CC BY
22
Метод автоматизированного компьютерного анализа планарных сцинтиграмм скелета
1 л -j -j
Косых Н.Э. , Гостюшкин В.В. , Литвинов К.А. , Потапова Т.П. , Коваленко В.Л.3
Method of automated computer analysis of planar skeletal scintigram
Kosykh N.E., Gostyushkin V.V., Litvinov K.A., Potapova T.P., Kovalenko V.L.
1 Дальневосточный государственный медицинский университет, г. Хабаровск
2 Вычислительный центр Дальневосточного отделения РАН, г. Хабаровск
3 Краевой клинический центр онкологии, г. Хабаровск
© Косых Н.Э., Гостюшкин В.В., Литвинов К.А. и др.
Прогресс в области развития биоинформатики, математических методов в биомедицине, развитие компьютерных и телекоммуникационных систем и сетей определяет облик настоящих и будущих медицинских технологий и всей медицины в целом. К настоящему времени уже создан ряд стандартов для работы с медицинскими изображениями. По аналогии с системами computer aided design and computer aided manufacturing (CAD/CAM) для технических приложений для медицинских целей также разрабатываются системы CAD (computer-aided diagnosis — компьютерная диагностика). CAD-системы существенно увеличивают эффективность методов лучевой диагностики. Однако практическое применение методов радио-нуклидной диагностики демонстрирует
сохраняющуюся информационную недостаточность алгоритмов и программ, обеспечивающих визуализацию и анализ медицинских изображений. Это особенно заметно при использовании радионуклидов, не отличающихся высокой специфичностью накопления в патологических очагах. К таковым относится и метод остеосцинтиграфии.
Цель исследования — определение принципов оптимизации обработки планарных остеосцинтиграмм на основе CAD-анализа.
В методологическую основу исследования положено создание компьтеризированной экспертной системы распознавания патологических очагов гиперфиксации радиофармпрепарата (РФП) на планарных
остеосцинтиграммах по принципам CAD-анализа. Программа создана в среде MATLAB. Для математического анализа изображений зон гиперфиксации РФП использован расчет гистограммных, морфомет-рических параметров, текстурных параметров по методу Харалика. Группа гистограммных параметров включала в себя среднее значение яркости изображения, стандартное отклонение показателя яркости от своего среднего значения с, гладкость, третий момент яркости изображения, однородность и энтропию в выделяемых очагах гиперфиксации (ОГФ) РФП изображения. В качестве морфометрических параметров использованы коэффициенты эллипсоидности ОГФ, компактности ОГФ и эксцентриситета ОГФ. Текстурные характеристики вычислялись на основании анализа сопряженности уровней яркости изображения в локальном прямоугольном окне, при этом в качестве показателей рассматривались дисперсии средних по осям х и у цифровой матрицы изображения, показатели контрастности, автокорреляции, корреляции, неоднородности, гомогенности, энергии, энтропии, максимума вероятности, обратного момента разностей и т.п. Экспертным путем проанализировано 169 передних и 110 задних сканограмм, на которых в общей сложности было выделено 2 574 очага гиперфиксации РФП. Результаты экспертного анализа были положены в основу обучающей выборки. Для задачи классификации ОГФ применен метод опорных векторов, а для оценки надежности классифика-
Косых Н.Э., Гостюшкин В.В., Литвинов К.А. и др.
Метод автоматизированного компьютерного анализа планарных.
тора — показатель ожидаемой латентной изменчи- Функциональная схема разработанной CAD-
вости классификатора (PLVC — predicted latent vari- системы представлена на рисунке. ables of classifier).
Функциональная схема CAD-системы анализа планарных сканограмм
Изначальное изображение скелета было записано в формате DICOM, являющемся основным в представлении медицинских изображений. Дальнейший анализ изображения проводился в программе, созданной в среде MATLAB. При этом исходное изображение сохранялось в матричном виде в форме внутреннего формата MATLAB. Значительное место в CAD-анализе сканограмм занимал метод сегментации, с его помощью очерчивалась область, соответствующая скелету. В области, соответствующей скелету, определялось среднее значение яркости изображения, а также стандартное отклонение с от данного значения.
