CC BY
114
УДК 004.932
АЛГОРИТМ ВЫДЕЛЕНИЯ ОБЛАСТИ РАКА МОЛОЧНОЙ ЖЕЛЕЗЫ НА ФОНЕ ФИБРОЗНО-КИСТОЗНОЙ МАСТОПАТИИ
С. С. Садыков, Ю. А. Буланова, Е. А. Захарова
Введение
Неоспоримым фактом является утверждение: рак молочной железы (далее по тексту РМЖ) -самое серьезное и широко распространенное онкологическое заболевание у женщин, по статистике Ассоциации онкологов России каждая пятая женщина страдает от РМЖ, от которого умирает в среднем 16 000 человек ежегодно [1, 2].
На ранних стадиях РМЖ практически не обнаруживается, так как не вызывает болезненных ощущений у женщин, также велика вероятность просмотра данного заболевания на скрининговых маммограммах. Еще одной причиной просмотра является наличие фиброзно-кистозной мастопатии (далее по тексту ФКМ) в молочной железе. ФКМ представляет собой группу гетерогенных заболеваний, характеризующихся широким спектром пролиферативных и регрессивных изменений ткани молочной железы с нарушенным соотношением эпителиального и соединительнотканного компонентов.
В рентгенологическом изображении эта форма мастопатии характеризуется массивным уплотнением железистого треугольника, нарушением нормального структурного рисунка. Вместо обычной радиарной тяжистости от основания железы к соску видна хаотичная, груботрабекулярная структура [3].
Диффузные фиброзно-кистозные мастопатии представляют интерес не только в связи со значительной частотой данной патологии, но и главным образом потому, что являются фоном для развития рака молочной железы. По мнению ряда авторов, малигнизации при непролиферативных формах фиброзно-кистозных мастопатий составляет 0,9 %, при умеренно выраженной пролиферации — 2 %, при резко выраженной пролиферации — 31 % [3].
На основе вышесказанного можно сказать, что требуется разработка нового алгоритма ранней диагностики РМЖ на фоне мастопатии, так как заболеваемость ФКМ неуклонно растет с каждым годом, следовательно, выявить рак становится еще труднее.
Целью данной работы является разработка алгоритма выявления области рака молочной железы на фоне фиброзно-кистозной мастопатии, позволяющего также визуализировать злокачественные новообразования для определения их точного местоположения и необходимых текстурных характеристик.
Алгоритм выделения области рака молочной железы на фоне ФКМ
Предлагаемый алгоритм выделения области РМЖ на фоне фиброзно-кистозной мастопатии состоит из следующих основных блоков: блок контрастирования, блок свертки, фильтрация, выделение контуров, блок расчета характеристик.
Исходная маммограмма — полутоновое изображение F(x, y), оцифрованное с помощью сканера высокого разрешения и имеющее размер m*n точек. Градации яркости пикселей распределены в диапазоне [0, 255].
Следующим этапом является контрастирование исходного изображения, так как на маммо-грамме присутствуют уплотнения, которые характеризуют ФКМ, а под ними располагается опухоль. Если алгоритм применяется для инволютивной молочной железы, тогда улучшение контрастности не требуется.
Блок контрастирования снимка состоит из разработанного авторами алгоритма изменения значений яркости и контраста точек маммограммы на базе алгоритмов из [4, 5], позволяющих получить выходные снимки с лучшим качеством.
86
Надежность эргатических систем
Разработанный авторами алгоритм гистограммных преобразований изображений, можно представить следующим образом:
g(^ У) = F(Х’ У)] ^[0] + (gmax - gmin )
F (x, y) - Fc
ср
mn
F - F ■
ср min
где g(x, y) - выходное изображение, gmax, gmin - требуемое максимальное и минимальное значения яркости соответственно, К = 1,5 - коэффициент (1< = К = >2), F(x, у) - текущее значение яркости исходного снимка, Fmax, Fmin, F^ - максимальное, минимальное и среднее значения исходной маммограммы соответственно,
t[i ] = z
J = 0
v[ j ]
mn ’
где i - значение градации яркости точки выходного снимка (i = 0.. .255); j - значение градации яркости точки исходного снимка (j = 0...255, j< = i,); vj] - значение элемента гистограммы исходного снимка при яркости j( v[ j] є¥); T - область изменения элементов гистограммы выходного изображения g(x, у); t[i] - значение элемента гистограммы выходного изображения при яркости i( t[i] є T), t[0] = t[F(x, y) = 0] - значение элемента гистограммы обработанного изображения при яркости точки, равной 0, m*n - размер изображения.
Многочисленные исследования показали, что области злокачественных новообразований можно выделить с помощью разработанной авторами маски 3^3 (рис. 1).
2 -1 2
1 -3 1
2 1 2
Рис. 1. Маска для выполнения свертки маммограмм
d (x, у) = S[ g (x, у)],
где d(x, y) - выходное изображение; S - оператор свертки изображения по маске (рис. 1).
