Возможности текстурного анализа компьютерных томограмм в диагностике хронической обструктивной болезни
Гайдель А.В., Зельтер П.М., Капишников А.В., Храмов А.Г.

Институт систем обработки изображений РАН,
Самарский государственный аэрокосмический университет имени академика С.П. Королёва
(национальный исследовательский университет) (СГАУ),

Самарский государственный медицинский университет

Аннотация:
Исследуется возможность использования разнообразных текстурных признаков для выявления патологических изменений лёгких по двумерным цифровым изображениям компьютерной томографии. В качестве информационных признаков используются гистограммные и корреляционные характеристики, а также признаки Харалика и признаки на основе длин серий. Отбор эффективных признаков проводится на основе критерия дискриминантного анализа. Применимость предложенного подхода для решения задачи автоматического выявления патологических изменений исследуется экспериментально на наборе из 160 изображений, полученных при обследовании больных хронической обструктивной болезнью лёгких. Полученная эффективная группа признаков состоит из двух признаков Харалика и трёх признаков на основе длин серий и обеспечивает долю неверных распознаваний 0,11, которая лучше аналогичных результатов, полученных без использования процедуры отбора признаков.

Ключевые слова :
текстурный анализ, диагностика, признаки Харалика, длины серий, отбор признаков, дискриминантный анализ.

Литература:

  1. Зельтер, П.М. Структурно-функциональное фенотипирование хронической обструктивной болезни лёгких / П.М. Зельтер, М.С. Устинов, А.В. Капишников // Терапевт. – 2014. – № 7. – С. 18-23.
  2. Engeler, C.E. Ground-glass opacity of the lung parenchyma: A guide to analysis with high-resolution CT / C.E. Engeler, J.H. Tashjian, S.W. Trenkner, J.W. Walsh // American Journal of Roentgenology / American Roentgen Ray Society. – 1993. – Vol. 160(2). – P. 249-251. – ISSN 0361-803X.
  3. Зельтер, П.М. Роль компьютерной томографии в раннем выявлении признаков хронической обструктивной болезни лёгких / П.М. Зельтер // Врач-аспирант. – 2014. – № 4.2(65). – С. 228-233.
  4. Ginsburg, S.B. Automated Texture-based Quantification of Centrilobular Nodularity and Centrilobular Emphysema in Chest CT Images / S.B. Ginsburg, D.A. Lynch, R.P. Bowler, J.D. Schroeder // Academic Radiology. – 2012. – Vol. 19(10). – P. 1241-1251. – ISSN 1076-6332.
  5. Гайдель, А.В. Исследование текстурных признаков для диагностики заболеваний костной ткани по рентгеновским изображениям / А.В. Гайдель, С.С. Первушкин // Компьютерная оптика. – 2013. – Т. 37, № 1. – С. 113-119.
  6. Гайдель, А.В. Исследование текстурных признаков для диагностики нефрологических заболеваний по ультразвуковым изображениям / А.В. Гайдель, С.Н. Ларионова,  А.Г. Храмов // Вестник Самарского государственного аэрокосмического университета имени академика С.П. Королёва (национального исследовательского университета). – 2014. – № 1(43). – С. 229-237.
  7. Садыков, C.C. Компьютерная диагностика новообразований на маммографических снимках / С.С. Садыков, Ю.А. Буланова, Е.А. Захарова // Компьютерная оптика. – 2014. – Т. 38, № 1. – С. 131-138.
  8. Глумов, Н.И. Компьютерная обработка сцинтиграфических изображений лёгких / Н.И. Глумов, А.В. Капишников // Компьютерная оптика. – 2003. – № 25. – С. 158-164.
  9. Ильясова, Н.Ю. Методы цифрового анализа сосудистой системы человека. Обзор литературы // Компьютерная оптика. – 2013. – Т. 37, № 4. – С. 511-535. – ISSN 0134-2452.
  10. Ильясова, Н.Ю. Информационные технологии анализа изображений в задачах медицинской диагностики / Н.Ю. Ильясова, А.В. Куприянов, А.Г. Храмов. – М.: Радио и связь, 2012. – 424 с.
  11. Ильясова, Н.Ю. Оценивание геометрических признаков пространственной структуры кровеносных сосудов // Компьютерная оптика. – 2014. – Т. 38, № 3. – С. 529-538. – ISSN 0134-2452.
  12. Глумов, Н.И. Метод отбора информативных признаков на цифровых изображениях / Н.И. Глумов, Е.В. Мясников // Компьютерная оптика. – 2007. – Т. 31, № 3. – С. 73-76.
  13. Tsai, C.-F. Genetic algorithms in feature and instance selection / C.-F. Tsai, W. Eberle, C.-Y. Chu // Knowledge-Based Systems. – 2013. – Vol. 39. – P. 240-247. – ISSN 0950-7051.
  14. Khushaba, R.N. Feature subset selection using differential evolution and a statistical repair mechanism / R.N. Khu­shaba, A. Al-Ani, A. Al-Jumaily // Expert Systems with Applications. – 2011. – Vol. 38(9). – P. 11515-11526. – ISSN 0957-4174.
  15. Ильясова, Н.Ю. Формирование признаков для повышения качества медицинской диагностики на основе методов дискриминантного анализа / Н.Ю. Ильясова, А.В. Куприянов, Р.А. Парингер // Компьютерная оптика. – 2014. – Т. 38, № 4. – С. 851-856.
  16. Petrou, M. Image Processing: Dealing with Texture / M. Petrou, P. Garcia Sevilla. – Chichester, UK: John Wiley & Sons, Ltd., 2006. – 618 p.
  17. Haralick, R.M. Textural features for image classification / R.M. Haralick, K. Shanmugam, I. Dinstein // IEEE Transactions on Systems, Man, and Cybernetics. – 1973. – Vol. SMC-3(6). – P. 610-621. – ISSN 0018-9472.
  18. Mollazade, K. Analysis of texture-based features for predicting mechanical properties of horticultural products by laser light backscattering imaging / K. Mollazade, M. Omid, F. Akhlaghian Tab, Y.R. Kalaj, S.S. Mohtasebi, M. Zude // Computers and Electronics in Agriculture. – 2013. – Vol. 98. – P. 34-45. – ISSN 0168-1699.
  19. Fukunaga, K. Introduction to statistical pattern recognition / K. Fukunaga. – San Diego: Academic Press, 1990. – 592 p.
  20. Agresti, A. Approximate is Better than "Exact" for Interval Estimation of Binomial Proportions / A. Agresti, B.A. Coull // American Statistician. American Statistical Association. – 1998. – Vol. 52(2). – P. 119-126. – ISSN 0003-1305.
  21. Brown, L.D. Interval Estimation for a Binomial Proportion / L.D. Brown, T.T. Cai, A. DasGupta // Statistical Science. – 2001. – Vol. 16(2). – P. 101-133. – ISSN 0883-4237.

© 2009, IPSI RAS
Institution of Russian Academy of Sciences, Image Processing Systems Institute of RAS, Russia, 443001, Samara, Molodogvardeyskaya Street 151; E-mail: ko@smr.ru; Phones: +7 (846) 332-56-22, Fax: +7 (846) 332-56-20