Общепринятой точкой зрения считается тот факт, что основным признаком метастатического очага, по данным сцинтиграфии, является локальная гиперфиксация РФП. Сегментация зон гиперфиксации РФП проводилась в соответствующей скелету выделенной ранее области и выполнялась либо автоматически, либо вручную. После сегментации изображения выделенные очаги ОГФ были проанализированы экспертом и разделены им на метастатические и неметасти-ческие. Была сформирована обучающая выборка, состоящая из объектов — ОГФ, проанализированных экспертом. Общее число проанализированных объектов составило 2 574, при этом 655 из них оценены как метастатические, а 1 919 — как неметастатические. Каждому объекту в обучающей выборке соответство-
вал просчитанный набор гистограммных, текстурных и морфометрических параметров.
Классификатор, созданный по данной обучающей выборке на основе метода опорных векторов, был проверен с помощью ROC-кривой, выражающей соотношение уровня верных и ложных обнаружений. При этом рассчитывался численный показатель площади под ROC-кривой — Area Under Curve (AUC). При этом AUC для классификатора, созданный по данным задних сцинтиграмм, составил 0,95, а по данным передних сцинтиграмм — 0,86. Это свидетельствовало об очень хорошем качестве анализируемой модели.
Алгоритм блока распознавания новых объектов ОГФ заключался в последовательном выполнении следующих этапов: сегментации изображения, расчета диагностических признаков в новой выборке объектов, применения классификатора к этой выборке объектов и расчета надежности классификатора по отношению к данной выборке. Результатом третьего этапа работы программы являлось распределение объектов анализируемого изображения на две группы — метастазов и не метастазов. Надежность классификатора по отношению к данной выборке определялась с помощью показателя ожидаемой латентной изменчивости классификатора (predicted latent variables of classifier — PLVC). Диапазон изменения значений показателя PLVC составлял от 0 до 1. При этом чем ближе
значения PLVC, рассчитанные для конкретного объекта, к 0 или 1, тем с большей вероятностью можно относить рассматриваемый объект к метастазу или к не метастазу.
Рассмотренная CAD-система обладает функциями экспертного анализа и основана на принципах распознавания изображений. Это является весьма важным для анализа сканограмм скелета, где выраженный полиморфизм очагов гиперфиксации РФП создает значительные трудности в правильной визуальной оценке данных, получаемых при сцинтиграфии скелета. В такой CAD-системе представления эксперта о визуальных признаках метастатического очага выражены в числовых значениях гистограммных, текстурных и морфометрических параметров. Это является основой объективной классификации анализируемых изображений. Принципиальное отличие рассмотренной системы от наиболее известной CAD-системы, предложенной M. Sadik для оценки сканограмм скелета, за-
ключается в расчете значений показателя ожидаемой латентной изменчивости классификатора (PLVC) для очагов гиперфиксации РФП, выявленных на скано-грамме. Тем самым из группы очагов гиперфиксации РФП можно выделить не только те, которые безусловно относятся к патологическим (в данном случае — метастатическим), но и те, уточнение природы которых требует дополнительных исследований и динамического наблюдения. Расчет PLVC может иметь важное значение в клиническом использовании данной CAD-системы.
Таким образом, на основе принципов CAD-анализа создана диагностическая экспертная система, позволяющая распознавать на планарных сцинти-граммах скелета метастатические и неметастатические очаги. Анализ сцинтиграмм, проводимый с помощью CAD-системы, отличается объективностью и воспроизводимостью.
Поступила в редакцию 24.05.2012 г. Утверждена к печати 27.06.2012 г.
Для корреспонденции
Косых Н.Э., [email protected]
