СИСТЕМА АНАЛИЗА ТЕКСТУРЫ БИОМЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ
- Авторы: Поляков Е.В.1, Дмитриева В.В.1
-
Учреждения:
- Национальный исследовательский ядерный университет «МИФИ»
- Выпуск: № 2 (2025)
- Страницы: 85-94
- Раздел: МОДЕЛИ, СИСТЕМЫ, СЕТИ В ТЕХНИКЕ
- URL: https://journals.rcsi.science/2227-8486/article/view/307555
- DOI: https://doi.org/10.21685/2227-8486-2025-2-7
- ID: 307555
Цитировать
Полный текст
Аннотация
Актуальность и цели. В условиях современного здравоохранения возрастает потребность в эффективных методах анализа биомедицинских изображений для диагностики заболеваний. Настоящее исследование направлено на разработку системы анализа текстуры биомедицинских изображений, которая использует различные подходы для выявления структурных различий между объектами. Материалы и методы. В работе применяются методы анализа локальных распределений пикселей, Фурье-преобразования и фракталов. Для оценки информативности текстурных признаков используются классификатор «случайный лес» и методы уменьшения размерности и кластеризации, реализованные в библиотеке Scikit-learn. Экспериментальные данные включают изображения клеток костного мозга, КТ-снимки и новообразования кожи. Результаты. Результаты экспериментов показывают, что для классификации изображений клеток крови костного мозга наиболее информативными являются признаки на основе матрицы пространственной смежности и Фурье-преобразования. Для КТ- изображений новообразований кожи также выявлены эффективные текстурные признаки, достигающие f1 метрики до 0,93. Выводы. Разработанная система позволяет эффективно анализировать текстуру биомедицинских изображений и предоставляет инструменты для автоматизированной оценки характеристик опухолей, что может значительно повысить точность диагностики. Дальнейшие исследования будут направлены на расширение функционала системы и улучшение методов визуализации данных.
Об авторах
Евгений Валерьевич Поляков
Национальный исследовательский ядерный университет «МИФИ»
Автор, ответственный за переписку.
Email: EVPolyakov@mephi.ru
кандидат технических наук, доцент кафедры медицинской физики
(Россия, Москва, Каширское шоссе, 31)Валентина Викторовна Дмитриева
Национальный исследовательский ядерный университет «МИФИ»
Email: VVdmitriyeva@mephi.ru
кандидат технических наук, доцент кафедры электрофизических установок
(Россия, г. Москва, Каширское шоссе, 31)Список литературы
- Jiang X., Hu Z., Wang S., Zhang Y. Deep learning for medical image-based cancer diagnosis // Cancers. 2023. Т. 15, № 14. P. 3608.
- Fanous M. J., Pillar N., Ozcan A. Digital staining facilitates biomedical microscopy // Frontiers in Bioinformatics. 2023. Т. 3. P. 1243663.
- Tavakoli S., Ghaffari A., Kouzehkanan Z. M., Hosseini R. New segmentation and feature extraction algorithm for classification of white blood cells in peripheral smear images // Scientific Reports. 2021. Т. 11, № 1. P. 19428.
- Ryu D., Kim J., Lim D. J. [et al.]. Label-free white blood cell classification using refractive index tomography and deep learning // BME frontiers. 2021.
- Mollazade K. [et al.]. Analysis of texture-based features for predicting mechanical properties of horticultural products by laser light backscattering imaging // Computers and electronics in agriculture. 2013. Т. 98. P. 34–45.
- Tang X., Stewart W. K. Optical and sonar image classification: wavelet packet transform vs Fourier transform // Computer vision and image understanding. 2000. Т. 79, № 1. P. 25–46.
- Abdesselam A. Texture image retrieval using Fourier transform // Proc. Int. Conf. Commun., Comput. Power (ICCCP’09). 2009.
- Gibson D., Gaydecki P. A. Definition and application of a fourier domain texture measure: applications to histological image segmentation // Computers in biology and medicine. 1995. Т. 25, № 6. P. 551–557.
