Способ диагностики рака легкого на основе интеллектуального анализа формы, внутренней и внешней структур новообразований

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.

 

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.

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».



 

Похожие патенты:

Изобретение относится к вычислительной технике. Технический результат – предоставление логических ответов, которые подражают стилю речи пользователя.

Изобретение относится к вычислительной технике. Технический результат – обеспечение перевода исходного предложения целевым предложением.

Изобретение относится к области дистанционного измерения высоких температур газов, в частности к способам спектрометрического измерения температуры потока газов и обработки спектральных данных оптических датчиков определения температуры потоков газов и может быть использовано для экспериментальных исследований рабочего процесса силовых установок и для повышения надежности при эксплуатации газовых турбин и газотурбинных двигателей.

Изобретение относится к медицине, а именно к онкологии, и может быть использовано для диагностики меланомы кожи. Предложен способ ранней автоматизированной дистанционной диагностики меланомы кожи, заключающийся в выполнении цифровых фотографий, компьютерном картрировании кожных покровов пациента с созданием базы данных всех выявленных пигментных новообразований кожи, при этом выявляются очаги, подозрительные на меланому, отличающийся тем, что анализируют исходные изображения подозрительных участков кожи, производят уменьшение изображений до размера 512×512 пикселей, проводят автоматическую диагностику меланомы по исходным изображениям участков кожи с помощью трехслойной компьютерной программы типа «нейронные сети», предварительно обученной различать меланому кожи на основе эталонных изображений, включающей предобработчик, автоматически выделяющий на основе анализа спектра Фурье исходные изображения существенных признаков, позволяющих разделить эти изображения на два класса, соответствующие наличию диагноза меланомы кожи или его отсутствию; с помощью данной компьютерной программы каждому эталонному изображению обучающей выборки ставят в соответствие нейрон третьего слоя; в пространстве преобразованных изображений нейроны третьего слоя оценивают эвклидово расстояние от каждого эталонного изображения обучающей выборки до тестируемого изображения, при этом полученным оценкам присваивают положительный или отрицательный знак в зависимости от класса - наличие или отсутствие меланомы, к которому отнесено эталонное изображение; среди 70-ти нейронов первого слоя в каждом из двух классов выявляют «победителей» по минимуму эвклидова расстояния от эталонного изображения до тестируемого; с помощью 20-ти нейронов второго слоя суммируют обратные величины эвклидовых расстояний, взятых с соответствующим знаком, в группах «победителей» и на основе сравнения суммы с нулевой пороговой величиной определяют класс тестируемого изображения, соответствующий диагнозу меланомы кожи либо его отсутствию.

Изобретение относится к вычислительной технике. Технический результат заключается в разработке способа обнаружения компьютерных атак различных типов за счет использования искусственной нейронной сети, обладающей возможностью адаптации и прогнозирования.

Изобретение относится к области обработки и распознавания радиосигналов, в частности к распознаванию типа манипуляции радиосигналов, и может быть использовано в радиотехнических устройствах для распознавания манипуляции радиосигналов.

Изобретение относится к области медицинской техники и может использоваться для ориентации людей, имеющих сложности с визуальным восприятием информации - полностью или частично утратившими зрение.

Группа изобретений относится к управлению реконфигурацией наземного автоматизированного комплекса управления космическими аппаратами (НАКУ КА). НАКУ КА и способ управления его реконфигурацией на базе нейросетевых технологий и элементов искусственного интеллекта с использованием базы знаний на основе технологии блокчейн включают использование для управления направленной реконфигурацией НАКУ КА нейросетевого комплекса.

Изобретение относится к области идентификации пользователя. Технические результаты заключаются в обеспечении непрерывной идентификации пользователя без запроса у пользователя данных для идентификации, сложности подделки биометрических данных пользователя, возможности встраивания в носимые устройства, отсутствия необходимости непосредственного контакта с кожей пользователя.

Изобретение относится к области видеосъемки. Технический результат – создание видеокамеры с увеличенной функциональностью за счет отсутствия необходимости использования внешних вычислительных систем и сетевой инфраструктуры для обработки и анализа видеоизображения.

Группа изобретений относится к медицинской технике, а именно к двухэнергетической томографии. Способ двухэнергетической томографии в коническом пучке включает формирование посредством рентгеновского аппарата направленного потока рентгеновского излучения через тело пациента, разделение прошедшего сквозь область тела пациента излучения на низкоэнергетическую и высокоэнергетическую составляющие рентгеновского спектра посредством фильтра, регистрацию прошедшего излучения на плоскопанельном детекторе рентгеновского излучения, обработку данных с детектора после завершения экспонирования и получения томограммы, при этом фильтр закреплен на торце плоскопанельного детектора рентгеновского излучения, поглощает низкоэнергетическую составляющую рентгеновского спектра и перекрывает половину пикселей детектора в шахматном порядке или посредством параллельных ламелей, половина пикселей детектора регистрирует излучение, не взаимодействовавшее с фильтром, и образует первую группу пикселей, а другая половина пикселей детектора регистрирует излучение, прошедшее через фильтр, и образует вторую группу пикселей, при этом обеспечивается условие регистрации излучения, когда комбинация четырех рядом стоящих пикселей состоит из двух пикселей первой группы, регистрирующих излучение, не взаимодействующее с фильтром и представляющее полный спектр рентгеновского излучения, и двух пикселей второй группы, регистрирующих излучение, прошедшее через фильтр и представляющее высокоэнергетическую составляющую спектра рентгеновского излучения, при обработке данных в каждой из групп пикселей проводят сложение сигналов, вычитают сигнал второй группы пикселей из первой и получают информацию о низкоэнергетической составляющей спектра рентгеновского излучения, полученной для четырех пикселей первой и второй групп, которую относят к средней координате этих пикселей при получении томограммы.

