RU2694476C1 - Способ диагностики рака легкого на основе интеллектуального анализа формы, внутренней и внешней структур новообразований - Google Patents
Способ диагностики рака легкого на основе интеллектуального анализа формы, внутренней и внешней структур новообразований Download PDFInfo
- Publication number
- RU2694476C1 RU2694476C1 RU2018141208A RU2018141208A RU2694476C1 RU 2694476 C1 RU2694476 C1 RU 2694476C1 RU 2018141208 A RU2018141208 A RU 2018141208A RU 2018141208 A RU2018141208 A RU 2018141208A RU 2694476 C1 RU2694476 C1 RU 2694476C1
- Authority
- RU
- Russia
- Prior art keywords
- neoplasm
- chords
- candidate
- distribution
- external
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 208000020816 lung neoplasm Diseases 0.000 title claims abstract description 22
- 206010058467 Lung neoplasm malignant Diseases 0.000 title claims abstract description 20
- 201000005202 lung cancer Diseases 0.000 title claims abstract description 20
- 238000004458 analytical method Methods 0.000 title claims abstract description 7
- 238000003745 diagnosis Methods 0.000 title abstract description 15
- 230000012010 growth Effects 0.000 title abstract description 15
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 144
- 210000004072 lung Anatomy 0.000 claims abstract description 42
- 201000011510 cancer Diseases 0.000 claims abstract description 37
- 238000002591 computed tomography Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 230000003211 malignant effect Effects 0.000 claims abstract description 11
- 206010060999 Benign neoplasm Diseases 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims abstract description 5
- 208000035269 cancer or benign tumor Diseases 0.000 claims description 58
- 238000010276 construction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 239000003814 drug Substances 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 2
- 239000000126 substance Substances 0.000 abstract 1
- 210000001519 tissue Anatomy 0.000 description 13
- 238000001514 detection method Methods 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000005755 formation reaction Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 208000037841 lung tumor Diseases 0.000 description 3
- 201000001441 melanoma Diseases 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000002247 constant time method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000029578 entry into host Effects 0.000 description 2
- 230000017074 necrotic cell death Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 210000004224 pleura Anatomy 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000004434 Calcinosis Diseases 0.000 description 1
- IMQLKJBTEOYOSI-UHFFFAOYSA-N Diphosphoinositol tetrakisphosphate Chemical compound OP(O)(=O)OC1C(OP(O)(O)=O)C(OP(O)(O)=O)C(OP(O)(O)=O)C(OP(O)(O)=O)C1OP(O)(O)=O IMQLKJBTEOYOSI-UHFFFAOYSA-N 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 208000000017 Solitary Pulmonary Nodule Diseases 0.000 description 1
- 208000024212 Tracheal Neoplasms Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 201000005242 bronchial neoplasm Diseases 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 238000000326 densiometry Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- WHWDWIHXSPCOKZ-UHFFFAOYSA-N hexahydrofarnesyl acetone Natural products CC(C)CCCC(C)CCCC(C)CCCC(C)=O WHWDWIHXSPCOKZ-UHFFFAOYSA-N 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 206010025226 lymphangitis Diseases 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 230000000771 oncological effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 210000000779 thoracic wall Anatomy 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000004614 tumor growth Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Data Mining & Analysis (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Optics & Photonics (AREA)
- Animal Behavior & Ethology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
Изобретение относится к медицине и предназначено для интеллектуальной диагностики рака легкого. Предложен способ обнаружения и диагностики рака легкого на основе интеллектуального анализа формы, структур злокачественных новообразований в легких, включающий обработку изображений легких пациента, полученных методом компьютерной томографии, в результате которой в графическом изображении маскируют воксели со значениями денситометрической плотности по шкале Хаунсфилда с не соответствующими значениям плотности тканям легкого, последующую сегментацию вокселей, расположенных на поверхности и внутри «кандидатов» новообразований, построение «внутренних» хорд, образованных комбинациями пар точек, находящихся в выделенных вокселях на поверхности «кандидатов» новообразований, построение для каждого «кандидата» новообразования гистограммы распределения длин «внутренних» хорд с приведением к максимальной длине «внутренней» хорды, построенной в границах каждого «кандидата» новообразования, построение гистограммы распределения денситометрических плотностей по шкале Хаунсфилда внутри каждого «кандидата» новообразования с приведением к максимальному значению денситометрической плотности по шкале Хаунсфилда, определяемых в случайных точках на «внутренних» хордах, построение «внешних» хорд, образованных комбинациями пар точек, находящихся на поверхности «кандидата» новообразования и на гранях куба, построенного вокруг «кандидата» новообразования, построение для каждого «кандидата» новообразования гистограммы распределения длин «внешних» хорд с приведением к максимальной длине «внешней» хорды, построение гистограммы распределения денситометрических плотностей по шкале Хаунсфилда внутри каждого «кандидата» новообразования с приведением к максимальному значению денситометрической плотности по шкале Хаунсфилда, определяемых в случайных точках на «внешних» хордах, формирование вектора признаков, включающего данные четырех построенных гистограмм, после чего по сформированному вектору признаков осуществляют классификацию каждого «кандидата» новообразования как истинного злокачественного или истинного доброкачественного новообразования с помощью алгоритма машинного обучения, реализующего функции классификатора. Изобретение обеспечивает снижение количества обнаруженных ложноположительных новообразований в легких и повышение точности определения формы, внутренней и внешней структуры злокачественных и доброкачественных новообразований. 1 з.п. ф-лы, 20 ил.
