Исследование эффективности методов машинного обучения для полуавтоматической сегментации кт-снимков органов брюшной полости человека
Введение
Данная работа посвящена исследованию и разработке автоматизированных методов сегментации и построения анатомических моделей органов брюшной полости человека, в частности пораженных почек с опухолью, по изображениям компьютерной томографии (далее КТ) и применению этих моделей в задачах математического моделирования. Под анатомической моделью представляется наиболее приближенное к реальному описание положения границ анатомических структур, полученное в результате работы алгоритмов сегментации и детектирования границ этих структур на КТ-изображениях. Основная сложность автоматизации процесса получения анатомических моделей по медицинским данным связана с некорректным распознаванием границ между анатомическими структурами, а также с наличием индивидуальных особенностей у каждого пациента.
Актуальность работы.
Содержание
Введение3
1 Обзор методов обработки медицинских данных9
1.1 Определение основных понятий9
1.2 Входные данные10
1.3 Известные подходы к сегментации15
1.4 Краткий обзор программного обеспечения сегментации медицинских данных27
1.5 Выводы по первой главе28
2 Исследование методов машинного обучения для сегментации медицинских изображений29
2.1 Принципы сегментации изображений тканей почки и опухоли29
2.2 Алгоритм полуавтоматической сегментации тканей почки и печени и их патологических образований32
2.3 Сегментация тканей почки и печени при помощи методов кластеризации37
2.3.1 Обработка кластеризации при помощи графов39
2.3.3 Коррекции сегментации с «просачиваниями»40
2.4 Выводы ко второй главе46
3 Полуавтоматическая сегментация органов брюшной полости методом текстурного анализа на томографическом изображении47
3.1Ограничения на входные данные47
3.2Применение текстурного анализа для сегментации КТ-изображений50
3.2.1Краткий обзор методов текстурного анализа50
3.2.2Сглаживание входных данных53
3.2.3Анализ текстурных признаков КТ-изображений54
3.2.4Выбор размера окрестности59
3.3Уточнение границ сегментированных областей63
3.4Построение трехмерной поверхности органов брюшной полости68
3.5Выводы по третьей главе70
4 Анализ и сравнение результатов сегментации органов брюшной полости71
4.1Исследование результатов сегментации почек, печени и их новообразований методом текстурных признаков71
4.2Исследование результатов сегментации органов брюшной полости методом кластерного анализа76
4.3Оценка эффективности и сравнение результатов сегментации80
4.3.1Качественная оценка эффективности82
4.3.2Количественная оценка эффективности91
4.4Выводы по четвертой главе97
Заключение98
Список литературы100
Приложение
Список литературы
Волков Г.А., Волкова К.Р. Исторические аспекты развития методов распознавания медицинских изображений // Наука. Исследования. Практика: сборник статей международной научной конференции (Санкт-Петербург, Апрель 2020). – СПб.: ГНИИ «Нацразвитие», 2020.
Heimann T., Meinzer H.P. Statistical shape models for 3D medical image segmentation: a review// Medical image analysis, – 2009. Vol. 13. –Рp. 543-563.
Волков Г.А., Волкова К.Р. Применение нейронных сетей в анализе медицинских изображений // Технические и естественные науки: сборник статей международной научной конференции (Санкт-Петербург, Апрель 2020). – СПб.: ГНИИ «Нацразвитие», 2020.
Sharp G., Fritscher K. D., Pekar V., Peroni M., [et al.]. Vision 20/20: Perspectives on automated image segmentation for radiotherapy [Electronic source]//Medical Physics. 2014. Vol. 41, no. 5. URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4000389/ (visited on 05/05/2020).
Fritscher K., Peroni M., Zaffino P., Spadea M., [et al.]. Automatic segmentation of head and neck CT images for radiotherapy treatment planning using multiple atlases, statistical appearance models, and geodesic active contours [Electronic source] // Medical Physics. 2014. Vol. 41, no. 5. URL: https://aapm.onlinelibrary. wiley.com/doi/epdf/10.1118/1.4871623 (visited on 04/27/2020).
Safian N. A. M., Abdullah N. H., Abdullah R., Chiang C. S. Verification of Oncentra brachytherapy planning using independent calculation [Electronic source] //Journal of Physics: Conference Series. 2016. Vol. 694, no. 1. URL: http://iopscience.iop.org/article/10.1088/1742- 6596/694/1/012003/pdf (visited on 01/04/2020).
Хофер М. Компьютерная томография. Москва : Медицинская литература, 2008. 224 с.
Анисимов Н. В., Гуляев М. В., Корецкая С. В., Верхоглазова Е. В. [и др.]. Магнитно-резонансная томография всего тела – техническая реализация и диагностические применения // Альманах клинической медицины. 2008. Т. 17, № 1. С. 143–146.
Таким образом, формируется изображение оболочки интересующей структуры на исследуемом слайде (рисунок 2.6).
Рисунок 2.6 – Выделение контурных точек опухоли: линия границы опухоли.
2.3 Сегментация тканей почки и печени при помощи методов кластеризацииКластером называется объединение расположенных рядом и сходных по каким-либо свойствам вокселей в одну группу. Применение кластеризации для сегментации медицинских изображений обладает рядом преимуществ:
границы кластеров прилегают к границам органов;
переход от вокселей к кластерам значительно снижает размерность задачи;
генерация кластеров происходит быстро и не требует больших затрат памяти.