Dažādu pelēkās skalas intensitātes sliekšņu izmantošana, lai vizualizētu un identificētu anomālijas mammogrammas attēlos: 9 soļi

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

Šī projekta mērķis bija identificēt un izmantot parametru, lai apstrādātu dažādu fona audu klasifikāciju pelēktoņu mammogrammas attēlus: taukaini, taukaini dziedzeri un blīvi audi. Šo klasifikāciju izmanto, ja radiologi analizē mammogrammas un jāapsver, vai audu blīvums neslēps jebkādas novirzes, piemēram, bojājumus vai audzējus. Tas ir tāpēc, ka gan normālas fizioloģiskas struktūras, piemēram, dziedzeru audi, gan šķiedru saistaudi. un patoloģiskas morfoloģijas, piemēram, pārkaļķošanās un audzēji, mammogrammā parādīsies ļoti spilgti, bet mazāk blīvi taukaudi - melni. Tāpēc bija lietderīgi ieprogrammēt klasifikatoru, kas var manipulēt ar pikseļu intensitātes līmeņiem, lai vislabāk vizualizētu un identificētu masas.

1. solis: Mammogrammas datu sakārtošana

Viena no pirmajām lietām, ko sapratu, ka man ir jārīkojas, bija datu sakārtošana ļoti skaidrā, kodolīgā un pieejamā veidā. Šie ir mainīgie, kurus es ieguvu no mammogrammu mini-MIAS datu bāzes. Es izveidoju divus masīvus. Vienā ir 4 kolonnas:

1. Attēla numurs:
2. x masas koordināta
3. y masas koordināta
4. Masas rādiuss: (tas noteica aptuvenu masas lielumu

Otrajā masīvā bija klasifikācijas informācija:

1. Fona audu veids: taukains (F), taukains dziedzeris (G), blīvs (D)
2. Masas apraksts: labi definēts (CIRC), spiculated (SPIC), slikti definēts cits (MISC) Arhitektūras izkropļojums (ARCH), asimetrija (ASYM), normāls (NORM)
3. Diagnoze: labdabīgs (B), ļaundabīgs (M)

Tā kā šī projekta mērķis bija noteikt labāko slieksni katram fona audu veidam, visa informācija nebija nepieciešama. Tomēr jūs varat paplašināt savu projektu, iekļaujot tajā tekstūras analīzi un pārbaudīt klasifikatoru atbilstoši zināmajiem masu aprakstiem.

Sānu piezīme. Datu bāze, no kuras es saņēmu diagnosticētos mammogrāfijas attēlus, informāciju par katru mammogrammu sakārtoja teksta failā atsevišķi no attēliem. Man bija nedaudz grūti iegūt datus no teksta faila un sakārtot masīva veidlapās, taču šī saite bija ļoti noderīga, lai to visu noskaidrotu. Alternatīvi, vienkārši pielāgojiet iepriekš ielīmēto kodu saviem mērķiem.

Mammogrammas faila formāts: mdb001 G CIRC B 535 425 197

mdb002 G CIRC B 522 280 69

TextScan palīdzība: https://www.mathworks.com/help/matlab/ref/textsca… Mammogrammu datu bāze:

2. darbība. Attēlu apstrāde

Otra lieta, kas parādījās, kad es izdomāju, kā noteikt masas, bija tā, ka daudzām patoloģiskām mammogrammām es nevarēju vizuāli pateikt, kur ir novirze vai cik tā ir liela. Acīmredzot, tā kā neesmu pieredzējis radiologs, tas bija gaidāms. Tomēr visvienkāršākais veids, kā atrast novirzes (saskaņā ar maniem ilgstošajiem Google meklējumiem), bija aplūkot gaišo un tumšo zonu koncentrāciju. Es galvenokārt izmantoju adapthisteq funkciju, lai uzlabotu attēla kontrastu un pēc tam apvienotu, lai attēlu pārvērstu par bināru attēlu, lai eksperimentētu ar dažādiem sliekšņa līmeņiem.

1. adapthisteq: Šī funkcija pārveido pelēktoņu un rgb attēlu intensitātes vērtības, izmantojot ierobežotu kontrasta adaptīvo histogrammas izlīdzināšanu. Citiem vārdiem sakot, tā pielāgo intensitātes vērtību histogrammu noteiktam sadalījuma veidam. Šīs funkcijas matemātisko darbu saite ir pievienota tālāk, lai to lasītu tālāk.
2. imbinarize: izveido bināru attēlu no pelēkās skalas attēla, piešķirot visus pikseļus virs noteiktas intenistiskas vērtības 1s un pikseļus zem šīs vērtības a 0. Es izmantoju šo funkciju, lai pārbaudītu optimālo slieksni, lai samazinātu fona audu troksni.