- Dincic M., Popovic T. B., Kojadinovic M. [et al.]. Morphological, fractal, and textural features for the blood cell classification: The case of acute myeloid leukemia // European Biophysics Journal. 2021. Т. 50. P. 1111–1127. doi: 10.1007/ s00249-021-01574-w
- Zhuang X., Meng Q. Local fuzzy fractal dimension and its application in medical image processing // Artificial Intelligence in Medicine. 2004. Т. 32, № 1. P. 29–36.
- Metze K., Adam R., Florindo J. B. The fractal dimension of chromatin-a potential molecular marker for carcinogenesis, tumor progression and prognosis // Expert review of molecular diagnostics. 2019. Т. 19, № 4. P. 299–312.
- Costa A. F., Humpire-Mamani G., Traina A. J. M. An efficient algorithm for fractal analysis of textures // 25th SIBGRAPI conference on graphics, patterns and images. 2012. P. 39–46.
- Costa A. F., Tekli J., Traina A. J. M. Fast fractal stack: fractal analysis of computed tomography scans of the lung // Proceedings of the 2011 international ACM workshop on Medical multimedia analysis and retrieval. 2011. P. 13–18.
- A multiresolution clinical decision support system based on fractal model design for classification of histological brain tumours // Computerized Medical Imaging and Graphics. 2015. Т. 41. P. 67–79.
- Molnar C. Interpretable machine learning // Lulu. Com. 2020.
- Pedregosa [et. al.]. Scikit-learn: Machine Learning in Python // JMLR 12. 2011. P. 2825–2830.
- Rudin C. [et al.]. Interpretable machine learning: Fundamental principles and 10 grand challenges // Statistic Surveys. 2022. Т. 16. P. 1–85.
- Van der Maaten L., Hinton G. Visualising Data using t-SNE // J. of machine learning research. 2008. Vol. 9, № 11.
- Mayerhoefer M. E. [et al.]. Introduction to radiomics // J. of Nuclear Medicine. 2020. Vol. 61, № 4. P. 488–495.
- Ursprung S. [et al.]. Radiomics of computed tomography and magnetic resonance imaging in renal cell carcinoma–a systematic review and meta-analysis // European radiology. 2020. Т. 30. P. 3558–3566.
- Гордуладзе Д. Н., Сирота Е. С., Рапопорт Л. М. [и др.]. Возможности текстурного анализа лучевых методов визуализации в диагностике образований паренхимы почки // Онкоурология. 2021. № 4. С. 129–135.
- Gorduladze D., Sirota E., Rapoport L. [et al.] Prospects of texture analysis in radiological imaging for diagnosis of renal parenchyma tumor // Cancer Urology. 2021. № 17. P. 129–135. doi: 10.17650/1726-9776-2021-17-4-129-135
- Manaev A. V., Trukhin A. A., Zakharova S. M. [et al.]. Textural Statistical Features of Ultrasound Imaging of Thyroid Nodules in the Assessment of Malignancy Status // Physics of Atomic Nuclei. 2023. Т. 86, № 11. P. 2500–2506.
- Дмитриева В. В., Тупицын Н. Н., Поляков Е. В [и др.]. Медицинская информационная система с применением web-технологий для диагностики острых лимфобластных лейкозов и минимальной остаточной болезни // Безопасность информационных технологий. 2021. Т. 28, № 3. С. 44–45. doi: 10.26583/bit.2021.3.03
- Selchuk V. Y., Rodionova O. V., Sukhova O. G. [et al.]. Methods of formation of the knowledge base in the diagnosis of melanoma // Journal of Physics: Conference Series. 2017. Т. 798, № 1. P. 012137.
- Fazeli S., Samiei A., Lee T. D., Sarrafzadeh M. Beyond Labels: Visual Representations for Bone Marrow Cell Morphology Recognition // Computer Vision and Pattern Recognition. 19.05.2022. doi: 10.48550/arXiv.2205.09880
Дополнительные файлы
