Маммограмма сүрөттөрүндөгү аномалияларды элестетүү жана аныктоо үчүн ар түрдүү боз масштабдагы интенсивдүүлүк босоголорун колдонуу: 9 кадам

2025 Автор: John Day | [email protected]. Акыркы өзгөртүү: 2025-01-23 14:51

Бул долбоордун максаты - ар кандай фондук ткандардын классификациясынын боз масштабдуу маммографиялык сүрөттөрүн иштетүү үчүн параметрди аныктоо жана колдонуу: майлуу, майлуу бездер жана тыгыз ткандар. Бул классификация рентгенологдор маммограммаларды талдоодо колдонулат жана ткандардын тыгыздыгы жаракалар же шишиктер сыяктуу кандайдыр бир аномалияларды жаап -жашырбай тургандыгын эске алуу керек. Бул нормалдуу физиологиялык структуралар сыяктуу, мисалы, бездик ткань жана булалуу тутумдаштыргыч ткань. Маммограммада кальцификация жана шишик сыяктуу анормалдуу морфологиялар өтө жаркырап көрүнөт, ал эми анча тыгыз майлуу ткандар кара болуп көрүнөт. Ошондуктан, массаларды эң сонун элестетүү жана аныктоо үчүн пикселдин интенсивдүүлүк деңгээлин башкара турган классификаторду программалоо туура болгон.

1 -кадам: Маммограмма маалыматын уюштуруу

Мен түшүнүшүм керек болгон нерселердин бири - бул маалыматты так, кыска жана жеткиликтүү түрдө уюштуруу. Бул мен маммограммалардын мини-MIAS маалымат базасынан алынган өзгөрмөлөр. Мен эки массив түздүм. Биринде 4 мамыча бар:

1. Сүрөттүн номери:
2. х массасынын координаты
3. y массасынын координаты
4. Массалык радиус: (Бул массанын болжолдуу өлчөмүн аныктады

Экинчи массивде классификация маалыматы камтылган:

1. Фондук кыртыштын түрү: Майлуу (F), Майлуу Бези (G), Тыгыз (D)
2. Массанын сүрөттөлүшү: Жакшы аныкталган (CIRC), спикулированный (SPIC), начар аныкталган башка (MISC) Архитектуралык бурмалоо (ARCH), Ассиметрия (ASYM), Кадимки (NORM)
3. Диагнозу: Зыяндуу (В), Залалдуу (М)

Бул долбоордун максаты фондук кыртыштын ар бир түрү үчүн эң жакшы чекти аныктоо болгондуктан, бардык маалыматтын кереги жок болчу. Бирок, сиз долбоорду текстуранын анализин кошуу үчүн кеңейте аласыз жана классификаторуңузду белгилүү массалык сүрөттөөлөргө каршы текшере аласыз.

Кошумча эскертүү: Маммограмма диагнозун алган маалымат базасы, ар бир маммограмма жөнүндө маалыматты сүрөттөрдөн өзүнчө текст файлында уюштурган. Мага текст файлынан маалыматтарды жыйноо жана массив формаларына бөлүштүрүү бир аз кыйын болду, бирок төмөнкү шилтеме мунун баарын түшүнүүгө абдан жардам берди. Же болбосо, сиздин максаттарыңыз үчүн мен жогоруда чаптаган кодду тууралаңыз.

Маммограмманын файл форматы: mdb001 G CIRC B 535 425 197

mdb002 G CIRC B 522 280 69

TextScan Жардамы: https://www.mathworks.com/help/matlab/ref/textsca… Mammogram Database:

2 -кадам: Сүрөт иштетүү

Ооба, мен массаларды кантип аныктоо керектигин ойлоп жатканда пайда болгон экинчи нерсе, анормалдуу маммограммалар үчүн аномалиянын кайда же канчалык чоң экенин визуалдуу түрдө айта албаганым. Албетте, мен тажрыйбалуу рентгенолог болбогондуктан, күтүлгөн эле. Бирок, анормалдуулуктарды табуунун эң оңой жолу (Google боюнча көпкө созулган издөөлөрүм боюнча) жаркыраган жана караңгы жерлердин концентрациясына кароо болчу. Мен адегенде adapthisteq функциясын сүрөттүн контрастын күчөтүү үчүн колдондум, андан кийин ар кандай босого деңгээлдери менен тажрыйба жүргүзүү үчүн сүрөттү бинардык сүрөткө айландыруу үчүн имбинаризация кылдым.

1. adapthisteq: Бул функция контраст чектелген адаптивдүү гистограмманы теңдештирүү аркылуу боз жана rgb сүрөттөрүнүн интенсивдүүлүк маанилерин өзгөртөт. Башкача айтканда, ал интенсивдүүлүк баалуулуктарынын гистограммасын белгиленген бөлүштүрүү түрүнө тууралайт. Бул функция үчүн математика шилтемеси төмөндө кошумча окуу үчүн тиркелет.
2. imbinarize: белгилүү масштабдагы бардык пикселдерди 1ске жана ал 0 астындагы пикселдерди коюу менен боз масштабдуу сүрөттөн бинардык сүрөттү түзөт. Мен бул функцияны фондук кыртыштын ызы -чуусун азайтуу үчүн оптималдуу чекти текшерүү үчүн колдондум.