3. darbība: sliekšņa kods

A cilpa tiek izmantota, lai binarizētu mammogrammu ar dažādiem sliekšņiem. Lai iegūtu lielāku attēla skatu, for cilpa satur kodu no 3. līdz 7. darbībai. Tātad katrs binārais attēls tiks analizēts, lai konstatētu novirzes. Turklāt tas cilpai ir iekļauts citā cilpā, kas katrā atkārtojumā importē jaunu mammogrammas attēlu no datu bāzes.

4. darbība: noviržu atrašana katram binārajam attēlam

Tālāk apstrādāju bināros attēlus, izmantojot strel funkciju kopā ar imopen, lai noņemtu fona troksni. Iepriekšējā soļa binārais attēls tiek apgriezts un filtrēts, izmantojot SE definēto apkārtni. Tad es izmantoju bwlabel, lai apzīmētu apgabalus, kuriem bija vismaz 8 savienoti pikseļi.

Reģiona rekvizītu funkcija tika izmantota, lai atrastu katras vietas, kas identificēta ar bwlabel, centrālo un apgabala rekvizītus.

Pēc tam, izmantojot ismember, tika identificēti visi plankumi, kas lielāki par 500 pikseļiem. Identificēto plankumu centrīdi tika uzzīmēti uz attēla, kurā bija redzami tikai plankumi, kuru platība ir lielāka par 500. Apgabals Identified = ismember (Marķēts, norādes (sakārtotasJau> 500)); Plankumi = identificēti> 0;

5. solis: Diagnosticētās masas atrašanās vietas un lieluma uzzīmēšana vizuālam salīdzinājumam

Es gribēju redzēt, vai bwlabel atrastie plankumi ir pareizi. Es to darīju divos veidos. Vispirms es analizēju sava klasifikatora precizitāti, veicot vizuālu salīdzinājumu. Es vienkārši uzzīmēju anomālijas faktisko lielumu un atrašanās vietu (sarkanais aplis) un atrašanās vietu, kas noteikta ar kodu (zils x), uz iepriekš apstrādātā mammogrammas attēla. Iepriekš minētie seši attēli parāda pelēktoņu sliekšņa vērtības palielināšanas sekas.

6. darbība. Otrās salīdzināšanas metodes ieviešana

Otrs veids, kā es pārbaudīju klasifikatoru un sliekšņa vērtības, bija noteikt, vai klasifikatora atrastās atrašanās vietas atrodas noteiktā attālumā no diagnosticētajām noviržu koordinātām. Es saglabāju sliekšņus, kuriem vismaz viens no identificētajiem punktiem bija 1,5*r robežās no zināmās novirzes, uz atsevišķu teksta failu ar nosaukumu Mammogram Data. Tā mērķis bija atrast minimālo slieksni, kas nepieciešams, lai mans klasifikators varētu identificēt novirzes.

7. darbība: savākto datu analīze

Es vadīju programmu visos neparastos mammogrammas attēlos, un man palika milzīgs datu teksta fails. Lai atrastu labāko slieksni katram audu tipam, es sakārtoju datus pēc audu veida un uzzīmēju katra audu tipa sliekšņa vērtību histogrammu. Tika nolemts, vai sliekšņa vērtība ir visprecīzākā katram audu tipam. Es saglabāju šos datus, lai tos augšupielādētu savā klasifikatorā.

8. solis: izveidojiet savu klasifikatoru

Pēc tam, kad atradu vispiemērotākās sliekšņa vērtības katram audu tipam, es rediģēju savu sākotnējo kodu, lai lietotājs ievadītu attēla numuru un audu veidu, lai izvēlētos slieksni mammogrammas attēlam. Pēc tam es uzzīmēju diagnosticētās mammogrammas atrašanās vietu ar atrastajām vietām sākotnējos mammogrammas attēlos. Es gribēju to padarīt jautrāku, tāpēc ieprogrammēju funkciju apļveida apgabala apgriešanai, kas ieskauj ROI. Lietotājam tiks uzdots izvēlēties centra punktu un vairākus punktus, kas vislabāk aptver IA. Es šeit pievienoju abus matlab failus.

9. solis: uzlabojumi? Kādas domas?

Rakstot šo pamācību, es sāku redzēt daudzus uzlabojumus, ko es varētu veikt klasifikatorā, piemēram, atrast veidus, kā atšķirt dažāda veida masas, kas identificētas, pamatojoties uz faktūras analīzi, vai uzlabot manu SandBoxProject sadaļas precizitātes pārbaudi. failu. Tā kā šis bija projekts ar termiņu, man kaut kur bija jāapstājas, bet es ceru, ka varēšu izmantot iegūtās attēlu apstrādes prasmes citās lietojumprogrammās. Es pievienoju arī failu, kas tika izmantots, lai sērijveidā apstrādātu visus patoloģiskos mammogrammas attēlus.