CC BY
19
УДК: 617.55-072.1+615.471.03:616.072.1
Ляшенко А. В.1, Баязтов М. Р.2, Годлевський Л. С.3, Баязтов Д. М.4, Бузиновський А. Б.5
Асистент кафедри бiофiзики, нформатики та медичноТ апаратури 2Д-р мед. наук, професор, професор кафедри юрургТТ № 1, Одеський нац/ональний медичний ушверситет, Одеса, УкраТна
3Д-р мед. наук, професор, завiдyючий кафедри бiофiзики, нформатики та медичноТ апаратури, Одеський нацональний
медичний yнiверситет, Одеса, УкраТна 4Астрант кафедри юрургТТ №1, Одеський нац/ональний медичний ушверситет, Одеса, УкраТна Лжар^рург ендоскопст вiддiлення малонвазивно'Т хрурги, КУ «Одеська обласна клiнiчна лкарня», Одеса, УкраТна
1НФОРМАЦ1ЙНО-ТЕХН1ЧНА СИСТЕМА АВТОМАТИЗОВАНО1 _ЛАПАРОСКОП1ЧНО1 Д1АГНОСТИКИ_
Виршено завдання автоматизованого розшзнавання - дiагностики циротичних змш та метастатичного ураження печшки за результатами аналiзу лапароскошчних зображень. Об'ектом дослщження був процес побудови дiагностичноï системи автоматизованого розшзнавання лапароскошчних зображень. Предметом дослщження складали методи формування вихщних вибiрок зображень для навчання каскадного класифжатора за ознаками Хаара. Метою роботи було створення iнформацiйноï технологи пщтримки прийняття ршень при лапароскошчнш дiагностицi стану поверхш печiнки на основi каскаду Хаара. Класифжащю зображень здiйснювали з використанням методу каскадного класифжатора. При використанш для навчання 1000 зображень позитивного характеру та 500 негативних зображень показник чутливост дiагностики цирозу печшки розробленоï технологiï складав 68,8% i перевищував таку, яка мала мюце при експертнiй дiагностицi (31,0%) (P<0,01). При метастатичному ураженi достсгарш вiдмiнностi зазначеного показника складали 80,0% та 46,7% вщповщно (P<0,02). Крiм того, при метастатичному ураженнi достовiрно пiдвищувалась специфiчнiсть дiагностики - з 52,5% при експертнш дiагностицi до 85,0% (P<0,01), а також спостершалось зростання прогностичних показникiв - як позитивного (з 42,4% до 80,0%, P<0,01), так i негативного (з 56,8% до 87,2%, P<0,01). Згщно показникам тестування, показник AUC ROC для каскадного класифжатору склав 0,891, в той час як для експертноï ощнки дорiвнював 0,723, що свiдчить про бiльшу ефективнiсть застосування каскадного класифжатора. Розроблена технологiя може бути рекомендована в клжчнш практищ при виконаннi лапароскопiчних хiрургiчних втручань.
Ключовi слова: автоматизоване розпiзнавання зображень, лапароскошчне вiдео зображення, ознаки Хаара.
НОМЕНКЛАТУРА
КАД - комп 'ютерна автоматизована дiагностика; RGB - адитивна жшрна модель (червоний, зелений, синш);
CIELAB - система заданих кольорiв;
PAL - система аналогового кольорового телебачення;
HD - вщео з високою роздiльною здатнiстю;
.avi - мультимедшний контейнер для аудю-вщео даних;
i(x) - елемент матриц x;
i(y) - елемент матрищ у;
i(x') - значення пiкселя в точщ х початкового зображення;
i(y') - значення пiкселя в точщ y початкового зобра-ження;
s - сума рядюв матрицi (x, y); Х - область зображення для розрахунку ознак; f - набiр ознак в навчальнiй вибiрцi; D - множина допустимих значень ознак f; m - кiлькiсть негативних зображень; l - кшьюстъ позитивних зображень; w - розподш ймовiрностей виявлення; e - помилка виявлення; h - каскадний класифжатор множини x; T - множина кшьюсних ознак; t - значення вихщного параметру спостереження; OpenCV- бiблiотека алгоритмiв комп'ютерного зору; .xml - текстовий файл, де вщбуваеться розмiчування даних;
1П - ютинно-позитивш; ХН - хибно-негативнi; 1Н - ютинно негативнi;
ХП - хибно-позитивш дiагнози;
ППП - позитивний прогностичний показник;
НПП - негативний прогностичний показник;
AUC - площа вщ кривоï до дiагональноï лiнiï граф^;
ROC - графж, що дозволяе ощнити яюсть класифiкацiï. ВСТУП
При автоматизацп дiагностики за ознаками лапароскошчних зображень застосовують iнформацiйнi системи, яю дозволяють провести ощнку окремих дiлянок зображень, що викликають пiдозру наявностi патологiчних змш за певними ознаками, а саме: колiр, контур/ форми, а також характеристики текстури [1-3].
