Մոխրագույն մասշտաբի փոփոխվող ինտենսիվության շեմերի օգտագործումը `մամոգրաֆիայի պատկերներում աննորմալությունները տեսնելու և բացահայտելու համար. 9 քայլ

2024 Հեղինակ: John Day | [email protected]. Վերջին փոփոխված: 2024-01-30 09:48

Այս նախագծի նպատակն էր բացահայտել և օգտագործել պարամետր `հյուսվածքների տարբեր դասակարգումների` ճարպային, ճարպագեղձային և խիտ հյուսվածքների մոխրագույն մասոգրաֆիայի պատկերների մշակման համար: Այս դասակարգումն օգտագործվում է այն դեպքում, երբ ռադիոլոգները վերլուծում են մամոգրաֆիան և պետք է հաշվի առնել, արդյոք հյուսվածքների խտությունը կթաքցնի որևէ աննորմալություն, ինչպիսիք են վնասվածքները կամ ուռուցքները: Դա պայմանավորված է նրանով, որ և՛ նորմալ ֆիզիոլոգիական կառուցվածքները, ինչպիսիք են գեղձի հյուսվածքը և մանրաթելային շարակցական հյուսվածքը: և աննորմալ ձևաբանություններ, ինչպիսիք են կալցիֆիկացիաները և ուռուցքները, մամոգրաֆիայի վրա շատ պայծառ տեսք կունենան, իսկ ավելի քիչ խիտ ճարպային հյուսվածքը ՝ սև: Հետևաբար, տեղին էր ծրագրավորել դասակարգիչ, որը կարող է շահարկել պիքսելային ինտենսիվության մակարդակները `զանգվածները լավագույնս պատկերացնելու և նույնականացնելու համար:

Քայլ 1. Մամոգրաֆիայի տվյալների կազմակերպում

Առաջին բաներից մեկը, որը ես հասկացա, որ պետք է կարգավորեմ, տվյալների հստակ, հակիրճ և մատչելի կազմակերպումն էր: Սրանք այն փոփոխականներն են, որոնք ես քաղել եմ մամոգրաֆիայի մինի-ՄԻԱՍ տվյալների շտեմարանից: Ես ստեղծեցի երկու զանգված: Մեկը պարունակում է 4 սյունակ.

1. Պատկերի համարը:
2. x զանգվածի կոորդինատ
3. y զանգվածի կոորդինատը
4. Massանգվածային շառավիղ. (Սա սահմանեց զանգվածի մոտավոր չափը

Երկրորդ զանգվածը պարունակում էր դասակարգման տեղեկատվություն.

1. Ֆոնային հյուսվածքի տեսակը ՝ ճարպոտ (F), ճարպագեղձային (G), խիտ (D)
2. Massանգվածի նկարագրություն. Լավ սահմանված (CIRC), spiculated (SPIC), վատ սահմանված այլ (MISC) iteարտարապետական աղավաղում (ARCH), անհամաչափություն (ASYM), նորմալ (NORM)
3. Ախտորոշումներ. Բարորակ (Բ), Չարորակ (Մ)

Քանի որ այս նախագծի նպատակն էր յուրաքանչյուր շերտի հյուսվածքի լավագույն շեմը սահմանել, ոչ բոլոր տեղեկություններն էին անհրաժեշտ: Այնուամենայնիվ, դուք կարող եք ընդլայնել ձեր նախագիծը ՝ ներառելով հյուսվածքների վերլուծություն և փորձարկել ձեր դասակարգիչը հայտնի զանգվածային նկարագրությունների համեմատ:

Կողմնակի նշում. Տվյալների շտեմարանը, որտեղից ստացել եմ ախտորոշված մամոգրաֆիայի պատկերները, կազմակերպել է յուրաքանչյուր մամոգրաֆիայի մասին տեղեկատվությունը պատկերներից առանձին տեքստային ֆայլում: Ինձ համար մեղմորեն դժվար էր տեքստային ֆայլից տվյալները հանել և կազմակերպել զանգվածների ձևերի մեջ, բայց հետևյալ հղումը շատ օգտակար էր այդ ամենը պարզելու համար: Այլապես, պարզապես կարգավորեք այն կոդը, որը ես տեղադրեցի վերևում ՝ ձեր նպատակների համար:

