Автоматизированная классификация абдоминальных ультразвуковых изображений поджелудочной железы на основе спектрального представления контуров ее границы

Цель исследования – развитие методологии классификации сложноструктурируемых полутоновых изображений на основе мультимодального подхода с использованием методов морфологического анализа, спектрального анализа и нейросетевого моделирования.
Методы. Описан метод классификации контуров границ сегментов сложноструктурируемых изображений применительно к изображениям поджелудочной железы, полученных с экрана УЗИ-монитора. Метод основан на том положении, что при хронических заболеваний поджелудочной железы наблюдается нарушение целостности контура ее границы и увеличивается его волнистость за счет втяжений и выпуклостей, обусловленных альтеративно-воспалительным процессом. Метод включает этапы нормализации ультразвуковых изображений и сегментации изображения с выделением контура объекта интереса. Для классификации контура границы сегмента предложено использовать анализ Фурье и нейросетевые технологии. Метод проиллюстрирован на примере классификации контура границы поджелудочной железы на ее акустическом изображении.
Результаты. Экспериментальные исследования предложенных методов и средств классификации медицинского риска были осуществлены на задачах диагностики по классам «хронический панкреатит» и «без патологии». Для экспериментальных исследований использовались видеопоследовательности УЗИ-снимков поджелудочной железы, предоставленные врачом-эндоскопистом. Целью экспериментальных исследований был анализ показателей качества классификации классификаторов изображений с сегментами класса «хронический панкреатит» и «без патологии». Обучающая выборка видеоизображений (кадров видеопоследовательностей) включала в себя 200 примеров по сто из каждого класса. Показатель качества «чувствительность» классификации по двум классам – 85,7%, показатель «специфичность» – 87,1%.
Заключение. Использование метода контурного анализа в классификаторах УЗИ-изображений поджелудочной железы открывает новые возможности для доступной и объективной диагностики заболеваний поджелудочной железы, расширяя возможности интеллектуальных систем поддержки принятия клинических решений. 

1. Филист С. А., Томакова Р. А., Яа Зар До. Универсальные сетевые модели для задач классификации биомедицинских данных // Известия Юго-Западного государственного университета. 2012. Т. 43, № 4, Ч. 2. С. 44–50.

2. Дабагов А. Р., Малютина И. А., Кондрашов Д. С. Автоматизированная система для классификации заболеваний молочной железы по рентгеновским маммографическим снимкам // Прикаспийский журнал: управление и высокие технологии. 2019. Т. 4, № 48. С. 10–24.

3. Автоматизированная система классификации снимков УЗИ поджелудочной железы на основе метода посегментного спектрального анализа / С. А. Филист, Д. С. Кондрашов, А. Ю. Сухомлинов, Л. В. Шульга, Ч. Х. Аль-Дарраджи, В. А. Белозёров // Моделирование, оптимизация и информационные технологии. 2023. Т. 11, № 1. https://doi.org/ 10.26102/2310-6018/2023.40.1.021.

4. Автоматизированная система классификации рентгенограмм молочной железы / А. Р. Дабагов, В. А. Горбунов, С. А. Филист, И. А. Малютина, Д. С. Кондрашов // Медицинская техника. 2019. Т. 6, № 318. С. 39–41.

5. Алгоритмы метаанализа эффективности диагностических и терапевтических решений на основе мониторинга суррогатных маркеров, получаемых по результатам анализа сложноструктурируемых изображений / А. Г. Курочкин, А. А. Кузьмин, Е. А. Старцев, С. А. Филист // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2016. № 4 (21). С. 41–55.

6. Махов В. М. Этиологические аспекты диагностики и лечение хронического панкреатита // Российский медицинский журнал. 2006. № 3. С. 3–8.

7. The ro e of endoscopy in patients with chronic pancreatitis / D. G. Ad er, D. Lichtenstein, T. H. Baron [et a .] // Gastrointest Endosc. 2006. Vo . 63, N 7. P. 933–937.