При розробщ iнформацiйноï технологiï автоматизо-ваному аналiзi вiдео-лапароскопiчних зображень, отри-маних при досл^женш органiв черевноï порожнини, наявними е певнi особливостi, якi необхщно приймати до уваги [4, 5]. Так, автори зазначають, що як наслщок значного зашумлення та недостатнього осв^лення, вiдмiнностi елементiв зображень вщносно кольору е не-значними, в той час як вiдмiнностi форми об'еклв е ви-соковарiабельними, що значно ускладнюе ïх викорис-тання з метою автоматизованоï дiагностики [4]. Додатко-вою особливiстю е те, що переважна бшьшютъ пiкселiв при оглядi черевноï порожнини, фарбованi вщтшками червоного кольору, тому ознаки кольору, як таю е мало-шформативним.
До факторiв, якi суттевим чином можуть впливати на результати подабних дослiджень, слiд вiднести також швид-ку змiну ракурсу та осв^лення об'ектiв, спотворення iнформацiï за рахунок вiдбиття промiння вiд поверхш [5, 6]. Нарешт важливим е факт того, що сприйняття характеристик зображень людським оком суттево вiдрiзняеть-
© Ляшенко А. В., Баяз1тов М. Р., Годлевський Л. С., Баязггов Д. М., Бузиновський А. Б., 2016 DOI 10.15588/1607-3274-2016-4-11
р-К8К 1607-3274. Радюелектронжа, шформатика, управлiння. 2016. № 4 е-ЕЗБЫ 2313-688Х. Каёю Е1еойоп^, Сошриег Баепое, Сопйо1. 2016. № 4
ся в1д шформацп, яку рееструе цифрова в1деокамера, так як на р1вт кодування кольору вщеокамерою не реаль зуеться закон Вебера-Фехнера [7, 8]. Через под1бш в1дмшност1 е необхщним застосування зокрема гама-ко-рекцп до первинно! шформацп, яка дозволяе визначити ствв1дношення м1ж чисельним значенням ткселя та його дшсним значенням освгглення [4]. Шсля ще! процедури подальше застосування логарифм1чно! шкали не спотво-рюе суб'ективну кольорову палггру людського ока.
Об'ектом дослщження е процес побудови д1агностич-но! системи автоматизованого розтзнавання лапарос-котчних зображень.
Зважаючи на здатшсть методу ознак Хаара ефектив-но здшснювати розтзнавання зображень тд р1зними кутами та на р1знш вщсташ, його було застосовано для створення системи автоматизовано! д1агностики.
Предметом досл1дження були методи формування вих1дних виб1рок зображень для навчання каскадного класифжатора за ознаками Хаара.
Метою дшсного дослщження було створення шфор-мацшно! технологи тдтримки прийняття ршень при лапароскошчнш д1агностищ стану поверхш печшки на основ1 каскаду Хаара.
1 ПОСТАНОВКА ЗАДАЧ1
Процедура виявлення патологи, на осжга класифжацп зображень полягала в розрахунку простих функций на основ! ознак Хаара [9]. Ознаки Хаара являють собою наб1р прямокутниюв, м1ж якими проводиться розрахунок наси-ченост шксел1в. Наприклад, для функцп ознак з двома прямокутниками приймаеться до уваги р1зниця м1ж сумою шксел1в в межах двох областей. Функця ознак щодо трьох прямокутниюв обчислюеться, як р1зниця центрально! област1 в1д суми двох зовшшшх областей. Нарешт функщя для чотирьох прямокутниюв обчислюе р1зницю м1ж д1агональними областями [9]. Сл1д зазначити, що розм1р прямокутниюв складае 24х24 ткселя (рис. 1).
Функцп прямокутниюв обчислюються як штеграль-не зображення. Для штегрального зображення фор-муеться матриця, де в !! елементах (И(х,у)) метиться шформащя про суму шксел1в сусщшх елеменлв (1):
робота також використовуеться наступна пара повторень (2):
//(х,у) = £1(х ',у') _
х' < х, у' < у
(1)
з( х, у) = х, у -1) + 1(х, у) и(х, у) = И(х - 1, у) + 5(х, у) ,
(2)
де 5(х,у -1) =0 та 11(х -1,у) = 0 - штегральне зображення, яке обчислюеться вщ вхщного зображення.
Зпдно [4] особливоста ознак Хаара можуть представ-ляти детальнш анал1з контуру, текстури, а також виявлення патологл зпдно горизонтально! та вертикально! ор1ен-тацп лапароскотчно! камери.
Ознаки област зображення для множини допусти-мих значень розраховуеться сшвв1дношенням (3):
I: X => .
