Аппарат диагностики области новообразования типа рак молочной железы на маммографических снимках для последующего лечения в клинике в израиле на разных стадиях

Устройство относится к вычислительной технике и информационным технологиям в медицине. Оно может быть использовано визуального улучшения качества оцифрованных снимков, а также в качестве скринингового метода выявления областей рака молочной железы на различных стадиях. Технической задачей настоящего устройства является определение областей на маммограмме, содержащих РМЖ, а также определение текстурных и геометрических характеристик найденного новообразования. Устройство состоит из: блока получения цифрового представления маммограммы (блок оцифровки маммограммы) - блок 1; блока предварительной обработки входных данных - блок 2; блока выделения области новообразования - блок 3: блок выделения контура новообразования - блок 4; буфера типа LIFO (принцип технической обработки данных по принципу кто приходит последним, тот обслуживается первым) - блок 5: блок вычисления площади и координат центра новообразования - блок 6; блок вычисления периметра и коэффициента формы новообразования - блок 7; буфер типа FIFO, получающий координаты контура объекта - блок 8; блок вычисления текстурных характеристик новообразования - блок 9, блока формирования области новообразования «Рак молочной железы» - блок 10 и управляющего устройства - блок 11.

Устройство относится к вычислительной технике и информационным технологиям в медицине. Оно может быть использовано визуального улучшения качества оцифрованных снимков, а также в качестве скринингового метода выявления областей рака молочной железы на различных стадиях.

В настоящее время во все сферы медицины внедряются автоматизированные технологии получения и обработки данных. Лучшим методом определения опухолей молочной железы является маммография. С появлением компьютерных технологий появилась возможность обрабатывать и анализировать цифровые и аналоговые маммограммы.

Известен «Способ получения информационного образа рака молочной железы по маммограммам» (патент Российской Федерации 2235361, кл. G06K 9/50, G06T 7/60, 2002 г.) используемый в качестве неинвазивной биопсии на уровне маркера на любой стадии развития рака молочной железы в виде выявления по маммограммам очагов злокачественного роста через аномальную асимметрию клеточных масс злокачественной опухоли относительно масс здоровых и нераковых клеток [1]. Техническим результатом, достигаемым при осуществлении заявленного изобретения, является выявление по маммограммам очагов злокачественного роста через аномальную асимметрию клеточных масс злокачественной опухоли относительно масс здоровых и нераковых клеток.

Поставленная задача решается способом, предназначенным для выявления раковой опухоли и ее наиболее интенсивные точки роста, включающим получение маммограмм, представление ее в числовой форме в виде исходной матрицы чисел на шагах дискретизации, получение конечного изображения с использованием известного технологического приема выявления распределения плотности искомого вида информации с помощью выделенного информационного окна в виде квадрата не менее девяти шагов дискретизации и не более одной четверти исходной матрицы, и отличающимся тем, что для получения специфического информационного образа рака молочной железы по маммограмме, формируют в исходной числовой матрице через n-клеточный квадратный шаблон с размером одной клетки, равным шагу дискретизации, и размером самого шаблона не менее четырех клеток и не более четверти исходной матрицы, информационные ячейки из n новых значений чисел в клетках каждой ячейки, полученной путем смещения информационного шаблона на один шаг дискретизации по всей исходной матрице и определяют разность между числами, попавшими в клетки шаблона, и числом с минимальным значением в одной из клеток шаблона, по формуле:

где Hi - исходное значение числа, попавшего в i-тую клетку информационного шаблона,

H'i - новое значение числа в i-той клетке информационной ячейки,

i - номера клеток ячейки, соответствующие номерам клеток шаблона (1, 2, 3, , n);

среди новых чисел H'i в ячейке находят максимальное H'i, по которому нормируют все числа H'i, информационной ячейки, получая новый набор из нормированных чисел H"i, для всех клеток ячейки; затем вычисляют отклонение для всех H"i, по формуле:

где ±Vi, - отклонение от уровня 0,5,

0,5 - уровень, получаемый делением пополам максимального значения среди нормированных чисел H"i, который равен единице; далее суммируют отдельно положительные отклонения:

и отдельно отрицательные отклонения:

где k+l=n;

после этих вычислений находят показатель аномальной асимметрии информационной ячейки по формуле:

все положительные значения А+ считаются выделенным информативным признаком рака молочной железы;

далее с помощью известной технологии работы с информационным окном получают новый информационный образ в виде матрицы чисел, отражающих распределение плотности выделенного признака, анализируют полученный новый информационный образ с точки зрения выявления рельефа исследуемых аномалий, соответствующих очагам раковой опухоли, на маммограмме, при необходимости, повторяют выявление распределения плотности через прежний или новый размер информационного окна до получения рельефа исследуемых аномалий необходимого масштаба.