Description
Изобретение относится к области искусственного интеллекта (ИИ) в медицине и предназначено для интеллектуальной диагностики рака легкого.
Рак лёгкого является самым распространенным из злокачественных новообразований во всех странах мира. Ежегодно в мире регистрируется около миллиона новых случаев рака лёгкого, что позволяет ему удерживать первое место среди всех онкологических заболеваний, причём большинство выявляемых случаев приходится на индустриально развитые страны (54%). Рак лёгкого является основной причиной смертности от онкологических заболеваний. В России рак лёгкого также занимает 1 место среди онкологических заболеваний, и его доля составляет 12%. В 15% всех случаев у умерших онкологических больных был диагностирован рак лёгкого. Каждая четвертая злокачественная опухоль, выявляемая у мужчин, и каждая двадцатая у женщин являются новообразованиями трахеи, бронхов, легкого. Вот почему одной из перспективных точек приложения развития алгоритмов искусственного интеллекта является диагностика рака лёгкого.
В настоящее время ИИ является одним из маркеров прорывного индустриального и информационно-технологического роста в мире. Медицина – одна из наиболее перспективных точек приложения систем искусственного интеллекта.
Успешное развитие новых методов ИИ, включая одну из его составляющих, машинного обучения, а также повышение производительности современной вычислительной техники, привели к стремительному росту интереса к возможностям применения ИИ в самых различных областях, включая медицину. Это привело к появлению и совершенствованию интеллектуальных систем диагностики (ИСД) онкологических заболеваний, ориентированных, прежде всего, на раннее выявление заболевания.
Одним из успешных примеров реализации ИСД является алгоритм обучения на основе сверточной нейронной сети, который поставил правильный диагноз меланомы в 95% случаев, тогда как результат анализа 58 профессиональных дерматологов составлял 86,6% (Haenssle H.A., Fink C., Schneiderbauer R., Toberer F., Buhl T., Blum A., Kalloo A., Ben Hadj Hassen A., Thomas L., Enk A., Uhlmann L. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Annals of Oncology, 29(8), 2018, pp. 1836–1842). К сожалению, это единственный успешный пример создания ИСД сегодня, что определяется целым рядом причин и особенностей меланомы как онкологического заболевания. В отличие от меланомы диагностика рака легкого с использование методов искусственного интеллекта намного более сложная задача, решение которой требует разработки нестандартных подходов, которые позволят эффективно формализовать разнообразие различных форм опухолей.
Опухоль в легком может быть определена как патологическое объёмное образование, имеющее примерно сферическую структуру. Критериями доброкачественности являются ровный, чёткий контур, отсутствие в структуре признаков некроза, наличие обызвествлений, отсутствие изменений в окружающей лёгочной ткани и плевре. Критерии злокачественности опухоли, напротив, определяются как совокупность признаков, характеризующих экспансивный инвазивный рост: неровный нечёткий контур новообразования, признаки некроза к структуре, наличие радиарных тяжей, как проявление местного лимфангита, тракция прилежащей плевры. К настоящему времени предложен ряд подходов к построению ИСД рака легкого в целях успешного обнаружения опухолей легких и для более обоснованного принятия решения о начале лечения на ранней стадии заболевания. Многие подходы основаны на применении методов фильтрации для обнаружения новообразований в легких на основе серий сканов компьютерной томографии (КТ), которая признана золотым стандартом в диагностике рака легкого. Данные КТ представляются в виде трехмерных изображений в формате DICOM (Digital Imaging and Communication in Medicine). Исходно сведения содержат серию сканов как последовательность 2D-изображений, а интервал между этими 2D-изображениями называется Z-интервалом.
Детальный обзор современных методов обнаружения опухолей в легком и возможных реализаций ИСД можно найти в работе (Firmino M., Morais A.H., Mendoca R.M., Dantas M.R., Hekis H.R., Valentim R. Computer-aided detection system for lung cancer in computed tomography scans: review and future prospects. Biomedical engineering online, 13(1):41, 2014) и в работе (Rehman M.Z., Javaid M., Shah S.I.A., Gilani S.O., Jamil M., Butt S.I. An appraisal of nodules detection techniques for lung cancer in CT images. Biomedical Signal Processing and Control, 41:140-151, 2018). Как показано в обзоре серьезной проблемой предлагаемых систем является относительно большое количество ложноположительных результатов, когда различные элементы легких распознаются как злокачественные новообразования, в то время как они таковыми не являются. Другой проблемой является разнообразие структур, форм новообразований, что требует существенного увеличения объема обучающих данных, особенно для ИСД, основанных на использовании глубоких нейронных сетей.