(3)
Навчання каскадного класифжатора. З огляду на наб1р позитивних та негативних зображень використання каскадного класифжатору, мае переваги в швидкост розт-знавання та й його якоста.
Алгоритм навчання полягае в розрахунку оптимально! порогово! функцп класифжатора з набору ознак, яю з початку обчислюються з набору позитивних зображень (наявшсть патологп), де заздалепдь видшено область зах-ворювання на зображеш. Розрахунок ознак и наб1р при-мггив1в збершаються в баз1 даних (рис. 2).
Алгоритм роботи каскадного класифшатора скла-даеться з наступних кроюв:
1. Отримуемо приклади зображення (х1, у1), .....
(х„, у) де у1 = 0,1 - позитивш приклади з наявшстю патологп та негативш приклади, де патолопя вщсутня.
2. Проводимо визначення параметр1в ознак:
4,1
1
2т' 21
для у( = 0,1 вщповщно.
Проводимо нормал1защю параметр1в ознак (4):
Еп
=1
(4)
и ■
де м>1 - розподш ймов1рностей виявлення.
Рисунок 1 - Зображення патологи печшки у вигляд1 метастатичних уражень: а - вхщне лапароскошчне зображення метастатичних уражень печшки; б - використання прямокутних ознак Хаара для виявлення на
лапароскошчному зображеш метастатичного ураження печшки
w
г,1
=
Рисунок 2 - Схема роботи каскадного класифжатору
3. Для кожно! функцп /, проводять навчання класифь катору (А.), який обмежений використанням наступних функцш виявлення ознак. Це дае змогу визначити по-милку (е.), а саме вщношення ознак до розподшю ймов-1рностей яке ощнюеться, як (5) :
е/ = Ъг™1 1 (х1) -у1 I.
(5)
4. Вибираемо каскад класифшатору к1 з найменшою помилкою е1 .
5. Проводиться оновлення визначених ознак на зоб-раженш (6):
^+1,1 =
(6)
виявлений елемент,
де е( =0, якщо наприклад х1 класифшуеться, як правильно
1 якщо е, =1 як «шакше» В, --
1 ' 1-е, виявлення з помилкою.
6. Формуеться остаточний каскадний класифжатор (7):
А( х)
= ]1, Е[=1а А(х) ^1 Е[=1а,;
(7)
0,
1накше,
де а, = 1о§
Таким чином, побудований каскад мае - 38 ступешв та 6000 особливих ознак. Шсля проведення навчання кла-сифжатора обов'язковим було його тестування [1], яке полягало в визначенш ефективност розтзнавання нор-ми та патолопчних змш, а також характеру патолопчних особливостей - в1дмшност1 цирозу вщ метастатичного ураження печшки.
2 О1ЛЯД Л1ТЕРАТУРИ
Зважаючи на складтсть передач! кольору, як шформа-тивно! ознаки, яка мае д1агностичне значення, утверсаль-ним методом автоматизованого анал1зу зображень - по-р1вняння !х до вщповщно! норми, е використання бшаршх зображень [1, 4, 10]. Так, для норми пстероско-шчних зображень характерним е бшьш висока мед1ана шрого ко-льору, а також бшьша гомогеншсть та менша кон-
трастшсть у пор1внянн1 до ендометр1ю з патолопчними змшами [4]. Под1бний факт вказуе на ефектившсть дос-лщження текстури зображення, як шформацшного д1аг-ностичного критер1ю, що було тдтверджено при КАД злояюсних пухлин урази [2, 4, 11]. Загальна схема КАД базувалась на реал1зацп алгоритму, який передбачав за-хоплення вщео- зображення, гама-корекщю, багато мас-штабний анал1з текстури зображення, екстракщю харак-терних ознак з наступною селекщею та на завершально-му етат - класифжащю зображень [1, 4, 11]. Причому, класифжащя зображень вщбувалась за використання бази даних вщповщних зображень та технологш навчання кла-сифжатора за каскадними ознаками.
Однак, на сьогодш немае чггких рекомендацш щодо протоколу шформацшних метод1в виявлення патологи на лапароскотчних зображень. Тому, сл1д випробувати методи, яю довели свою ефектившсть в шших наукових галузях. Одним з таких метод1в е визначення ефектив-ност1 вейвлет1в Хаара для швидкого розтзнавання об-раз1в [6, 10, 12]. Разом з тим, при ендоскошчнш автома-тизованш д1агностищ полшозного ураження кишковика за допомогою ендокапсул в дослщженш [1] було засто-совано три р1зш тдходи. Так, за цих умов автори поставили тд сумтв ефектившсть застосування ознак Хаара та пстограми направлених град1ент1в, що пояснюеться надшрно високою вихщною р1зномаштшстю ор1ентацш патолопчних утворень. Однак, використання комб1но-ваного тдсиленого класифшатора дозволило тдвищи-ти ефектившсть розтзнавання, яка при анал1з1 20 вщео-, отриманих 1з бази даних зображень полМв клшки Мейо склала 93,9%. Ц результати вказують про можлив1сть збшьшення ефективност розтзнавання на основ! ознак Хаара при попередньому визначенш зони тдозрювано! на наявшсть патолопчних змш.
