Классификация снимков УЗИ является превалирующим инструментом в постановке диагноза многих заболеваний поджелудочной железы. Для интерпретации ультразвукового изображения врачом требуются годы подготовки и опыта. Поэтому разработка моделей, методов и алгоритмов повышения достоверности и качества интерпретации снимков УЗИ за счет применения специализированных программных средств, позволяющих снизить риск диагностических ошибок, является актуальной задачей. Предлагаемый метод предполагает сегментацию ультразвуковых изображений на сегменты заданного размера прямоугольной формы и соотнесение их к одному из трех классов: онкология, панкреатит, индифферентный класс. Классификация осуществляется за счет применения «сильных» и «слабых» классификаторов. Для «слабых» классификаторов при формировании дескрипторов используется преобразование Уолша-Адамара. Дескрипторы рассчитываются для трех «слабых» классификаторов. Для первого «слабого» классификатора используются спектральные коэффициенты преобразование Уолша-Адамара, вычисленные для окна всего сегмента. После дескрипторы вычисляются для других «слабых» классификаторов, которые представляют из себя окна, размеры которых в два и четыре раза меньше размеров исходного окна. Классификатор состоит из трех независимо обученных нейронных сетей – «слабых» классификаторов. Для объединения выходных данных нейронных сетей применяется усредняющий блок по ансамблю. Разработано программное обеспечение для классификации снимков УЗИ, которое позволяет формировать базу данных сегментов классов «онкология» и «панкреатит», определять двумерный спектр Уолша-Адамара сегментов снимка УЗИ, обучать полносвязные нейронные сети и проводить исследовательский анализ для изучения актуальности двумерных спектральных коэффициентов. Экспериментальные исследования по классификации снимков УЗИ, содержащих онкологию и панкреатит, показали среднее значение точности обнаружения онкологии – 88,4 %, а панкреатита – 85,7 %. Ошибки второго типа составляли в среднем 10,2 % при обнаружении панкреатита и 5,2 % при обнаружении онкологии. Для настройки и проверки классификаторов использовались реальные данные УЗИ поджелудочной железы.
Classification of ultrasound images is the prevailing tool in the diagnosis of many pancreas diseases. It takes years of experience and training for a doctor to interpret an ultrasound image. Therefore, the development of models, methods and algorithms for improving the reliability and quality of interpretation of ultrasound images through the use of specialized software tools that reduce the risk of diagnostic errors is a relevant issue. The proposed method involves the segmentation of ultrasound images into segments of prescribed size of a rectangular shape and their correlation to one of three classes: oncology, pancreatitis, indifferent class. Classification is carried out by means of "strong" and "weak" classifiers. For "weak" classifiers, the Walsh-Hadamard transform is employed in the formation of descriptors. Descriptors are calculated for three "weak" classifiers. For the first "weak" classifier, the spectral coefficients of the Walsh-Hadamard transform are used, calculated for the window of the entire segment. After that, the descriptors are calculated for other "weak" classifiers, which are windows with sizes that are two and four times smaller than the sizes of the original window. The classifier consists of three independently trained neural networks – "weak" classifiers. To combine the output data of neural networks, an averaging block over the ensemble is used. Software has been developed for classifying ultrasound images which helps to create a database for the "oncology" and "pancreatitis" class segments, determine the two-dimensional Walsh-Hadamard spectrum of ultrasound image segments, train fully connected neural networks and conduct exploratory analysis to study the relevance of two-dimensional spectral coefficients. Experimental studies on the classification of ultrasound images containing oncology and pancreatitis showed an average accuracy of oncology detection – 88.4 %, and pancreatitis – 85.7 %. Errors of the second type averaged 10.2 % when pancreatitis was detected and 5.2 % when oncology was detected. To set up and test the classifiers, real data from pancreatic ultrasound were used.
The authors declare that there are no conflicts of interest present.