При этом новый информационный образ в виде матрицы чисел, отражающих распределение плотности выделенного признака, представляют в цвете, соответственно знаку и величине плотности.

Такой способ позволяет, по маммограмме через n-клеточный шаблон организовать нормированные выделенные пространства на размахе двумерного сигнала, просмотреть в них на интервале наблюдения проявление сигнала в числовой форме путем сравнения отклонения в положительную и отрицательную области нормированных числовых значений сигнала в клетках от половины размаха в ячейке и представить сигнал на интервале наблюдения в виде информационных ячеек с определенным значением асимметрии каждой ячейки, отражающих наличие аномалий и составляющих информационный образ молочной железы. Информация об аномальной асимметрии позволяет выявлять раковые очаги в виде рельефа по относительной удельной плотности специфичного информативного признака в информационном образе аномалий на маммограмме.

Поставленная задача также решается способом, предназначенным для выявления по маммограмме более четких границ раковой опухоли, отличающийся тем, что в предлагаемом способе, описанном выше, доводят вычисления до получения суммы положительных отклонений S+, которые рассматривают в качестве выделенного признака рака молочной железы, далее проводят все описанные операции до получения нового информационного образа в виде матрицы чисел, отражающих распределение плотности выделенного признака S+, имеющего форму рельефа аномалий, соответствующих очагам раковой опухоли на маммограмме; полученный рельеф аномалий служит для совместного с рельефом, полученные выше, анализа особенностей проявления рака молочной железы.

При этом новый информационный образ в виде матрицы чисел, отражающих распределение плотности выделенного признака, представляют в цветах серой шкалы соответственно величине плотности.

Авторы пытались использовать этот способ для выявления очагов злокачественного роста по маммограмме. Однако получили неудовлетворительный результат. Существенным недостатком в полезной модели является использование только одного информационного признака - показателя аномальной асимметрии.

Исследователи R. Lukac, В. Smolka, K.N. Plataniotis в своей работе [2] предлагали новую схему фильтрации для обнаружения и удаления импульсного шума на цифровых цветных изображениях. Поскольку цветные изображения в корне отличаются от рентгеновских снимков, то напрямую такой фильтр нельзя применить к оцифрованному маммографическому изображению, так как он обладает индивидуальными характеристиками из-за подбора напряжения и силы тока на маммографе, вследствие чего кроме импульсного шума добавляются еще и помехи с маммографического аппарата.

Исследователи S. Saheb Basha, Dr. K. Satya Prasad в своей работе [3] для детектирования области рака молочной железы использовали морфологические операторы эрозии и дилатации, открытия и закрытия:

Применение лишь текстурной сегментации к необработанному маммографическому снимку не дает желаемого результата выделения области РМЖ, особенно на ранней стадии, когда опухоль имеет размеры до 1 см.

Предлагаемая полезная модель основана на диагностировании области новообразования типа «Рак молочной железы» (РМЖ) в соответствие с Международным классификатором болезни на основе текстурной карты маммографического снимка. Полных аналогов предлагаемой модели нет. Поэтому наибольший интерес представляет создание таких диагностических устройств - помощников врачу при диагностике РМЖ.

Наиболее близким к предлагаемому устройству по своей технической сущности является «Способ получения информационного образа рака молочной железы по маммограммам» [1]. Предлагаемое устройство позволяет наиболее точно выделить области РМЖ на маммограммах на ранней стадии (диаметр опухоли от 7 мм) за счет предварительной обработки оцифрованного маммографического снимка.

Технической задачей настоящего устройства является определение областей на маммограмме, содержащих РМЖ.

В устройстве реализуются следующие этапы вычислений:

1. Аналоговая маммограмма оцифровывается с помощью сканера, имеющего следующие характеристики: разрешение 6400×9600 dpi, оптическая плотность 4D. Оцифрованная маммограмма l(x, y) имеет размер m*n пикселей. Градации яркостей точек распределены в диапазоне [0, 255].

