Автоматизированная система классификации снимков УЗИ поджелудочной железы на основе метода посегментного спектрального анализа

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.

1. Săftoiu A., Vilmann P., Gorunescu F., Janssen J., Hocke M., Larsen M., Iglesias-Garcia J., Arcidiacono P., Will U., Giovannini M., Dietrich CF., Havre R., Gheorghe C., McKay C., Gheonea DI., Ciurea T. Efficacy of an artificial neural network-based approach to endoscopic ultrasound elastography in diagnosis of focal pancreatic masses. Clinical Gastroenterology and Hepatology: the Official Clinical Practice Journal of the American Gastroenterological Association. 2012;10(1):84–90. DOI: 10.1016/j.cgh.2011.09.014.

2. Ozkan M., Cakiroglu M., Kocaman O., Kurt M., Yilmaz B., Can G., Korkmaz U., Dandil E., Eksi Z. Age-based computer-aided diagnosis approach for pancreatic cancer on endoscopic ultrasound images. Endoscopic Ultrasound. 2016;5(2):101. DOI: 10.4103/2303-9027.180473.

3. Tian G., Xu D., He Y., Chai W., Deng Z., Cheng C., Jin X., Wei G., Zhao Q., Jiang T. Deep learning for real-time auxiliary diagnosis of pancreatic cancer in endoscopic ultrasonography. Frontiers in Oncology. 2022;12:973652. DOI: 10.3389/fonc.2022.973652.

4. Udriștoiu A.L., Cazacu I.M., Gruionu L.G., Gruionu G., Iacob A.V., Burtea D.E., Ungureanu B.S., Costache M.I., Constantin A., Popescu C.F., Udriștoiu Ș., Săftoiu A. Real-time computer-aided diagnosis of focal pancreatic masses from endoscopic ultrasound imaging based on a hybrid convolutional and long short-term memory neural network model. PloS one. 2021;16(6):e0251701. DOI: 10.1371/journal.pone.0251701.

5. Филист С.А., Томакова Р.А., Брежнева А.Н., Малютина И.А., Алексеев В.А. Клеточные процессоры в классификаторах многоканальных изображений. Радиопромышленность. 2019;(1):45–52.

6. Филист С.А., Томакова Р.А., Шаталова О.В., Кузьмин А.А., Али Кассим К.Д. Метод классификации сложноструктурируемых изображений на основе самоорганизующихся нейросетевых структур. Радиопромышленность. 2016;4:57–65.

7. Кудрявцев П.С., Кузьмин А.А., Филист С.А. Развитие методологии бустинга для классификации флюорограмм грудной клетки. Биомедицинская радиоэлектроника. 2016;9:10–15.

8. Белых В.С., Ефремов М.А., Филист С.А. Разработка и исследование метода и алгоритмов для интеллектуальных систем классификации сложноструктурируемых изображений. Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2016;(2):12–24.

9. Дюдин М.В., Кудрявцев П.С., Подмастерьев К.В., Филист С.А., Шаталова О.В. Математические модели для интеллектуальных систем классификации рентгенограмм грудной клетки. Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2016;(2):94–107.

10. Filist S.A., Tomakova R.A., Degtyarev S.V., Rybochkin A.F. Hybrid intelligent models for chest X-ray image segmentation. Biomedical Engineering. 2018;51(5):358–363. DOI: 10.1007/s10527-018-9748-5.

11. Dabagov A.R., Gorbunov V.A., Filist S.A., Malyutina I.A., Kondrashov D.S. An Automated System for Classification of Radiographs of the Breast. Biomedical Engineering. 2020;53(6): 425–428. DOI: 10.1007/s10527-020-09957-7.

12. Кудрявцев П.С., Кузьмин А.А., Савинов Д.Ю., Филист, С.А., Шаталова О.В. Моделирование морфологических образований на рентгенограммах грудной клетки в интеллектуальных диагностических системах медицинского назначения. Прикаспийский журнал: управление и высокие технологии. 2017;(3):109–120.

13. Филист С.А., Али Кассим К.Д., Кузьмин А.А., Шаталова О.В., Алябьев Е.А. Формирование признакового пространства для задач классификации сложноструктурируемых изображений на основе спектральных окон и нейросетевых структур. Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2016;(4):56–68.

14. Филист С.А., Дабагов А.Р., Томакова Р.А., Малютина И.А., Кондрашов Д.С. Метод каскадной сегментации рентгенограмм молочной железы. Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019;9(1):49–61.

15. Филист С.А., Дабагов А.Р., Томакова Р.А., Малютина И.А., Кондрашов Д.С. Многослойные морфологические операторы для сегментации сложноструктурируемых растровых полутоновых изображений. Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019;9(3):44–63.

16. Томакова Р.А., Филист С.А., Дураков И.В. Программное обеспечение автоматической классификации рентгенограмм грудной клетки на основе гибридных классификаторов. Экология человека. 2018;(6):59–64.