Чтобы решить эти проблемы и «интеллектуализировать» процесс обнаружения злокачественных образований использовались многочисленные подходы на основе «неглубокого» обучения (Khosravan N. and Bagci U. Semi-supervised multi-task learning for lung cancer diagnosis // arXiv:1802.06181v1, Feb 2018). Многие предлагаемые в последние годы ИСД используют также методы глубокого обучения, в том числе 2D и 3D сверточные нейронные сети (СНС) для решения задач классификации и сегментации. Несмотря на большой интерес к методам глубокого обучения, существует много путей использования обычных методов машинного обучения, которые дают лучшие результаты по сравнению с СДО, использующими СНС. Так в (Nithila E.E. and Kumar S.S. Automatic detection of solitary pulmonary nodules using swarm intelligence optimized neural networks on CT images // Engineering Science and Technology, an International Journal, 20(3):1192–1202, 2017) представлена методика, которая помогает сегментировать новообразования без применения методов глубокого обучения. Она использует деревья решений для классификации сегментированной области. В работе (Khosravan N. and Bagci U. Semi-supervised multi-task learning for lung cancer diagnosis // arXiv:1802.06181v1, Feb 2018) отмечается, что информация о КТ-морфологии (размер, объем, форма, контур, структура) играет ключевую роль в скрининге, диагностике и классификации. Эта информация может быть эффективно использована при выявлении рака легкого. Геометрические параметры новообразований широко использовались для их обнаружения и дальнейшей классификации методами опорных векторов, k ближайших соседей, деревьями решений.
В качестве наиболее близкого аналога выбран способ интеллектуальной диагностики и обнаружения новообразований в легких (см. патент РФ № 2668699, приоритет изобретения 21.05.2018, опубл. 02.10.18 по классам МПК A61B 5/00, G06N 3/02). Способ содержит обработку изображений легких пациента, полученных методом компьютерной томографии, в результате которой в графическом изображении маскируют воксели со значениями плотности по шкале Хаунсфилда, не соответствующими значениям плотности тканям легких; последующую сегментацию вокселей, расположенных на поверхности «кандидатов» новообразований; построение множества хорд, образованных комбинациями пар точек, находящихся в выделенных вокселях на поверхности «кандидатов» новообразований; построение гистограммы распределения длин хорд с приведением к максимальной длине хорды, построенной в границах каждого «кандидата» новообразования; формирование вектора признаков, включающего данные построенной гистограммы распределения длин хорд, среднее значение плотности по шкале Хаунсфилда каждого «кандидата» новообразования, общее количество вокселей в каждом «кандидате» новообразования. После этого по сформированному вектору признаков осуществляют классификацию каждого «кандидата» новообразования как истинного злокачественного новообразования с помощью алгоритма машинного обучения, реализующего функции классификатора. Однако, как показала практика использования заявленного способа, недостаточно анализировать только форму новообразования. Как известно, злокачественные новообразования состоят из частично или вовсе не дифференцированных клеток, которым свойственен быстрый инфильтрирующий и инвазивный рост, поэтому необходимо рассматривать также внутреннюю структуру новообразования и ее окружение.
Техническая проблема заявляемого изобретения заключается в создании способа интеллектуального обнаружения и диагностики доброкачественных и злокачественных новообразований в тканях легкого на основе результатов исследований методом КТ, не требующего больших затрат на лабораторные исследования, квалифицированных медицинских специалистов и позволяющего с высокой точностью и в кратчайшие сроки идентифицировать количество, расположение, структуру злокачественных и доброкачественных новообразований.
Технический результат – снижение количества обнаруженных ложноположительных новообразований в легких и повышение точности определения формы, внутренней и внешней структуры злокачественных и доброкачественных новообразований.
Технический результат достигается за счет заявляемого способа обнаружения и диагностики рака легкого на основе интеллектуального анализа формы, внутренней и внешней структур злокачественных новообразований в легком, включающий обработку изображений легких пациента, полученных методом компьютерной томографии, в результате которой в графическом изображении маскируют воксели со значениями денситометрической плотности по шкале Хаунсфилда с не соответствующими значениям плотности тканям легкого, последующую сегментацию вокселей, расположенных на поверхности и внутри «кандидатов» новообразований, построение множества «внутренних» хорд, образованных комбинациями пар точек, находящихся в выделенных вокселях на поверхности «кандидатов» новообразований, построение для каждого «кандидата» новообразования гистограммы распределения длин «внутренних» хорд с приведением к максимальной длине «внутренней» хорды, построенной в границах каждого «кандидата» новообразования, построение гистограммы распределения денситометрических плотностей по шкале Хаунсфилда внутри каждого «кандидата» новообразования с приведением к максимальному значению денситометрической плотности по шкале Хаунсфилда, определяемых в случайных точках на «внутренних» хордах, построение множества «внешних» хорд, образованных комбинациями пар точек, находящихся на поверхности «кандидата» новообразования и на гранях куба, построенного вокруг «кандидата» новообразования, построение для каждого «кандидата» новообразования гистограммы распределения длин «внешних» хорд с приведением к максимальной длине «внешней» хорды, построение гистограммы распределения денситометрических плотностей по шкале Хаунсфилда внутри каждого «кандидата» новообразования с приведением к максимальному значению денситометрической плотности по шкале Хаунсфилда, определяемых в случайных точках на «внешних» хордах, формирование вектора признаков, включающего данные четырех построенных гистограмм, после чего по сформированному вектору признаков осуществляют классификацию каждого «кандидата» новообразования как истинного злокачественного или истинного доброкачественного новообразования с помощью алгоритма машинного обучения, реализующего функции классификатора.