2. Поскольку, как говорилось выше, для каждой молочной железы, а также для различной маммографической пленки и защитных экранов, лаборантом выполняется подбор напряжения и силы тока на маммографе, от этих характеристик зависит результат отображения маммограммы (она может быть сильно темной, слабоконтрастной), переделывание снимков создает дополнительное облучение пациенток, что крайне нежелательно.

Авторами был разработан алгоритм гистограммных преобразований маммограммы, который нормализует яркость и контраст снимка, а также дает возможно выделения РМЖ на фоне мастопатии:

где g(x, y) - выходное изображение, g_max - максимальное значение яркости выходного изображения, g_min - минимальное значение яркости выходного изображения,

К=1,5 - коэффициент (1<=К=>2)

l(x, y) - текущее значение яркости исходного снимка,

l_max, l_min, l_ср - максимальное, минимальное и среднее значения исходной маммограммы соответственно,

где i - значение градации яркости точки выходного снимка (i=0..255),

j - значение градации яркости точки исходного снимка (j=0..255, j<=i,),

v[j] - значение элемента гистограммы исходного снимка при яркости j (v[j]V),

Т - область изменения элементов гистограммы выходного изображения g (x, y),

t[i] - значение элемента гистограммы выходного изображения при яркости i (t[i]T),

t[0]=t[l(x, y)=0] - значение элемента гистограммы обработанного изображения при яркости точки, равной 0,

m*n - размер изображения.

3. Блок фильтрации изображения.

Обычно преобразование гистограммы вызывает некоторое дополнительное зашумление изображения, поэтому изображение g(x, y) подвергается фильтрации с помощью сигма-фильтра маской 3*3. За основу был взять алгоритм авторов R. Lukac, В. Smolka, K.N. Plataniotis из [2].

где d(x, y) - выходное изображение, S - оператор сигма - фильтрации.

4. Блок выделения области РМЖ осуществляет текстурную сегментацию.

За основу текстурной сегментации был взят алгоритм авторов S. Saheb Basha, Dr. K. Satya из [3].

где е(x, y) - выходное изображение, С - оператор текстурной сегментации.

5. Блок выделения контуров на изображении осуществляет локализацию нужной области с четкими границами.

Прежде чем выделить контура на изображении, текстурная карта снимка подвергается бинаризации. Алгоритм бинаризации выглядит следующим образом:

где b(x, y) - выходное изображение,

е(x, y) - текстурная карта снимка,

где i - значение градации яркости точки выходного снимка (i=0..255),

j - значение градации яркости точки исходного снимка (j=0..255, j<=i,),

z[j] - значение элемента гистограммы исходного снимка при яркости j (z[j]Z),

u[i] - значение элемента гистограммы выходного изображения при яркости i (u[i]U),

u[0]=u[e(x, y)=0] - значение элемента гистограммы обработанного изображения при яркости точки, равной 0,

w - коэффициент, от которого зависит отображение различных типов тканей (если w=0,01, то на снимке остаются только области грудной мышцы и РМЖ) (0<w<=10)

m*n - размер изображения.

6. Выделение контуров осуществляется с помощью оператора Собела.

где r(x, y) - выходное изображение, L - оператор выделения контуров.

Оператор Собела представляет собой наложение двух масок 3*3 на каждую точку изображения. Эти маски выявляют границы объектов, расположенные вертикально и горизонтально на изображении.

7. Блок определения характеристик осуществляет вычисление:

- площади области РМЖ S_k (число точек области);

- периметра области Р - приближенно равен количеству точек контура области;

- коэффициента формы:

На чертеже представлена структурная схема устройствам диагностики областей новообразования типа «Рак молочной железы» на маммограммах. Устройство состоит из: блока получения цифрового представления маммограммы (блок оцифровки маммограммы) - блок 1; блока предварительной обработки входных данных - блок 2; блока выделения области новообразования - блок 3; блок выделения контура новообразования - блок 4; буфера типа LIFO (принцип технической обработки данных по принципу кто приходит последним, тот обслуживается первым) - блок 5; блок вычисления площади и координат центра новообразования - блок 6; блок вычисления периметра и коэффициента формы новообразования - блок 7; буфер типа FIFO, получающий координаты контура объекта - блок 8; блок вычисления текстурных характеристик новообразования - блок 9, блока формирования области новообразования «Рак молочной железы» - блок 10 и управляющего устройства - блок 11.

