Введение Обзор Предметная область Программные аналоги Сегментация изображения... 15

Save this PDF as:
 WORD  PNG  TXT  JPG

Размер: px
Начинать показ со страницы:

Download "Введение Обзор Предметная область Программные аналоги Сегментация изображения... 15"

Транскрипт

1

2 РЕФЕРАТ Выпускная квалификационная работа 40с., 38 рис., 4 табл., 11 источников. Ключевые слова: КОМПЬЮТЕРНАЯ ТОМОГРАФИЯ, СЕГМЕНТАЦИЯ, КЛАССИФИКАЦИЯ, С#, С++, WINDOWS FORMS, ТУБЕРКУЛЕЗ, ТУБЕРКУЛОМА Цель работы: создания приложения, автоматизирующего поиск туберкуломы на КТ-изображениях. Результаты работы: разработано приложение, автоматизирующее поиск туберкуломы на КТ-изображениях. Приложение протестировано на данных реальных пациентов. Область применения: использование приложения медицинскими работниками в качестве помощника для диагностики заболеваний. 2

3 Оглавление Введение Обзор Предметная область Программные аналоги Сегментация изображения Алгоритм фильтрации Алгоритм бинаризации Алгоритм объединения в сегменты Классификация туберкуломы Описание данных выборки Формирование признаков туберкуломы Результаты Заключение Список литературы

4 Введение Туберкулез является одним из самых распространенных заболеваний в мире на сегодняшний день. Современные методы диагностики с помощью магнитно-резонансной и компьютерной томографии помогают повысить качество лечения. К сожалению, данный метод диагностики по-прежнему является дорогостоящим и недостаточно доступным в большинстве стран мира [8]. В данной работе представлено решение, которое позволяет получить результаты анализа без посещения профильного врача. Дело в том, что после проведения анализа специалист должен изучить снимки. На эту операцию требуется немало времени. Автоматизация ускорит постановку диагноза, т.к. в настоящее время наблюдается дефицит врачей-радиологов. Кроме того, труд врачей этой специализации является дорогостоящим. Выбор заболевания был сделан в пользу туберкулеза по ряду причин. Это заболевание входит в 10 самых частых причин смерти в мире и уносит жизни нескольких миллионов людей в год [4]. График на Рис. 1 демонстрирует это. Рис. 1 Статистика причин смертей в мире за 2015г. 4

5 Существует немало научных публикаций на тему автоматизации постановки диагноза по снимкам КТ легких. В то же время, приложений для решения этой задачи нет. [10] Данные для работы предоставили Белорусская Академия Наук и Томский медицинский университет. Это позволило тестировать программу на снимках реальных пациентов. 5

6 1 Обзор 1.1 Предметная область Томография - рентгеновский метод исследования органов человека с получением на рентгенограмме послойного изображения этих органов. Результатом процедуры является набор черно-белых снимков. Томограф последовательно делает снимки внутренних органов. Начальные снимки соответствуют верхней части легких. Затем с промежутком в 1 мм камера спускается ниже. На последних снимках серии изображена нижняя часть легких. Существует 2 основных вида томографов: магнитно-резонансные и компьютерные. Компьютерная томография метод неразрушающего послойного исследования внутреннего строения предмета. Метод основан на измерении и сложной компьютерной обработке разности ослабления рентгеновского излучения различными по плотности тканями. В настоящее время рентгеновская компьютерная томография является основным томографическим методом исследования внутренних органов человека с использованием рентгеновского излучения. Количественной мерой плотности ткани является число Хаунсфилда. Его значения лежат в диапазоне от до Нулевое значение соответствует плотности воды. [5] Отдельный анализ одного человека состоит из набора снимков, каждый из которых соответствует определенному срезу легких, а также информации о пациенте. Обычно томограф делает до 120 снимков за 1 процедуру. Снимки имеют формат DICOM. DICOM (англ. Digital Imaging and Communications in Medicine) медицинский стандарт создания, хранения, передачи и визуализации цифровых медицинских изображений. DICOM имеет ISO-стандарт и является самым распространенным форматом для работы с медицинскими данными. Стандарт DICOM разработан Национальной ассоциацией производителей медицинского оборудования (NEMA) [5]. DICOM файл имеет объектно-ориентированную теговую организацию. Модель системы четырёхступенчатая: пациент -> исследование -> серия -> изображение. Файловый уровень стандарта содержит множество различной информации о пациенте, текущем исследовании, а также медицинском учреждении и враче. Наиболее важным полем является само изображение, представленное в растровой форме с цветовыми значениями по серой шкале. 6