В качестве алгоритма машинного обучения использован классификатор «глубокий лес» (Deep Forest) для обнаружения злокачественных новообразований, при этом классификатор предварительно обучен на основе множества векторов признаков, полученных после обработки КТ-изображений истинных злокачественных и доброкачественных новообразований в легких с использованием сегментации и метода хорд, причем в качестве признаков выбраны гистограммы распределения длин «внутренних» хорд с приведением к максимальной длине хорды, построенной в границах каждого новообразования, гистограммы распределения денситометрических плотностей по шкале Хаунсфилда внутри каждого новообразования с приведением к максимальному значению денситометрической плотности по шкале Хаунсфилда, определяемых в случайных точках на «внутренних» хордах, гистограммы распределения длин «внешних» хорд с приведением к максимальной длине хорды, образованных комбинациями пар точек, находящихся на поверхности новообразования и на гранях куба, построенного вокруг новообразования, гистограммы распределения денситометрических плотностей по шкале Хаунсфилда внутри каждого новообразования с приведением к максимальному значению денситометрической плотности по шкале Хаунсфилда, определяемых в случайных точках на «внешних» хордах.
В предлагаемом способе куб вокруг сегментированного «кандидата» новообразования строится в соответствии с крайними точками новообразования в трех проекциях изображения. Величина отступа от крайних точек для построения куба бóльшего размера не влияет на построение третьей гистограммы, так как нормированные длины хорд инвариантны к изменению размеров куба, и практически не влияет на четвертую гистограмму, так как обучение и эксплуатация системы осуществляется при одних и тех же параметрах отступа граней куба от крайних точек новообразования в трех проекциях изображения.
Выбор именно куба для построения хорд и получения третьей и четвертой гистограмм обусловлен простотой его построения с вычислительной точки зрения и простотой определения длин хорд между поверхностями новообразования и гранями куба, а также возможностью определения с большей точностью формы и структуры обнаруженного «кандидата» новообразования, получения данных об окружении «кандидата» новообразования (наличия или отсутствия ответвлений и др.).
Метод КТ позволяет определить локализацию очага, размер, отношение к другим тканям, рост опухоли и так далее. Расшифровка снимков КТ – трудоемкий процесс, а особенно при КТ легких. Даже рентгенологи с большим стажем работы зачастую спорят о происхождении тех или иных изменений в легком. Заболевания легких рентгенологически очень схожи друг с другом, поэтому процент неправильных заключений по результатам компьютерной томографии велик.
Заявляемый способ диагностирования онкологических заболеваний легкого позволяет существенно снизить количество обнаруженных ложноположительных новообразований, тем самым уменьшить количество диагностических ошибок, а также определить структуру и форму обнаруженных новообразований.
Авторами не был выявлен из уровня техники способ диагностирования онкологических заболеваний легких, включающим обработку КТ-изображений, применения таких гистограмм для получения информации не только о поверхности и форме новообразований, но и о значениях денситометрических плотностей внутри новообразования и вокруг него с последующей классификацией новообразований с помощью алгоритма машинного обучения. Способ идентификации позволяет с высокой точностью и в кратчайшие сроки (за несколько секунд) определить число и границы новообразований, их расположение, структуру и форму в тканях легкого, а также диагностировать его.
Изобретение поясняется чертежами, где:
- на фиг. 1 представлен пример сегментированного «кандидата» новообразования, внутри которого построены «внутренние» хорды, образованные комбинациями пар точек, случайно сгенерированных на поверхности «кандидата» новообразования;
- на фиг. 2 представлен пример сегментированного новообразования и сгенерированные в соответствии с равномерным распределением вероятностей случайные точки на «внутренних» хордах, в которых определены значения плотности по шкале Хаунсфилда;
- на фиг. 3 представлен пример сегментированного новообразования с построенными «внешними» хордами, образованных комбинациями пар точек, находящихся на поверхности «кандидата» новообразования и на гранях куба, построенного вокруг «кандидата» новообразования;
- на фиг. 4 представлен пример сегментированного новообразования и сгенерированные в соответствии с равномерным распределением вероятностей случайные точки, расположенные на «внешних» хордах, в которых определены значения плотности по шкале Хаунсфилда;
- на фиг. 5 представлено типовое сегментированное злокачественное новообразование;
- на фиг. 6 представлена гистограмма распределения длин «внутренних» хорд для типового сегментированного злокачественного новообразования на фиг. 5, где М – количество «внутренних» хорд в пределах интервала гистограммы, r – нормированная длина «внутренней» хорды;
- на фиг. 7 представлена гистограмма распределения плотностей внутри новообразования для типового сегментированного злокачественного новообразования на фиг. 5, где N – количество точек с плотностью, входящей в заданный интервал гистограммы, d – плотность в единицах измерения Хаунсфилда;
- на фиг. 8 представлена гистограмма распределения длин «внешних» хорд для типового сегментированного злокачественного новообразования на фиг. 5, где М – количество «внешних» хорд в пределах интервала гистограммы, r – нормированная длина «внешних» хорды;
- на фиг. 9 представлена гистограмма распределения плотностей внутри типового сегментированного злокачественного новообразования на фиг. 5 с приведением к максимальной денситометрической плотности по шкале Хаунсфилда, определяемых в случайных точках на «внешних» хордах, где N – количество точек с плотностью, входящей в заданный интервал гистограммы, d – плотность в единицах измерения Хаунсфилда;
- на фиг. 10 представлено типовое сегментированное доброкачественное новообразование;
- на фиг. 11-14 представлены соответственно гистограммы распределения длин «внутренних» хорд, гистограмма распределения плотностей внутри новообразования, гистограмма распределения длин «внешних» хорд, гистограмма распределения плотностей вокруг новообразования, полученные для доброкачественного новообразования на фиг. 10;
- на фиг. 15 представлено изображение сегментированных кровеносных сосудов;
- на фиг. 16-19 представлены соответственно гистограммы распределения длин «внутренних» хорд, гистограмма распределения плотностей внутри объекта, гистограмма распределения длин «внешних» хорд, гистограмма распределения плотностей вокруг объекта, полученные для сегментированных кровеносных сосудов на фиг. 15;
- на фиг. 20 представлен пример полученного изображения на экране монитора, визуализирующего участки легкого в различных проекциях с обнаруженными злокачественными новообразованиями (выделены в прямоугольниках).
