Smadzeņu audzēja MRI noteikšana, izmantojot Matlab: 6 soļi

2024 Autors: John Day | [email protected]. Pēdējoreiz modificēts: 2024-01-30 10:56

Autori: Madhumita Kannan, Henry Nguyen, Ashley Urrutia Avila, Mei Jin

Šis MATLAB kods ir programma, lai noteiktu precīzu audzēja izmēru, formu un atrašanās vietu, kas atrasts pacienta smadzeņu MRI skenēšanā. Šī programma ir izstrādāta, lai sākotnēji darbotos ar audzēja noteikšanu smadzeņu MRI skenēšanā, bet to var izmantot arī vēža diagnostikai arī citos orgānos.

Turpmākajos norādījumos vispirms tiks aprakstītas attēlu analīzes metodes, filtrējot un attīrot MRI skenēšanu, izmantojot binarizāciju, vidējo filtrēšanu un bīdāmos logus. Tālāk tajā tiks norādīts, kā izolēt audzēju, izmantojot iepriekš izveidotu elipsveida masku, un to tālāk filtrēt, lai iezīmētu audzēja formas perimetru.

Kad audzējs ir atklāts, instrukcijās tiks sīkāk aprakstīts, kā šo programmu iekļaut grafiskajā lietotāja saskarnē (GUI). Šajos norādījumos tiks pievienots atbilstošais kods un faili, lai palīdzētu izskaidrot, kā darbojas šī MRI skenēšanas analīze.

Dažas lietas, kas jāzina, jālejupielādē un jāsagatavo, pirms turpināt šo pamācību: 1. Pārliecinieties, vai ir lejupielādēta jaunākā MATLAB versija. Jūs varat instalēt R2018b šeit:

2. Lai palaistu šo programmu, jums ir jābūt pieejamai MRI smadzeņu skenēšanas failiem. Lai gan dažus vienmēr var atrast no Google attēliem, rūpīgu un precīzu analīzi var veikt no pareiziem dažādu smadzeņu skenēšanas slāņu attēliem katram pacientam. Šajā datu bāzē varat piekļūt failiem 20 dažādiem pacientiem ar glioblastomu pirms un pēc ārstēšanas:

3. Šīs programmas uzmanības centrā un dažādās šī projekta vadlīnijas ir izklāstītas šajā pētnieciskajā darbā:

1. darbība: izveidojiet grafisko lietotāja saskarni (GUI)

Pirmais solis būtu izveidot un uzsākt grafisko lietotāja interfeisu, GUI. To var izdarīt, komandu logā ierakstot guide, nospiežot enter un izveidojot jaunu GUI. Kad šī darbība ir pabeigta, varat sākt veidot tādas funkcijas kā asis, statisks teksts, teksta rediģēšana un spiedpogas, kas tiks parādītas, tiklīdz programma būs palaista un lietotājs varēs ar to mijiedarboties. Šīs funkcijas var rediģēt un manipulēt, izmantojot īpašuma inspektoru, tomēr vissvarīgākā funkcija, kas jāmaina, veidojot šīs funkcijas, ir Taga nosaukums. Ir svarīgi mainīt katras ieviestās funkcijas tagu nosaukumu, jo tas ļaus mums izveidot atšķiramu atzvanīšanas funkciju. Kad esat apmierināts ar GUI izkārtojumu, varat pāriet uz DICOM failu ielādi, kas tiks parādīti GUI.

2. darbība: MRI attēlu ielāde un lasīšana MATLAB

Lai ielādētu DICOM failus, jums pareizi jāinicializē atzvanīšanas funkcija, kas tiks izpildīta, nospiežot pogu “Ielādēt MRI attēlu”. Kad tas ir pabeigts, jums ir jāizveido globāls mainīgais, kas parādītu attēlu uz rokturu asīm, kur vēlaties parādīt sākotnējo MRI attēlu. No datu bāzes lejupielādētie MRI skenēšanas attēli ir visi DICOM formāta faili, kas jāielādē jūsu MATLAB direktorijā. Atrodiet failu, izmantojot imgetfile, lai tos ielādētu programmā. Attēli tiek lasīti, izmantojot iebūvēto MATLAB funkciju “dicomread”, un pirmais neapstrādātais attēls katram failam tiek ievietots kreisajās GUI asīs, izmantojot imshow.

