Ефективність автоматизованої лапароскопічної діагностики патологічного стану печінки при застосуванні різних методів класифікації цифрових зображень

D. N. Bayazitov, N. V. Kresyun, А. B. Buzinovsky, N. R. Bayazitov, A. V. Lyashenko, L. S. Godlevsky, T. V. Prybolovets, K. A. Bidnyuk

Анотація


Комп’ютерна автоматизована діагностика (КАД)/класифікація відео-зображень є актуальною в лапароскопічній хірургії. Подібна КАД передбачається до використання впродовж виконання лапароскопічного втручання з метою підтримки ухвалення рішення хірургом.

Мета роботи – оцінити ефективність КАД, що створені на базі двох класифікаторів: каскадного класифікатора ознак Хаара та AdaBoost під час діагностики циротичних змін печінки та метастатичного її ураження.

Матеріали та методи. Створення КАД здійснювали шляхом навчання каскадного класифікатора ознак Хаара та AdaBoost зображеннями/кадрами, котрі були вилучені з відеоряду, що отримали під час лапароскопічної діагностичної процедури. Кадри, що отримані в RGB форматі шкали кольорів, обробляли за допомогою гама-корекції та трансформували у шкалу HSV, після чого обидва типи кадрів використовували для навчання. За допомогою модифікованого методу локальних бінарних патернів (LBT), котрий включав показники колірності («модифікований за кольором LBT» – MCLBT), а також характеристики текстури, визначали дескриптори для навчання AdaBoost класифікатора. Загалом для навчання кожного класифікатора використовували 1000 зображень із підтвердженими діагнозами та 500 – з їхньою відсутністю для кожної форми патології печінки. Після завершення навчання виконували контрольне тестування та визначали ефективність діагностики відзначених класифікаторів. При цьому для тестування використовували зображення, котрі не  застосовували під час навчання: 319 зображень циротично зміненої та 253 зображення метастатичних змін поверхні печінки, а також 365 зображень печінки без патологічних змін.

Результати. Контрольне тестування засвідчило, що найвищим показник повноти діагностики цирозу печінки був при використанні AdaBoost класифікатора, котрий було навчено за допомогою MCLBT-дескрипторів, що отримали з кадрів у HSV форматі – 0,655, a також під час діагностики метастатичного ураження печінки – при використанні MCLBT-дескрипторів, що одержали з кадрів у RGB форматі – 0,925. Отже, КАД на основі AdaBoost класифікатора дає можливість ефективно діагностувати циротичні зміни в 69,0 % та метастатичне ураження – в 92,7 % випадків. Коректна діагностика за допомогою класифікатора на основі ознак Хаара була найвищою у випадку діагностики метастатичного ураження та становила 0,701 та 0,717 під час навчання з використанням RGB і HSV форматів зображень відповідно.

Висновки. Класифікатор на основі ознак Хаара є менш ефективним порівняно з класифікатором AdaBoost, що навчений за MCLBT-дескрипторами під час вирішення питань автоматизованої діагностики стану печінки. За допомогою класифікаторів, котрі застосовані, метастатичне ураження діагностується ефективніше порівняно з циротичними змінами печінки.


Ключові слова


захворювання печінки; лапароскопія; діагностичне зображення; зображення обробка комп’ютерна

Посилання


Boisvert, J., Cheriet, F., & Grimard, G. (2003). Segmentation of laparoscopic images for computer assisted surgery. Lecture Notes in Computer Sciences, 2749, 587–594.

Lahane, A., Yesha, Y., Grasso, M., Joshi, A., Park, A., & Lo, J. (2012). Detection of unsafe action from laparoscopic cholecystectomy video. Proc. 2nd ACM SIGHIT International Health Informatics Symposium. (P. 315–322).

Lyashenko, A. V., Bayazitov, N. R., Godlevsky, L. S., Bayazitov, D. N., & Buzynovskiy, A. V. (2016). Informatsiino-tekhnichna systema avtomatyzovanoi laparoskopichnoi diahnostyky [Informational-technical system for the automatized laparoscopic diagnostics]. Radioelektronika, informatyka, upravlinnia, 4, 90–96. [in Ukrainian].

Neofytou, M. S., Tanos, V., Constantinou, I., Kyriacou, E. C., Pattichis M. S., & Pattichis, C. S. (2015). Computer-aided diagnosis in hysteroscopic imaging. IEEE J Biomed Health Inform, 19(3), 1129–1136. doi: 10.1109/JBHI.2014.2332760.

Shu, Y., Bilodeau, G. A., & Cheriet F. (2005). Segmentation of laparoscopic images: Integrating graph-based segmentation and multistage region merging. Proc 2nd Canadian Conference on Computer and Robot Vision (CRV’05). doi: 10.1109/ CRV. 2005.74.

Fatiev, D. (2015). Faculty of Science and Technology Department of Computer Science Object tracking for improved telementoring and telestration. INF-3997 Master's Thesis in Telemedicine and E-health, The Arctic University of Norway.

Albisser, Z. (2015). Computer-aided screening of capsule endoscopy videos. Master’s Thesis, University of Oslo.

Zhou, M., Bao, G., Geng, Y., Alkandari, B., & Li, X. (2014). Polyp detection and radius measurement in small intestine using video capsule endoscopy. Proc 7th International Conference on Biomedical Engineering and Informatics (BMEI), 237–241. doi: 10.1109/BMEI.2014.7002777.

Viola, P., & Jones, M. (2001). Rapid object detection using a boosted cascade of simple features. Proc IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1, 511–518. doi: 10.1109/CVPR.2001.990517.

Bouguet, J. (2000). Pyramidal implementation of the Lucas-Kanade feature tracker: description of the algorithm, openCV documentation. Retrieved from http://www.intel.com/research/mrl/research/opencv.

Zhu, C., Bichot, C. E., & Chen, L. (2010). Multi-scale color local binary patterns for visual object classes recognition. Proc ICPR, 3065–3068. doi: 10.1109/ICPR.2010.751.

Ledoux, A., Losson, O., & Macaire, L. (2016). Color local binary patterns: compact descriptors for texture classification. Journal of Electronic Imaging, Society of Photo-optical Instrumentation Engineers, 25(6), 061404.

Ojala, T., Pietikainen, M., & Maenpaa, T. (2002). Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(7), 971–987. doi: 10.1109/TPAMI.2002.1017623.

Bay, H., Tuytelaars, T., & Van Gool, L. (2006). Surf: Speeded up robust features. ECCV 2006: Computer Vision – ECCV 2006, 3951, 404–417.

Parent, F., Mandal, K. K., Loranger, S., Hideki, E., Fernandes, W., Kashyap, R., & Kadoury, S. (2016). 3D shape tracking of minimally invasive instruments using optical frequency domain reflectometry. Proc of SPIE, 9786, doi: 10.1117/12.2214998.




DOI: https://doi.org/10.14739/2310-1237.2017.2.109219

Посилання

  • Поки немає зовнішніх посилань.


ПАТОЛОГІЯ   Лицензия Creative Commons
Запорізький державний медичний університет