7 В данной работе наибольший интерес представляют снимки, расположенные в середине серии, т.к. именно на них легкое изображено целиком. На рисунках со второго по четвертый представлены срезы из разных частей общего набора срезов. Видно, что на Рис. 2 легкое не изображено. Это объясняется тем, что томограф делает снимки сверхувниз. Начиная с области шеи и плавно перемещаясь ниже. Таким образом, на Рис.2 изображена область выше легких, там, где трахея подходит к легким. На Рис. 3 легкие становятся видны целиком. Этот рисунок соответствует 40 срезу из 120 в общем. На Рис. 4 легкое снова не изображено, т.к. данный снимок взят из конца серии. На нем различим только позвоночник и диафрагма, поскольку данный снимок соответствует области между грудной и брюшной полостями. Рис. 2 Первый снимок серии Рис. 3 Снимок середины серии Рис. 4 Последний снимок серии 7

8 Туберкулез Туберкулез инфекционное заболевание, вызываемое особым микробом - палочкой Коха. Чаще всего туберкулез поражает легкие. Передача инфекции происходит воздушно-пылевым путем. В организме человека туберкулез является плотным образованием мертвых тканей внутри легкого. Рис. 5 Туберкулез легких Существует множество видов туберкулеза. Каждый из них имеет характерные признаки. В данной работе рассматривается вид туберкулеза туберкулома. Туберкулома вид туберкулеза легких, внешне напоминающий опухоль. Представляет собой округлое образование отмерших тканей внутри легкого. Анализ томографии состоит из набора снимков, каждый из которых соответствует определенному срезу. На отдельном снимке туберкулома выглядит как темное пятно, по форме напоминающее круг. Следует отметить, что одна туберкулома может быть изображена на 3-5 последовательных снимках. Размер патологической области растет ближе к середине серии и уменьшается к последнему срезу. В центре образование туберкуломы имеет размер от 1 см в диаметре. Эти признаки позволяют достаточно точно определять наличие туберкуломы. На рисунках представлены различные виды туберкулом. В первом случае опухоль располагается у границы легкого, а во втором случае она находится в центре. На рисунках Рис. 6 видно, что область туберкуломы окрашена в ярко-белый цвет. Это говорит о высокой плотности региона. Высокая плотность, округлость и определенные размеры основные признаки туберкуломы. 8

9 Рис. 6 Туберкулома у границы легкого Рис. 7 Туберкулома в центре легкого Есть несколько способов диагностики туберкулеза. Среди них: проба Манту, флюорография легких, рентгенография легких. Наиболее полные и точные диагностические данные позволяет получить процедура компьютерной томографии [7]. 9

10 1.2 Программные аналоги Сегодня создано большое количество информационных систем для медицинских учреждений и органов управления здравоохранением, которые позволяют автоматизировать решение многих медицинских задач. Высокая трудоемкость анализа характеристик негативно сказывается на качестве анализа, что в медицине крайне нежелательно. Для повышения эффективности работы медицинских специалистов были созданы системы, анализирующие медицинские изображения стандарта DICOM, такие как: «Vidar Dicom Viewer», «RadiAnt» и «DC Analyzer» [10]. Vidar Dicom Viewer - программа для просмотра и анализа медицинских изображений стандарта DICOM. Предназначена для врачей лучевой диагностики и клиницистов и обеспечивает пользователя необходимым функционалом для работы с DICOM файлами. Функционал программы включает: просмотр файлов, обработку изображений, измерения в программном продукте. Просмотр (Рис. 8): Трехмерные реконструкции Сравнение до 4 исследований, в том числе разных пациентов Локальный архив, быстрый доступ к исследованиям в локальном архиве Возможность создания своих установок для трехмерной реконструкции Воспроизведение медицинских видеозаписей 10

