Новая система упростит процесс диагностики рака молочной железы
Рис. Некоторые результаты предполагаемой методологии определения границ опухоли молочной железы на разных наборах данных, где (а) — входные изображения, (б) и (в) определения границ, а (г) и (д) определение границ FCMT с цветом — код на изображениях маммограммы груди (частный набор данных).
Ученые разработали систему для обнаружения границ опухоли молочной железы. Автоматизация процесса нахождения и определения пространственного расположения опухоли с помощью новой системы поможет радиологам значительно сократить время диагностики и повысить точность определения пораженных и здоровых участков. Работа выполнена специалистами подведомственного Минобрнауки России Сибирского федерального университета (СФУ) в сотрудничестве с иракскими коллегами.
Пространственное расположение (сегментация) опухоли молочной железы и обнаружение ее границ — важные этапы в терапии этого вида рака и последующем наблюдении за состоянием пациенток.
«Основные задачи нашей системы — сегментация, выделение границ и измерение размеров опухолевых новообразований молочной железы. Сейчас продукт тестируется и дорабатывается», — сообщил инженер-исследователь лаборатории искусственного интеллекта СФУ Юсиф Ахмед Хамад.
На фото: инженер-исследователь лаборатории искусственного интеллекта СФУ Юсиф Ахмед Хамад
Система состоит из нескольких этапов. Входные данные — это маммограмма молочной железы, используемая для диагностики опухолей и рака молочной железы. Медицинское изображение преобразуется в оттенки серого, если оно представлено в формате RGB — адаптивной цветовой модели. Далее изображение масштабируется в соответствующую матрицу, чтобы сохранить соотношение сторон снимка. После подготовки изображение с измененным размером подвергается медианному фильтру, который минимизирует случайный шум, сохраняя при этом его заданные границы изображения.
«Фильтр шумоподавления используется для повышения качества и контрастности на этапе улучшения сканирования исходного изображения. Для усиления и выделения области инородных тел (опухоли или узелковых образований) мы использовали метод усиления контраста баланса. Сегментация и измерение медицинского изображения рекомендуется после улучшения изображения, чтобы точнее определить границы пораженной области. Для сегментации мы использовали методы FCM и пороговой обработки. Пороговое значение нужно, чтобы преобразовать отфильтрованное изображение в бинарное, чтобы выделить объект исследования на изображении молочной железы. FCM используется для сегментации пораженной области груди (опухоли). Последний этап исследования — детектор Кэнни, он четко детектирует здоровые области железы и опухоли на основе разработанного метода сегментации», — объяснила руководитель исследования, доцент кафедры систем искусственного интеллекта СФУ Анастасия Сафонова.
Сравнение нового алгоритма с широко используемыми алгоритмами нейронных сетей (SegNet и UNet) показало, что точность прогноза у нового продукта выше на 18%.
По словам разработчиков, в медицине уже применяют подобные алгоритмы, однако на сегодняшний день они считаются вспомогательным методом — дают возможность врачу диагностировать и детализировать границы опухоли, но не заменяют экспертное мнение полностью. Также ученые отметили, что предложенный алгоритм может быть адаптирован в том числе для выявления различных патологий легких — как с незначительными доработками, так и в уже существующем виде.
Результаты работы опубликованы в одном из международных изданий.
