Маммограмма суреттеріндегі ауытқуларды визуализациялау және анықтау үшін әр түрлі сұр шкаланың қарқындылық шектерін қолдану: 9 қадам

2024 Автор: John Day | [email protected]. Соңғы өзгертілген: 2024-01-30 10:25

Бұл жобаның мақсаты - өңдік тіндердің әр түрлі жіктелуінің сұр реңді маммографиялық кескіндерін анықтау және қолдану: майлы, майлы без және тығыз мата. Бұл жіктеу рентгенолог маммограмманы талдағанда және тіндердің тығыздығы зақымдану немесе ісік сияқты кез келген ауытқуларды жасыратынын ескеру қажет болғанда қолданылады. Бұл безді ұлпалар мен талшықты дәнекер тіндері сияқты қалыпты физиологиялық құрылымдардың екеуінде де. Маммограммада кальцинация мен ісік сияқты қалыптан тыс морфология өте жарқын, ал тығыздығы аз майлы тіндер қара болып көрінеді. Сондықтан массаларды жақсы елестету және анықтау үшін пиксель қарқындылығының деңгейін басқара алатын жіктеуішті бағдарламалау орынды болды.

1 -қадам: маммограмма деректерін ұйымдастыру

Мен түсінуім керек нәрселердің бірі - деректерді өте анық, қысқа және қолжетімді түрде ұйымдастыру. Бұл маммограммалардың шағын MIAS мәліметтер қорынан алынған айнымалылар. Мен екі массив құрдым. 4 бағаннан тұратын біреуі:

1. Сурет нөмірі:
2. x массаның координаты
3. y массасының координаты
4. Масса радиусы: (Бұл массаның шамамен мөлшерін анықтады

Екінші массив жіктеу туралы ақпаратты қамтиды:

1. Фондық ұлпаның түрі: майлы (F), майлы безді (G), тығыз (D)
2. Массаның сипаттамасы: Жақсы анықталған (CIRC), спикулирленген (SPIC), анықталмаған басқа (MISC) архитектуралық бұрмалау (ARCH), ассиметрия (ASYM), қалыпты (NORM)
3. Диагноз: қатерсіз (B), қатерлі (M)

Бұл жобаның мақсаты фондық тіндердің әр түрі үшін ең жақсы шекті анықтау болғандықтан, барлық ақпарат қажет емес. Дегенмен, сіз өзіңіздің жобаңызды текстуралық талдауды қосу үшін кеңейте аласыз және классификаторыңызды белгілі жаппай сипаттамаларға қарсы тексере аласыз.

Ескерту: Маммографиялық суреттер диагнозы қойылған мәліметтер базасы әр маммограмма туралы ақпаратты суреттерден бөлек мәтіндік файлға орналастырды. Мәтіндік файлдан деректерді шығарып, массив формаларына бөлу маған қиынға соқты, бірақ келесі сілтеме бәрін анықтауға көмектесті. Немесе сіздің мақсаттарыңыз үшін жоғарыда енгізілген кодты реттеңіз.

Маммограмманың файл пішімі: mdb001 G CIRC B 535 425 197

mdb002 G CIRC B 522 280 69

TextScan анықтамасы: https://www.mathworks.com/help/matlab/ref/textsca… Mammogram мәліметтер қоры:

2 -қадам: кескінді өңдеу

Мен массаны қалай анықтау керектігін білген кезде пайда болған екінші нәрсе - көптеген маммограммалар үшін мен ауытқудың қай жерде немесе қаншалықты үлкен екенін визуалды түрде айта алмадым. Әлбетте, мен тәжірибелі рентгенолог болмағандықтан, бұл күтілген еді. Алайда, ауытқуларды табудың ең қарапайым әдісі (google -дегі ұзақ іздеулерім бойынша) ашық және қараңғы жерлердің концентрациясын қарау болды. Мен ең алдымен adapthisteq функциясын суреттің контрастын жақсарту үшін қолдандым, содан кейін әр түрлі шекті деңгейлермен тәжірибе жасау үшін кескінді екілік кескінге түрлендіру үшін имбинаризацияладым.

1. adapthisteq: Бұл функция контраст шектеулі адаптивті гистограмманы теңестіруді қолдана отырып, сұр және rgb суреттерінің қарқындылық мәндерін түрлендіреді. Басқаша айтқанда, ол интенсивтілік мәндерінің гистограммасын берілген таралу түріне бейімдейді. Бұл функцияның математикалық сілтемелері төменде қосымша оқу үшін берілген.
2. imbinarize: белгілі бір интенсивтіліктен жоғары барлық пиксельдерді 1с -ке және 0 -ден төмен пиксельдерді тағайындау арқылы сұр масштабты кескіннен екілік кескін жасайды. Мен бұл функцияны тіндік шуды азайту үшін оңтайлы шекті тексеру үшін қолдандым.

