![](https://expert-mik.ru/wp-content/themes/24author/assets/img/work/work-img.png)
Разработка и исследование алгоритмов сегментации и распознавания объектов на медицинских изображениях на основе шиарлет-преобразования и нейронных сетей
Приложения нейронной сети в компьютерной диагностике ……………..12
Теоретические основы обработки визуальных данных нейросетями ….. 13
1.2.1 Базовая структура нейронной сети …………………………………………………… 14
Нейронные сети для компьютерной диагностики / обнаружения ……….18
1.3.1. Обнаружение и диагностика объекта (онкологии молочной железы) … 19
1.3.2. Обнаружение и диагностика локального объекта (патологий в легких)21
1.3.3. Обнаружение и диагностика объекта на МРТ снимках (опухоли головного мозга) ……………………………………………………………………………… 24
Извлечение информативных признаков …………………………………….25
1.4.1. Дискретноевейвлет-преобразование(DWT)……………………………………..27
1.4.2. Матрица когерентности серого уровня (GLCM) ……………………………….. 29
Алгоритмы обнаружения контуров ………………………………………….30
1.5.1. Обнаружение контуров изображения на основе улучшенного оператора Кэнни………………………………………………………………………………………………. 32
Выводы по первой главе ……………………………………………………… 35
Актуальность работы. В направлениях современной медицины активно развивается новая область обработки и анализа визуальных данных – радиомика – компьютерная технология, которая позволяет более глубоко анализировать медицинские изображения, такие как компьютерная томография (КТ), магнитно- резонансная томография (МРТ), рентгенография грудной клетки (CXR) и др. [7, 31, 44, 46, 101, 130, 160].
Этот подход позволяет извлекать количественные текстурные признаки из изображений и выделять биологические маркеры для описания патологии (опухоли), что обеспечивает персонифицированный подход к диагностике и лечению [1, 3, 6, 22, 58, 127, 142]. Развитие информационных технологий – спектральная декомпозиция и нейросети для обработки и анализа визуальных данных являются приоритетным подходом для решения подобного рода прикладных задач [13, 21, 38, 88, 94, 98, 114, 132, 174].
В тоже время в процессе распознавания образов в изображениях при принятии решений медицинские специалисты сталкиваются с рядом проблем: неполная и неточная исходная информация; большая изменчивость атрибутов и небольшие размеры выборки; ограниченное время принятия решений для заключений [9, 22, 25, 40, 64]. Эти факторы часто приводят к ошибкам в диагностике. В целях повышения эффективности и качества обработки экспериментальной информации необходимо усовершенствовать и модифицировать методы анализа визуальных данных, как для повышения качества медицинских изображений, так для повышения точности распознавания объектов.
Одной из главных целей компьютерного зрения является интерпретация окружающего пространства (сцены). Методы сегментации, выделения границ и распознавание образов играют важную роль, так как они используются в качестве основного этапа обработки данных в большинстве задач компьютерного зрения и компьютерной диагностики [25, 38, 40, 147, 164].
5
Это направление охватывает практически все области, связанные с медицинскими экспериментальными исследованиями. В теоретическом плане распознавание образов можно выделить в отдельный класс задач, связанных с сегментацией и распознаванием трехмерных визуальных объектов, при этом сегментация является одним из этапов задачи распознавания объекта [31, 36, 109, 157].
В последнее десятилетие активно развивается аппаратурное обеспечение в экспериментальных медицинских исследованиях, появляются все более совершенные и сложные приборные комплексы. В то же время известные алгоритмические средства не вполне соответствуют требованиям по быстродействию и качеству обработки сложных визуальных данных, регистрируемых вновь создаваемыми аппаратными средствами, а также возможностям для решения новых актуальных задач геометрического (морфологического, текстурного) анализа данных, основанного на вейвлет- и шиарлет-преобразованиях [42, 57, 144].
Шиарлет-преобразование является новым методом анализа многомерных данных. Этот метод отличается возможностью определения анизотропной составляющей в анализируемых данных, что может быть применимым для решения задач обработки изображений [58, 84, 90].
