CC BY
43
ИНФОРМАЦИОННЫЕ
ТЕХНОЛОГИИ
УДК 681.3
АВТОМАТИЗИРОВАННАЯ СИСТЕМА ОБРАБОТКИ УЛЬТРАЗВУКОВЫХ ЭХОГРАММ ДЛЯ ПРИНЯТИЯ РЕШЕНИЙ
АДАМОВ В.Г., ПРИВАЛОВ М.В.________________
Рассматривается автоматизированная система обработки ультразвуковых эхограмм для принятия решений, позволяющая формировать консультативный диагноз по результатам анализа текстуры ультразвуковых изображений внутренних органов человека, выполняемого с применением нейронных сетей.
1. Введение
В настоящее время в большинстве систем диагностики для исследования внутренних органов используются снимки, полученные различными способами. К ним относят рентгеновские, магниторезонансные снимки и ультразвуковые эхограммы. В ультразвуковой диагностике различают два вида патологий внутренних органов: очаговые и структурные. Очаговые представляют собой различные образования, а структурные выражаются в изменении ткани всего органа. Для облегчения работы врача-диагноста и улучшения качества диагностирования патологий, особенно структурных, необходимо выполнить анализ текстуры ультразвуковых эхограмм, который включает сегментацию и классификацию текстур, а затем принятие решения.
2. Постановка задачи
При текстурном анализе производится обработка ультразвуковых эхограмм с разделением исходного изображения на области с однородным свойством — текстурой, затем определяются основные параметры этих областей, необходимые для принятия решения. Текстура объектов представляет собой повторяющийся рисунок, из которого формируются различные участки объекта. Текстура изображения является пространственным свойством, поэтому ее анализ производится в пределах окна определенного размера. В связи с этим необходимо учитывать возможность появления одних и тех же текстур под разными углами относительно краев окна. Это, как правило, производится путем расчета по исходному изображению признаков, слабо зависящих от угла поворота текстур. В работе [1] показано, что при обработке текстуры ультразвукового изображения целесообразно использовать признаки разностной гистограммы второго поряд-
ка GLDS. К данным признакам относятся контраст, математическое ожидание, второй угловой момент и энтропия:
К -1 2 / ч
CON = I k2pd(l4
k=0
M=-К z kPd04
Kk=0
K_i
EOT = -£ Pd(k)l°g(Pd(kB
k=0
ANSM = £ Pd(k)2-
k=0
Здесь k — номер элемента вектора Pd(k); K — размерность этого вектора, равная количеству уровней серого, представляемых на данном изображении; Pd(k) — вектор, обозначающий разностную гистограмму второго порядка, где k-й элемент этого вектора — количество пикселей на анализируемом изображении, абсолютная разница яркостей которых равна k, разделенных вектором смещения d = (di,d^; координаты d1 и d2 — расстояния между пикселями по горизонтали и вертикали соответственно.
Другой сложностью является выбор размера окна для обработки текстуры. При выборе окна большого размера будет значительной погрешность обработки вблизи границ двух текстур. При выборе окна малого размера возрастет статистическая неоднородность рассчитанных пространств признаков и появятся погрешности внутри однородных участков. Решение данной задачи предложено в [2].На основании выполненных исследований был разработан метод преобразования исходного ультразвукового изображения, а также построена и исследована математическая модель процесса обработки ультразвуковых эхограмм. В результате моделирования былы определены рациональные параметры автоматизирванной системы обработки ультразвуковых эхограмм [3].
Чтобы обеспечить возможность формирования предварительного консультативного диагноза, необходимо оснастить данную систему подсистемой экспертной оценки состояния исследуемых органов. Так как организм человека представляет собой сложный объект, то на эту подсистему не может быть полностью возложена задача автоматического определения патологий. Ее можно эффективно решить при взаимодействии с врачом-диагностом, который будет дополнять информацию, полученную от преобразования и визуализации исходного изображения дополнительными входными параметрами, а также выносить окончательный диагноз. С учетом выполненных исследований и сказанного выше обобщенную структуру автоматизированной системы обработки текстуры ультразвуковых эхограмм для принятия решений можно представить, как показано на рис. 1.