Iebūvētā MATLAB funkcija “dicominfo” ir arī ļoti noderīga, lai risinātu visu informāciju par katru MRI dicom failu. Mēs izmantojām šo funkciju, lai iegūtu visu aprakstošo informāciju par pacientiem, piemēram, viņu dzimumu, vecumu, svaru un augumu. Šī funkcija nodrošina arī kaudzes secību, kas ir noderīga programmas ieviešanai grafiskajā lietotāja saskarnē. Mēs izveidojām mainīgos lielumus katrai pacientu aprakstošajai informācijai, kas tiks izmantota GUI, nospiežot noteikšanas pogu.

3. darbība: attēlu filtrēšana

Kad neapstrādātā attēla DICOM fails ir ielādēts un nolasīts, attēls ir jāpārvērš no pelēktoņu binarizētā formā, kas sastāv tikai no melnbaltiem pikseļiem. Mēs izmantojām funkciju “imbinarize”, lai no neapstrādāta attēla izveidotu kontrolēt adaptīvās sliekšņa noteikšanas aspektus ar jutīguma vērtību 0,59. Noklusējuma sliekšņa jutības koeficients 0,5 bija zems un nevarēja noteikt spilgtākus plankumus un plankumus no attēla, tāpēc mēs to palielinājām līdz 0,59.

Pēc tam binarizētais attēls tiek apstrādāts caur vidējo filtru, izmantojot funkciju “medfilt2”, jo binārais attēls ir divdimensiju. Mēs iestatījām katru izvades pikseļu, lai saturētu vidējo vērtību 5 x 5 apkārtnē ap atbilstošo pikseli ievadītajā binarizētajā attēlā. Tas samazina troksni un saglabā malas 5 x 5 kvadrātā ap katru pikseļu. Tālāk mēs izmantojam bīdāmo logu, izmantojot “strel”, lai izveidotu diska formas plakanu strukturēšanas elementu ar apkaimes rādiusu 2, lai identificētu katru centrālo, izcelsmes pikseli katrā diska apkārtnē. Mēs izmantojām diska strukturēšanas elementu, jo mēs analizējam katru apļveida plankumu un katras vietas pikseļus, tāpēc diska formas elements ir noderīgāks.

Kad attēls ir filtrēts, to var notīrīt, izmantojot funkciju “ielikt”, lai noņemtu melnos plankumus starp filtrētajiem baltajiem pikseļiem attēlā un aizvērtu visas atstarpes ap to. Pilnībā apstrādāto attēlu pēc tam var uzzīmēt iepriekš piešķirtā attēla otrajā apakšplānā, ļaujot salīdzināt neapstrādāto un filtrēto attēlu.

4. solis: audzēja izolācija caur elipsveida masku

Pēc tam audzēja spožos plankumus var izolēt no galvenā filtrētā attēla, izmantojot iepriekš izveidotu elipsveida masku. Lai izveidotu šo masku, jums jāzina sākotnējā, neapstrādātā MRI skenētā attēla izmērs, un, izmantojot tā rindu un kolonnu garumu, attiecīgi kā x un y- koordinātas, piešķir elipses centra koordinātas. Mēs iestatām y asi kā galveno asi, kuras rādiuss ir 50 vienības no centra, un blakus asi ar rādiusu 40 vienības no centra.

