Застосування текстурного аналізу у вирішенні задачі класифікації медичних зображень

Скорочена інформація про документ
dc.contributor.authorНастенко, Є. A.
dc.contributor.authorПавлов, В. А.
dc.contributor.authorНосовець, О. К.
dc.contributor.authorКруглий, В. В.
dc.contributor.authorГончарук, М. О.
dc.contributor.authorКарлюк, А. В.
dc.contributor.authorГрішко, Д. Ю.
dc.contributor.authorТрофименко, О. В.
dc.contributor.authorБабенко, В. О.
dc.date.accessioned2021-04-29T12:08:41Z
dc.date.available2021-04-29T12:08:41Z
dc.date.issued2020
dc.description.abstractenThis work reviews the use of texture analysis methods to obtain informative features that describe the texture of medical images. For the study, 317 images of liver ultrasound were taken (either of healthy people and people with different pathologies, such as autoimmune hepatitis, Wilson's disease, hepatitis B and C, steatosis, and cirrhosis), for which informative features were obtained; 3064 images of magnetic resonance imaging of the brain were also taken (showing three types of tumor such as meningioma, glioma and pituitary tumor), on which the obtained features were applied to test their universality. Ultrasound images of the liver were provided by the Institute of Nuclear Medicine and Radiation Diagnostics of the National Academy of Medical Sciences of Ukraine, while the images of magnet ic resonance imaging of the brain were taken from the online source. As a result of the study, more than 100 informative features of various kinds were obtained, which successfully classify both ultrasound images of the liver and magnetic resonance imaging of the brain. One of the most popular machine learning methods, Random Forest classifier, was used to classify images. For the problem of liver diseases, 3 Random Forest models were obtained separately for each type of ultrasound sensor, which successfully classify 2 classes ("norma" and "pathology"). Before obtaining them, the general sample was divided into training (for training models), testing (for selecting the optimal settings of Random Forest), and examination (for the objective assessment of obtained models). On the general sample, the recognition accuracy of the obtained models varies from 92% to 92.9%. In the problem of brain tumors, since there were 3 classes, 3 models of the Random Forest were built for separate problems "One tumor against all", as well as 1 model for a multiclass problem. The accuracy of the models on the examination sample (10%) varies from 84% to 93.8%.uk
dc.description.abstractruДанная работа рассматривает использование методов текстурного анализа для получения информативных признаков, которые описывают текстуру медицинских изображений. Для исследования было взято 317 снимков ультразвукового исследования печени (как у здоровых людей, так и у людей с разными патологиями, такими как: аутоимунный гепатит, болезнь Вильсона, гепатит В и С, стеатоз и цирроз), за которыми и были получены информативные признаки; также было взято 3064 изображения магнитно-резонансной томографии мозга (где изображены три типа опухолей, таких как: менингиома, глиома и опухоль гипофиза), на которых были применены полученные признаки, чтобы проверить их универсальность. Ультразвуковые снимки печени были предоставлены Институтом ядерной медицины и лучевой диагностики НАМН Украины, в то время как снимки магнитно-резонансной томографии мозга были взяты с онлайн источника. В результат исследования было получено более 100 информативных признаков разного рода, которые успешно классифицируют как ультразвуковые изображения печени, так и снимки магнитно-резонансной томографии мозга. Для классификации изображений был применен один из самых популярных методов машинного обучения – «Случайный лес классификации». Для задачи заболеваний печени было получено 3 модели Случайного леса отдельно под каждый тип ультразвукового датчика, которые успешно классифицируют 2 класса («норма» и патология»). Перед их получением общую выборку было разбито на обучающую (для обучения моделей), тестовую (для подбора оптимальных параметров настройки Случайного леса) и экзаменационную (для объективной оценки полученных моделей). На общей выборке точность распознавания полученных моделей варьируется от 92% до 92.9%. В задаче ж опухолей мозга, поскольку классов было 3, то были построены 3 модели Случайного леса под отдельные задачи «Одна опухоль против всех», а также 1 модель под мультиклассовую задачу. Точность моделей на экзаменационной выборке (10%) варьируется от 84% до 93.8%.uk
