Χρήση μεταβαλλόμενων ορίων έντασης της γκρίζας κλίμακας για την οπτικοποίηση και τον εντοπισμό ανωμαλιών στις εικόνες μαστογραφίας: 9 βήματα

2024 Συγγραφέας: John Day | [email protected]. Τελευταία τροποποίηση: 2024-01-30 08:36

Ο σκοπός αυτού του έργου ήταν να εντοπίσει και να χρησιμοποιήσει μια παράμετρο για την επεξεργασία εικόνων μαστογραφίας γκρι σε διάφορες ταξινομήσεις ιστών υποβάθρου: Λιπαρά, Λιπαρά αδενικά και Πυκνά ιστά. Αυτή η ταξινόμηση χρησιμοποιείται όταν οι ακτινολόγοι αναλύουν μαστογραφίες και πρέπει να εξετάσουν εάν η πυκνότητα των ιστών θα αποκρύψει τυχόν ανωμαλίες όπως βλάβες ή όγκους. Αυτό συμβαίνει γιατί τόσο οι φυσιολογικές φυσιολογικές δομές όπως ο αδενικός ιστός όσο και ο ινώδης συνδετικός ιστός. και ανώμαλες μορφολογίες όπως οι ασβεστοποιήσεις και οι όγκοι θα εμφανιστούν πολύ φωτεινές στη μαστογραφία ενώ λιγότερο πυκνός λιπώδης ιστός θα εμφανιστεί μαύρος. Ως εκ τούτου, ήταν σκόπιμο να προγραμματιστεί ένας ταξινομητής που μπορεί να χειριστεί τα επίπεδα έντασης pixel για να απεικονίσει και να αναγνωρίσει καλύτερα τις μάζες.

Βήμα 1: Οργάνωση δεδομένων μαστογραφίας

Ένα από τα πρώτα πράγματα που συνειδητοποίησα ότι έπρεπε να χειριστώ ήταν η οργάνωση των δεδομένων με πολύ σαφή, περιεκτικό και προσιτό τρόπο. Αυτές είναι οι μεταβλητές που εξήγαγα από τη μίνι βάση δεδομένων μαστογραφιών MIAS. Δημιούργησα δύο συστοιχίες. Μία που περιέχει 4 στήλες:

1. Αριθμός εικόνας:
2. x συντεταγμένη μάζας
3. συντεταγμένη μάζας
4. Ακτίνα μάζας: (Αυτό όρισε ένα κατά προσέγγιση μέγεθος για τη μάζα

Ο δεύτερος πίνακας περιείχε πληροφορίες ταξινόμησης:

1. Τύπος ιστού φόντου: Λιπαρά (F), Λιπαρά αδενικά (G), Πυκνά (D)
2. Περιγραφή μάζας: Καλά καθορισμένο (CIRC), πτυχωτό (SPIC), κακώς καθορισμένο άλλο (MISC) Αρχιτεκτονική παραμόρφωση (ARCH), Ασυμμετρία (ASYM), Κανονική (NORM)
3. Διάγνωση: Καλοήθης (Β), Κακοήθης (Μ)

Δεδομένου ότι ο στόχος αυτού του έργου ήταν να καθοριστεί το καλύτερο όριο για κάθε τύπο ιστού υποβάθρου, δεν ήταν απαραίτητες όλες οι πληροφορίες. Ωστόσο, μπορείτε να επεκτείνετε το έργο σας ώστε να περιλαμβάνει ανάλυση υφής και να δοκιμάσετε τον ταξινομητή σας έναντι των γνωστών περιγραφών μάζας.

Πλευρική σημείωση: Η βάση δεδομένων από την οποία πήρα τις διαγνωσμένες εικόνες μαστογραφίας οργάνωσε τις πληροφορίες για κάθε μαστογραφία σε ένα αρχείο κειμένου ξεχωριστά από τις εικόνες. Wasταν ελαφρώς δύσκολο για μένα να εξάγω τα δεδομένα από ένα αρχείο κειμένου και να τα οργανώσω σε μορφές πίνακα, αλλά ο παρακάτω σύνδεσμος ήταν πολύ χρήσιμος για να καταλάβω όλα αυτά. Εναλλακτικά, απλώς προσαρμόστε τον κώδικα που επικολλήσα παραπάνω για τους σκοπούς σας.