3 МАТЕР1АЛИ I МЕТОДИ
При проведенш дослщження дотримувались певних правил збору та анал1зу вщеошформацп, яка включала наступну посл1довшсть дай:
1) кал1брування цифрово! камери, яка обов'язково включала баланс бшого, а також конвертування кольо-рово! палгтри в цифровий код, що здшснювалась за шструкщею виробника;
е
,
p-ISSN 1607-3274. Радюелектронжа, шформатика, управлшия. 2016. № 4 e-ISSN 2313-688X. Radio Electronics, Computer Science, Control. 2016. № 4
2) отримання вщеошформацп здiйснювали при пев-них стандартних урахувань, а саме:
- камера повинна бути розташована фронтально до поверхш печiнки по вiдношенню до вщеокамери;
- кут огляду камери, мае бути 15 ±5 градуив [9]. За цих умов вщстань до поверхнi складала вiд 3 до 5 см;
3) отримання на зображеннях в режим формування бази позитивних та негативних зображень видшених зон, якi з точки зору дiагностики були iнформативними;
4) здшснення гама-корекцiю щодо видшено1 зони;
6) проведення необхiдних операцiй щодо аналiзу ко-льору, текстури та контуру;
7) проведення конверси зображення з RGB режиму в режим CIELAB;
8) застосування ознак Хаара, для навчання каскадного класифжатора;
9) зберiгання результатiв класифжаци в базi даних для подальшого розгляду вiдповiдно показникам експертно-го аналiзу. Генерування вiдповiдних висновкiв.
До навчання за ознаками Хаара було залучено 32 вще-озображення пащенлв з цирозом печiнки, а також 30 вще-озображень печiнки у пащенлв iз метастазами. Середнiй вж пацiентiв складав вiдповiдно 46,5 ±3,3 та 49,3 ±4,5 роюв. Крiм того, для навчання норми було використано 40 лапа-роскошчних вiдеозображень поверхнi печiнки, отриманих у практично здорових осiб середтм вiком 46,3 ± 2,7 роюв.
Вш вiдео було отримано за допомогою вiдео облад-нання, а саме - лапароскошчно! камери з апертурою оптики 5 мм Carl Storz Tricam Camera (Carl Storz, Шмеччина) в перiод з 2011 по 2016 рр. Камера мала аналоговий виид (PAL 475 горизонтальних лiнiй), який тд' еднувався до плати захоплення averMedia HD capture Studio 203 (Avermedia,
China). В результата ввдеосигнал проходив цифрування з щшьшстю пiкселiв 1024 х768 в форматi .avi.
Критерiями включення вiдео- до навчання були: за-документоване калiбрування цифровоï камери за параметрами передбаченими виробником, середня тяжюсть стану пащенлв та тдтвердження вiдповiдних дiагнозiв за результатами клшчних та лабораторно-шструменталь-них методiв дослщження.
Ефективнiсть розробленоï технологiï автоматизованоï дiагностики стану печiнки оцiнювали за випадками тдтверджених дiагнозiв. Всього при проведенш подiбноï оцiнки було використано 32 зображень циротичних змiн печiнки та 30 зображень метастатичного ïï ураження. Крiм того, в якостi контроля спостершали 79 пащенлв, у яких лапароскопiчна дiагностика проводилась не з причин захворювання печiнки, але у яких було отримано вщео-зшмки ïï поверхш.
На основi отриманих показниюв розраховували чут-ливiсть та специфiчнiсть дiагностичноï процедури:
Чутливiсть розраховували як Щ/(Щ+ХН) х 100 %; специфiчнiсть - 1Н/(1Н+ХП) х 100 %.
Крiм того, розраховували показник ППП: 1П/ (1П+ХП) 100 % та показник НПП - 1Н/(1Н+ХН) х 100 %.
Результати експертжи оцiнки, яку проводили хiрурги з досвщом виконання лапароскопiчних втручань не мен-ше вiд 10 роюв, та розроблежи технологiï автоматизова-жи дiагностики порiвнювали з використанням критерж «z» порiвняння двох пропорцiй та програми «Primer Biostatistics» (США). 4ЕКСПЕРИМЕНТИ
Для тестування методу виявлення патологи печшки на лапароскопiчних зображень застосовували програм-не забезпечення з графiчним iнтерфейсом (рис. 3). Про-
Рисунок 3 - Ытерфейс програмного забезпечення автоматизованоï лапароскопiчноï дiагностики патологiчниx змш поверxнi
печiнки на предмет цирозу змш
грамне забезпечення реалiзоване на mobî програмуван-ня С++, з використанням бiблiотеки OpenCV.
Спочатку виконували навчання класифiкатора згiдно двох прикладiв (позитивнi та негативнi зображення), за допомогою пiдпрограми OpenCV [4] -Open_traincascade.exe (рис. 4).
Збережеш данi ознак Хаара зберiгали в .xml файлi, якi вмiщували показники виявлежи патологiï поверхнi печшки.
1нтерфейс програми дозволяе:
- захоплювати лапароскопiчне вдаозображення;
- завантажувати архiвнi вiдеозображення з бази даних;
- виконувати калiбрування камери та моштору;
- виконувати функцiю обробки зображення для ство-рення бази негативних та позитивних зображень;
- проводити тестування класифiкаторiв на предмет виявлених та невиявлених патологiй.
- робити вибiр помiж методiв виявлення патологи на шших органах черевноï порожнини.
Слщ зазначити, що штерфейс програмного забезпечення побудований для розумшня технiчно нетдготов-леним лжарям^рургам.
5 РЕЗУЛЬТАТИ
Результати апробацiï розробленого методу засв^и-ли, що за показником чутливост дiагностики цирозу пе-
чшки розроблена технолопя складала 68,8% i перевищу-вала таку, яка мала м^це при експертнiй дiагностицi (31,0%) (P<0,01) (табл. 1). При метастатичному ураженi також спостерiгались достсдарш вiдмiнностi зазначеного показника - 80,0% та 46,7% ввдповдао (P<0,02). ^iM того, при метастатичному ураженнi достсдарно пiдвищувалась специфiчнiсть дiагностики - з 52,5% при експертнш дiаг-ностищ до 85,0% (P<0,01), а також спостершалось зрос-тання прогностичних показниюв - як позитивного (з 42,4% до 80,0%, P<0,01), так i негативного (з 56,8% до 87,2%, P<0,01).
Зпдио показникам тестування, показник AUC ROC для каскадного класифжатору склав 0,891, в той час як для експертжи групи дорiвнював 0,723, що свiдчить про бшьшу ефективнiсть застосування каскадного класифiкатора.
6 ОБГОВОРЕННЯ
Таким чином, отриманi результати св^ать про вирь шення важливоï науково-технiчноï проблеми автоматизо-ваноï даагностики патологiчних змiн органiв черевноï порожнини за результатами аналiзу лапароскотчних зображень. Важливо зазначити, що розроблена система дозволяе досягти бiльшоï ефективност у порiвняннi до експертжи дiагностики. Так побудована ROC - крива та наступне виз-начення площi пiд кривою - ввд кривоï до дiагональноï лiнiï граф^ (AUC) довела ïï бiльш високе значення при тесту-ваннi розробленого каскадного класифжатора.
Рисунок 4 - Загальний вигляд зображень метастатичного ураження печшки, яга було використано при навчанш системи автомати-
зованого розтзнавання зображень поверхш печшки
p-ISSN 1607-3274. Радюелектронжа, шформатика, управлiння. 2016. № 4 e-ISSN 2313-688X. Radio Electronics, Computer Science, Control. 2016. № 4
Таблиця 1 - Ефектившсть класифжаци зображень за допомогою розроблено! КАД (%)
Чутливють Сецифiчнiсть Позитвивний прогностичний показник Негативний прогностичний показник
Експертна оцшка зображень
Цироз 13/32 (31,0) 26/39 (66,7) 50,0 57,8
Метастатичне ураження 14/30 (46,7) 21/40 (52,5) 42,4 56,8
Розроблена автоматизирована дiагностика
Цироз 22/32 (68,8) ## 32/39 (82,0) 73,9 76,2
Метастатичне ураження 24/30 (80,0) # 34/40 (85,0) ## 80,0 ## 87,2 ##
П р и м i т к а: #-P<0,05 та ##-P<0,01 у пор!внянш до вiдповiдного показника в rpyni з експертною дiагностикою. Використано
критерш «z» поpiвняння двох пропорцш
Розроблена система е новою в1дпов1дно до принцитв !! устрою, застосування ознак Хаара та алгоримв ана-л1зу в1дпов1дних зображень, так як на сьогодш шд1бш проблеми фрагментарно представлен в науковш л1тератур1 [2, 3, 5, 6, 9, 11]. Слвд тдкреслити, що, зважаючи на особливост кольору лапароскотчних зображень, в дослвдженш визначено ефектившсть використання гнтенсивносл в шкал1 арого, що вщпо-ввдае практищ автоматизованого розтзнавання зображень за даними шших автор1в [1, 4, 7, 8].
Розроблена технологш в подальшому може бути удоскона-лена - як за рахунок збшьшення виб1рки вщео зображень, яю було використано для навчання, так i шляхом розширення спектру захворювань оргашв черевно! порожнини, яю можливо д1агностувати на основ1 розроблено! КАД. В цшому застосування розроблено! системи дозволить тдвищити ефектившсть даагностики в лаиаpоскоиiчнiй х1рургп, зменшити ризик виник-нення небажаних результата при ырурпчних втручаннях.
ВИСНОВКИ
Отримаш результати св1дчать про ефектившсть застосування КАД на основ1 ознак Хаара за допомогою каскадного класифжатору при автоматизованш д1агностищ стану печшки при цироз1 та метастатичному ураженн1.
Принципи устрою та функцюнуванш розроблено! КАД можуть мати ушверсальне значення при автомати-зован1й лапароскошчнш д1агностиц1 як стану печ1нки, так i 1нших орган1в черевно! порожнини.
Створення в1део-банку лапароскоп1чних зображень вщповщно до вимог !х застосування в навчанш розроблено! КАД е перспективним для подальшого п1двищен-ня ефективноста автоматизовано! лапароскоп1чно! д1аг-ностики.
ПОДЯКИ
Роботу виконано в рамках держбюджетно! науково-досль дно! теми Одеського нащонального медичного ун1верситету ^<Анал1з, розробка i впровадження комплексних 1нформац1йних систем в д1яльшсть установ охорони здоро-в'я» (номер державно! реестрац1! 0112U008306).
СПИСОК ЛГГЕРАТУРИ
1. Albisser Z. Computer-aided screening of capsule endoscopy videos
/ Z. Albisser // Master's Thesis, University of Oslo. - 2015. -
№ 1. - P. 74-245.
2. Segmentation of uterus using laparoscopic ultrasound by an image-
based active contour approach for guiding gynecological diagnosis
and surgery / X-H. Gong, J. Lu, J. Liu et al. // PLoS ONE. - 2015. -Vol. 10(10): e0141046. D01:10.1371/journal.pone.0141046
3. Shu Y. Segmentation of laparoscopic images: Integrating graph-based segmentation and multistage region merging/ Y. Shu, G. A. Bilodeau, F. Cheriet // The 2nd Canadian Conference on Computer and Robot Vision (CRV'05), May 09 - 11, 2005 : Proceeding. IEEE Computer Society Washington, 2005. -P. 429-436. DOI: 10.1109/CRV.2005.74
4. Computer-aided diagnosis in hysteroscopic imaging / [M. S. Neofytou, V. Tanos, I. Constantinou et al.] // IEEE Journal of Biomed. Health Inform. - 2015. - Vol. 19(3). - P. 11291136. DOI: 10.1109/JBHI.2014.2332760.
5. Marcinczak J. M. Closed contour specular reflection segmentation in laparoscopic images / J. M. Marcinczak, R. R. Grigat // J. of Biomed. Umaging. - 2013. - Vol. 2013, Jan. 2013, Article No 18; DOI: 1155/2013/593183
6. Boisvert J. Segmentation of laparoscopic images for computer assisted surgery / J. Boisvert, F. Cheriet, G. Grimard // 13 th Scandinavian Conference Image Analysis, June 29 - July 2, 2003, Halmstad, Sweden : Proceedings. Lecture Notes in Computer Sciences, 2003. - Vol. 2749. - P. 587-594.
7. Application of mobile photography with smartphone cameras for monitoring of orthodontic correction with dental brackets/ [L. S. Godlevsky, E. A. Bidnyuk, N. R. Bayazitov et al.] // Chinese Journal of Modern Medicine. - 2014. - No. 15. - P. 10-14.
8. Application of mobile photography with smartphone cameras for monitoring of early caries appearance in the course of orthodontic correction with dental brackets/ [L. S. Godlevsky, E. A. Bidnyuk, N. R. Bayazitov et al.] // Applied Med. Informatics. - 2013. -Vol. 33, No. 4. - P. 21-26.
9. Diagnostic laparoscopy in the era of modern imaging -retrospective analysis from a single center / D. Amarapurkar, N. Bhatt, N. Patel et al. // Indian Journal of Gastroenterology. -2013. - Vol. 32, No. 5. - P. 302-306.
10. Polyp detection and radius measurement in small intestine using video capsule endoscopy/ [M. Zhou, G. Bao, Y. Geng et al.] // 7th International Conference on Biomedical Engineering and Informatics (BMEI) IEEE, 7th Oct. 2014. - P. 237-241.
11. Tissue classification for laparoscopic image understanding based on multispectral texture analysis / [Y. Zhang, S. J. Wirkett, J. Iszatt et al.] // Medical Imaging 2016: Image-Guided Procedures, Robotic Interventions, and Modeling. - March 18, 2016 : SPIE Proceedings. - 2016. - Vol. 9786; DOI:10.1117/12.2216090
12. Lux M. Annotation of endoscopic videos on mobile devices: A bottom-up approach / M. Lux, M. Riegler // In: Proceedings of the 4th ACM Multimedia Systems Conference, MMSys '13, New York, USA. - 2013. - P. 141-145.
