Формування стеку текстурних ознак для класифікації ультразвукових зображень печінки

Анотація

В даній статті розглянуто використання методів текстурного аналізу для отримання інформативних ознак, які описують текстуру ультразвукових зображень печінки. Всього для дослідження було проаналізовано 317 знімків ультразвукового дослідження печінки, які були надані Інститутом ядерної медицини та променевої діагностики НАМН України. Знімки були взяті трьома різними датчиками (конвексним, лінійним, і лінійним датчиком в режимі підвищеного рівня сигналу). У базі присутні як знімки пацієнтів з печінкою в нормальному стані, так і пацієнтів з певною хворобою печінки (були в наявності такі хвороби, як: аутоімунний гепатит, хвороба Вільсона, гепатит B і C, стеатоз і цироз). За допомогою текстурного аналізу було зроблено «конструювання ознак», що в підсумку дало більше ста різних інформативних ознак, які склали загальний стек. Серед них різняться такі ознаки, як: три запатентованих авторами ознаки, отриманих з матриці суміжності відтінків сірого; ознаки, отримані за допомогою методу просторової розгортки (що працює за принципом методу групового урахування аргументів), який був застосований на ультразвукових зображеннях; статистичні ознаки, пораховані на зображеннях, приведених до єдиної шкали за допомогою запропонованих авторами матриць горизонтальної і вертикальної диференціацій; знайдені за допомогою генетичного алгоритму ансамблі пар градацій сірого, які найкращим чином розрізняють патологію печінки на зображеннях, трансформованих за допомогою горизонтальної і вертикальної диференціацій. Отриманий стек ознак був використаний для вирішення завдання бінарної класифікації («норма-патологія») ультразвукових зображень печінки. Для цього був використаний метод машинного навчання, а саме – «випадковий ліс». Перед виконанням класифікації, для отримання об'єктивних результатів загальні вибірки були поділені на: навчальну (70 %), тестову (20 %) і екзаменаційну (10 %). В результаті були отримані три найкращих моделі випадкового лісу окремо під кожен датчик, які дали такі показники розпізнавання: на конвексному датчику точність розпізнавання дорівнювала 93.4 %, на лінійному датчику – 92.9 %, на лінійному датчику в посиленому режимі – 92 %.