Группа изобретений относится к медицинской технике, а именно к двухэнергетической томографии. Способ двухэнергетической томографии в коническом пучке включает формирование посредством рентгеновского аппарата направленного потока рентгеновского излучения через тело пациента, разделение прошедшего сквозь область тела пациента излучения на низкоэнергетическую и высокоэнергетическую составляющие рентгеновского спектра посредством фильтра, регистрацию прошедшего излучения на плоскопанельном детекторе рентгеновского излучения, обработку данных с детектора после завершения экспонирования и получения томограммы, при этом фильтр закреплен на торце плоскопанельного детектора рентгеновского излучения, поглощает низкоэнергетическую составляющую рентгеновского спектра и перекрывает половину пикселей детектора в шахматном порядке или посредством параллельных ламелей, половина пикселей детектора регистрирует излучение, не взаимодействовавшее с фильтром, и образует первую группу пикселей, а другая половина пикселей детектора регистрирует излучение, прошедшее через фильтр, и образует вторую группу пикселей, при этом обеспечивается условие регистрации излучения, когда комбинация четырех рядом стоящих пикселей состоит из двух пикселей первой группы, регистрирующих излучение, не взаимодействующее с фильтром и представляющее полный спектр рентгеновского излучения, и двух пикселей второй группы, регистрирующих излучение, прошедшее через фильтр и представляющее высокоэнергетическую составляющую спектра рентгеновского излучения, при обработке данных в каждой из групп пикселей проводят сложение сигналов, вычитают сигнал второй группы пикселей из первой и получают информацию о низкоэнергетической составляющей спектра рентгеновского излучения, полученной для четырех пикселей первой и второй групп, которую относят к средней координате этих пикселей при получении томограммы.

Изобретение относится к медицине, а именно к фтизиопульмонологии, педиатрии и лучевой диагностике, и может быть использовано для дифференцированной оценки степени распространенности патологического процесса у детей с первичными формами туберкулеза.

Изобретение относится к медицине, а именно, к стоматологии, лучевой и инструментальной диагностикам, и может быть использовано для комплексной диагностики окклюзии у пациентов.
Изобретение относится к медицине, стоматологии. Проводят цефалометрический анализ симметрии контрлатеральных сторон у пациентов с асимметричными деформациями челюстей.

Изобретение относится к медицине, а именно к топографической анатомии, травматологии и ортопедии и лучевой диагностике, и может быть использовано для определения границ тела и рогов менисков коленного сустава человека.

Изобретение относится к медицинской технике. Способ перфузионной компьютерной томографии (ПКТ) новообразований включает томографию пораженного органа.

Изобретение относится к медицине, а именно к хирургии и лучевой диагностике, и может быть использовано для определения внутрипросветного давления в толстой кишке при проведении компьютерной томографии у больных с воспалительными осложнениями дивертикулярной болезни.

Изобретение относится к медицине, а именно к кардиологии, и может быть использовано при прогнозировании риска развития ишемической болезни сердца (ИБС) у пациентов с сахарным диабетом 2 типа в сочетании с субклиническим тиреотоксикозом.

Группа изобретений относится к медицинской технике, а именно к средствам отслеживания движения челюсти пациента. Устройство для отслеживания движения челюсти человека содержит по меньшей мере одну камеру, выполненную с возможностью фотографировать движение элементов отслеживания, содержащих реперные объекты и прикрепленных к нижней челюсти человека и к верхней челюсти человека или к части анатомической структуры человека, которая находится в неподвижном соединении с верхней челюстью, систему управления, включающую в себя первую подсистему для управления операциями по меньшей мере одной камеры, и вторую подсистему, содержащую средства обработки визуальной информации для обнаружения проекций и определения позиций элемента отслеживания на изображениях, захваченных по меньшей мере одной камерой, и для использования этой информации применительно к цифровой модели, изображающей твердую ткань по меньшей мере нижней челюсти, а также для генерирования динамической цифровой модели, подлежащей показу на дисплее, который визуализирует движение твердой ткани нижней челюсти в соответствии со сфотографированным движением реперных объектов, при этом устройство дополнительно содержит медицинский аппарат для формирования рентгеновских изображений, имеющий рентгеновский источник и детектор рентгеновского изображения, а система управления дополнительно содержит третью подсистему, которая включает в себя функции управления, относящиеся к управлению операциями аппарата для формирования рентгеновских изображений для получения информации краниального рентгеновского снимка и для генерирования КТ-реконструкции краниальной анатомической структуры, при этом по меньшей мере одна камера, предназначенная для фотографирования движения элементов отслеживания, является физической частью медицинского аппарата для формирования рентгеновских изображений.
Наверх