Մամոգրաֆիա Ֆայլի ձևաչափ ՝ mdb001 G CIRC B 535 425 197

mdb002 G CIRC B 522 280 69

TextScan Help: https://www.mathworks.com/help/matlab/ref/textsca… Մամոգրաֆիայի տվյալների շտեմարան ՝

Քայլ 2: Պատկերի մշակում

Դե, երկրորդ բանը, որ հայտնվեց, երբ ես պարզում էի, թե ինչպես ճանաչել զանգվածները, այն էր, որ շատ աննորմալ մամոգրաֆիայի համար ես չէի կարող տեսողականորեն ասել, թե որտեղ է աննորմալությունը կամ որքան մեծ է այն: Ակնհայտ է, որ քանի որ ես փորձառու ռադիոլոգ չեմ, դա սպասելի էր: Այնուամենայնիվ, աննորմալություններ գտնելու ամենաուղիղ ճանապարհը (ըստ իմ երկար որոնումների Google- ում) պայծառ ու մութ տարածքների կենտրոնացումներին նայելն էր: Ես հիմնականում օգտագործում էի adapthisteq ֆունկցիան ՝ պատկերի հակադրությունը բարձրացնելու համար, այնուհետև իմբինարիզացնում ՝ պատկերը երկուական պատկեր դարձնելու համար ՝ շեմի տարբեր մակարդակներով փորձարկելու համար:

1. Այս գործառույթը փոխակերպում է գորշ գույնի և rgb պատկերների ինտենսիվության արժեքները ՝ օգտագործելով հակապատկերով սահմանափակ հարմարվողական հիստոգրամի հավասարեցում: Այլ կերպ ասած, այն հարմարեցնում է ինտենսիվության արժեքների հիստոգրամը բաշխման որոշակի տեսակի: Այս ֆունկցիայի մաթեմատիկական հղումը կցված է ստորև ՝ հետագա ընթերցման համար:
2. մոխրագույն մասշտաբի պատկերից ստեղծում է երկուական պատկեր ՝ որոշակի ինտենսիվությունից բարձր բոլոր պիքսելները վերագրելով 1s- ին և այդ արժեքից ցածր պիքսելներին 0:

Քայլ 3. Շեմային ծածկագիր

A for loop- ը օգտագործվում է տարբեր շեմերով մամոգրաֆիան երկուականացնելու համար: Ավելի մեծ պատկերի տեսք ունենալու համար for loop- ը պարունակում է Քայլ 3 -ից Քայլ 7 -ի ծածկագիրը: Այսպիսով, յուրաքանչյուր երկուական պատկեր կվերլուծվի աննորմալությունների համար: Բացի այդ, սա loop- ի համար տեղադրված է մեկ այլ loop- ում, որը յուրաքանչյուր կրկնում տվյալների բազայից ներմուծում է նոր մամոգրաֆիայի պատկեր:

Քայլ 4. Յուրաքանչյուր երկուական պատկերի համար աննորմալություններ գտնելը

Ես հետագայում մշակեցի երկուական պատկերները ՝ օգտագործելով strel գործառույթը imopen- ի հետ համատեղ ՝ ֆոնային աղմուկը հեռացնելու համար: Նախորդ քայլի երկուական պատկերը շրջվում և զտվում է ՝ օգտագործելով SE- ով սահմանված հարևանը: Հետո ես bwlabel- ով նշեցի ցանկացած տարածք, որն ուներ առնվազն 8 կապված պիքսել:

Տարածաշրջանի հենարանային գործառույթն օգտագործվել է bwlabel- ի կողմից որոշված յուրաքանչյուր բծի կենտրոնական և մակերեսային հատկությունները գտնելու համար:

Այնուհետև 500 պիքսելից մեծ բոլոր բծերը նույնականացվել են ismember- ի միջոցով: Հայտնաբերված բծերի կենտրոնախույզները գծված են պատկերի վրա, որը ցուցադրում է միայն 500 -ից ավելի մակերեսով ավելի մեծ բծեր: Տարածքը ճանաչված է = անդամ (պիտակավորված, նշաններ (տեսակավորված տարածքներ> 500)); Կետեր = Բացահայտված> 0;

Քայլ 5. Ախտորոշված զանգվածի գտնվելու վայրի և չափման գծագրում ՝ տեսողական համեմատության համար