Интеллектуальный способ обнаружения и диагностики злокачественных новообразований в легком состоит из следующих этапов: предварительной обработки КТ-изображения (обнаружение «кандидатов» новообразований фильтрацией и сегментацией тканей); сокращении числа ложноположительных случаев (исключение ложных новообразований, которые неверно идентифицированы на этапе фильтрации); классификации новообразований. Все этапы способа выполняются компьютерной программой, разработанной авторами.
Процедура предварительной обработки КТ-изображения заключается в отделении области исследования (лёгочная ткань) от других органов и тканей (органы средостения, мягкие ткани грудной стенки, костные структуры) и снижении вычислительной сложности следующих этапов. Предварительная обработка КТ-изображения легких включает этап сегментации КТ-изображения. В соответствии с этой процедурой данные или значения вокселей в каждом КТ-изображении преобразуются в значения плотности по шкале Хаунсфилда или коэффициент абсорбции тканей, он же коэффициент ослабления, выражаемый в единицах Хаунсфилда (ед. Н, или Hounsfield Units, или HU). В шкале Хаунсфилда за 0 принята плотность воды. Используя разницу плотностного диапазона между лёгочной тканью, обладающей естественной контрастностью, и мягкими тканями, имеющими положительные значения по шкале Хаунсфилда от +40 до +80, метод сегментации является эффективным. Воксели, которые находятся за пределами этой области плотностного диапазона и соответствуют сосудам, воде, воздуху и т.д., «маскируются» для того, чтобы оставить для анализа только легочную ткань.
Второй этап сегментации заключается в выделении «кандидатов» новообразований для дальнейшего определения вокселей, расположенных на поверхности анализируемых новообразований. С помощью разработанной компьютерной программы осуществляется выделение вокселей графически, описывающих границы «кандидатов» новообразований (при помощи стандартных процедур графической обработки изображения по цветам объектов на нем). Таким образом, получают предварительную визуализацию с выделенными границами «кандидатов» новообразований. Сегментация новообразований может быть реализована с помощью последовательного применения алгоритма покадровой заливки изображений, когда на каждом изображении в качестве ядра выбираются точки, не относящиеся к объему легких, для которых применяется метод порогового включения, чтобы замкнутые области на изображении оказывались не достижимы для алгоритма и не были промаркированы значением ядра; применения к найденным объектам в легком алгоритма дилатации, который учитывает плотность соседних с объектом точек, и, если плотность не входит в заданный диапазон, построение объекта в данном направлении заканчивается.
Затем для каждого «кандидата» новообразования с помощью компьютерной программы строят четыре гистограммы: 1) гистограмму распределения длин «внутренних» хорд с приведением к максимальной длине «внутренней» хорды, образованных комбинациями пар точек, находящихся на поверхности новообразования (фиг. 6); 2) построение гистограммы распределения денситометрических плотностей по шкале Хаунсфилда внутри каждого «кандидата» новообразования с приведением к максимальному значению денситометрической плотности по шкале Хаунсфилда, определяемых в случайных точках на «внутренних» хордах (фиг. 7); 3) построение множества «внешних» хорд, образованных комбинациями пар точек, находящихся на поверхности «кандидата» новообразования и на гранях куба, построенного вокруг «кандидата» новообразования, построение для каждого «кандидата» новообразования гистограммы распределения длин «внешних» хорд с приведением к максимальной длине «внешней» хорды (фиг. 8); 4) построение гистограммы распределения денситометрических плотностей по шкале Хаунсфилда внутри каждого «кандидата» новообразования с приведением к максимальному значению денситометрической плотности по шкале Хаунсфилда, определяемых в случайных точках на «внешних» хордах (фиг. 9).
Построение четырех гистограмм осуществляется с использованием программы, реализованной на языке программирования Phyton. Базовым элементом построения гистограмм являются хорды внутри и вне новообразования. Каждая хорда – это отрезок, соединяющий произвольно выбранную пару точек, расположенных на поверхности новообразования («внутренние» хорды) или на поверхности новообразования и на гранях куба, построенного вокруг этого новообразования («внешние» хорды). Метод хорд позволяет с высокой точностью получить информацию о границах поверхности и форме «кандидатов» новообразований (Smith S.P. and Jain A.K. Chord distribution for shape matching // Computer vision, graphics, and image processing, 20(3):259–271, 1982). Множество длин хорд можно рассматривать как распределение вероятностей или гистограмму. Метод хорд инвариантен к размеру объектов, их перемещению и повороту, а также устойчив по отношению к «шумам» или искажениям поверхности объекта. С помощью компьютерной программы вычисляют длины полученных хорд и нормализуют их в соответствии с самой длинной хордой. Затем строят гистограмму нормализованных длин хорд.
В процессе анализа КТ-изображений с выделенными злокачественными и доброкачественными новообразованиями с помощью заявленного способа по прототипу было обнаружено, что гистограммы распределения длин хорд для злокачественных и доброкачественных образований совершенно различны. Для злокачественных новообразований гистограмма распределения длин хорд имеет более гладкую форму.
Однако, как показала практика использования способа по прототипу, для диагностики и более точной идентификации новообразований недостаточно анализировать только внешнюю форму новообразования. Необходимо рассматривать также внутреннюю структуру новообразования и ее «окружение», т.е. исследовать наличие или отсутствие ответвлений, их форму, инвазию обнаруженного новообразования, что свойственно злокачественным новообразованиям. Поэтому существенным отличием заявляемого способа является построение четырех гистограмм, характеризующих внутреннюю структуру, «окружение» новообразования: его внешнюю форму и распределение значений денситометрических плотностей вокруг новообразования. Таким образом, формируется результирующее изображение легкого с обнаруженными «новообразованиями», наглядно иллюстрирующее их структуру и форму с высокой точностью.
Классификацию каждого «кандидата» новообразования для определения соответствия их принадлежности к истинному новообразованию (злокачественному или доброкачественному) осуществляют с помощью заранее обученного алгоритма машинного обучения, реализующего функции классификатора. В качестве обучаемого классификатора может использоваться любой классификатор. В данном способе используется случайный лес (Breiman L. Random forests // Machine learning, 45(1):5–32, 2001), являющийся наиболее известным и широко используемым на практике алгоритмом обучения с учителем, а также его расширение – глубокий лес (Deep Forest), являющийся эффективным при классификации изображений с небольшим числом категорий объектов (Zhou Z.-H., Feng J. DeepForest: Towards An Alternative to Deep Neural Networks, arXiv:1702.08835v2, 2017).
Входными данными для классификатора является вектор признаков, который характеризует новообразование в легком с точки зрения его формы и плотностной структуры внутри и вокруг новообразования (четыре гистограммы). Вектор признаков для каждого «кандидата» новообразования в легком содержит данные построенных четырех гистограмм.
Полученный вектор признаков рассматривается как характеристическое представление каждого новообразования. Благодаря тому, что в заявляемом способе для классификации новообразований используется не все изображение, а только четыре гистограммы, существенно снижается сложность классификации и обнаружения злокачественных новообразований.
После классификации каждого новообразования как злокачественного на экране монитора отображается визуализация полученных результатов, на котором графически выделены обнаруженные злокачественные новообразования на проекциях изображения легкого (фиг. 20). Полученное изображение позволяет визуально определить их расположение, примерную структуру. Затем по полученному результирующему изображению врач-диагност производит анализ обнаруженных новообразований с целью постановки диагноза.
Заявляемый способ диагностики новообразований был опробован на наборе снимков компьютерной томографии легких LIDC (Lung Image Database Consortium - Armato III S.G., McLennan G., and et al. The lung image databas econsortium (LIDC) and image database resource initiative (IDRI): a completed reference database of lung nodules on CT scans. Medical Physics, 38(2):915-931, 2011), содержащем 1018 снимков пациентов в формате DICOM. Получена вероятность правильного обнаружения опухоли 0,94. Вероятность получена путем разделения исходного набора данных на две части: обучающие данные и данные для тестирования. На первом наборе осуществляется обучение всей ИСД. На втором наборе осуществляется верификация ИСД и вычисление вероятности правильного обнаружения опухоли как доли совпадений обнаруженных опухолей и имеющихся в данных для тестирования к общему числу опухолей в данных для тестирования.
Пример 1. С помощью заявляемого способа было проанализировано КТ-изображение пациента Х, в результате чего обнаружены злокачественные новообразования в легких (фиг. 5). На Фиг. 6-9 представлены построенные гистограммы для обнаруженного злокачественного новообразования. На Фиг. 20 представлено результирующее изображение, визуализирующее участки легкого пациента Х. в различных проекциях с обнаруженными злокачественными новообразованиями (выделены в прямоугольниках).
Пример 2. С помощью заявляемого способа было проанализировано КТ-изображение пациента Y, в результате чего обнаружены доброкачественные новообразования в легких. На Фиг. 10 представлены сегментированное злокачественное новообразование и четыре гистограммы (фиг. 11-14). Полученные гистограммы отличаются от тех, которые представлены в примере 1.
Пример 3. С помощью заявляемого способа было проанализировано КТ-изображение пациента Z, в результате чего выделены кровеносные сосуды, которые могут быть проклассифицированы классификатором как незлокачественные новообразования. На Фиг. 15 представлено сегментированное изображение обнаруженных кровеносных сосудов и построенные четыре гистограммы (фиг. 16-19). Полученные гистограммы отличаются от тех, которые представлены в примерах 1 и 2, и соответствуют таким структурам как сосуды.
При обследовании пациентов получаемые КТ-изображения могут быть переданы на рабочий компьютер врача-диагноста, на котором установлена компьютерная программа, реализующая заявляемый способ. Таким образом, заявляемый способ позволяет непосредственно после исследования пациента методом компьютерной томографии осуществлять интеллектуальный анализ полученного КТ-изображения легких с целью обнаружения и диагностики злокачественных новообразований в тканях легких и визуализации полученных результатов в виде расположения обнаруженных злокачественных новообразований на проекциях изображения легкого.
Claims (2)
1. Способ обнаружения и диагностики рака легкого на основе интеллектуального анализа формы, структур злокачественных новообразований в легких, включающий обработку изображений легких пациента, полученных методом компьютерной томографии, в результате которой в графическом изображении маскируют воксели со значениями денситометрической плотности по шкале Хаунсфилда с не соответствующими значениям плотности тканям легкого, последующую сегментацию вокселей, расположенных на поверхности и внутри «кандидатов» новообразований, построение «внутренних» хорд, образованных комбинациями пар точек, находящихся в выделенных вокселях на поверхности «кандидатов» новообразований, построение для каждого «кандидата» новообразования гистограммы распределения длин «внутренних» хорд с приведением к максимальной длине «внутренней» хорды, построенной в границах каждого «кандидата» новообразования, построение гистограммы распределения денситометрических плотностей по шкале Хаунсфилда внутри каждого «кандидата» новообразования с приведением к максимальному значению денситометрической плотности по шкале Хаунсфилда, определяемых в случайных точках на «внутренних» хордах, построение «внешних» хорд, образованных комбинациями пар точек, находящихся на поверхности «кандидата» новообразования и на гранях куба, построенного вокруг «кандидата» новообразования, построение для каждого «кандидата» новообразования гистограммы распределения длин «внешних» хорд с приведением к максимальной длине «внешней» хорды, построение гистограммы распределения денситометрических плотностей по шкале Хаунсфилда внутри каждого «кандидата» новообразования с приведением к максимальному значению денситометрической плотности по шкале Хаунсфилда, определяемых в случайных точках на «внешних» хордах, формирование вектора признаков, включающего данные четырех построенных гистограмм, после чего по сформированному вектору признаков осуществляют классификацию каждого «кандидата» новообразования как истинного злокачественного или истинного доброкачественного новообразования с помощью алгоритма машинного обучения, реализующего функции классификатора.
2. Способ по п. 1, в котором в качестве алгоритма машинного обучения использован классификатор «глубокий лес» (Deep Forest) для обнаружения злокачественных новообразований, при этом классификатор предварительно обучен на основе векторов признаков, полученных после обработки КТ-изображений истинных злокачественных новообразований в легких с использованием сегментации и метода хорд, причем в качестве признаков выбраны гистограммы распределения длин «внутренних» хорд с приведением к максимальной длине «внутренней» хорды, построенной в границах каждого новообразования, гистограммы распределения денситометрических плотностей по шкале Хаунсфилда внутри каждого новообразования с приведением к максимальному значению денситометрической плотности по шкале Хаунсфилда, определяемых в случайных точках на «внутренних» хордах, гистограммы распределения длин «внешних» хорд с приведением к максимальной длине «внешней» хорды, образованных комбинациями пар точек, находящихся на поверхности новообразования и на гранях куба, построенного вокруг новообразования, гистограммы распределения денситометрических плотностей по шкале Хаунсфилда, определяемых в случайных точках на «внешних» хордах».
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2018141208A RU2694476C1 (ru) | 2018-11-22 | 2018-11-22 | Способ диагностики рака легкого на основе интеллектуального анализа формы, внутренней и внешней структур новообразований |
PCT/RU2019/050146 WO2020106185A1 (ru) | 2018-11-22 | 2019-09-11 | Диагностика рака легкого на основе анализа формы новообразований |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2018141208A RU2694476C1 (ru) | 2018-11-22 | 2018-11-22 | Способ диагностики рака легкого на основе интеллектуального анализа формы, внутренней и внешней структур новообразований |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2694476C1 true RU2694476C1 (ru) | 2019-07-15 |
Family
ID=67309253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2018141208A RU2694476C1 (ru) | 2018-11-22 | 2018-11-22 | Способ диагностики рака легкого на основе интеллектуального анализа формы, внутренней и внешней структур новообразований |
Country Status (2)
Country | Link |
---|---|
RU (1) | RU2694476C1 (ru) |
WO (1) | WO2020106185A1 (ru) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2814790C1 (ru) * | 2023-12-02 | 2024-03-04 | Общество с ограниченной ответственностью "МЛМЕДИЦИНА" | Способ выявления онкозаболеваний в органах малого таза и система для реализации способа |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2012243C1 (ru) * | 1991-06-25 | 1994-05-15 | Лощенов Виктор Борисович | Способ диагностики злокачественных новообразований желудка и легких |
RU2324186C1 (ru) * | 2006-10-03 | 2008-05-10 | Институт Молекулярной Генетики Российской Академии Наук (Имг Ран) | Способ диагностики плоскоклеточного рака легких и набор для его осуществления |
RU2668699C1 (ru) * | 2018-05-21 | 2018-10-02 | федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский политехнический университет Петра Великого" (ФГАОУ ВО "СПбПУ") | Интеллектуальный способ диагностики и обнаружения новообразований в легких |
-
2018
- 2018-11-22 RU RU2018141208A patent/RU2694476C1/ru active
-
2019
- 2019-09-11 WO PCT/RU2019/050146 patent/WO2020106185A1/ru active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2012243C1 (ru) * | 1991-06-25 | 1994-05-15 | Лощенов Виктор Борисович | Способ диагностики злокачественных новообразований желудка и легких |
RU2324186C1 (ru) * | 2006-10-03 | 2008-05-10 | Институт Молекулярной Генетики Российской Академии Наук (Имг Ран) | Способ диагностики плоскоклеточного рака легких и набор для его осуществления |
RU2668699C1 (ru) * | 2018-05-21 | 2018-10-02 | федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский политехнический университет Петра Великого" (ФГАОУ ВО "СПбПУ") | Интеллектуальный способ диагностики и обнаружения новообразований в легких |
Non-Patent Citations (4)
Title |
---|
МЕЛДО А.А. и др., Методы диагностики и оценки степени распространенности онкологических заболеваний, Практическая онкология, том 18, N4, 2017, сс. 1-14. * |
МОРОЗОВ С.П. и др., Мультиспиральная компьютерная томография в многопрофильном стационаре, Учебно-методическое пособие, ФГУ "Центральная клиническая больница с поликлиникой" УДП РФ, Москва - 2009, сс. 1-100. * |
ХОРУЖИК С.А. и др., Основы КТ-визуализации. Часть 1. Просмотр и количественная оценка изображений. Радиология - практика, N3, 2011, сс. 1-14. * |
ХОРУЖИК С.А. и др., Основы КТ-визуализации. Часть 1. Просмотр и количественная оценка изображений. Радиология - практика, N3, 2011, сс. 1-14. МЕЛДО А.А. и др., Методы диагностики и оценки степени распространенности онкологических заболеваний, Практическая онкология, том 18, N4, 2017, сс. 1-14. МОРОЗОВ С.П. и др., Мультиспиральная компьютерная томография в многопрофильном стационаре, Учебно-методическое пособие, ФГУ "Центральная клиническая больница с поликлиникой" УДП РФ, Москва - 2009, сс. 1-100. * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2814790C1 (ru) * | 2023-12-02 | 2024-03-04 | Общество с ограниченной ответственностью "МЛМЕДИЦИНА" | Способ выявления онкозаболеваний в органах малого таза и система для реализации способа |
Also Published As
Publication number | Publication date |
---|---|
WO2020106185A1 (ru) | 2020-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3770850B1 (en) | Medical image identifying method, model training method, and computer device | |
CN109583440B (zh) | 结合影像识别与报告编辑的医学影像辅助诊断方法及系统 | |
US9092852B2 (en) | Generating an anatomical model using a rule-based segmentation and classification process | |
US8111896B2 (en) | Method and system for automatic recognition of preneoplastic anomalies in anatomic structures based on an improved region-growing segmentation, and commputer program therefor | |
Hussain et al. | Cascaded regression neural nets for kidney localization and segmentation-free volume estimation | |
Memon et al. | Segmentation of lungs from CT scan images for early diagnosis of lung cancer | |
JP2007517610A (ja) | 医用画像のフィルタリングシステムおよび方法 | |
KR20180022607A (ko) | 다양한 측정으로부터의 의료 측정 데이터에 기초한 결과 데이터의 결정 | |
JP2009531117A (ja) | 解剖学的構造において前癌異常を自動認識するための方法及びシステム、及び対応するコンピュータプログラム | |
Wang et al. | A method of ultrasonic image recognition for thyroid papillary carcinoma based on deep convolution neural network | |
KR20220108158A (ko) | 병변으로 덮인 체표면적 백분율에 기초한 피부 질환의 중증도 결정 방법 | |
Rattan et al. | An optimized lung cancer classification system for computed tomography images | |
Mastouri et al. | A morphological operation-based approach for Sub-pleural lung nodule detection from CT images | |
Tiwari et al. | Optimized Ensemble of Hybrid RNN-GAN Models for Accurate and Automated Lung Tumour Detection from CT Images | |
RU2668699C1 (ru) | Интеллектуальный способ диагностики и обнаружения новообразований в легких | |
Khan et al. | Intelligent approach for segmenting CT lung images using fuzzy logic with bitplane | |
Devaki et al. | Study of computed tomography images of the lungs: A survey | |
CN117522892A (zh) | 基于空间通道注意力增强的肺腺癌ct影像病灶分割方法 | |
RU2694476C1 (ru) | Способ диагностики рака легкого на основе интеллектуального анализа формы, внутренней и внешней структур новообразований | |
Dandan et al. | A multi-model organ segmentation method based on abdominal ultrasound image | |
Shaziya et al. | Comprehensive review of automatic lung segmentation techniques on pulmonary CT images | |
Gong et al. | An automatic pulmonary nodules detection method using 3d adaptive template matching | |
Mamatha | Detection of Brain Tumor in MR images using hybrid Fuzzy C-mean clustering with graph cut segmentation technique | |
Kumar et al. | BIRD SQUIRREL OPTIMIZATION WITH DEEP RECURRENT NEURAL NETWORK FOR PROSTATE CANCER DETECTION | |
Shukla et al. | Research Article AI-DRIVEN Novel Approach for Liver Cancer Screening and Prediction Using Cascaded Fully Convolutional Neural Network |