НАУЧНЫЙ И ИНФОРМАЦИОННО-АНАЛИТИЧЕСКИЙ ЖУРНАЛ

ISSN 1024-6177 (Print), ISSN 2618-9615 (Online)

Медицинская радиология и радиационная безопасность. 2016. Том 61. № 6. C. 64-67

ЯДЕРНАЯ МЕДИЦИНА

Н.Э. Косых1, С.З. Савин1, Т.П. Потапова2

ПРИМЕНЕНИЕ ТЕКСТУРНОГО АНАЛИЗА ДЛЯ ОЦЕНКИ РАЗЛИЧИЙ МЕТАСТАТИЧЕСКИХ И НЕМЕТАСТАТИЧЕСКИХ ОЧАГОВ НА ПЛАНАРНЫХ ОСТЕОСЦИНТИГРАММАХ

1. Вычислительный центр ДВО РАН, Хабаровс, e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра. ; 2. Дальневосточный государственный медицинский университет, Хабаровск

РЕФЕРАТ

Цель: Изучение текстурных характеристик изображений метастатических очагов на планарных сцинтиграммах скелета.

Методы и материалы: Использована компьютерная программа автоматического анализа скелетных метастазов по данным планарной сцинтиграфии с помощью которой на остеосцинтиграммах 168 больных с диссеминированным раком молочной железы были выделены очаги гиперфиксации (ОГФ) радиофармпрепарата (РФП). Экспертным путем ОГФ разделялись на патологические (метастатические) и физиологические (не-метастатические). В ОГФ определены текстурные характеристики по Харалику: автокорреляция, контрастность, корреляция, четвертый момент, неоднородность.

Результаты: В большинстве зон скелета значения текстурных параметров по Харалику в патологических ОГФ преобладают над аналогичными значениями в физиологических ОГФ. Различия по всем 5 текстурным параметрам между патологическими и физиологическими ОГФ РФП на сцинтиграммах в передне-задней проекции наблюдались в зонах грудины и таза, а на сцинтиграммах в задне-передней проекции - только в зоне таза. Наиболее часто в патологических ОГФ на сцинтиграммах в обеих проекциях фиксировалось преобладание показателей контрастности по сравнению с аналогичными показателями физиологических ОГФ.

Выводы: Полученные результаты позволяют использовать Хараликовские текстуры для дифференциальной диагностики метастатических и не-метастатических очагов на планарных остеосцинтиграммах в рамках автоматизированного компьютерного анализа сцинтиграмм.

Ключевые слова: компьютерный автоматизированный анализ (КАД), распознавание образов, планарные сцинтиграммы, очаги гиперфиксации (ОГФ), радиофармпрепарат (РФП), гистограмма, яркость изображения

СПИСОК ЛИТЕРАТУРЫ

  1. Календер В. Компьютерная томография. М: Техносфера. 2006. 343 с.
  2. Pratt W.K. Digital Image Processing (4th edition). John Wiley & Sons, Inc. 2007. 807 pp.
  3. Гриценко Н.Н., Ульянычев Н.В. Программный комплекс интеллектуальной обработки медико-биологических данных // Информатика и системы управления. 2010. Т. 24. № 2. С. 76-80.
  4. Гонсаленс Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. М.: Техносфера. 2006. 616 с.
  5. Мясников В.В., Попов С.Б., Сергеев В.В., Чернов В.М. Распознавание изображений // В сб.: «Методы компьютерной обработки изображений». Под ред. В.А. Сойфера. М.: Физматлит. 2003. С. 251-300.
  6. Фисенко В.Т., Фисенко Т.Ю. Компьютерная обработка и распознавание изображений. СПб: СПбГУ ИТМО. 2008. 192 с.
  7. Яне Б. Цифровая обработка изображений. М.: Техносфера. 2007. 584 с.
  8. Haralick R.M., Shanmugam K., Dinstein I. Textural features of image classification // IEEE Transact. Systems, Man and Cybernetics. 1973. Vol. 6. Suppl. SMC-3. P. 610-621.
  9. Гайдель А.В., Первушкин С.С. Исследование текстурных признаков для диагностики заболеваний костной ткани по рентгеновским изображениям // Компьютерная оптика. 2013. Т. 37. № 1. С. 42-48.
  10. Materka A., Cichy P., Tuliszkiewicz J. Texture analysis of x-ray images for detection of changes in bone mass and structure // In: Texture Analysis in Machine Vision. Series in Machine Perception and Artificial Intelligence. Ser. 40. M.K. Pietikainen. World Scientific. 2000. P. 185-189.
  11. Karahaliou A.N., Boniatis I.S., Skiadopoulos S.G. et al. Breast cancer diagnosis: analyzing texture of tissue surrounding microcalcifications // IEEE Transactions on Information Technology in Biomedicine. Vol. 12. № 3. P. 731-738.
  12. Lee N.J. Computer-Aided diagnostic system for digital mammograms. A thesis of master of science in systems science. Jackson State University, December, 2006. 25 pp.
  13. Gletsos M., Mougiakakou S.G., Matsopoulos G.K. et al. Computer-aided diagnostic system to characterize CT focal liver lesions: design and optimization of a neural network classifier // IEEE Transact. Technol. Biomed. 2003. Vol. 7. № 3. P. 153-162.
  14. Паша С.П., Терновой С.К. Радионуклидная диагностика. М.: ГЭОТАР-медиа. 2008. 204 с.
  15. Sadik M., Suurkula M., Höglund P. et al. Improved classifications of planar whole-body bone scans using a computer-assisted diagnosis system: a multicenter, multiple-reader, multiple-case study. // J. Nucl. Med. 2009. Vol. 50. No. 3. P. 368-375.
  16. Коваленко В.Л., Косых Н.Э., Савин С.З., Гостюшкин В.В. Методы повышения эффективности компьютерных автоматизированных технологий в задачах радионуклидной диагностики // Врач и информационные технологии. 2013. № 6. С. 42-48.

Для цитирования: Косых Н.Э., Савин С.З., Потапова Т.П. Применение текстурного анализа для оценки различий метастатических и неметастатических очагов на планарных остеосцинтиграммах // Медицинская радиология и радиационная безопасность. 2016. Т. 61. № 6. С. 64-67.

PDF (RUS) Полная версия статьи

© Журнал "Медицинская радиология и радиационная безопасность" 2020г.

Яндекс.Метрика

Наверх