Deconvolution layer (Transposed convolution) 27
4.8 Обучение нейронных сетей 27
4.8.1 Функция потерь для семантической сегментации 28
4.8.2 Стохастический градиентный спуск 34
4.8.3 Алгоритм оптимизации Адама 34
4.8.4 Прямое распространение 35
4.8.5 Обратное распространение ошибки 36
4.8.6 Регуляризация 38
4.8.7 Аугментация изображений 38
5.Предварительная обработка данных 40
5.1 Эквализация гистограммы для повышения качества изображения 40
5.1.1 Алгоритмы повышения контрастности изображений 41
5.1.2 Сравнение гистограмм 44
5.2 Обнаружение контуров. Оператор Кэнни 46
5.2.1 RGB to YUV 47
5.2.2 Фильтр Гаусса 48
5.2.3 Оператор Собеля для поиска градиента 48
5.2.4 Подавление не-максимумов 49
5.2.5 Двойная пороговая фильтрация 50
5.2.6 Трассировка области неоднозначности 51
5.2.7 Анализ детектора границ Кэнни 51
5.3 Удаление шума. Алгоритм нелокального среднего 52
5.3.1 Процедура отбора похожих блоков 54
5.3.2 Структурный индекс подобия SSIM 55
5.4 Оценка эффективности алгоритма нелокального среднего 56
5.5 Локализация головного мозга 57
5.6 Уменьшение изображения 58
6.Обучение модели 60
6.1 Предварительная обработка 61
6.2 Результаты обучения модели 62
7.Заключение 64
8.Литература 65
9.Приложение 67
9.1 Модель нейронной сети UNet3D 67
9.2 Параметры обучения модели нейронной сети UNet3D 69
9.3 Обработка 2D снимков 70
9.4 Обработка 3D данных 74
Литература
1. Kunio Doi. Computer-Aided Diagnosis in Medical Imaging: Historical Review, Current Sta-tus and Future Potential Comput Med Imaging Graph. 2007; 31(4-5): 198–211.
2. Павлидис Т. Алгоритмы машинной графики и обработки изображений. Пер. с англ. 1986. 400 с.
3. JACQUES FROMENT, Parameter-Free Fast Pixelwise Non-Local Means Denoising, Image Processing On Line, 4 (2014), pp. 300–326. https://doi.org/10.5201/ipol.2014.120
4. A. Buades, B. Coll, J-M. Morel, «A non-local algorithm for image denoising» – IEEE Com-puter Society Conference on Computer Vision and Pattern Recognition, 2005
5. J. Darbon, A. Cuhna, T.F. Chan, S. Osher, G.J. Jensen. «Fast nonlocal filtering applied to electron cryomicroscopy» – IEEE International Symposium on Biomedical Imaging: From Nano to Macro, 2008
6. Gavrilov, N. I.; Turlapov, V. E. Novel approach to development of direct volume rendering algorithms based on visualization quality assessment. Programming and Computer Software, 2014, vol. 40, no. 4, pp. 174-184
7. Turlapov, V.E., Gavrilov, N.I. 3D scientific visualization and geometric modeling in digital biomedicine. Scientific Visualization. Volume 7, Issue 4, 2015.
8. Yingtao Zhang , Min Xian, H. D. Cheng , Bryar Shareef, Jianrui Ding , Fei Xu , Kuan Huang , Boyu Zhang , Chunping Ning , Ying Wang. BUSIS: A Benchmark for Breast Ultra-sound Image Segmentation. https://arxiv.org/abs/1801.03182.
9. Bjoern H. Menze, Andras Jakab, Stefan Bauer, Jayashree Kalpathy-Cramer, Keyvan Fara-hani et al. The Multimodal Brain Tumor Image Segmentation Benchmark (BRATS). IEEE TRANSACTIONS ON MEDICAL IMAGING, VOL. 34, NO. 10, OCTOBER 2015.
10. Codella N.C.F., Gutman D. et al. Skin lesion analysis toward melanoma detection: A chal-lenge at the 2017 International Symposium on Biomedical Imaging (ISBI), hosted by the in-ternational skin imaging collaboration (ISIC). http://challenge2017.isic-archive.com/ .
11. Litjens G. et al. Evaluation of prostate segmentation algorithms for MRI: the PROMISE12 challenge. Med Image Anal. 2014 Feb; 18(2): 359–373. Published online 2013 Dec 25. doi: 10.1016/j.media.2013.12.002 .
Слой трехмерной свертки создает ядро, которое сворачивается с входными данными и создает тензор выходных данных. Размер фильтра меньше, чем размер входного изображения, что позволяет многократно умножать набор весов входного массива в различных точках.
Рисунок 11. Пример работы свертки 3х3
4.5 Max-poolingПосле свертки идет слой пуллинга (pooling layer). Данный слой служит для уменьшения размера входных данных. Окно 2х2 двигается по изображению с установленным шагом, выбирая максимальный элемент и откидывая остальные. Таким образом, выделяются более значимые признаки.
Рисунок 12. Пример работы пуллинга
В результате операции пуллинга выдается изображение меньшего размера.
4.6 Функции активацииОсновной критерий выбора функции активации для искусственных нейронных сетей – ее нелинейность. Функция активации – это функция, которая вычисляет выходной сигнал нейрона. Для задач классификации лучше