Заочные электронные конференции
 
     
Перспективы применения КАД-систем в анализе медицинских изображений
Гостюшкин В.В., Косых Н.Э., Савин С.З., Колесников Г.А., Литвинов К.А.


Для чтения PDF необходима программа Adobe Reader
GET ADOBE READER

Перспективы применения КАД-систем

в анализе медицинских изображений

Гостюшкин В.В., Косых Н.Э., Савин С.З., Колесников Г.А., Литвинов К.А.

Прогресс в области развития цифровых методов, развитие компьютерных и телекоммуникационных систем и сетей задает облик настоящих и будущих медицинских технологий и всего здравоохранения в целом. Бурное развитие современных систем медицинской диагностики, прежде всего средств компьютерной томографии (РКТ) приводит к постоянному увеличению количества цифровых изображений, получаемых в различных медицинских учреждениях [6,8]. Для эффективного использования в диагностическом процессе эти изображения должны быть оперативно проанализированы, количественно оценены и надежно защищены от посторонних и некомпетентных пользователей.

В последнее десятилетие в мире активно разрабатываются и успешно внедряются в практическое здравоохранение и учебный процесс компьютерные системы диагностики – CAD (computer added diagnostic), выполняющие различные задачи. Созданы обучающие CAD системы, предназначенные для начинающих специалистов, помогающие CAD системы для поддержки принятия решений в трудных диагностических ситуациях для практикующих врачей и распознающие образы или детекторные CAD системы, использующиеся в скрининговых программах. По аналогии с системами CAD/CAM (computer aided design and computer aided manufacturing) для технических приложений, для медицинских целей также разрабатываются системы CAD (computer-aided diagnosis - компьютерная диагностика). Часть из них уже успешно функционирует, но до настоящего времени такие системы являются всего лишь «ассистентами» врача-диагноста, принимающего решение [5]. Алгоритмы CAD-систем медицинских изображений, как правило, включают в себя сегментацию изображения, выделение объектов интереса («масс»), их анализ, параметрическое описание выделенных объектов, их классификацию. Классификация объектов интереса может проводиться по методу нейронных сетей, опорных векторов, дискриминантного анализа, теоретико-игрового (стратегического) информационного моделирования и др. CAD–системы существенно увеличивают эффективность методов лучевой диагностики. Однако практическое применение методов радионуклидной диагностики демонстрирует сохраняющуюся информационную недостаточность алгоритмов и программ, обеспечивающих визуализацию и анализ медицинских изображений. В настоящее время перспективные и актуальные разработки и широкое применение САD­-систем в ядерной медицине осуществляются преимущественно за рубежом [11-13], в то как отечественные исследования в данном направлении единичны и находятся на начальной стадии [6].

Впервые в клинической практике нами применен метод объективной оценки сцинтиграфии на основе математического анализа гистограмм распределения РФП в органах и тканях, разработаны принципы числовой классификации патологических процессов, выявляемых с помощью радионуклидных методов исследования [4]. Впервые оригинальный метод виртуального информационного моделирования, интегрированный в программу автоматизированного компьютерного анализа был применен нами для решения практических клинико-диагностических задач ядерной медицины [3]. Была создана виртуальная модель скелета, представляющая собой новый способ хранения и анализа медицинской информации [3,7]. Результаты исследования демонстрируют преимущество подобной модели в прогнозировании течения метастатического поражения скелета, регистрации динамических изменений данного органа, интеграционного анализа результатов комплексного исследования онкологических больных [1,2]. Была создана постоянно обновляемая база данных обработанных методами математической морфологии медицинских изображений . Такая база данных может заполняться из множества удаленных компьютеров через Интернет. Впервые на основе базы данных была разработана экспертная система диагностики метастатического поражения скелета по данным сцинтиграфии, которая может функционировать в сетевом режиме on-line [2,10].