11 Рис. 8 Скриншот из Vidar Dicom Viewer Обработка изображений (Рис. 9): Работа на 1, 2 и более мониторах Возможность работы в полноэкранном и оконном режиме Установка яркости и контрастности Выбор окна интенсивности для показа Позитивное и негативное отображение Графические фильтры 11

12 Рис. 9 Обработка медицинских изображений в Vidar Dicom Viewer Измерения (Рис. 10): Построение гистограмм Построение кривых накопления контраста Измерение объема Измерение расстояния Определение величины угла Вычисление размеров областей Вычисление интенсивности в точке 12

13 Рис. 10 Измерения областей в Vidar Dicom Viewer RadiAnt - это инструмент для просмотра медицинских изображений стандарта DICOM-PACS, созданный специально для облегчения и удобства работы врачей. Предоставляет следующие основные инструменты для манипуляций с изображениями: Плавное масштабирование и панорамирование Корректировка яркости и контрастности, режим «негатив» Предустановленные настройки окна визуализации для Компьютерной томографии (легкие, кости и т.д.) Возможность поворота изображения или зеркального отражения изображений по горизонтали и вертикали Измерение длины сегмента Получение средних, минимальных и максимальных значений параметров Измерение величины угла Перо для рисования от руки Инструмент MPR, встроенный в программу Radiant DICOM Viewer, может быть использован для реконструкции изображений в ортогональных плоскостях. Это помогает получить новую анатомическую картину, которую не удалось визуализировать с помощью одних только базовых изображений ( Рис. 11). 13

14 Рис. 11 Изображение в ортогональных плоскостях 14

15 2 Сегментация изображения Задача локализации патологии типа туберкулома на снимке компьютерной томографии состоит из нескольких этапов. Вначале производится сегментация изображения, т.е. деление всей области на отдельные регионы. Схематично принцип работы алгоритма сегментации представлен на Рис. 12. Рис. 12 Результат сегментации Алгоритм сегментации также является составным. К исходному изображению после загрузки в программу применяется фильтрация. 2.1 Алгоритм фильтрации В процессе считывания и преобразования в цифровой массив изображение подвергается различным искажениям и зашумлению, что требует эффективных средств его улучшения. Фильтрация - это устранение шумов в изображении, таких как невысокое качество отдельных элементов, возникновение погрешностей сканирования, неверно выбранное разрешение, неоднородность контура, изолированные пустоты внутри объекта, разрывы, слияния. Существует 2 основных алгоритма фильтрации изображения: усредняющая фильтрация и медианная фильтрация [2]. 15

16 Для фильтрации применяется алгоритм, который последовательно перебирает все группы смежных пикселей заданного размера. Значения элементов группы складываются и делятся на количество элементов, так вычисляется среднее значение для группы. Это значение округляется до целого и присваивается всем элементам группы. Такой алгоритм показывает высокую эффективность при задании группы размера 3 х Рис. 13 Усредняющая фильтрация (1) M M f x,y = avg i x,y x=0 y=0 Достоинством усредняющего фильтра является его простота. К недостаткам можно отнести сглаживание ступенчатых и пилообразных функций. Кроме того, пиксели, имеющие существенное отличие в значении яркости и являющиеся шумовыми, будут вносить значительный вклад в результат обработки. 16

17 Медианная фильтрация Рис. 14 Медианная фильтрация Еще одним методом улучшения качества изображения является медианная фильтрация [3]. Яркость пикселя вычисляется как медиана пикселей, попадающих в окно матрицы. Медианой дискретной последовательности n элементов при нечетном n называется элемент, для которого существует (n-1)/2 элементов меньших или равных ему по величине и (n-1)/2 элементов больших или равных ему по величине. При обработке пикселей изображения, находящихся на границах экрана, возникают проблемы. Для их решения можно виртуально нарастить изображение его зеркальным отображением на границе. Медианный фильтр в одних случаях обеспечивает подавление шума, а в других вызывает нежелательное подавление сигнала. Медианный фильтр не влияет на пилообразные и ступенчатые функции, что обычно является полезным свойством, однако он подавляет импульсные сигналы, длительность которых составляет менее половины ширины окна. Рис. 15 Принцип работы алгоритма медианной фильтрации В описываемой программе использован алгоритм усредняющей фильтрации 17