116
РИ, 2004, № 1
Таким образом, необходимо выполнить разработку подсистемы экспертной оценки состояния исследуемых внутренних органов человека, включая разработку ее структуры, а также принципов и алгоритмов функционирования.
3. Разработка структуры подсистемы экспертной оценки состояния внутренних органов человека
Как уже было сказано, в ультразвуковой диагностике принято различать очаговые и структурные патологии внутренних органов человека. Для структурных патологий в простейшем случае результатом для принятия решения может быть процентное отношение числа патологических пикселей обрабатываемой области интереса (далее ROI — Region Of Interest). Так как при построении нейронной сети, анализирующей изображение по набору признаков, использовалось кодирование результата с помощью сопоставления каждому распознаваемому классу одного выходного нейрона, то результатом обработки точки изображения был набор выходов-весов для каждой патологии, как показано в таблице.
Номер выходного нейрона Вид патологии Выход нейрона
і Нормальная ткань 0,22
2 Киста 0,07
3 Гемангиома 0,76
4 Доброкачественное образование 0,34
5 Злокачественное образование 0,05
6 Метастазы 0,23
7 Цирроз 0,32
8 Ожирение 0,27
В данном случае результат функционирования подсистемы экспертной оценки состояния органов может быть определен по нейрону с наибольшим выходом. В показанном примере это нейрон №3. Простейшая подсистема экспертной оценки, которая базируется на поиске точек изображения, представляющих патологии, может функционировать без участия врача-диагноста, полностью в автоматическом режиме. Формально такая подсистема выполняет следующие операции:
— поиск максимального выхода классифицирующей нейронной сети, используемой для анализа текстур;
— накопление сумм числа точек изображения, представляющих каждую патологию;
— пороговое ограничение накопленных сумм в целях отсечения погрешностей обработки изображения;
— принятие решения в соответствии с максимальной суммой найденных точек определенной патологии.
РИ, 2004, № 1
Такой способ пригоден только для диагностирования структурных (диффузных) патологий, так как в этом случае рассматривается текстура всего снимка, которая в идеале должна быть однородной, т.е. не содержать патологических образований. Точность работы такой подсистемы можно повысить путем введения дополнительных параметров, которые должен задать врач-оператор. Такими параметрами могут быть:
— ROI, по которой должно приниматься решение;
— отношение эхогенности ROI к эхогенности фона (гипер- или гипоэхогенная область);
— корректировка набора патологий, которые могут присутствовать на данном снимке, либо указание конкретной патологии для проведения анализа снимка в целях выявления ее присутствия;
— корректировка результата с использованием результатов, сгенерированных подсистемой экспертной оценки, а также изображения, сформированного подсистемой визуализации.
Таким образом, подсистема экспертной оцеки состояния исследуемого органа с участием врача должна выполнять следующий набор дополнительных функций:
— учет эхогенности патологий;
— сужение списка возможных патологий;
— корректировка решения в целях получения окончательного результата.
Последнее действие необходимо, так как организм человека — очень сложная система. Поэтому целью системы является определение весов медицинских патологий, предъявляемых врачу. Окончательное решение всегда принимает врач-диагност. Выбор именно такой роли для медицинской экспертной
Рис. 1. Структурная схема автоматизированной системы обработки ультразвуковых эхограмм для принятия решений
117
пациенте
системы был разработан и достаточно обоснован еще в работах Станфордского университета [4].
С учетом сказанного выше схема функционирования блока принятия решения должна иметь вид, изображенный на рис. 2.
При функционировании подсистемы экспертной оценки выполняется обработка каждого пикселя изображения в целях установления его принадлежности к определенному классу текстур. По количеству пикселей данного класса можно сделать вывод о преобладании нормальной ткани или патологии на обрабатываемом снимке. На схеме (см. рис. 2) результат обработки, полученный для каждого выхода нейронной сети, подвергается обработке (принимается или отбрасывается) с учетом данных об ососбенностях подозреваемой патологии, полученных от врача-диагноста. Эти данные представлены в виде совокупности коэффициентов, обозначенной K. Применение каждого коэффициента к выходам нейронной сети для каждой патологии можно описать формально как выполнение продукционных правил. Продукции, с одной стороны, близки к логическим моделям, что позволяет организовывать на них эффективные процедуры вывода; с другой стороны, они более наглядно отражают знания, чем классические логические модели. В них отсутствуют жесткие ограничения, характерные для логических исчислений, что
kj = 1, если вид патологии соответствует заболеванию; kj = 0 в остальных случаях.
Возможен поиск патологий двух видов: очаговых и структурных (диффузных). Таким образом, данное правило является селектором типа опредляемой патологии.
Правило k2 формулируется следующим образом:
[k2 = 1, если эхогенность соответствует заболеванию; |ф2 = 0 в остальных случаях.
Данное правило позволяет настраиваться на патологии определенной эхогенности. Так, киста любого органа на ультразвуковом снимке всегда выглядит как гипоэхогенная уплотненная область.
Правило k3 формулируется следующим образом:
ІФ3 = 1, если подозреваетсяданнаяпатология;
|фз = 0 в остальных случаях.
С помощью данного правила врач может уменьшить число отыскиваемых патологий и тем самым повысить достоверность решения.
Правило k4 формулируется следующим образом:
k4 = 1, если анализируемый пиксель принадлежит ROI; k4 = 0 в остальных случаях.
дает возможность изменять интерпретацию элементов продукции [5, 6].
Логически совокупность продукционных правил, применяемых к выходам нейронной сети при обнаружении очаговых и структурных (диффузных) патологий внутренних органов человека, можно описать в виде следующей формулы:
K = k1 л k2 л k3 л k4,
где k; — продукционные правила, генерируемые для каждого параметра, получаемого системой от врача.
Правило k1 формулируется следующим образом:
Решающее правило k4 используется для обнаружения очаговых патологий в случае указания врачом области интереса.
Пороговое ограничение результатов требуется для отсечения погрешностей, связанных с неточностями обработки текстур. Оно может использоваться в случае, когда определяется более 2-х патологий, если они разного вида (одна очаговая и одна диффузная) или 2 патологии одного типа. Такой выбор обусловлен тем, что в области интереса всегда может оказаться очаговая патология на фоне диффузной.
Указанные выше правила легко формализуются математически, в связи с чем подсистема экспертной оценки состояния внутренних органов человека может быть реализована в виде нейронной сети. Целесообразность такой реализа-
— J- ции обусловлена следующими факторами:
— нейросетевая подсистема экспертной оценки может эффективно функционировать в условиях перекрывающихся множеств исходных
— _г - данных [7];
— возможно дальнейшее дообучение подсистемы [7] с учетом коррекций, вносимых врачом при формировании окончательного диагноза;
— возможно построение нейросетевых блоков для более точного анализа органов на присутствие конкретных патологий с их дальнейшим добавлением по мере необходимости в процессе функционирования системы.
Рис. 2. Структурная схема подсисемы экспертной оценки состояния исследуемых органов человека
118
РИ, 2004, № 1
4. Результаты и выводы
Для выявления патологий по текстуре ультразвуковых снимков после сегментации и классификации текстур врач принимает решение. Чтобы повысить эффективность принятия решений, в автоматизированную систему обработки ультразвуковых эхограмм целесообразно ввести подсистему экспертной оценки состояния исследуемых внутренних органов человека. Здесь разработана структура автоматизированной системы обработки ультразвукровых эхограмм для принятия решений, а также структура подсистемы экспертной оценки состояния органов. Определены принципы и алгоритмы функционирования подсистемы. Показано, что целесообразно реализовать такую подсистему на основе нейронной сети, так как это позволяет повысить эффективность ее работы при анализе патологий по перекрывающимся (нечетким) данным и выполнять в дальнейшем ее дообучение. Проведенные исследования позволяют выполнить разработку структуры нейронной сети для блока принятия решения, а также алгоритмов ее функционирования и дообучения.