3 -қадам: Шекті код

For циклы әр түрлі шектері бар маммограмманы бинаризациялау үшін қолданылады. Үлкен сурет көрінісін беру үшін for циклында 3 -тен 7 -қадамға дейінгі код бар. Сондықтан әрбір екілік кескін ауытқуларға талданатын болады. Бұған қоса, бұл цикл басқа итерацияда цифрмен қоршалған, ол әрбір итерацияда мәліметтер қорынан жаңа маммограмма бейнесін импорттайды.

4 -қадам: Әрбір екілік кескін үшін ауытқуларды табу

Мен фондық шуды жою үшін stop функциясын imopen -мен бірге екілік суреттерді өңдедім. Алдыңғы қадамдағы екілік кескін төңкеріліп, SE арқылы анықталған маңай арқылы сүзіледі. Содан кейін кем дегенде 8 пиксель қосылған кез келген аумақтарды белгілеу үшін bwlabel қолдандым.

Аймақ тіректері функциясы bwlabel арқылы анықталған әр нүктенің центроидтік және аймақтық қасиеттерін табу үшін пайдаланылды.

Содан кейін 500 пиксельден асатын барлық нүктелер isember көмегімен анықталды. Анықталған нүктелерге арналған центроидтер 500 -ден үлкен аумақтарды көрсететін кескінге салынды. Дақтар = Анықталған> 0;

5 -қадам: Диагноз қойылған массаның орналасуы мен көлемін визуалды салыстыру үшін салу

Мен bwlabel арқылы табылған дақтардың дұрыстығын көргім келді. Мен мұны екі жолмен жасадым. Мен алдымен жіктеуішімнің дәлдігін визуалды салыстыру арқылы талдадым. Мен аномалияның нақты көлемі мен орнын (қызыл шеңбер) және алдын ала өңделген маммографиялық суретте кодпен анықталған орынды (көк х) анықтадым. Жоғарыдағы алты сурет сұр шкаланың шекті мәнін жоғарылатудың әсерін көрсетеді.

6 -қадам: Екінші салыстыру әдісін енгізу

Классификатор мен шекті мәндерді тексерудің екінші әдісі - жіктеуіш тапқан орындардың ауытқулар диагнозы қойылған координаттардан белгілі бір қашықтықта екенін анықтау. Мен анықталған нүктелердің кем дегенде біреуі белгілі бір қалыптан 1,5*р ішінде болатын табалдырықтарды Mammogram Data деп аталатын жеке мәтіндік файлға сақтадым. Мұның мақсаты - менің классификаторыма ауытқуларды анықтау үшін қажетті ең төменгі шекті табу.

7 -қадам: Жиналған деректерді талдау

Мен бағдарламаны маммограмманың барлық қалыптан тыс суреттерінде жүргіздім және маған үлкен мәтіндік файл қалды. Тіндердің әр түрі үшін ең жақсы шекті табу үшін мен деректерді тіндердің типі бойынша реттеп, әр ұлпаның типтік шектерінің гистограммасын құрдым. Тиісті шекті мән матаның әр түрі үшін ең дәл нәтиже беретін шекті мән бойынша шешілді. Мен бұл деректерді жіктеуішке жүктеу үшін сақтадым.

8 -қадам: жеке классификатор жасау

Мен тіндердің әр түрі үшін ең қолайлы шекті мәндерді тапқаннан кейін, маммографиялық кескіннің табалдырығын таңдау үшін пайдаланушыға сурет нөмірі мен тіннің түрін енгізу үшін бастапқы кодты өңдедім. Содан кейін мен маммографияның түпнұсқалық суреттерінде табылған маммографиялық диагностикалық орынды анықтадым. Мен мұны қызықты еткім келді, сондықтан мен ROI айналасындағы дөңгелек аймақты кесу функциясын бағдарламаладым. Пайдаланушыға орталық нүктені және ROI -ді ең жақсы қамтитын бірнеше нүктені таңдау тапсырылады. Мен мұнда matlab файлдарының екеуін де тіркедім.

9 -қадам: жақсартулар? Ойлар бар ма?

Мен бұл нұсқаулықты жаза отырып, мен жіктеуішке жасай алатын көптеген жетілдірулерді көре бастадым, мысалы, текстураны талдау негізінде анықталған массалардың әр түрін ажырату жолдарын табу немесе SandBoxProject дәлдігі бөліміне тестілеуді жетілдіру. файл Бұл жоба мерзімі болғандықтан, мен бір жерге тоқтауға тура келді, бірақ мен суреттерді өңдеу дағдыларын басқа қосымшаларда қолдана аламын деп үміттенемін. Сондай -ақ, мен маммограмманың барлық қалыптан тыс суреттерін топтамалық өңдеу үшін пайдаланылатын файлды тіркедім.