18 2.2 Алгоритм бинаризации Цвет каждого пикселя изображения задается тремя составляющими. Диапазон значений каждой из них от 0 до 255. Для того чтобы максимально точно распознать патологию, необходимо преобразовать изображение в чёрно-белое, т.е. провести его бинаризацию. Бинаризация - преобразование изображения к бинарному виду. Бинарное изображение гораздо легче поддаётся распознаванию. Существуют различные подходы к бинаризации, которые условно можно разделить на 2 группы: пороговые и адаптивные. Пороговые методы бинаризации работают со всем изображением, находя какую-то характеристику (порог), позволяющую разделить все изображение на чёрное и белое. Адаптивные методы работают с участками изображений и используются при неоднородном освещении объектов. Пороговая бинаризация Пороговая бинаризация - разбиение изображения на две области, одна из которых содержит все пиксели со значением ниже некоторого порога, а другая содержит все пиксели со значением выше этого порога. Цвет пикселя на результирующем изображении рассчитывается согласно формуле 255, P(i, j) t, P1(i, j) = { 0, P(i, j) < t. где P(i, j) - цвет пикселя на исходном изображении, P1(i, j) - цвет пикселя на новом изображении, t - пороговое значение. (2) 18

19 Алгоритм бинаризации методом мод Если пользователь преобразует изображении в чёрно-белое автоматически, используется бинаризация методом мод. В методе мод используется гистограмма яркостей пикселей на изображении. Метод мод можно использовать для изображений с хорошо отличимым объектом и фоном. В таких изображениях будет 2 хорошо различимых пика. Впадина между пиками может быть найдена как минимум между двумя максимумами, а соответствующее ему значение интенсивности выбирается как порог бинаризации. Недостатком данного алгоритма является то, что если изображение имеет очень низкую яркость, то при работе алгоритма возникают значительные погрешности. Рис. 16 Бинаризация методом мод В результате бинаризации получается матрица пикселей со значениями 0 и 1. После этого можно приступать к выделению сегментов. Это выполняется с помощью алгоритма связанных компонент. 19

20 2.3 Алгоритм объединения в сегменты Для объединения в сегменты используется алгоритм связанных компонент. Идея алгоритма состоит в объединении смежных пикселей с равными значениями в один сегмент. Выбирается начальный пиксель, затем проверяются окружающие его пиксели. Если значения начального и соседнего пикселей совпали, то они объединяются в промежуточный сегмент. Поочередно просматриваются соседи всех вновь добавленных пикселей и добавляются в промежуточный сегмент при совпадении значений. Так продолжается, пока находятся смежные пиксели с равными значениями. Результатом сегментации является массив, хранящий информацию о том, какому сегменту принадлежит каждый пиксель. Рис. 17 Алгоритм связанных компонент 20

21 3 Классификация туберкуломы 3.1 Описание данных выборки После сегментации выполняется анализ полученных данных и формирование признаков туберкуломы. Основными характеристиками были выбраны: размер, плотность, форма, а также номера срезов, на которых данные области были найдены. Эти параметры были выбраны как основные признаки, которыми описывается туберкулома. Получить данные значения позволяют результаты сегментации. Пациент номер 268. Анамнез: пол женский, рост 163 см, вес 72 кг, возраст 75 лет. Место проживания сельская местность. Образование среднее. Диагноз туберкулома. После сегментирования округлые образования были найдены с 65 по 69 срезы. Ниже представлены выборочные рисунки срезов легкого - исходный снимок компьютерной томографии и сегментированный. На сегментированном снимке Рис. 18 четко видно уплотнение неправильной округлой формы туберкулома, она окрашена в черный цвет, размер - 21,63 мм. Рис. 18 Исходный и сегментированный снимок среза 66 На срезе 67 Рис. 19 также четко видно уплотнение, размер 22,32 мм. Туберкулома увеличивается в размере. 21