Mēs izmantojām funkciju MATLAB “meshgrid”, lai ģenerētu taisnleņķa plakni ar divdimensiju režģa koordinātām, pamatojoties uz koordinātām vektoros no 1 līdz x ass garumam un no 1 līdz attēla y ass garumam.. Kolona ir matrica, kurā katra rinda ir x ass kopija, un rinda ir matrica, kurā katra kolonna ir y ass kopija. Dekarta režģim, ko attēlo koordinātas Col un Row, ir garuma (1: Y_Size) rindas un garuma (1: X_Size) kolonnas. Izmantojiet kolonnas un rindas indeksus, ko ģenerē Dekarta režģis, lai noteiktu elipses vienādojumu atkarībā no iepriekš noteiktā rādiusa un centra koordinātām. Tagad elipsveida kontūru var aizpildīt ar baltiem pikseļiem, kas atrodami no audzēja plankumiem.

Izmantojot iepriekš izveidoto elipsveida masku, mēs no filtrētā attēla varam izgriezt konkrēto audzēju, kuru vēlaties analizēt. Elipsveida maska nosaka, kuri plankumi loģiski ietilpst elipses kontūrā, un pieņem to kā plankumu uz filtrētā attēla, lai tas būtu pieņemams kā audzējs. Funkcija “bwareafilt” pēc tam no attēla filtrē visus citus objektus ārpus šī konstatētā audzēja. Mēs izmantojām īpašu logu 500 līdz 4000 empīriski, pamatojoties uz visu attēlu izmēriem. Pēc tam mēs uzklājām vēl vienu bīdāmu logu ar “strel” kā plakanu diska formas strukturēšanas elementu ar lielāku apkaimes rādiusu 6, lai aizvērtu spraugas starp katru noteikto audzēja centrālo balto pikseļu. Atklātā audzēja vieta tiek tālāk attīrīta, izmantojot “apsegt”, lai vēl vairāk novērstu melnos pikseļus un aizpildītu visus caurumus ar “imfill”. Šo apstrādāto audzēju pēc tam var parādīt iepriekš sadalītajā grafikā trešajā apakšplānā, lai nodrošinātu salīdzinājumu starp izolēto audzēju un oriģinālajiem un filtrētajiem MRI skenēšanas attēliem.

5. solis: audzēja izklāsts

Tagad, kad audzējs ir izolēts ar masku, to var iezīmēt un parādīt sākotnējā attēlā, lai parādītu precīzu tā atrašanās vietu. Lai to izdarītu, mēs izmantojām funkciju “bwboundaries”, lai ar kontūru izsekotu iepriekš konstatēto audzēju. Mēs norādījām kontūru, lai neiekļautu caurumus audzēja objektā, kā tas ir izklāstīts. To var uzzīmēt sākotnējā, neapstrādātā attēlā, izmantojot cilni “for”, kas apzīmē kontūru ap audzēju, izmantojot līnijas indeksus ar līnijas platumu 1,5 pikseļi. Pēc tam šī kontūra tiek attēlota neapstrādātā attēlā, parādot precīzu audzēja izmēru un atrašanās vietu salīdzinājumā ar sākotnējo MRI skenēšanu.

6. solis: audzēju fizisko īpašību analīze

Izolētā un izklāstītā vieta var mums sniegt noderīgu informāciju par audzēja lielumu, laukumu un atrašanās vietu. Mēs izmantojām funkciju “regionprops”, lai noteiktu audzēja īpašības, kas attiecas uz laukumu, perimetru, centraidiem un pikseļu indeksa vērtību. Šī pikseļu indeksa vērtība dod mums reālās pasaules vienības katram attēla katram pikselam, kas ir unikāls katram skenējumam. Pēc tam šīs īpašības var pārvērst reālās pasaules milimetru vienībās. Programmas sniegtā empīriskā informācija ir unikāla katrai MRI skenēšanai un ir ārkārtīgi noderīga, lai noteiktu audzēja lielumu, atrašanās vietu un veidu, ko lietotāji var analizēt un iekļaut grafiskajā lietotāja saskarnē.