Устройство работает следующим образом: с помощью блока оцифровки получают цифровое представление аналогового маммографического снимка (блок 1). Оно передается в блок предварительной обработки (блок 2). В нем над полученным изображением выполняется операция контрастирования и шумоподавления для улучшения качества маммограммы, а также для выделения среди тканей молочной железы новообразований малого размера путем увеличения контраста и яркости данных областей. Если обрабатывается маммограмма высокого качества, тогда выполнение блока 2 необязательно, сразу можно выполнять блок 3 - текстурная сегментация - выполнение данного блока позволяет сгруппировать схожие области на маммограмме: новообразования, грудная мышцы, фон, жировая ткань, где новообразования будут отнесены к первому классу, который в дальнейшем и рассматривается как основной, затем выполняется бинаризация текстурной карты маммографического снимка с коэффициентом w, с помощью которой черным цветом выделяются области новообразований, белым цветом - остальная часть снимка. После бинаризации выполняется выделение контуров найденных новообразований, которые выделяются на исходном снимке - блок 4. Количество точек N, принадлежащих контуру объекта определяет размер буфера LIFO (блок 5), в который записываются их координаты. Из данного буфера они поступают на вход блока вычисления площади и координат центра новообразования (блок 6). Данные параметры передаются на вход блока определения периметра и коэффициента формы новообразования (блок 7). В буфер FIFO (блок 8) записываются значения яркостей точек выделенного новообразования (из исходной оцифрованной маммограммы). С выхода буфера значения яркостей поступают в блок вычисления текстурных характеристик, формирующие значения вектора-признаков (блок 9). После вычисления характеристик найденной области новообразования, значения яркостей точек найденного новообразования (входящие в замкнутую область контура новообразования) копируются в массив (блок 10). Вычисление геометрических характеристик, таких как периметр, площадь и коэффициент формы позволяет проследить динамику роста опухоли. Вычисление текстурных характеристик (18 текстурных признаков) позволяет в дальнейшем классифицировать выделенные области при использовании алгоритмов распознавания. Управляющее устройство определяет операции предварительной обработки, текстурной сегментации и бинаризации, а также значения требуемых характеристик выделенного новообразования.

Источники информации

1. Патент Российской Федерации на изобретение 2235361 Способ получения информационного образа рака молочной железы по маммограммам. 20.11.2002

2. R. Lukac, B. Smolka, K.N. Plataniotis et al. Generalized adaptive vector sigma filers, International Conference on Multimedia Computing and Systems/International Conference on Multimedia and Expo - ICME (ICMCS), vol.1, 2003, pp.537-540

3. S. Saheb Basha, Dr. K. Satya Prasad Automatic Detection of Breast Cancer Mass in Mammograms Using Morphological Operators and Fuzzy C-Means Clustering, Journal of Theoretical and Applied Information Technology, Vol.5 No 6, June 2009, pp.704-709

Устройство диагностики области новообразования типа «Рак молочной железы» на маммографических снимках, содержащее: блок оцифровки, получающий цифровое представление аналогового маммографического снимка и передающий его на вход блока предварительной обработки; блок предварительной обработки, выполняющий операции контрастирования и шумоподавления; блок выделения области новообразования, выполняющий операции текстурной сегментации и последующей бинаризации; блок выделения контуров и определения координат его точек; буфер типа LIFO, хранящий координаты точек контура новообразования, полученные из блока выделения контуров, и передающий их на вход блока вычисления площади и координат точек центра найденного новообразования, а затем на вход блока определения периметра и коэффициента формы новообразования; буфер типа FIFO, получающий значения яркостей точек выделенного новообразования; блок вычисления текстурных характеристик новообразования, вычисляющий значения текстурных признаков найденной области; блок формирования области новообразования «Рак молочной железы», копирующий массив яркостей точек области найденного новообразования; управляющее устройство, определяющее параметры операций предварительной обработки, текстурной сегментации и бинаризации, а также требуемых характеристик выделенного новообразования.