22 Рис. 19 Исходный и сегментированный снимок среза 67 На снимке среза 68 Рис. 20 размер туберкуломы уменьшается 19,65 мм. Рис. 20 Исходный и сегментированный снимок среза 68 Далее рассчитывается размер и плотность выделенного сегментацией региона. Результат представлен в табличном виде: в первом столбце номер сегмента, во втором столбце размер сегмента в пикселях, в третьем столбце средняя плотность пикселей в регионе. Физическая плотность представлена в программе интенсивностью свечения пикселя. Будем считать, что значение яркости пикселя по серой шкале численно равно физической плотности. Яркость изменяется от 0 до 255. Единицей измерения плотности будем считать у.е.. Найденные округлые уплотнения имеют следующие характеристики: 22

23 Номер среза Размер в пикселях Средняя плотность Таблица 1 Измерения анализа 268 Объем найденной области: 1272 пикселя. Средняя плотность: 110 у.е. Пациент 325. Анамнез: пол мужской, возраст - 24 года, рост 178 см, вес - 60 кг. Место проживания город. Образование высшее. Диагноз туберкулома. Полученные данные: округлые образования были найдены с 31 по 35 срезы. На рисунках представлены исходный снимок компьютерной томографии и сегментированный. На сегментированном снимке Рис. 21 четко видно уплотнение неправильной округлой формы туберкулома, размером - 8,96 мм. Рис. 21 Исходный и сегментированный снимок среза 32 23

24 На срезе 33 Рис. 22 также четко видно уплотнение, размер 9,6 мм. Туберкулома увеличивается в размере. Рис. 22 Исходный и сегментированный снимок среза 33 На снимке среза 34 Рис. 23 размер туберкуломы уменьшается 7,86 мм. Рис. 23 Исходный и сегментированный снимок среза 34 24

25 На снимке среза 35 Рис. 24 размер туберкуломы уменьшилась до 5,02 мм. Рис. 24 Исходный и сегментированный снимок среза 35 Найденные округлые уплотнения изображены черным цветом и имеют следующие параметры: Номер среза Размер в пикселях Средняя плотность Таблица 2 Измерения анализа 325 Объем выделенной области: 320 пикселей. Средняя плотность региона: 70 у.е. 25

26 Пациент 296. Анамнез: пол женский, возраст - 18 лет, рост см, вес - 60 кг. Место проживания город. Образование среднее. Диагноз туберкулома. Получены следующие данные: округлые образования были найдены с 41 по 46 срезы. На рисунках представлены исходный снимок компьютерной томографии и сегментированный. На сегментированном снимке Рис. 25 четко видно уплотнение неправильной округлой формы туберкулома, она окрашена в черный цвет, размер 16,27 мм. Рис. 25 Исходный и сегментированный снимок 41 среза На срезе 44 Рис. 26 также четко видно уплотнение, размер 24,69 мм. Туберкулома увеличивается в размере. 26

27 Рис. 26 Исходный и сегментированный снимок 44 среза На снимке среза 46 Рис. 27 размер туберкуломы значительно уменьшается 9,28 мм. Рис. 27 Исходный и сегментированный снимок 46 среза 27

28 размеры: Найденные округлые уплотнения изображены черным цветом и имеют следующие Номер среза Размер в пикселях Средняя плотность Таблица 3 Измерения анализа 296 Объем выделенной области: 503 пикселя. Средняя плотность региона: 73 у.е. Аналогично обрабатываются анализы других пациентов. 28

29 3.2 Формирование признаков туберкуломы После сбора данных о характеристиках туберкуломы можно приступать к их анализу. По каждому параметру был построен график. На нем отмечены значения выбранного параметра для каждого пациента выборки. Итоговым диапазоном значений параметра является минимальное и максимальное значение на графике. Ниже представлены графики, демонстрирующие полученные результаты ОБЪЕМ А Н А Л И З 1 А Н А Л И З 2 А Н А Л И З 3 А Н А Л И З 4 А Н А Л И З 5 Рис. 28 Гистограмма объемов туберкулом ПЛОТНОСТЬ А Н А Л И З 1 А Н А Л И З 2 А Н А Л И З 3 А Н А Л И З 4 А Н А Л И З 5 Рис. 29 Гистограмма плотностей туберкуломы 29

30 Еще одним важным признаком определения туберкуломы является округлость области. Величина округлости определяется коэффициентом округлости, смысл которого пояснен на Рис. 30 и вычисляется по следующей формуле d1 d3 d2 d4 Коэфф. округлости *100% (3) d1, d2, d3, d4 Вычисление коэффициента округлости основывается на сравнении расстояний от центра области до различных крайних точек области. Разница между диагональными прямыми складывается с разницей между горизонтальной и вертикальной прямыми. Полученная сумма делится на среднее арифметическое всех прямых и умножается на 100 процентов. Рис. 30 Рисунок к формуле вычисления коэффициента округлости Коэффициент округлости (%) Анализ 1 Анализ 2 Анализ 3 Анализ 4 Анализ 5 Рис. 31 Гистограмма коэффициентов округлости 30

31 Результаты исследования диапазонов значений характеристик туберкуломы приведены в таблице. Рис. 32 Таблица признаков туберкуломы Алгоритм отбора снимков Загруженные в программу снимки проходят через алгоритм, представленный в виде диаграммы последовательностей на Рис. 33. Описание использованных переменных приведено в Таблица 4. Имя переменной FindTuberculoma CTImages Img isinfected TBArray Описание Метод для поиска туберкуломы Массив со снимками анализа Тип данных для отдельного снимка True при наличии подозрительного региона, false при отсутствии Выходной массив со снимками туберкуломы Таблица 4 Описание переменных, использованных в диаграмме последовательностей 31

32 Рис. 33 Логика алгоритма отбора снимков В методе FindTuberculoma выполняется проход по всем изображениям в массиве изображений для данного анализа. Для каждого изображения делается проверка на наличие сегментов с подозрением на туберкулому. Если очередной снимок содержит подозрительный сегмент, то он добавляется в результирующий массив TBArray. Если очередной снимок не содержит подозрительных регионов, но длина выходного массива 3 и более элементов, то метод возвращает массив и выполнение цикла прерывается. Если количество элементов в массиве меньше 3, тогда содержимое массива обнуляется, и программа переходит к обработке следующего изображения. 32

33 3.3 Результаты Разработанное в рамках данной работы приложение «DICOM Analyzer» выполнено в среде Visual Studio на платформе Windows Forms. В работе были использованы языки программирования С# и C++. Основной модуль программы называется DICOMOpener и написан на языке программирования С#. В нем содержится логика для загрузки, хранения и отображения снимков. Файлы, загружаемые в программу, имеют формат dicom. Входные снимки представлены в виде матриц пикселей. Каждый пиксель может принимать значение в диапазоне от 0 до 255, что соответствует яркости данного пикселя. Яркость пикселя соответствует физической плотности тела в данной точке. Значение 255 соответствует белому цвету и максимальной плотности. Белым цветом выделяются твердые тела, например, кости. Значение 0 соответствует черному цвету и минимальной плотности. Черным цветом выделяются объекты с наименьшей плотностью, например, воздух. Значения в промежутке между 0 и 255 являются оттенками серого. Промежуточным значениям соответствуют такие тела, как органические ткани, сосуды, жидкости. К основному модулю DICOMOpener подключается модуль CTImageSegmentation. Он написан на языке C++ и содержит логику для сегментации изображений. Решение о выносе сегментации в отдельный модуль, а также выбор языка программирования C++ было принято из-за высокой скорости выполнения программ на C++. Алгоритм сегментации является ресурсоемким, поэтому критерий скорости выполнения стал особенно важен. Сегментация процесс разделения изображения на участки с близкой яркостью для дальнейшего анализа. Полученные в результате сегментации данные передаются в основной модуль программы для визуального отображения. Полученные данные затем анализируются, и выполняется поиск туберкуломы на снимке. Программа предоставляет возможность визуализации изображения с различными настройками. Пользователь может выбрать произвольное «окно» просмотра снимка. Эта настройка позволяет выделить желаемую область ярче других областей. Интерфейс приложения изображен на Рис. 35. Возможные сценарии взаимодействия пользователя с приложением представлены на диаграмме вариантов использования на Рис. 34. Главным образом пользователь использует приложение для детектирования патологии вида туберкулома, но кроме того, для пользователя может быть полезной возможность визуализации снимка с 33