Литература: 1. Адамов В. Г., Привалов М. В. Вибір ознак текстури для використання у методі текстурного аналізу ультразвукових ехограм // Вестник Херсонского государственного технического университета. 2003. №2(18). С.377-381. 2. Адамов В.Г., Привалов М. В. Текстурная сегментация ультразвуковых эхограмм с применением
сглаживания статистик различия уровней серого // Наукові праці Донецького державного технічного університету. Серія: Обчислювальна техніка та автоматизація. Донецьк: ДонДТУ, 2000. Вип. 20. С. 132-139. 3. Адамов В.Г., Привалов М.В. Исследование влияния алгоритма фильтрации на точность работы модели модуля текстурной сегментации ультразвуковых эхограмм // Наукові праці Донецького державного технічного університету. Серія: Обчислювальна техніка та автоматизація. Донецьк: ДонДТУ, 2001. Вип. 25. С. 148-153. 4. Shorttlife Е.Н, Scott A. C, BischoffM. B andal. ONCONIN: an expert system for oncology protocol management // In. Proc. 7th International Joint Conference on Artificial Intelligence, 1981. P. 876-881. 5. МинскийM. Структура для представления знания / Сб. Психология машинного зрения / Под ред. П. Уинстона. М.: Мир, 1978. С. 249-338. 6. Hayes-Roth F, Jacobtein N. The State of Knowledge-Based Systems // Communications of the ACM, March 1994. Vol. 3, № 3. P. 27-39. 7. Джексон П. Введение в экспертные системы. Третье издание.М.: Вильямс. 2001. 624 с.
Адамов Владимир Григорьевич, канд. техн. наук, доцент кафедры АСУ ДонНТУ. Научные интересы: системы принятия решений, обработка изображений, компьютерные сети. Адрес: Украина, 83000, Донецк, ул. Афанасьева, 5, тел. (062) 304-90-17 (раб.)
Привалов Максим Владимирович, ассистент кафедры АСУ ДонНТУ. Научные интересы: системы принятия решений, обработка изображений, компьютерные сети, системы искусственного интеллекта. Адрес: Украина, 83000, Донецк, ул. Терешковой, 1, 123, тел. (0б2) 30490-20.
УДК 615.47:616-072.7
БЕСПРОВОДНАЯ ТЕЛЕМЕТРИЧЕСКАЯ СИСТЕМА ПОДАВЛЕНИЯ ЭПИЛЕПТИЧЕСКОЙ АКТИВНОСТИ С
ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИИ BLUETOOTH
БЕЙД.С., ЧУМАКОВ В.И.________________
Рассматриваются возможности использования малогабаритной биотелеметрической системы на основе интегральной технологии BLUETOOTH в нейрофизиологии для анализа ЭЭГ и подавления эпилептических приступов.
1. Задача анализа ЭЭГ
В результате исследований в области нейрофизиологии, проводимых в последние годы, было доказано, что активность головного мозга является необходимым и достаточным условием сознания. Человек может чувствовать, думать, приводить в движение мышцы, видеть, слышать только с помощью мозга. Головной мозг является хранилищем памяти, эмоций, личности. Однако в результате различного рода явлений, таких как авария, дорожное происшествие, болезнь может измениться баланс между человеком и окружающим миром. Из-за этого организм может утратить важнейшие как биологические, так и человеческие функции: способность ходить, есть, общаться, любить.
РИ, 2004, № 1
В здоровом состоянии кора головного мозга генерирует периодические электрические сигналы — ритмы электроэнцефалограммы (ЭЭГ), следующие в определенном порядке (рис.1).
Alpha: 8-13 Hz
Beta: 14-30 Hz
Theta: 4-7 hz
Delta: <3.5
1 с
Рис. 1. Типичный вид временных диаграмм ритмов ЭЭГ
Однако существует патологический случай, когда этот порядок нарушается в результате изменения характера и периода следования электрических разрядов нервных клеток (нейронов) коры головного мозга — эпилепсия. Происходит своего рода электрический “шторм”, берущий свое начало в нейронах, нестабильных наследственно в результате генетического дефекта (при различных типах наследственной эпилепсии), либо в нейронах, ставших нестабильными из -за метаболических аномалий, вызванных, например, низким содержанием глюкозы в крови или обусловленных действием алкоголя (рис .2).
119