Идея шиарлет-преобразования опирается на хорошо разработанную теорию вейвлет-анализа и является её естественным расширением [21]. Так, параметрами шиарлет-преобразования являются не только смещение и коэффициент масштабирования, но и сдвиг (shear). Исследования по шиарлет- анализу в последние годы отмечены в работах [81, 82]. Шиарлет-преобразование позволяет работать с криволинейными сингулярностями, учитывать анизотропные свойства исследуемой среды (объекта).
Для решения новых задач необходимо модифицировать вычислительную технологию геометрического (морфологического, текстурного) анализа визуальных данных за счет обеспечения возможности выбора алгоритмов шиарлет-преобразования и алгоритмов машинного обучения в виде
6
вероятностной нейронной сети (PNN), что позволит повысить точность выделения линейных структур, визуальное качество изображений изучаемых объектов и их контуров [104, 109, 128, 133, 148, 160].
Актуальными также являются теоретические и прикладные исследования по усовершенствованию алгоритмов, связанных с применением нейронных сетей в рамках единой вычислительной технологии для решения задач оценки состояния объекта (выявление и классификация патологий и новообразований) на медицинских изображениях (CXR-сканирование, КТ и МРТ-снимки) [25, 88, 98, 113, 114].
Целью диссертационной работы является повышение точности алгоритмов сегментации и распознавания объектов на изображениях для визуализации и интерпретации экспериментальных медицинских данных.
Для достижения цели поставлены следующие задачи:
1.Разработать и исследовать метод сегментации локальных областей (с
патологией) на медицинских изображениях (МРТ и КТ).
2. Разработать и исследовать быстрый алгоритм классификации локальных
областей в комплексной диагностике (на примере злокачественных
новообразований молочной железы и головного мозга).
3.Разработать и исследовать высокоточный метод обнаружения границ
объектов на основе модифицированного метода сегментации.
4.Разработать вычислительную методику для выделения объектов и распознавания патологии на изображениях рентгенографии грудной клетки
(CXR и КТ).
5.Провести экспериментальные исследования по оценке результативности
разработанных метода, алгоритмов в рамках комплексного медицинского эксперимента.
Методы исследования. Для решения поставленных в работе задач использовались методы теории цифровой обработки изображений, теории информации, методы теории распознавания образов и анализа данных, методы объектно-ориентированного программирования.
7
Научная новизна. При решении поставленных в диссертационной работе задач получены следующие новые научные результаты:
1.Разработан новый метод автоматической сегментации по отдельным
объектам, отличающийся использованием комбинации порогового значения Оцу и нечеткой кластеризации, который позволяет улучшить точность выделения отдельных объектов и классификации (на примере опухолей головного мозга и молочной железы).
2. Разработаны методика и алгоритмическое обеспечение обработки и анализа изображений (CXR и КТ), отличающиеся введением конкурентного уровня и дополнительных шагов для определения новых функций CPNN на основе метода машинного обучения, что позволяет повысить точность определения границ легких и уменьшить ошибки распознавания патологии на изображениях (CXR и КТ).
3. Разработан способ обнаружения и визуализации контуров, отличающийся использованием модифицированного шиарлет-преобразования (алгоритм FFST), который позволяет анализировать геометрические (морфологические, текстурные) особенности изображений (на примере оценки скорости роста тканей на имплантатах в медицинском эксперименте).
Практическая значимость. Разработанные алгоритмы сегментации и
распознавания позволяют повысить эффективность обнаружения злокачественной опухоли на изображениях КТ и МРТ, а также повысить качество обнаружения патологий на рентгеновских снимках грудной клетки. Результаты обработки и анализа визуальных данных в экспериментальных исследованиях в герниопластике позволяют повысить качество поиска и описания соответствующих объектов, что вносит существенный вклад в обеспечение эффективности методов количественной гистологии.
Основные результаты, выносимые на защиту:
1. Метод автоматической сегментации отдельных объектов на медицинских изображениях.
8
2. Алгоритм классификации локальных объектов (на примере опухолей головного мозга и молочной железы) на изображениях (МРТ и КТ).