Данное преобразование маммографического снимка вызывает некоторое зашумление, поэтому к нему применяется медианная фильтрация с помощью маски 3x3 [6]:
r (x, у) = M [d (x, у)],
где d(x, y) - выходное изображение; M - оператор медианной фильтрации.
Блок выделения контуров на изображении осуществляет локализацию нужной области с четкими границами.
Прежде чем выделить контуры на изображении, текстурная карта снимка подвергается бинаризации. Алгоритм бинаризации выглядит следующим образом:
[1 если r (x, у) > P
b(x, у) = ,
где b(x, у) - выходное изображение; P - пороговое значение, которое равно максимальному значению яркости точек на изображении r(x, у), P = max[ r( x, у)].
Выделение контуров осуществляется с помощью алгоритма из [5]:
к (x, у) = L[b( x, у)],
где b(x, у) - выходное изображение; L - оператор выделения контуров.
Блок определения характеристик осуществляет вычисление:
1) площади области РМЖ Sk (число точек области);
87
Надежность и качество сложных систем. № 3(7), 2014
2) периметра области P - приближенно равен количеству точек контура области;
P2
3) коэффициента формы: Кф =— и другие геометрические характеристики кисты.
Экспериментальное исследование алгоритма
На представленной рентгенограмме (рис. 2,а) в проекции верхнего квадранта молочной железы определяется очаговое образование со спикулообразными контурами, кожа над ним утолщена, сосок втянут. Заключение: рак молочной железы.
g _min =0 gjnax =240 д_Ф =97 0= 68,60 Н = 7,11
а)
б)
Рис. 2. Рентгенограммы: а, б - исходные маммограммы и их гистограммы соответственно
На рис. 2,б на фоне жировой инволюции ткани молочной железы определяется ФКБ средней выраженности с преобладанием фиброза. В верхнем квадранте можно заподозрить наличие очагового образования. При описании скрининговой маммограммы высока вероятность пропуска патологии (рис. 3).
88
Надежность эргатических систем
g_min =0 gjnax =255 д_Ф =80 а = 84,50 Н = 3,51
а)
g_min =0 gjnax =255 gjp =79 а» 90,50 Н = 3,60
б)
Рис. 3. Результаты предложенного гистограммного преобразования: а - предложенный алгоритм преобразования гистограмм для рис. 2,а; б - предложенный алгоритм преобразования гистограмм для рис. 2,б
При обработке снимка на рис. 3,а предложенным методом контрастирования вышеописанное образование визуализируется лучше ввиду большего различия плотностей образования и окружающих тканей.
При контрастировании рис. 3,б видно очаговое образование высокой плотности с «размытыми» контурами, подозрительное на злокачественное новообразование.
Следующим шагом обработки является свертка преобразованного изображения по маске (рис. 4).
При применении метода свертки по маске (рис. 4) для изображения рис. 3,а получаем выделенные образования на фоне тканей молочной железы, причем образования малого размера являются «отсевами» опухоли, плохо видимые на аналоговой маммограмме.
При обработке предложенным методом данное новообразование (на рис. 3,б) выделено цветом на фоне окружающих тканей, что делает диагноз злокачественного новообразования наиболее вероятным.
89
Надежность и качество сложных систем. № 3(7), 2014
а)
б)
Рис. 4. Результат свертки изображений:
а - результат свертки изображения на рис. 3,а; б - результат свертки изображения на рис. 3,б
* » И И 16 1Ш 14S ltd 14Й It* lit IS Ztii
Градации яркостей, I (-О, 255]
а)
б)
Рис. 5. Результаты медианной фильтрации изображений: а - результат медианной фильтрации изображения на рис. 4,а; б - результат свертки изображения на рис. 4,б
90
Надежность эргатических систем
Анализ представленных характеристик (максимальная и минимальная яркости, СКО и энтропия) показал, что предложенный алгоритм гистограммных преобразований значительно улучшает исходное изображение, так как увеличивает значение СКО и уменьшает значение энтропии обоих исходных изображений.
Далее применяем бинаризацию к фильтрованному изображению на рис. 5,а,б, а затем выделяем контуры выделенных областей новообразований (рис. 6).
а)
б) в)
г) д) е)
Рис. 6. Применение бинаризации: а, г - бинаризация изображения на рис. 5,а,б соответственно; б, д - наложение контура на изображение изображения рис. 5,а,б соответственно; в, е - наложение контура на исходные маммограммы рис. 2,а,б
Заключение
На основе всего вышесказанного можно сформулировать следующие выводы по работе:
1. Предложенным алгоритмом обработано 43 маммограммы из них: на 26 ранее обнаружен и подтвержден гистологически рак, на 17 маммограммах изменения расценены как доброкачественные новообразования. При обработке маммограмм получено:
- области со злокачественными новообразованиями выделяются в 80 % случаев (21 мам-мограмма), в остальных случаях (5 маммограмм) область новообразования нечетко определена от окружающих тканей;
- из 17 маммограмм предложенным алгоритмом не распознается очаговое образование в 15 случаях. На двух маммограммах очаговое образование выделялось цветом, интерпретация данных результатов требует дополнительных исследований.