Ես ուզում էի տեսնել, արդյոք bwlabel- ի կողմից հայտնաբերված բծերը ճիշտ են: Ես դա արեցի երկու եղանակով. Սկզբում ես վերլուծեցի դասակարգիչիս ճշգրտությունը ՝ կատարելով տեսողական համեմատություն: Ես պարզապես գծեցի աննորմալության իրական չափը և տեղը (կարմիր շրջան) և ծածկագրով որոշված տեղը (կապույտ x) նախապես մշակված մամոգրաֆիայի պատկերի վրա: Վերոնշյալ վեց պատկերները ցույց են տալիս գորշ գույնի շեմի արժեքի բարձրացման հետևանքները:

Քայլ 6. Համեմատության երկրորդ մեթոդի կիրառում

Երկրորդ մեթոդը, որը ես փորձարկեցի դասակարգիչը և շեմային արժեքներն էին ՝ որոշելով, թե արդյոք դասակարգչի գտած տեղերը գտնվում են ախտորոշված աննորմալության կոորդինատներից որոշակի հեռավորության վրա: Ես պահպանեցի այն շեմերը, որոնց համար բացահայտված կետերից առնվազն մեկը հայտնի աննորմալությունից 1,5*r սահմաններում գտնվում էր առանձին տեքստային ֆայլում, որը կոչվում է Մամոգրաֆիայի տվյալներ: Դրա նպատակն էր գտնել իմ դասակարգչի համար անհրաժեշտ նվազագույն շեմը `աննորմալությունը բացահայտելու համար:

Քայլ 7. Հավաքված տվյալների վերլուծություն

Ես վարեցի ծրագիրը բոլոր աննորմալ մամոգրաֆիայի պատկերների վրա և ինձ մնաց տվյալների հսկայական տեքստային ֆայլ: Հյուսվածքների յուրաքանչյուր տեսակի համար լավագույն շեմը գտնելու համար ես տվյալները կազմակերպեցի ըստ հյուսվածքների տեսակի և գծեցի հյուսվածքների յուրաքանչյուր տիպի շեմի արժեքների հիստոգրամ: Որոշակի շեմային արժեքը որոշվեց, թե որ շեմն է ապահովում հյուսվածքների յուրաքանչյուր տեսակի առավել ճշգրիտ արդյունքները: Ես պահեցի այս տվյալները ՝ իմ դասակարգիչում վերբեռնելու համար:

Քայլ 8: Ստեղծեք ձեր սեփական դասակարգիչը:

Հյուսվածքների յուրաքանչյուր տեսակի համար ամենահարմար շեմը գտնելուց հետո ես խմբագրեցի իմ սկզբնական կոդը, որպեսզի օգտվողը մուտքագրեր պատկերի համարը և հյուսվածքի տեսակը `մամոգրաֆիայի պատկերի շեմը ընտրելու համար: Այնուհետև ես գծագրեցի ախտորոշված մամոգրաֆիայի գտնվելու վայրը `սկզբնական մամոգրաֆիայի պատկերների վրա հայտնաբերված վայրերով: Ես ուզում էի սա ավելի զվարճալի դարձնել, այնպես որ ես ծրագրեցի գործառույթ ՝ կտրելու ROI շրջապատող շրջանաձև շրջանը: Օգտվողին կհանձնարարվի ընտրել կենտրոնական կետ և մի քանի կետեր, որոնք լավագույնս ներառում են ROI- ն: Երկու matlab ֆայլերն էլ կցեցի այստեղ:

Քայլ 9: Բարելավումներ: Anyանկացած միտք?

Երբ գրում էի այս հրահանգավորումը, ես սկսում եմ տեսնել բազմաթիվ բարելավումներ, որոնք ես կարող էի կատարել դասակարգիչում, ինչպիսիք են հյուսվածքների վերլուծության հիման վրա հայտնաբերված տարբեր տեսակի զանգվածների միջև տարբերակներ գտնելու կամ SandBoxProject- ի ճշգրտության բաժնի իմ թեստերի բարելավման եղանակները: ֆայլը: Քանի որ սա վերջնաժամկետ ունեցող նախագիծ էր, ես ստիպված էի ինչ -որ տեղ կանգ առնել, բայց ես հույս ունեմ, որ կկարողանամ օգտագործել իմ իմացած պատկերի մշակման հմտությունները այլ ծրագրերում: Բացի այդ, ես կցեցի այն ֆայլը, որն օգտագործվել էր բոլոր աննորմալ մամոգրաֆիայի պատկերների խմբաքանակի համար: