СИСТЕМА АНАЛИЗА ТЕКСТУРЫ БИОМЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ

Обложка

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

  1. Jiang X., Hu Z., Wang S., Zhang Y. Deep learning for medical image-based cancer diagnosis // Cancers. 2023. Т. 15, № 14. P. 3608.
  2. Fanous M. J., Pillar N., Ozcan A. Digital staining facilitates biomedical microscopy // Frontiers in Bioinformatics. 2023. Т. 3. P. 1243663.
  3. 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.
  4. 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.
  5. 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.
  6. 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.
  7. Abdesselam A. Texture image retrieval using Fourier transform // Proc. Int. Conf. Commun., Comput. Power (ICCCP’09). 2009.
  8. 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.
  9. 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
  10. 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.
  11. 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.
  12. 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.
  13. 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.
  14. 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.
  15. Molnar C. Interpretable machine learning // Lulu. Com. 2020.
  16. Pedregosa [et. al.]. Scikit-learn: Machine Learning in Python // JMLR 12. 2011. P. 2825–2830.
  17. Rudin C. [et al.]. Interpretable machine learning: Fundamental principles and 10 grand challenges // Statistic Surveys. 2022. Т. 16. P. 1–85.
  18. Van der Maaten L., Hinton G. Visualising Data using t-SNE // J. of machine learning research. 2008. Vol. 9, № 11.
  19. Mayerhoefer M. E. [et al.]. Introduction to radiomics // J. of Nuclear Medicine. 2020. Vol. 61, № 4. P. 488–495.
  20. 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.
  21. 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.
  22. 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
  23. 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.
  24. 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
  25. 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.
  26. 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

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).