3. Методика и алгоритмическое обеспечение высокоточного выделения границ объектов (легких) и распознавания патологии на изображениях (CXR и КТ).
4. Способ обнаружения и контрастирования контуров объектов на изображении на основе шиарлет-преобразования (модифицированный алгоритм FFST).
Внедрение результатов диссертационной работы. Результаты диссертационного исследования переданы на кафедры общей хирургии и урологии КрасГМУ, в Грантовый центр и Центр восстановительной медицины СНКЦ ФМБА России. Также результаты диссертационного исследования внедрены в учебный процесс кафедры прикладной математики и компьютерной безопасности Института космических и информационных технологий СФУ. Оформлены документы для регистрации двух программ для ЭВМ в Роспатенте.
Апробация работы. Основные положения и результаты диссертационной работы представлялись на международных и всероссийских конференциях: Всероссийской научно-технической конференции студентов, аспирантов и молодых учёных (Красноярск, 2018-2019); XXI Всероссийском семинаре «Моделирование неравновесных систем» (Красноярск, 2018); XXVI Всероссийском семинаре «Нейроинформатика, её приложения и анализ данных» (Красноярск, 2019); XIX Всероссийском симпозиуме c международным участием «Сложные системы в экстремальных условиях» (Красноярск, 2018); Марчуковские чтения: Международной конференции «Актуальные проблемы вычислительной и прикладной математики» (Новосибирск, 2019); 22rd International Conference on Knowledge-Based and Intelligent Information & Engineering Systems (Белград, Сербия, сентябрь 2018); 23rd International Conference on Knowledge-Based and Intelligent Information & Engineering Systems (Будапешт, Венгрия, сентябрь 2019); 1st International Conference on Information and Sciences (AiCIS, Ирак, 2018); 9th International Conference on Information
9
Systems and Technologies (ACM, Египет, 2019); International Conference on Applied Computing to Support Industry: Innovation and Technology (ACRIT, Ирак, 2019), а также на научных семинарах в ИКИТ СФУ (2018–2020).
Соответствие диссертации паспорту специальности. Диссертационное исследование соответствует области исследований специальности 05.13.17 – Теоретические основы информатики по п. 5. «Разработка и исследование моделей и алгоритмов анализа данных, обнаружения закономерностей в данных и их извлечениях, разработка и исследование методов и алгоритмов анализа текста, устной речи и изображений» и п. 7. «Разработка методов распознавания образов, фильтрации, распознавания и синтеза изображений, решающих правил».
Публикации. Результаты диссертационного исследования опубликованы в 23 печатных работах, из них 10 статей в журналах, рекомендованных ВАК, 7 публикаций из источников, индексируемых в базе SCOPUS и WoS, 6 статей опубликованы в научно- технических журналах и сборниках, в трудах научных конференций.
Личный вклад автора. Основные научные результаты, аналитические выражения, доказательства, методы и алгоритмы, приведенные в диссертации, получены автором лично, либо при его непосредственном участии.
Вклад автора в статьи 1-4 составляет 75 %, в статьи 5-10 составляет 70%; в статьи 11-17 составляет 85 %; в статьи 18-23 составляет 65 %
Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения и приложений. Полный объем диссертации – 171 страница текста, включая 39 рисунков и 21 таблицу. Список использованных источников содержит 186 позиций.
Благодарности. Автор глубоко признателен профессору д.ф.-м.н Носкову М.В. и профессору д.т.н. Симонову К.В., которые оказали большое влияние на формирование научных взглядов соискателя, за поддержку и внимание к диссертационной работе.
10
Также автор выражает благодарность коллегам и участникам совместных исследований: доценту к.т.н. А.Г. Зотину, М.А. Курако и специалистам медикам: д.м.н. Ф.П. Капсаргину, Е.М. Кабаеву, А.С. Кенц, Т.В. Черепановой.
![](https://expert-mik.ru/wp-content/themes/24author/assets/img/signup-document.png)
Помогаем с подготовкой сопроводительных документов
Хочешь уникальную работу?
Больше 3 000 экспертов уже готовы начать работу над твоим проектом!