34 возможностью применения фильтров и сохранения изображения. Также допускается, что пользователь ограничится выполнением сегментации. Рис. 34 Диаграмма вариантов использования для разработанного приложения «DICOM Analyzer» Рис. 35 Скриншот окна разработанного приложения «DICOM Analyzer» 34

35 Тестирование Тестирующая выборка состояла из 45 анализов. Данные анализы были предоставлены Белорусской академией наук и СибГМУ. Среди 45 анализов было 5 анализов с подтвержденным наличием патологии туберкулома, 20 анализов с другими патологиями, а также 20 здоровых пациентов. Результаты тестирования представлены в виде графиков. Для пациентов с туберкуломой точность принятия решений составила 100% (5 из 5). Это показано на Рис Патология туберкулома Рис. 36 Результаты тестирования для пациентов с туберкуломой Во всех случаях программа верно определила патологическую область и выделила туберкуломы черным цветом. Другие области, имеющие близкие характеристики, не были добавлены в результат. 35

36 Для пациентов с другими видами патологии программа приняла правильное решение в 80% случаев (16 из 20). Это показано на Рис Другие виды патологий Рис. 37 Результаты тестирования для пациентов с другими видами патологий Для пациентов с другими видами патологий в некоторых случаях программа принимала другую патологию за туберкулому. Например, раковая опухоль, имеющая схожую с туберкуломой форму и размер, была определена как туберкулома. 36

37 Для пациентов без патологий точность принятия решений составила 85% (17 из 20). График на Рис. 38 демонстрирует это. 25 Анализы без патологий Рис. 38 Результаты тестирования для пациентов без патологий При тестировании приложения на данных здоровых пациентов, ожидалось, что программа не найдет патологических областей. Однако в доле случаев здоровые уплотнения тканей в легких, такие как бронхи и крупные сосуды, были определены как патологии. 37

38 Заключение В результате выполнения данной работы был создан программный продукт, автоматизирующий поиск патологии вида туберкулома на снимках компьютерной томографии. В ходе работы были изучены и реализованы алгоритмы компьютерной графики, такие как усредняющая фильтрация, бинаризация по пороговому значению, а также сегментация методом связанных компонент. Также были сформированы признаки туберкуломы на основе данных выборки реальных пациентов. Программа сегментирует поданные на вход снимки и выполняет поиск патологических областей. Результаты тестирования на реальных данных показывают, что алгоритм с высокой степенью достоверности выделяет туберкуломы на снимках компьютерной томографии. Следовательно, созданная программа может повысить эффективность работы врача при исследовании большого числа пациентов с целью диагностики заболеваний легких. 38

39 Список литературы 1. Приступа, А. В. Компьютерная графика. Алгоритмические основы и базовые технологии / А. В. Приступа. Томск: Издательство научно-технической литературы, с. 2. Фильтрация шумов полутонового изображения [Электронный ресурс] // ya/ (дата обращения: ) 3. Медианная фильтрация [Электронный ресурс] // (дата обращения ) 4. Статистика причин смертей в мире [Электронный ресурс] // causes-of-death-27-january-2017/ (дата обращения: ) 5. Википедия свободная энциклопедия [Электронный ресурс] // (дата обращения: ) 6. Stack Overflow [Электронный ресурс] // (дата обращения: ) 7. Красота и медицина [Электронный ресурс] // (дата обращения: ) 8. Демоскоп [Электронный ресурс] // (дата обращения: ) 9. КиберЛенинка [Электронный ресурс] // (дата обращения ) 10. MedSoft Portal [Электронный ресурс] (дата обращения ) 11. Microsoft Developer Network [Электронный ресурс] // (дата обращения ) 39

40