Разработка и исследование алгоритма выращивания регионов для сегментации медицинских данных
Алгоритм выращивания регионов, в основе которого заложена идея Region Growing, отличающаяся от существующих применением многоразмерных суперпикселей и построением сплайн-контура.
Введение ……………………………………………………………………………………………………… 11
1. Обзор литературы ………………………………………………………………………………….. 14
2. Содержательная и концептуальная постановки задачи ……………………………. 18
3. Математическая модель алгоритма ………………………………………………………… 20
3.1 Предобработка изображений ……………………………………………………………….. 20
3.2 Модель сегментации ……………………………………………………………………………. 21
3.3 Размещение первого суперпикселя ………………………………………………………. 22
3.4 Поиск внешних суперпикселей ……………………………………………………………. 24
3.5 Построение сплайн-контура ………………………………………………………………… 24
3.6 Детектирование границ ……………………………………………………………………….. 28
3.7 Методы принятия коллективных решений …………………………………………… 29
4. Программная реализация ……………………………………………………………………….. 31
4.1 Выбор среды разработки ……………………………………………………………………… 31
4.2 Интерфейс и особенности программной реализации ……………………………. 32
5. Тестирование …………………………………………………………………………………………. 35
5.1 Метрики оценки точности……………………………………………………………………. 35
5.2 Материалы ……………………………………………………………………………………….. 36
6. Результаты……………………………………………………………………………………………….. 38
6.1 Точность алгоритма …………………………………………………………………………….. 38
6.2 Скорость выполнения алгоритма …………………………………………………………. 42
7. Обсуждение результатов ………………………………………………………………………….. 45
8. Финансовый менеджмент, ресурсоэффективность и ресурсосбережение … 49
8.1 Предпроектный анализ ………………………………………………………………………… 49
8.2 SWOT-анализ………………………………………………………………………………………. 52
8.3 Планирование управлением научно-технических проектом …………………. 57
8.4 Бюджет научно-технического исследования ………………………………………… 63
8.5 Реестр рисков ………………………………………………………………………………………. 70
8.6 Общий вывод по разделу……………………………………………………………………… 74
9. Социальная ответственность ………………………………………………………………….. 76
9.1 Повышенный уровень шума на рабочем месте …………………………………….. 78
9.2 Отклонение показателей микроклимата ……………………………………………….. 79
9.3 Недостаточная освещённость рабочей зоны …………………………………………. 81
9.4 Экологическая безопасность………………………………………………………………… 88
9.5 Безопасность в чрезвычайных ситуациях …………………………………………….. 89
9.6 Статические физические перегрузки ……………………………………………………. 91
Заключение …………………………………………………………………………………………………. 96
Список использованных источников ……………………………………………………………. 97
Приложение A …………………………………………………………………………………………… 101
Приложение Б ……………………………………………………………………………………………. 112
Современная цифровая медицина является востребованным направлением,
которое в будущем позволит вывести здравоохранение на принципиально новый
уровень развития. Однако, в тоже время внедрение качественных
информационных систем в медицинскую практику нетривиально и требует
решения множества сложнейших задач по обработке медицинской информации.
Одной из таких задач является обработка различного рода графической
информации: результаты исследования МРТ (магнитно-резонансной
томографии), снимки КТ (компьютерной томография), а также ультразвуковые
данные эхокардиографии.
Очевидно, что анализ графической информации начинается с выделения
на изображении интересующей области и определения её границ. Этот процесс
называется сегментацией. Сегментация необходима для локализации
интересующих объектов на изображениях. В контексте медицины это могут быть
различные анатомические структуры, ткани, элементы опорно-двигательной
системы, а также хирургические инструменты, находящиеся внутри тела
человека при проведении малоинвазивных операций. По результату сегментации
можно определить размеры и площадь сегментированных участков, выявить
отклонение от нормы и поставить правильный диагноз.
Таким образом, задача сегментации медицинских изображений
представляется достаточно неординарной и требует применения нестандартных
методов для её решения. В отличие от других областей, где данные чисты и
хорошо структурированы, медицинские данные очень разнородны,
неоднозначны, неполны и сильно зашумлены. Это является главной проблемой,
которая в зачастую приводит к нестабильной работе обычных методов
сегментации. Уже разработаны методы, которые позволяют частично решить
описанные выше проблемы. Работа таких методу сводится к статистическому
анализу суперпикселей. Под суперпикселями понимается группа пикселей,
объединённых по какому-либо признаку. Однако, недостатком таких подходов
является высокая сложность алгоритма, что приводит к большому времени
выполнения. В данной работе предлагается новый подход, основанный на
суперпиксельной обработке, который позволяет увеличить надёжность
алгоритма и повысить его скорость, путём снижения асимптотической
сложности алгоритма.
Целью данной работы, является разработка, реализация и исследование
алгоритма сегментации медицинских данных, в основе которого лежит принцип
выращивания регионов для повышения надёжности и скорости разработанного
метода. Для достижения цели необходимо решить следующий перечень задач:
В ходе выполнения выпускной квалификационной работы был разработан
метод выращивания регионов для сегментации медицинских данных. Сделана
реализация метода и проведено его тестирование. Исследовано поведение
алгоритма и влияние основных параметров: размеры начального и
минимального суперпикселя на скорость и точность сегментации. Исследовано
влияние этих размеров на стабильность работы алгоритма. Произведено
сравнение разработанного алгоритма с классическим алгоритмом выращивания
регионов.
Для этого был проведён анализ литературы, разработана концепция
выращивания региона суперпикселями, выбрана среда для разработки и написан
исходный код алгоритма. Далее проведена отладка и тестирование.
Тестирование разработанного алгоритма показало среднюю точность
94±2% и 93.5±6.7% на двух выборках изображений. Реализация алгоритма
позволила достичь большей устойчивости и стабильности, чем у алгоритма
“Region Growing”. По скорости сегментации классический алгоритм также
значительно уступает.
Достигнутые показатели не являются предельными для данной разработки.
Разработанный алгоритм, в связи с предложенной архитектурой, может быть
модифицирован за счёт:
применения большего количества методов для детектирования
границ;
использования новых методов коллективного принятия решений;
реализация алгоритма с применением параллельных вычислений;
масштабирование алгоритма для сегментации трёхмерных данных.
Хочешь уникальную работу?
Больше 3 000 экспертов уже готовы начать работу над твоим проектом!
4.9 (343 отзыва)
4.9 (37 отзывов)
4.9 (298 отзывов)
5 (49 отзывов)
4.8 (30 отзывов)
5 (154 отзыва)
5 (20 отзывов)
4.8 (9 отзывов)
4.1 (20 отзывов)
