Экспериментальные исследования по обработке видеокадров УЗИ

4.3.1 В состав установки экспериментального исследования входят (рисунок 4.3).

ПВЭМ с минимальной комплектацией:

- процессор intel core I3 с тактовой частотой не менее 2800 МГц;

- оперативная память не менее 4 Гб;

- видеокарта Radeon ™ HD 6470M;

- USB разъем;

- CD/DVD дисковод;

- монитор не ниже 19 дюймов;

- клавиатура;

- манипулятор типа «мышь»;

Сканер с выходным разрешением до 600 точек на дюйм.

Программные средства:

- MS Windows -7/8/10;

- Matlab R2017b со встроенным пакетом Image Processing Toolbox

Рисунок 4.4 - Экспериментальная установка для проверки методов и работоспособности алгоритмов обработки визуализированной информации, оценки эффективности идентификации, прогнозирования и качества Ш1Р при ди­агностике заболеваний предстательной железы

Установка оснащена:

- базой данных с эталонами состояния ПЖ в нормальном состоянии и раз­личными типовыми видами заболеваний, упорядоченность эталонов согласована со структурной моделью, приведенной в первой главе (рисунок 1.12);

- базой данных пациентов (группа анкетированных больных с различными видами заболеваний 98 человек);

- базой знаний, где помещены и упорядочены описания нетипичных (не­стандартных) ситуаций в диагностике заболеваний простаты, представленные в виде упрощённых фреймов (в том числе из внешних источников публикаций).

Установка (рисунок 4.4) способна реализовать два режима работы:

- практический режим для врача уролога;

- исследовательский режим для специалиста-ученого.

При этом ПО предполагает реализацию алгоритмов первичной (рисунок 4.2) и вторичной (рисунок 4.3) обработки при использовании базы эталонов и анкети­рования параметров, а в нетипичных ситуациях базы знаний с возможностью ее пополнения.

Схема алгоритма для врача-уролога представлена на рисунке 4.5. В этом режиме проверяется уверенность в правильном функционировании алгоритмов первичной и вторичной обработки, формирования ППР [61, 62, 63], принятия диа­гностического решения, а в нестандартной (нетипичной) ситуации - эффектив­ность использования фреймов в базе знаний и возможность ее пополнения. Орга­низация базы эталонов построена в соответствии с архитектурой концептуальной модели вложений, приведенных в первой главе (рисунке 1.10, 1.11, 1.12).

Рисунок 4.5 - Алгоритм работы установки для врача-уролога

Второй режим предусмотрен для специалиста-ученого, а также - для про­граммиста с целью изучения полноты базы данных (базы эталонов) и базы зна­ний, совершенствования в них эталонных и фреймовых описаний, пополнения данных и использования как вспомогательных базы анкетированных данных, оценки уверенности при прогнозировании развития заболевания и эффективности лечения, если входная информация, используемая установкой, предполагает наличие видеопоследовательности как результата обследования в течение опреде­ленного времени отдельного пациента. Алгоритм работы исследователя - программиста приведен на рисунке 4.6.

Рисунок 4.6 - Алгоритм работы установки при инсталляции программ и режимов работы (начало)

Рисунок 4.6 - Алгоритм работы установки при инсталляции программ и режимов работы (окончание)

Во втором режиме проверяется также качество классификации (распознава­ния), работоспособность в реализации алгоритмов прогнозирования развития за­болевания и (или) эффективность его лечения при использовании и исследовании апробируемой методики.

Результаты экспериментов объективно показали работоспособность разра­ботанных методов и способа при комплексной обработки визуализированной ин­формации с применением ППР как диагностического решения в соответствии с медицинской классификацией и показаниями, принятыми как исходные и форма­

лизованные при построении архитектуры концептуальной модели (рисунки 1.10, 1.11 и 1.12).

4.3.2 В качестве экспериментального материала был отобран комплект ре­альных видеокадров (компьютерных изображений) УЗИ предстательной железы пациентов с нормальным текущим состоянием простаты и с различными видами патологии (различными ситуациями).

Информация с видеокадров сканировалась с помощью компьютерного ска­нера типа HP LaserJet 1120, и к массиву данных после сканирования для различ­ных групп (совокупностей) кадров применялись следующие виды преобразования в соответствии с реализуемыми основными функциями и этапами первоначальной и вторичной обработки данных в СННР:

- Масштабирование видеокадров, привидение массивов текущих данных к единому масштабу для упрощения последующих преобразований (рисунки 4.7 - 4.10)

Рисунок 4.7 - Масштабирование 1-го видеокадра

110

Рисунок 4.8 - Масштабирование 2-го видеокадра

Рисунок 4.9 - Масштабирование 3-го видеокадра

Рисунок 4.10 - Масштабирование 4-го видеокадра

- Маскирование основных видеокадров их же продифференцированными масками с целью увеличения четкости переходов и границ фрагментов, особенно переднего плана изображения (рисунок 4.11)

Рисунок 4.11 - Маскирование основных видеокадров

- Выделение переднего плана путем подбора зоны ограничения границ изображения предстательной железы в виде прямоугольника, треугольника и окружности (рисунки 4.12 - 4.15);

Рисунок 4.12 - Выделение переднего плана в виде прямоугольника

Рисунок 4.13 - Выделение переднего плана в виде треугольника

Рисунок 4.14 - Выделение переднего плана в виде окружности

Рисунок 4.15 - Наложение сетки полярных координат на УЗИ

предстательной железы

- Маскирование переднего плана (наложение) с помощью спирали Ферми с целью считывания текущей информации в виде единой пространственно­яркостной (пространственно-цветовой) реализации для последующей статистиче­скойи спектральной обработки (рисунок 4.16).

Рисунок 4.16 - Маскирование переднего плана (наложение) с помощью спирали Ферми

В качестве расчетных показателей качества [194] диагностических решаю­щих правил использовались: диагностическая чувствительность (ДЧ), диагности­ческая специфичность (ДС), диагностическая эффективность (ДЭ) решающего правила.

Эти показатели вычислялись по данным распределений результатов кон­трольных испытаний и приведены в таблице 4.1.

Таблица 4.1 - Результаты контрольных испытаний

где r - номер класса исследуемого заболевания; - количество изображений в контрольной выборке в исследуемом классе заболеваний; n- количество изоб­ражений без патологии; ИП - истинно положительный результат равный количе­ству изображений класса ω_rправильно классифицируемых рассматриваемым правилом; ЛП - ложно положительный результат, равный количеству изображе­ний класса ® , ошибочно отнесенных решающим правилом к классу® ; ЛО - ложно отрицательный результат: количество изображений класса ® _r, ошибочно отнесенных решающим правилом к классу ®; ИО - истинно отрицательный ре­зультат: количество изображений класса ® правильно классифицируемых реша­ющим правилом.

Для приведенных обозначений в таблице 4.1 расчет показателей качества осуществляется в соответствии с выражениями:

115

Будем условно считать, что к 1-му классу относятся снимки УЗИ без пато­логии, ко 2-му классу - с патологией.

В таблице 4.2 приведены результаты работы модели интеллектуальной си­стемы, реализующей структуру рисунок 4.1, на контрольной выборке.

Таблица 4.2 - Результаты контрольных испытаний диагностики

ДЧ = 0,92, ДС = 0,87, ДЭ = 0,89

Результаты экспериментов объективно показывают реальную возможность их целенаправленной обработки для последующего формирования поддержки принятия решений в соответствии с целевой функцией системы.