OraTra Haginmjia go pegaK^I 02.11.2016.
nicjia gopoSKH 05.12.2016.
Ляшенко А. В.1, Баязитов Н. Р.2, Годлевский Л. С.3, Баязитов Д. Н.4, Бузиновский А. Б. 5
'Ассистент кафедры биофизики, информатики и медицинской аппаратуры, Одесский национальный медицинский университет, Одесса, Украина
2Д-р мед. наук, проф., профессор кафедры хирургии № 1, Одесский национальный медицинский университет, Одесса, Украина 3Д-р мед. наук, проф., заведующий кафедры биофизики, информатики и медицинской аппаратуры, Одесский национальный медицинский университет, Одесса, Украина
4Аспирант кафедры хирургии №1, Одесский национальный медицинский университет, Одесса, Украина 5Врач-хирург малоинвазивного отделения КП «Одесская областная клиническая больница», Одесса, Украина ИНФОРМАЦИОННО-ТЕХНИЧЕСКАЯ СИСТЕМА АВТОМАТИЗИРОВАННОЙ ЛАПАРОСКОПИЧЕСКОЙ ДИАГНОСТИКИ
Решена задача автоматизированного распознавания - диагностики цирротических изменений и метастатического поражения печени по результатам анализа лапароскопических зображений. Объектом исследования был процесс построения диагностической системы автоматизированного распознавания лапароскопических изображений. Предметом исследования были методы формирования исходных выборок изображений для обучения каскадного классификатора. Целью исследования было создание информационной технологи поддержки принятия решений при лапароскопической диагностике состояния поверхности печени на основе каскада Хаара. Классификацию изображений осуществляли с применением метода каскадного классификатора. При применении для обучения 1000 изображений позитивного характера и 500 негативных изображений показатель чувствительности диагностики цирроза печени с помощью разработанной технологии составил 68,8% и превышал таковой, который регистрировался при экспертной диагностике (31,0%) (Р<0,01). При метастатическом поражении достоверные отличия указанного показателя составили 80,0% и 46,7% соответственно (P<0,02). Кроме того, при метастатическом поражении достоверно возрастала специфичность диагностики - с 52,5% при экспертной диагностике до 85,0% (P<0,01), а также отмечалось увеличение прогностических показателей - как позитивного (с 42,4% до 80,0%, P<0,01), так и негативного (с 56,8% до 87,2%, P<0,01). В соответствии с результатами тестирования, показатель AUC ROC для каскадного классификатора составил 0,891, в то время как для экспертной оценки - 0,723, что свидетельствует о большей эффективности каскадного классификатора. Разработанная технология может быть рекомендована для применения в клинической практике при выполнении лапароскопических хирургических вмешательств.
Ключевые слова: автоматизированное распознавание изображений, лапароскопические видеоизображения, признаки Хаара. Lyashenko A. V.1, Bayazitov N. R.2, Godlevsky L. S.3, Bayazitov D. N.4, Buzynovskiy A. V.5
Assistant of the Department of Biophysics, Informatics and medical equipment, Odessa National Medical University, Odessa, Ukraine 2Dr. Sc. Professor of the Department of Surgery N° 1, Odessa National Medical University, Odessa, Ukraine
3Dr. Sc. Professor Chief of the Depatment of Biophysics, Medical Informatics and Medical Devices, Odessa National Medical University, Odessa, Ukraine "Postgraduate Department of Surgery №1, Odessa National Medical University, Odessa, Ukraine 5Doctor-surgeon of Endoscopy, Department Odessa Regional Hospital, Odessa, Ukraine
INFORMATIONAL-TECHNICAL SYSTEM FOR THE AUTOMATIZED LAPAROSCOPIC DIAGNOSTICS
The problem of automatic recognition - diagnostics of cirrhotic and metastatic liver damage has been solved on the basis of laparoscopic images analysis. The object of the investigation was confined to the process of diagnostic automatic system of laparoscopic images recognition building up. The subject of investigation was confined to composing of training images for the learning of cascade Haar's classificatory. The establishing of the system of decision support for laparoscopic surgeons was the aim of the investigation. The automatic diagnostic technology was developed on the basis of Haar's features usage. The classification of images was performed using cascade classificator exploration, and 1000 positive images along with 500 negative ones have been used for the learning . It was established that the sensitivity of cirrhosis of the liver diagnostics was 68,8% and exceeded that one which was determined after expert analysis (31,0%) (P<0,01). The sensitivity of metastatic damage was 80,0% and 46,7% after developed and expert diagnostics were performed correspondently (P<0,02).Besides, the specificity was also elevated - from 52,5% after expert diagnostics up to 85,0% (P<0,01) after developed method. The net increasing of both positive prognostic index (from 42,4% up to 80,0%, P<0,01), as well as negative one (from 56,8% up to 87,2%, P<0,01) was also observed. In accordance to results of tests, the AUC ROC for cascade classificator was 0,891, while such one for expert analysis was 0,723. That is in favor for higher effectiveness of cascade classificator. The worked out technology is recommended for laparoscopic surgery clinical exploration. Keywords: automatic recognition of images, laparoscopic video-images, Haara features.