2. Разработанный алгоритм выделения на маммограмме области рака молочной железы позволяет определить на изображении область РМЖ, даже при наличии плотной тени от фиброзно-кистозной мастопатии.
91
Надежность и качество сложных систем. № 3(7), 2014
3. Совокупность алгоритмов гистограммных преобразований, сигма-фильтрации, текстурной сегментации, бинаризации и выделения контуров представляется в виде алгоритма выделения области рака молочной железы на маммограммах с фиброзно-кистозной мастопатией, который соответствует всем требованиям врачей-рентгенологов.
4. Использование предложенного алгоритма выделения области РМЖ на фоне ФКМ в дальнейшем дает возможность автоматического распознавания РМЖ на ранних стадиях даже при наличии сильнейшей фиброзно-кистозной мастопатии в молочной железе.
Список литературы
1. Садыков, С. С. Методика выявления рака молочной железы / С. С. Садыков, Ю. А. Буланова, Е. А. Захарова // Алгоритмы, методы и системы обработки данных. - 2012. - Вып. 1 (19). - С. 168-178.
2. Состояние онкологической помощи населению России в 2011 году / под ред. В. И. Чиссова, В. В. Ста-ринского, Г. В. Петровой. - М. : ФГБУ «МНИОИ им. П. А. Герцена» Минздравсоцразвития России, 2012.
3. Корженкова, Г. П. Комплексная рентгено-сонографическая диагностика заболеваний молочной железы / Г. П. Корженкова. - М. : ООО «Фирма СТРОМ», 2004. - 128 с.
4. Sankar, P. Ravi Rao Parallel Architecture for Implementation of Contrast Limited Adaptive Histogram Equalization / P. Ravi Sankar, B. K. N. Srinivasa // International Journal of Advanced Engineering sciences and Technologies (IJAEST). - 2007. - V. 10, Issue № 1. - Р. 047-051.
5. Rajesh kumar Rai. Underwater Image Segmentation using CLAHE Enhancement and Thresholding / Rajesh kumar Rai, Puran Gour, Balvant Singh // International Journal of Emerging Technology and Advanced Engineering. - 2012. - V. 2, Issue 1. - January. - Р. 118-123.
6. Прэтт, У. Цифровая обработка изображений : пер. с англ. / У. Прэтт. - М. : Мир, 1982. - Кн. 1. - 312 с. ; Кн. 2. - 493 с.
УДК 004.932.2
Садыков, С. С.
Алгоритм выделения области рака молочной железы на фоне фиброзно-кистозной мастопатии /
С. С. Садыков, Ю. А. Буланова, Е. А. Захарова // Надежность и качество сложных систем. - 2014. - № 3 (7). -С. 86-93.
Садыков Султан Садыкович доктор технических наук, профессор, кафедра информационных систем,
Муромский институт (филиал)
Владимирского государственного университета им. А. Г. и Н. Г. Столетовых (600254, Россия, г. Муром, ул. Орловская, 23) 8-920-913-82-42 E-mail: sadykovss@yandex.ru
Буланова Юлия Анатольевна старший преподаватель, кафедра информационных систем,
Муромский институт (филиал)
Владимирского государственного университета им. А. Г. и Н. Г. Столетовых (600254, Россия, г. Муром, ул. Орловская, 23) E-mail: yuliabulanova@yandex.ru
Захарова Елена Алексеевна врач,
Отделенческая больница на станции Муром, ОАО «РЖД»
(602262, Россия, Владимирская обл., г. Муром, ул. Пионерская, д. 1)
Sadykov Sultan 8айуко\іск doctor of technical sciences, professor, sub-department of information systems,
Murom Institute (branch) of Vladimir State University named after A. G. and N. G. Stoletovyh (600254, 23 Orlovskaya street, Murom, Russia)
Bulanova Yuliya Anatol'evna senior lecturer,
sub-department of information systems,
Murom Institute (branch) of Vladimir State University named after A. G. and N. G. Stoletovyh (600254, 23 Orlovskaya street, Murom, Russia)
Zakharova Elena Alekseevna doctor,
Departmental hospital, RAILROAD station, (602264, 1 Pioneer street, Murom, Vladimirskaya reg., Russia)
92
Надежность эргатических систем
Аннотация. Дано описание разработанного алгоритма выделения области рака молочной железы на фоне фиброзно-кистозной болезни, проведено сравнение с известными алгоритмами предварительной обработки маммограмм и разработанного авторами алгоритма, приведены результаты отдельных экспериментальных исследований.
Ключевые слова: маммограмма, рак, ФКМ, предварительная обработка, гистограммные преобразования, текстурная сегментация, бинаризация, выделение области новообразования, выделение контуров.
Abstract. The article contains description of the developed algorithm of allocation of the area of a cancer of a mammary gland at the background of fibrocystic disease, comparison with known algorithms of preliminary processing mammogram and algorithm developed by the authors, the results of individual pilot studies.
Key words: mammogram, cancer, fibrocystic breast disease, pre-processing, histogram transformation, texture segmentation, binarization, the selection of tumors, edge enhancement.
