Përdorimi i Pragëve të Intensitetit të Shkallës Gri për të Vizualizuar dhe Identifikuar Anomalitë në Imazhet e Mamografisë: 9 Hapa

2024 Autor: John Day | [email protected]. E modifikuara e fundit: 2024-01-30 12:20

Qëllimi i këtij projekti ishte identifikimi dhe përdorimi i një parametri për përpunimin e imazheve të mamografisë në ngjyrë gri të klasifikimeve të ndryshme të indeve të sfondit: Indi yndyror, gjëndër i yndyrshëm dhe i dendur. Ky klasifikim përdoret kur radiologët analizojnë mamografitë dhe duhet të marrin në konsideratë nëse dendësia e indeve do të errësojë çdo anomali të tilla si lezione ose tumore. Kjo është për shkak se të dy strukturat normale fiziologjike si indi i gjëndrave dhe indi lidhës fijor. dhe morfologjitë jonormale të tilla si kalcifikimet dhe tumoret do të shfaqen shumë të ndritshme në mamografi ndërsa indet yndyrore më pak të dendura do të duken të zeza. Prandaj, ishte e përshtatshme të programohej një klasifikues që mund të manipulonte nivelet e intensitetit të pikselëve për të vizualizuar dhe identifikuar më mirë masat.

Hapi 1: Organizimi i të dhënave të mamografisë

Një nga gjërat e para që kuptova se duhej të trajtoja ishte organizimi i të dhënave në një mënyrë shumë të qartë, koncize dhe të arritshme. Këto janë variablat që kam nxjerrë nga mini-MIAS Baza e të dhënave të mamografive. Kam krijuar dy vargje. Njëra që përmban 4 kolona:

1. Numri i Imazhit:
2. x koordinata e masës
3. koordinata e masës
4. Rrezja e Masës: (Kjo përcaktoi një madhësi të përafërt për masën

Grupi i dytë përmbante informacionin e klasifikimit:

1. Lloji i indit të sfondit: Yndyror (F), Gjëndër yndyror (G), I dendur (D)
2. Përshkrimi i Masës: E përcaktuar mirë (CIRC), e spikuluar (SPIC), e përcaktuar keq tjetër (MISC) Shtrembërim arkitektonik (ARCH), Asimetri (ASYM), Normale (NORM)
3. Diagnoza: beninje (B), malinje (M)

Meqenëse qëllimi i këtij projekti ishte përcaktimi i pragut më të mirë për secilin lloj indi të sfondit, jo i gjithë informacioni ishte i nevojshëm. Sidoqoftë, ju mund ta zgjeroni projektin tuaj për të përfshirë analizën e strukturës dhe të testoni klasifikuesin tuaj kundër përshkrimeve të njohura të masës.

Shënim anësor: Baza e të dhënave nga e kam marrë Imazhet e diagnostikuara të mamografisë organizoi informacionin për secilën mamografi në një skedar teksti të ndarë nga imazhet. Ishte shumë e vështirë për mua të nxirrja të dhënat nga një skedar teksti dhe të organizohesha në forma të grupit, por lidhja e mëposhtme ishte shumë e dobishme për të kuptuar gjithçka. Përndryshe, thjesht rregulloni kodin që kam ngjitur më lart për qëllimet tuaja.

Mamografi Formati i Skedarit: mdb001 G CIRC B 535 425 197

mdb002 G CIRC B 522 280 69

Ndihma TextScan: https://www.mathworks.com/help/matlab/ref/textsca… Baza e të dhënave të mamografisë:

Hapi 2: Përpunimi i imazhit

Epo, gjëja e dytë që doli kur po kuptoja se si të identifikoja masat ishte se për shumë mamografi jo normale nuk mund të tregoja vizualisht se ku ishte anormaliteti ose sa i madh ishte. Natyrisht, pasi nuk jam radiolog me përvojë, ishte e pritshme. Sidoqoftë, mënyra më e drejtpërdrejtë për të gjetur anomalitë (sipas kërkimeve të mia të gjata në Google) ishte të shikoni përqendrimet e zonave të ndritshme dhe të errëta. Unë kryesisht përdor funksionin adapthisteq për të rritur kontrastin e figurës dhe pastaj imbinarizoj për ta kthyer imazhin në një imazh binar për të eksperimentuar me nivele të ndryshme të pragut.

1. adapthisteq: Ky funksion transformon vlerat e intensitetit të imazheve të shkallës gri dhe rgb duke përdorur barazimin e kufizuar të histogramit adaptues të kufizuar. Me fjalë të tjera, ai rregullon histogramin e vlerave të intensitetit në një lloj të caktuar të shpërndarjes. Lidhja e punimeve matematikore për këtë funksion është bashkangjitur më poshtë për lexim të mëtejshëm.
2. imbinarizoj: krijon një imazh binar nga një imazh në shkallë gri duke i caktuar të gjithë pikselët mbi një intenistikë të caktuar në 1s dhe pikselët nën atë vlerë 0. Unë e përdor këtë funksion për të testuar pragun optimal për të zvogëluar zhurmën e indeve të sfondit.