dc.description.abstractukДана робота розглядає використання методів текстурного аналізу для отримання інформативних ознак, які описують текстуру медичних зображень. Для дослідження було взято 317 знімків ультразвукового дослідження печінки (як у здорових людей, так і у людей з різними патологіями, такими як: аутоімунний гепатит, хвороба Вільсона, гепатит В і С, стеатоз і цироз), за якими і були отримані інформативні ознаки; також було взято 3064 зображення магнітно-резонансної томографії мозку (де зображені три типи пухлин, таких як: менінгіома, гліома та пухлина гіпофізу), на яких були застосовані отримані ознаки, щоб перевірити їх універсальність. Ультразвукові знімки печінки були надані Інститутом ядерної медицини та променевої діагностики НАМН України, в той час як знімки магнітно-резонансної томографії мозку були взяті з онлайн джерела. В результаті дослідження було отримано більше 100 інформативних ознак різного роду, які успішно класифікують як ультразвукові зображення печінки, так і знімки магнітно-резонансної томографії мозку. Для класифікації зображень був застосований один із найбільш популярних методів машинного навчання – «Випадковий ліс класифікації». Для задачі захворювань печінки було отримано 3 моделі Випадкового лісу окремо під кожний тип ультразвукового датчику, які успішно класифікують 2 класи («норма» і «патологія»). Перед їх отриманням загальну вибірку було розбито на навчальну (для навчання моделей), тестову (для підбору оптимальних параметрів налаштування Випадкового лісу) і екзаменаційну (для об’єктивної оцінки отриманих моделей). На загальній вибірці точність розпізнавання отриманих моделей варіюється від 92% до 92.9%. В задачі ж пухлин мозку, оскільки класів було 3, то було побудовано 3 моделі Випадкового лісу під окремі задачі «Одна пухлина проти всіх», а також 1 модель під мультикласову задачу. Точність моделей на екзаменаційній вибірці (10%) варіюється від 84% до 93.8%.uk
dc.format.pagerangeС. 69-82uk
dc.identifier.citationЗастосування текстурного аналізу у вирішенні задачі класифікації медичних зображень / Настенко Є. A., Павлов В. А., Носовець О. К., Круглий В. В., Гончарук М. О., Карлюк А. В., Грішко Д. Ю., Трофименко О. В., Бабенко В. О. // Біомедична інженерія і технологія. – 2020. – № 4. – С. 69–82. – Бібліогр.: 20 назв.uk
dc.identifier.doihttps://doi.org/10.20535/2617-8974.2020.4.221876
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/40833
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.relation.ispartofБіомедична інженерія і технологія, 2020, № 4uk
dc.subjectдіагностика пацієнтівuk
dc.subjectзахворювання печінкиuk
dc.subjectультразвукові дослідженняuk
dc.subjectпухлини мозкуuk
dc.subjectмагнітно-резонансна томографіяuk
dc.subjectтекстурний аналізuk
dc.subjectмашинне навчанняuk
dc.subject«Випадковий ліс класифікації»uk
dc.subjectpatients diagnosticsuk
dc.subjectliver diseasesuk
dc.subjectultrasound imagesuk
dc.subjectbrain tumorsuk
dc.subjectmagnetic resonance imaginguk
dc.subjecttexture analysisuk
dc.subjectMachine Learninguk
dc.subjectRandom Forest classifieruk
dc.subjectдиагностика пациентовuk
dc.subjectзаболевания печениuk
dc.subjectультразвуковые исследованияuk
dc.subjectопухоли мозгаuk
dc.subjectмагнитнорезонансная томографияuk
dc.subjectтекстурный анализuk
dc.subjectмашинное обучениеuk
dc.subject«Случайный лес классификации»uk
dc.subject.udc004.9 + 616-079.4uk
dc.titleЗастосування текстурного аналізу у вирішенні задачі класифікації медичних зображеньuk
dc.title.alternativeTexture analysis application in medical images classification task solvinguk
dc.title.alternativeПрименение текстурного анализа в решении задачи классификации медицинских изображенийuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
BmET-2020-4_p69-82.pdf
Розмір:
1.09 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.01 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Біомедична інженерія і технологія, № 4