8. Дусмухамедова З. Т., Фазилов А. А., Абзалова М. Я. Характерные особенности ультразвуковой картины хронического панкреатита // Молодой учёный. 2017. Т. 10, № 144. С. 133–136.

9. Two-Dimensiona Wa sh Spectra Transform in Prob ems of Automated Ana ysis of U trasound Images / A. Kuzmin, H. C. A -Darraji, A. Su hom inov, S. Fi ist // Creativity in Inte igent Techno ogies and Data Science. CIT&DS 2023. Communications in Computer and Information Science / A. G. Kravets, M. V. Shcherba ov, P. P. Groumpos [et. a .]. Cham: Springer, 2023. https://doi.org/10.1007/978-3-031-44615-3 32.

10. Томакова Р. А., Филист С. А., Горбатенко С. А. Анализ гистологических изображений посредством морфологических операторов, синтезированных на основе преобразования Фурье и нейросетевого моделирования // Биотехносфера. 2010. № 3(9). С. 54– 60.

11. Малютина И. А., Кузьмин А. А., Шаталова О. В. Методы и алгоритмы анализа рентгенограмм грудной клетки, использующие локальные окна в задачах обнаружения патологий // Прикаспийский журнал: управление и высокие технологии. 2017. Т. 3, № 39. С. 131–138.

12. Vio a P., Jones M. Robust rea -time face detection // Proceedings Eighth IEEE Internationa Conference on Computer Vision. ICCV 2001. Vancouver, Canada: BC, 2001. P. 747. https://doi.org/10.1109/ICCV.2001.937709.

13. Классификация медицинских изображений на основе анализа спектров локальных окон / С. А. Филист, Д. С. Кондрашов, А. А. Кузьмин, А. Ю. Сухомлинов, Ч. Х. Аль-Дарраджи // Медицинская техника. 2023. № 5. С. 18–20.

14. Papageorgiou C., Oren M., Poggio T. A genera framewor for object detection // Sixth Internationa Conference on Computer Vision. Bombay, India, 1998. https://doi.org/10.1109/ ICCV.1998.710772.

15. Многослойные морфологические операторы для сегментации сложноструктурируемых растровых полутоновых изображений / С. А. Филист, А. Р. Дабагов, Р. А. Томакова, И. А. Малютина, Д. С. Кондрашов // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019. Т. 9, № 3. С. 44–63.

16. Томакова Р. А., Филист С. А. Метод обработки и анализа сложноструктурируемых изображений на основе встроенных функций среды MATLAB // Вестник Читинского государственного университета. 2012. Т. 1, № 80. С. 3–9.

17. Томакова Р. А., Филист С. А., Насер А. А. Нечеткие нейросетевые технологии для выделения сегментов с патологическими образованиями и морфологическими структурами на медицинских изображениях // Биомедицинская радиоэлектроника. 2012. № 4. С. 43–49.

18. Томакова Р. А., Филист С. А., Руденко В. В. Нечеткая сетевая модель интеллектуального морфологического оператора для формирования границ сегментов // Научные ведомости Белгородского государственного университета. 2011. Т. 1, № 96. С. 188– 195.

19. Pedestrian detection using wave et temp ates / M. Oren, C. Papageorgiou, P. Sinha, E. Osuna, T. Poggio // Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition. San Juan, PR, USA, 1997. P. 193–199.

20. Freund Y., Schapire R. A decision-theoretic genera ization of onine earning and an app ication to boosting // Journa of computer and system sciences. 1997. N 55. P. 119–139.

21. Po i ar R. Ensemb e based systems in decision ma ing // IEEE Circuit Syst. Mag. 2006. N 6. P. 21–45.

22. Метод каскадной сегментации рентгенограмм молочной железы / С. А. Филист, А. Р. Дабагов, Р. А. Томакова, И. А. Малютина, Д. С. Кондрашов // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019. Т. 9, № 1. С. 49–61.

23. Филист С. А., Шаталова О. В., Ефремов М. А. Гибридная нейронная сеть с макрослоями для медицинских приложений // Нейрокомпьютеры. Разработка и применение. 2014. № 6. С. 35–39.