Hapi 3: Kodi i Pragut

Një lak for përdoret për të binarizuar mamografinë me pragje të ndryshme. Për të dhënë një pamje më të madhe të figurës, laku for përmban kodin nga Hapi 3 deri në Hapin 7. Pra, çdo imazh binar do të analizohet për anomali. Për më tepër, ky për lak është vendosur në një lak tjetër që importon një imazh të ri mamografie nga baza e të dhënave në çdo përsëritje.

Hapi 4: Gjetja e anomalive për çdo imazh binar

Unë përpunova më tej imazhet binare duke përdorur funksionin strel në lidhje me imopen për të hequr zhurmën në sfond. Imazhi binar nga hapi i mëparshëm përmbyset dhe filtrohet duke përdorur lagjen e përcaktuar nga SE. Pastaj unë përdorja bwlabel për të etiketuar çdo zonë që kishte të paktën 8 pixel të lidhur.

Funksioni i mbështetësve të rajonit u përdor për të gjetur vetitë centroid dhe zonën e secilës pikë të identifikuar nga bwlabel.

Pastaj të gjitha njollat më të mëdha se 500 piksele u identifikuan duke përdorur izemember. Centroidet për pikat e identifikuara u vizatuan në një imazh që shfaqte vetëm njollat më të mëdha në sipërfaqe se 500. Zona e Identifikuar = Isemember (E etiketuar, indikacionet (zonat e renditura> 500)); Spote = Identifikuar> 0;

Hapi 5: Hartimi i vendndodhjes dhe madhësisë së masës së diagnostikuar për krahasim vizual

Doja të shikoja nëse pikat e gjetura nga bwlabel ishin të sakta. Unë e bëra këtë në dy mënyra. Së pari analizova saktësinë e klasifikuesit tim duke bërë një krahasim vizual. Unë thjesht komplotova madhësinë dhe vendndodhjen aktuale të anomalisë (rrethi i kuq) dhe vendndodhjen e përcaktuar me kodin (blu x) në imazhin e mamografisë së përpunuar paraprakisht. Gjashtë imazhet e mësipërme tregojnë efektet e rritjes së vlerës së pragut të shkallës gri.

Hapi 6: Zbatimi i Metodës së Krahasimit të Dytë

Mënyra e dytë që unë testova klasifikuesin dhe vlerat e pragut ishin duke përcaktuar nëse vendet e gjetura nga klasifikuesi ishin brenda një distancë të caktuar nga koordinatat e anomalive të diagnostikuara. I ruajta pragjet për të cilat të paktën njëra nga pikat e identifikuara ishin brenda 1.5*r nga anormaliteti i njohur në një skedar teksti të veçantë të quajtur Të dhënat e mamografisë. Qëllimi për këtë ishte të gjeja pragun minimal të nevojshëm për klasifikuesin tim për të identifikuar anomalinë.

Hapi 7: Analizimi i të dhënave të mbledhura

Drejtova programin në të gjitha imazhet jonormale të mamografisë dhe më la një skedar teksti i madh i të dhënave. Për të gjetur pragun më të mirë për secilin lloj indi, unë i organizova të dhënat sipas llojit të indeve dhe hartova një histogram të vlerave të pragut për secilin lloj indi. Vlera e duhur e pragut u vendos mbi atë prag që siguroi rezultatet më të sakta për secilin lloj indi. Unë i ruaj këto të dhëna për t'i ngarkuar në klasifikuesin tim.

Hapi 8: Bërja e Klasifikuesit tuaj

Pasi gjeta vlerat më të përshtatshme të pragut për secilin lloj indi, unë redaktova kodin tim origjinal për të kërkuar që një përdorues të fusë numrin e imazhit dhe llojin e indeve për të zgjedhur pragun për imazhin e mamografisë. Më pas komplotova vendndodhjen e mamografisë së diagnostikuar me vendet e gjetura në imazhet origjinale të mamografisë. Doja ta bëja këtë më argëtuese kështu që programova një funksion për të prerë një rajon rrethor që rrethon ROI. Përdoruesi do të udhëzohet të zgjedhë një pikë qendrore dhe disa pika që përfshijnë më së miri ROI. Unë i bashkangjita të dy skedarët matlab këtu.

Hapi 9: Përmirësime? Ndonje mendim?

Ndërsa po shkruaja këtë udhëzues, filloj të shoh shumë përmirësime që mund të bëja në klasifikues, të tilla si gjetja e mënyrave për të bërë dallimin midis llojeve të ndryshme të masave të identifikuara bazuar në analizën e strukturës ose përmirësimin e testimit tim për seksionin e saktësisë së SandBoxProject. dosje. Meqenëse ky ishte një projekt me afat, më duhej të ndalem diku, por shpresoj se do të jem në gjendje të përdor aftësitë e përpunimit të imazhit që kam mësuar në aplikacione të tjera. Gjithashtu, bashkëngjita skedarin që u përdor për të përpunuar në grumbull të gjitha imazhet jonormale të mamografisë.