Перспективы наших исследований связаны с решением проблем ранней диагностики метастатического поражения скелета и биологических свойств метастатической опухоли на основе определения закономерностей накопления радиофармпрепаратов методами ядерной медицины (планарной сцинтиграфии, однофотонной эмиссионной компьютерной томографии (ОФЭКТ) и позитронно-эмиссионной компьютерной томографии (ПЭТ)), что могло бы оказать существенное влияние на выбор эффективной тактики лечения больных со злокачественными новообразованиями. Для этого необходимо продолжить поиск подходов к оптимизации анализа медицинских изображений, получаемых в ядерной медицине. Уже в ближайшее время можно получить ряд инновационных технологий в области обработки смешанных изображений для задач медицинской диагностики. В ходе дальнейшей проработки принципов создания систем автоматизированной компьютерной диагностики скелетных метастазов по данным планарной сцинтиграфии, основанная на принципах распознавания изображений и обладающая функциями экспертного анализа, возможно создание системы, которая должна будет включать сегментацию изображения скелета, расчет текстурных, гистограммных и морфометрических параметров, создание обучающей выборки. В основу формирования классифицирующей функции может быть положен метод опорных векторов, а надежность классифицирующей функции может определятся с помощью показателя ожидаемой латентной изменчивости классификатора. Необходимо лобиться того, чтобы качество классификатора CAD-системы оценки планарных остеосцинтиграмм существенно возрастало при построении классификационной функции по данным, полученным при параллельном использовании текстурного анализа по методу Харалика [9] и локальной бинарной текстуры, а также гистограммного и морфометрического анализа. Для этого на основе компьютерного анализа яркостной, градиентной и текстурной информации изображения с использованием алгоритмов бинаризация по порогу, морфологической фильтрации, наращивания областей, создания активных контуров и деформированных шаблонов необходимо разработать программное обеспечение автоматической сегментации изображения, одновременно представленного на ОФЭКТ И РКТ. Для этого нужно определить диагностическую значимость гистограммных, морфометрических, а также текстурных статистических характеристик в 3D сегментированных участках скелета, изучить математическую характеристику основных вариантов патологических изменений в скелете, регистрируемых ОФЭКТ и РКТ. Не менее важны в решении проблем использований КАД-анализа разработка системы сравнительного анализа числовых характеристик 3D сегментированных участков скелета по данным ОФЭКТ и РКТ, создание виртуальной информационной модели отдельных частей и органов на основе данных ренгеновской компьютерной томографии и разработать принципы включения в эту модель данных, получаемых сцинтиграфии режиме ОФЭКТ. Затем планируется разработать «самообучающуюся» программу распознавания метастатического поражения скелета по данным совмещенных изображений ОФЭКТ и РКТ. Далее необходимо изучить возможности использования методов многомерной статистики в анализе совмещенных изображений ОФЭКТ и рентгеновской компьютерной томографии скелета. Для этого нужно адаптировать интегральную обобщенную виртуальную модель скелета к задачам КАД-анализа и с ее помощью осуществить математическое описание вариантов развития метастатического поражения скелета. Появится реальная возможность использования созданной ВИМ скелета для динамического наблюдения за онкологическими больными в процессе лечения.

Наиболее определяющим шагом в развитии концепций КАД-анализа является расширение круга экспертов системы. Для этого необходимо создать базу данных обработанных медицинских изображений с удаленным доступом к ней компетентных пользователей региона. Планируется разработать программно-технический комплекс на основе автоматизированных компьютерных систем анализа медицинских изображений, который может быть совместим с диагностическими аппаратами, выполняющими радионуклидные исследования (планарную сцинтиграфию, однофотонную эмиссионную компьютерную томографию и позитронно-эмиссионую томографию). Такой программно-технический комплекс будет обладать функциями группового экспертного анализа и возможностью работы в сети Интернет. Для этого следует разработать математические модели региональных сетей телемедицины, принципы создания экспертных систем диагностики метастатического поражения скелета по данным сцинтиграфии, которая сможет функционировать в сетевом режиме on-line. Далее необходимо создать и адаптировать существующие способы хранения, передачи и защиты персональных данных пациентов на основе методов помехозащищенного кодирования, криптографии, стеганографии и пр. в условиях стационара и при работе в специализированных сетях телемедицины, а также медико-экологическом мониторинге территорий.