Μαστογραφία Μορφή αρχείου: mdb001 G CIRC B 535 425 197

mdb002 G CIRC B 522 280 69

TextScan Help: https://www.mathworks.com/help/matlab/ref/textsca… Βάση δεδομένων μαστογραφίας:

Βήμα 2: Επεξεργασία εικόνας

Λοιπόν, το δεύτερο πράγμα που προέκυψε όταν κατάλαβα πώς να αναγνωρίσω τις μάζες ήταν ότι για πολλές μη φυσιολογικές μαστογραφίες δεν μπορούσα να πω οπτικά πού ήταν ή πόσο μεγάλη ήταν η ανωμαλία. Προφανώς, καθώς δεν είμαι έμπειρος ακτινολόγος, ήταν αναμενόμενο. Ωστόσο, ο πιο απλός τρόπος για να βρείτε ανωμαλίες (σύμφωνα με τις μακροχρόνιες αναζητήσεις μου στο Google) ήταν να εξετάσετε συγκεντρώσεις φωτεινών και σκοτεινών περιοχών. Χρησιμοποίησα πρωτίστως τη λειτουργία adapthisteq για να ενισχύσω την αντίθεση της εικόνας και έπειτα απενεργοποίησα για να μετατρέψω την εικόνα σε δυαδική εικόνα για να πειραματιστώ με διαφορετικά επίπεδα κατωφλίου.

1. adapthisteq: Αυτή η συνάρτηση μετατρέπει τις τιμές έντασης των εικόνων σε κλίμακα του γκρι και rgb χρησιμοποιώντας εξισορρόπηση προσαρμογής ιστογράμματος περιορισμένης αντίθεσης. Με άλλα λόγια, προσαρμόζει το ιστόγραμμα των τιμών έντασης σε έναν καθορισμένο τύπο κατανομής. Ο σύνδεσμος μαθηματικών έργων για αυτήν τη συνάρτηση επισυνάπτεται παρακάτω για περαιτέρω ανάγνωση.
2. imbinarize: δημιουργεί μια δυαδική εικόνα από μια εικόνα σε γκρι κλίμακα, εκχωρώντας όλα τα εικονοστοιχεία πάνω από μια συγκεκριμένη ένταση σε 1s και τα εικονοστοιχεία κάτω από αυτήν την τιμή 0,. Χρησιμοποίησα αυτήν τη λειτουργία για να δοκιμάσω το βέλτιστο όριο για να μειώσω τον θόρυβο του ιστού στο παρασκήνιο.

Βήμα 3: Κωδικός κατωφλίου

Ο βρόχος for χρησιμοποιείται για τη δυαδικοποίηση της μαστογραφίας με διαφορετικά όρια. Για να δώσετε μεγαλύτερη εικόνα, ο βρόχος for περιέχει τον κώδικα από το βήμα 3 έως το βήμα 7. Έτσι, κάθε δυαδική εικόνα θα αναλυθεί για ανωμαλίες. Επιπλέον, αυτό για το βρόχο περικλείεται σε ένα άλλο για βρόχο που εισάγει μια νέα εικόνα μαστογραφίας από τη βάση δεδομένων σε κάθε επανάληψη.

Βήμα 4: Εύρεση ανωμαλιών για κάθε δυαδική εικόνα

Επεξεργάστηκα περαιτέρω τις δυαδικές εικόνες χρησιμοποιώντας τη λειτουργία strel σε συνδυασμό με το imopen για να αφαιρέσω τον θόρυβο στο παρασκήνιο. Η δυαδική εικόνα από το προηγούμενο βήμα αντιστρέφεται και φιλτράρεται χρησιμοποιώντας τη γειτονιά που ορίζεται από το SE. Στη συνέχεια, χρησιμοποίησα το bwlabel για να επισημάνω όλες τις περιοχές που είχαν τουλάχιστον 8 συνδεδεμένα εικονοστοιχεία.

Η συνάρτηση στήριξης περιοχής χρησιμοποιήθηκε για τον εντοπισμό των ιδιοτήτων κεντροειδούς και εμβαδού κάθε σημείου που προσδιορίζονται από το bwlabel.

Στη συνέχεια, όλα τα σημεία μεγαλύτερα από 500 εικονοστοιχεία αναγνωρίστηκαν χρησιμοποιώντας το ismember. Τα κεντροειδή για τα εντοπισμένα σημεία σχεδιάστηκαν σε μια εικόνα που εμφάνιζε μόνο τα σημεία μεγαλύτερα σε έκταση 500. Περιοχή ταυτοποιήθηκε = ισός μέλους (με ετικέτα, ενδείξεις (ταξινομημένες περιοχές> 500)). Spots = Αναγνωρισμένα> 0?