REFERENCES 7. Godlevsky L. S., Bidnyuk E. A., Bayazitov N. R. et al. Application
of mobile photography with smartphone cameras for monitoring 1. Albisser Z. Computer-aided screening of capsule endoscopy videos, j-^ij-.- -nj-iiu т i
r or fj 0f orthodontic correction with dental brackets, Chinese Journal
Master's Thesis, Umversity of Odo, 2°15, N°. 1, pp. 74-245 of Modern Medicine, 2014, No. 15, pp. 10-14.
- Gong X-H., Lu _ J., Liu J. et al. Segmentation of uterus using 8. Godlevsky L. S., Bidnyuk E. A., Bayazitov N. R. et al.Application
laparoscopic ultrasound by an image-based active contour approach for guiding gynecological diagnosis and surgery, PLoS
of mobile photography with smartphone cameras for monitoring of early caries appearance in the course of orthodontic correction
ONE, 2015, Vo1. 10(10). e0141046. D01.10.1371/ with dental brackets, Applied Med. Informatics, 2013, Vol. 33,
j°urnal.p°ne.0141046 No. 4, pp. 21-26.
Shu Y., Bilodeau G. A., Cheriet F.Segmentation of laparoscopic „ . , „ ,, ,T „ . , ,T . , .. ,
° r r 9. Amarapurkar D., Bhatt N., Patel N. et al. Diagnostic laparoscopy images. Integrating graph-based segmentation and multistage j-j - 4 i -j° ° ° ° r ° ° in the era of modern imaging - retrospective analysis from a region merging, The 2nd Canadian Conference on Computer , . , , , , , , „nn w i m ° ° ° J ^ single center, Indian Journal of Gastroenterology, 2013, Vol. 32, and Robot Vision (CRV'05), May 09-11, 2005 . Proceeding. No 5 302-306
ffiEE Computer Society Washington, 2005, pp. 429-436. D0I: 10. Zhou Mp. Bao G., Geng Y. et al. Polyp detection and radius
10.1109/CRV.2005.74 . . ,, . ° .. . , ,
measurement in small intestine using video capsule endoscopy,
Neofytou M. S., Tanos V., Constantinou I. et al. Computer-aided , , ,. , ^ , „. ,. , ^ . ,
J r 7th International Conference on Biomedical Engineering and
diagnosis in hysteroscopic imaging, IEEE J. Biomed. Health Informatics (BMEI) IEEE, 7th Oct. 2014, pp. 237-241.
Inform, 2015, Vol. 19(3), pp. 1129-1136. DOI. 10.1109/ .. 7J, „ ' i ■<■ e
J v ' 11. Zhang Y., Wirkett S. J., Iszatt J. et al. Tissue classiiication tor
JBHI.2014.2332760. 5
Marcinczak J. M., Grigat R. R. Closed contour specular reflection
laparoscopic image understanding based on multispectral texture analysis, Medical Imaging 2016: Image-Guided Procedures,
segmentation m laparoscopic images, J. of B,omed Umaging, 2013, Robotlc Interventions, and Modeling. March 18, 2016, SPIE
Vol. 2013, Jan. 2013, Article No. 18; DOI: 1155/2013/593183 „ ,. „ , „.,„, fn ,, n/10001 ^qA
Proceedings, 2016, Vol. 9786; DOI: 10.1117/12.2216090
Boisvert J., Cheriet F., Grimard G. Segmentation of laparoscopic ,, T .. , .. . . .. , - a .
° r r 12. Lux M., Riegler M. Annotation of endoscopic videos on mobile
images for computer assisted surgery, 13 th Scandinavian , ■ «... . r r> j- -r ^
° r " J devices: A bottom-up approach, In: Proceedings of the 4th ACM
Conference Image Analysis, June 29 — July 2, 2003, Halmstad, ,, ,,. „ , ^ , ,„.„ ,,, ,r ,, , rrc,,
J a j • j Multimedia Systems Conference, MMSys 13, New York, USA,
Sweden: Proceedings. Lecture Notes in Computer Sciences, 2003, 2013 141 145
Vol. 2749, pp. 587-594. , pp. - .
3.
4.
6.