3 -кадам: Босого коду

For цикли ар кандай босоголору бар маммограмманы бинаризациялоо үчүн колдонулат. Чоңураак сүрөттү көрүү үчүн for циклинде 3 -кадамдан 7 -кадамга чейинки код камтылган. Ошентип, ар бир бинардык сүрөт аномалиялар үчүн талданат. Андан тышкары, бул цикл ар бир кайталоодо маалымат базасынан жаңы маммограмма сүрөтүн импорттогон башка циклге камтылган.

4 -кадам: Ар бир бинардык сүрөт үчүн аномалияларды табуу

Мен дагы фондук ызы -чууну жок кылуу үчүн strel функциясын imopen менен бирге иштеттим. Мурунку кадамдагы бинардык сүрөт тескери бурулуп, SE тарабынан аныкталган коңшулукту колдонуп чыпкаланган. Андан кийин bwlabel менен жок дегенде 8 туташкан пикселге ээ болгон жерлерди белгилеп койдум.

Аймак реквизиттеринин функциясы bwlabel менен аныкталган ар бир жердин центроиддик жана аймактын касиеттерин табуу үчүн колдонулган.

Андан кийин 500 пикселден чоң болгон бардык тактар isember аркылуу аныкталган. Аныкталган тактар үчүн центроиддер 500дөн чоңураак жерлерди көрсөткөн сүрөткө түшүрүлгөн. Аймак Аныкталган = isember (Белгиленген, көрсөткүчтөр (sortedAreas> 500)); Тактар = Аныкталган> 0;

5 -кадам: Диагноз коюлган массалык жайгашууну жана өлчөмдү визуалдык салыштыруу үчүн пландаштыруу

Мен bwlabel менен табылган тактардын туура экендигин көргүм келди. Мен муну эки жол менен жасадым. Мен биринчи жолу классификаторумдун тууралыгын визуалдык салыштыруу аркылуу анализдедим. Мен жөн эле аномалиянын чыныгы өлчөмүн жана жайгашкан жерин (кызыл тегерекче) жана алдын ала иштетилген маммограмманын сүрөтү боюнча код менен аныкталган жерди (көк х) аныктадым. Жогорудагы алты сүрөт боз масштабдын босогосун жогорулатуунун эффекттерин көрсөтөт.

6 -кадам: Экинчи салыштыруу ыкмасын ишке ашыруу

Экинчи ыкма, мен классификаторду жана босого маанилерди классификатор тарабынан табылган жерлер диагноз коюлган анормалдуулуктун координаттарынан белгилүү аралыкта болгонун аныктоо аркылуу аныктадым. Мен аныкталган чекиттердин жок дегенде бири 1,5*р ичинде болгон чектерди Mammogram Data деп аталган өзүнчө текст файлына сактап койдум. Мунун максаты аномалияны аныктоо үчүн классификаторума керектүү минималдуу босогону табуу болчу.

7 -кадам: Топтолгон маалыматтарды анализдөө

Мен бардык анормалдуу маммограммалар боюнча программаны иштеттим жана мага чоң тексттик файл калды. Кыртыштын ар бир түрү үчүн эң жакшы босогону табуу үчүн мен маалыматтарды кыртыш түрү боюнча иреттеп, ар бир кыртыш түрү үчүн босого маанилердин гистограммасын түздүм. Тиешелүү босого мааниси кайсы босого ар бир кыртыш түрү үчүн эң так жыйынтыктарды бергени боюнча чечим кабыл алынган. Бул маалыматты классификаторго жүктөө үчүн сактап койгом.

8 -кадам: Өз классификаторуңузду жасаңыз

Мен ар бир ткандын түрү үчүн эң ылайыктуу босоголук баалуулуктарды тапкандан кийин, мен маммограмманын сүрөтүнүн босогосун тандоо үчүн колдонуучунун сүрөтүнүн номерин жана кыртыштын түрүн киргизүү үчүн баштапкы кодумду түзөттүм. Мен андан кийин диагноз коюлган маммограмманын жайгашуусун баштапкы маммограмма сүрөттөрүндө таптым. Мен муну көңүлдүү кылгым келди, ошондуктан мен ROIдин тегерегиндеги тегерек аймакты кыркуу функциясын программаладым. Колдонуучуга борбордук чекитти жана ROIди камтыган бир нече пункттарды тандоо көрсөтмөсү берилет. Мен бул жерге matlab файлдарынын экөөнү коштум.

9 -кадам: жакшыртуулар? Ойлор барбы?

Мен бул көрсөтмөнү жазып жатып, мен классификаторго киргизе турган көптөгөн жакшыртууларды көрө баштадым, мисалы, текстуранын анализинин негизинде аныкталган массалардын ар кандай түрлөрүн айырмалоо жолдорун табуу же SandBoxProjectтун тактык бөлүмүн текшерүүмдү жакшыртуу. файл. Бул мөөнөтү бар долбоор болгондуктан, мен бир жерге токтошум керек болчу, бирок мен башка колдонмолордо үйрөнгөн сүрөт иштетүү жөндөмүмдү колдоно алам деп үмүттөнөм. Ошондой эле, мен бардык анормалдуу маммографиялык сүрөттөрдү топтомдук иштетүү үчүн колдонулган файлды тиркемеледим.