Таким образом, применение CAD–анализа в сочетании с экспертными системами и системами защиты персональных данных может существенно повысить специфичность компьютерного автоматизированного анализа и эффективность ранней диагностики в онкологии, кардиологии, неврологии, а также в задачах телемедицины и медико-экологического мониторинга.

Литература

  1. Косых Н.Э., Линденбратен В.Д., Савин С.З. Виртуальные информационные модели в задачах радиологии // Радиология - практика, №2, 2004. С.36-39.

  2. Косых Н. Э., Рыжавский Б. А., Савин С. З. Виртуальные информационные модели стадирования опухолей печени. Математическая морфология. Электронный математический и медико-биологический журнал. Т.5. Вып. 4. 2006. URL: http://www.smolensk.ru/user/sgma/MMORPH/N-12-html/cont.htm

  3. Косых Н.Э., Смагин С.И., Гостюшкин В.В., Савин С.З., Литвинов К.А. Система автоматизированного компьютерного анализа медицинских изображений // Информационные технологии и вычислительные системы. № 3, 2011. С.52-60.

  4. Косых Н.Э., Савин С.З. Новые информационные технологии в задачах стадирования новообразований ЦНС // Вестник ДВО РАН, 6-2005. С.81-84.

  5. Линденбратен Л.Д., Королюк И.П. Медицинская радиология и рентгенология. М,: Медицина, 1993. 560 с.

  6. Паша С.П., Терновой С.К. Радионуклидная диагностика. М.: ГЭОТАР-медиа, 2008, 204 с.

  7. Савин С.З., Косых Н.Э., Гостюшкин В.В. Виртуальные информационные технологии в математической морфологии // Вычислительные технологии, т.13. Вестник КазНУ им. Аль-Фараби, Серия математика, механика, информатика, №4 (59). Совместный выпуск. Часть III. Алматы–Новосибирск: КазНУ им. Аль-Фараби–ИВТ СО РАН, 2008. С.133-139.

  8. Сазонова С.И., Лишманов Ю.Б., Чернов В.И. Радионуклидная диагностика для практических врачей. Томск: Издательство STT- СО РАМН. 2004. 288 с.

  9. Haralick R. M., Shanmugam K., Dinstein I. Textural Features of Image Classification, IEEE Transactions on Systems, Man and Cybernetics, vol. SMC-3, no. 6, Nov. 1973.

  10. Kosykh N.E., Gostuyshkin V.V., Savin S.Z., Vorojztov I.V. Designing the systems of computer diagnostics of medical images // Proc. of The First Russia and Pacific Conference on Computer Technology and Applications (RPC 2010). Vladivostok, Russia. 6 - 9 September, 2010. 4 p.

  11. Lejbkowicz I., Wiener F., Nachtigal et al. Bone Browser a decision-aid for a radiological diagnosis of bone tumor. Computer Methods Programs Biomed. 2002; 67(2): 137-154.

  12. Metz C.E. Fundamentals of ROC Analysis // Handbook of Medical Imaging. Vol. 1. Physics and Psychophysics. Beutel J, Kundel HL, and Van Metter RL, Eds. SPIE Press (Bellingham WA 2000), Chapter 15: 751-769.

  13. Sadik M. Bone scintigraphy. A new approach to improve diagnostic accuracy. University of Gothenburg, 2009, p.44.

5

Библиографическая ссылка

Гостюшкин В.В., Косых Н.Э., Савин С.З., Колесников Г.А., Литвинов К.А. Перспективы применения КАД-систем в анализе медицинских изображений // Научный электронный архив.
URL: http://econf.rae.ru/article/7100 (дата обращения: 19.03.2024).



Сертификат Получить сертификат