Βήμα 5: Σχεδιάζοντας τη θέση και το μέγεθος της διαγνωσμένης μάζας για οπτική σύγκριση

Wantedθελα να δω αν τα σημεία που βρέθηκαν από το bwlabel ήταν σωστά. Το έκανα με δύο τρόπους. Αρχικά ανέλυσα την ακρίβεια του ταξινομητή μου κάνοντας μια οπτική σύγκριση. Απλώς σχεδίασα το πραγματικό μέγεθος και τη θέση της ανωμαλίας (κόκκινος κύκλος) και τη θέση που καθορίζεται από τον κωδικό (μπλε x) στην προεπεξεργασμένη εικόνα μαστογραφίας. Οι έξι παραπάνω εικόνες δείχνουν τα αποτελέσματα της αύξησης της τιμής του κατώτατου ορίου του γκρι.

Βήμα 6: Εφαρμογή της δεύτερης μεθόδου σύγκρισης

Ο δεύτερος τρόπος που δοκίμασα τον ταξινομητή και τις τιμές κατωφλίου ήταν καθορίζοντας εάν οι τοποθεσίες που βρέθηκαν από τον ταξινομητή ήταν σε συγκεκριμένη απόσταση από τις συντεταγμένες διαγνωσμένης ανωμαλίας. Αποθήκευσα τα όρια για τα οποία τουλάχιστον ένα από τα προσδιορισμένα σημεία ήταν σε απόσταση 1,5*r από τη γνωστή ανωμαλία σε ένα ξεχωριστό αρχείο κειμένου που ονομάζεται Mammogram Data. Ο σκοπός για αυτό ήταν να βρω το ελάχιστο όριο που απαιτείται για τον ταξινομητή μου για να εντοπίσει την ανωμαλία.

Βήμα 7: Ανάλυση συλλεγμένων δεδομένων

Έτρεξα το πρόγραμμα σε όλες τις μη φυσιολογικές εικόνες μαστογραφίας και έμεινα με ένα τεράστιο αρχείο δεδομένων κειμένου. Για να βρω το καλύτερο κατώφλι για κάθε τύπο ιστού οργάνωσα τα δεδομένα ανά τύπο ιστού και σχεδίασα ένα ιστόγραμμα των τιμών κατωφλίου για κάθε τύπο ιστού. Η σωστή τιμή κατωφλίου αποφασίστηκε για το ποιο κατώφλι παρείχε τα πιο ακριβή αποτελέσματα για κάθε τύπο ιστού. Έχω αποθηκεύσει αυτά τα δεδομένα για μεταφόρτωση στον ταξινομητή μου.

Βήμα 8: Κάνοντας τον δικό σας ταξινομητή

Αφού βρήκα τις καταλληλότερες τιμές κατωφλίου για κάθε τύπο ιστού, επεξεργάστηκα τον αρχικό μου κώδικα ώστε ο χρήστης να εισάγει τον αριθμό εικόνας και τον τύπο ιστού για να επιλέξει το κατώφλι για την εικόνα μαστογραφίας. Στη συνέχεια, σχεδίασα τη διαγνωσμένη θέση μαστογραφίας με τις θέσεις που βρέθηκαν στις αρχικές εικόνες μαστογραφίας. Wantedθελα να το κάνω πιο διασκεδαστικό, οπότε προγραμμάτισα μια λειτουργία για περικοπή μιας κυκλικής περιοχής που περιβάλλει την απόδοση επένδυσης. Ο χρήστης θα λάβει οδηγίες να επιλέξει ένα κεντρικό σημείο και πολλά σημεία που καλύπτουν καλύτερα την απόδοση επένδυσης. Επισυνάπτω και τα δύο αρχεία matlab εδώ.

Βήμα 9: Βελτιώσεις; Καμία ιδέα?

Καθώς έγραφα αυτό το διδακτικό, αρχίζω να βλέπω πολλές βελτιώσεις που θα μπορούσα να κάνω στον ταξινομητή, όπως να βρω τρόπους για να κάνω διάκριση μεταξύ διαφορετικών τύπων μαζών που προσδιορίζονται με βάση την ανάλυση υφής ή να βελτιώσω τη δοκιμή μου για την ακρίβεια του SandBoxProject. αρχείο. Δεδομένου ότι αυτό ήταν ένα έργο με προθεσμία έπρεπε να σταματήσω κάπου, αλλά ελπίζω ότι θα μπορέσω να χρησιμοποιήσω τις δεξιότητες επεξεργασίας εικόνας που έμαθα σε άλλες εφαρμογές. Επίσης, επισυνάπτω το αρχείο που χρησιμοποιήθηκε για τη μαζική επεξεργασία όλων των μη φυσιολογικών εικόνων μαστογραφίας.