Определение схожего анатомического участка на КТ-изображении грудной клетки с использованием традиционных методов выделения признаков изображения

Рассматриваются традиционные алгоритмы определения дескрипторов изображения, такие как SIFT, ORB, LBP, GLSM, для решения задачи поиска схожего анатомического участка на КТ-изображениях лёгких. В статье предлагается методика проведения сравнительного анализа традиционных алгоритмов определения дескрипторов изображений при решении задачи поиска схожего анатомического участка, а также определяются оптимальные анатомические признаки. Алгоритмы апробируются при поиске схожего анатомического слоя в рамках слоев изображений компьютерной томографии лёгких одного пациента, в рамках поиска схожей анатомической формы на слое среди изображений компьютерной томографии лёгких двух пациентов и среди изображений компьютерной томографии лёгких ста пациентов. В результате определено, что в ходе расчета методом GLSM получаются наилучшие результаты при решении задачи классификации анатомической области изображения (усредненная погрешность определения анатомического слоя составляет 5 %). Определено, что оптимальные признаки на КТ-изображении лёгких соответствуют наличию органов: сердца, печени и верхнего края лёгкого. Формулируются выводы о необходимости использования нейросетевых методов для улучшения погрешности определения схожего слоя, содержащего необходимую анатомическую структуру.

1. Chen, Chao-I, Tsai, Chang-Ming, Wang, Yuanfang, Koppel, Dan. Feature Detector and Descriptor for Medical ImagesFebruary. Proceedings of SPIE – The International Society for Optical Engineering, 1 Feb., 2009. DOI:10.1117/12.811210.

2. Solem J.E. Programming Computer Vision with Python. O'Reilly Media, 2012.

3. Calonder М., Lepetit V., Strecha С., Fua P. CVLab, Computer Vision. BRIEF: Binary Robust Independent Elementary Features – ECCV 2010, 11th European Conference on Computer Vision, Heraklion, Crete, Greece, September 5–11, 2010, Proceedings. Part IV. DOI:10.1007/978-3-642-15561-1_56.

4. Kovalev V. and Volmer S. Color Co-Occurrence Descriptors for Querying-by-Example. Int. Conference on Multimedia Modelling, Oct. 12–15, Lausanne, Switzerland. IEEE Comp. Society Press. 1998:32-38.

5. Liauchuk V, Kovalev V, Safonau I, Stsepankou D, Hesser J. CT image reconstruction with the co-occurrence matrix similarity as regularization term. International Journal of Computer Assisted Radiology and Surgery, Springer. June 2013;8(1):307-308.

6. Косарева А.А., Снежко Э.В, Камлач П.В., Ковалев В.А. Исследование и подготовка архива КТ- изображений патологий лёгких для системы автоматического поиска заданного анатомического участка. BIG DATA и анализ высокого уровня: сборник научных статей VII Международной научно-практической конференции, Минск, 19–20 мая 2021 г. Минск: Бестпринт; 2021:253-257.

7. Kosareva А.А., Snezko E.V, Kamlach P.V., Kovalev V.A. [Ppulmonary pathologies CT images archive`s research and preparation for a given anatomic area automatic system]. BIG DATA and Advanced Analytics = BIG DATA i analiz vysokogo urovnya: sbornik nauchnyh statej VII Mezhdunarodnoj nauchno-prakticheskoj konferencii, Minsk, May 19–20, 2021. Minsk: Bestprint; 2021:253-257. (In Russ.)

8. Murphy A., Baba Y. Windowing (CT). Reference article, Radiopaedia.org. (https://radiopaedia.org/articles/windowing-ct?lang=us, accessed on 09 Feb. 2022). doi.org/10.53347/rID-52108.

9. Liauchuk V., Kovalev V. Superpixel co-occurrence for quantitative description of biomedical images. In: XIII Int. Conf. on Pattern Recognition and Information Processing, 3–5 Oct., 2016, Minsk. Belarus State University; 2016:145-147.