Компьютерная диагностика - Computer-aided diagnosis

Компьютерная диагностика
Рентген руки, на котором костный возраст автоматически определяется программой BoneXpert.jpg
Рентген руки с автоматическим вычислением костного возраста компьютерным программным обеспечением.
Цель компьютерная диагностика изображений

Компьютерное обнаружение ( CADe ), также называемое компьютерной диагностикой ( CADx ), - это системы, которые помогают врачам интерпретировать медицинские изображения . Методы визуализации в рентгеновской , МРТ и ультразвуковой диагностике дают большой объем информации, которую радиолог или другой медицинский работник должен проанализировать и всесторонне оценить за короткое время. Системы CAD обрабатывают цифровые изображения для получения типичного внешнего вида и выделения заметных участков, таких как возможные заболевания, чтобы предложить исходные данные для поддержки решения, принятого профессионалом.

CAD также имеет потенциальные будущие приложения в цифровой патологии с появлением полных изображений и алгоритмов машинного обучения . До сих пор его применение ограничивалось количественной оценкой иммуноокрашивания, но также изучается стандартное окрашивание H&E .

САПР - это междисциплинарная технология, сочетающая элементы искусственного интеллекта и компьютерного зрения с обработкой рентгенологических и патологических изображений. Типичное применение - обнаружение опухоли. Например, некоторые больницы используют ИБС для поддержки профилактических медицинских осмотров при маммографии (диагностика рака груди), обнаружения полипов в толстой кишке и рака легких .

Системы компьютерного обнаружения (CADe) обычно ограничиваются маркировкой заметных структур и участков. Системы компьютерной диагностики (CADx) оценивают заметные структуры. Например, в маммографии CAD выделяет кластеры микрокальцификации и гиперплотные структуры в мягких тканях. Это позволяет рентгенологу сделать выводы о состоянии патологии. Другое приложение - CADq, который позволяет количественно оценить, например , размер опухоли или поведение опухоли при поглощении контрастного вещества. Компьютерная простая сортировка (CAST) - это еще один тип CAD, который выполняет полностью автоматическую первоначальную интерпретацию и сортировку исследований по некоторым значимым категориям ( например, отрицательным и положительным). CAST особенно применим в неотложной диагностической визуализации, где требуется оперативная диагностика критического, опасного для жизни состояния.

Хотя CAD используется в клинических условиях более 40 лет, CAD обычно не заменяет врача или другого профессионала, а играет вспомогательную роль. Профессионал (обычно радиолог) обычно несет ответственность за окончательную интерпретацию медицинского изображения. Однако цель некоторых CAD-систем - обнаруживать самые ранние признаки аномалии у пациентов, которые не могут быть недоступны специалистам-людям, как, например, при диабетической ретинопатии , архитектурных искажениях на маммограммах, узелках матового стекла на грудной КТ и неполиповидных («плоских») поражениях. в КТ колонографии.

Темы

Краткая история

В конце 1950-х годов, с появлением современных компьютеров, исследователи в различных областях начали изучать возможность создания систем компьютерной медицинской диагностики (CAD). Эти первые системы САПР использовали блок-схемы, статистическое сопоставление с образцом, теорию вероятностей или базы знаний для управления процессом принятия решений.

С начала 1970-х годов некоторые из самых ранних CAD-систем в медицине, которые в медицине часто назывались « экспертными системами », разрабатывались и использовались в основном в образовательных целях. MYCIN экспертная система, то интернист-я экспертная система и Caduceus (экспертная система) некоторые из таких примеров.

В начале ранних разработок исследователи стремились создать полностью автоматизированные САПР / экспертные системы. Ожидание того, что могут делать компьютеры, было нереально оптимистичным среди этих ученых. Однако после революционной статьи Ричарда М. Карпа «Сводимость среди комбинаторных задач» стало ясно, что существуют ограничения, но также и потенциальные возможности при разработке алгоритмов для решения групп важных вычислительных задач.

В результате нового понимания различных алгоритмических ограничений, которые Карп обнаружил в начале 1970-х годов, исследователи начали осознавать серьезные ограничения, которые имеют САПР и экспертные системы в медицине. Осознание этих ограничений побудило исследователей разработать новые виды САПР с использованием передовых подходов. Таким образом, к концу 1980-х и началу 1990-х годов акцент сместился на использование методов интеллектуального анализа данных с целью использования более совершенных и гибких систем САПР.

В 1998 году первая коммерческая CAD-система для маммографии, система ImageChecker, была одобрена Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA). В последующие годы несколько коммерческих CAD-систем для анализа маммографии, МРТ груди, медицинских изображений легких, толстой кишки и сердца также получили одобрение FDA. В настоящее время CAD-системы используются в качестве диагностического средства, позволяющего врачам принимать более обоснованные медицинские решения.

Методология

САПР принципиально основан на распознавании очень сложных образов . Рентгеновские снимки или изображения других типов сканируются на предмет подозрительных структур. Обычно для оптимизации алгоритма требуется несколько тысяч изображений. Данные цифрового изображения копируются на сервер САПР в формате DICOM и подготавливаются и анализируются в несколько этапов.

1. Предварительная обработка для

  • Уменьшение артефактов (багов в изображениях)
  • Снижение шума изображения
  • Выравнивание (гармонизация) качества изображения (увеличение контрастности) для очистки различных основных условий изображения, например, различных параметров экспозиции.
  • Фильтрация

2. Сегментация для

  • Различение различных структур на изображении, например сердца, легких, грудной клетки, кровеносных сосудов, возможных круглых поражений.
  • Сопоставление с анатомическим банком данных
  • Пример значений серого в интересующем объеме

3. Анализ структуры / ROI (интересующей области) Каждая обнаруженная область анализируется индивидуально на предмет специальных характеристик:

  • Компактность
  • Форма, размер и расположение
  • Ссылка на близлежащие сооружения / РИ
  • Анализ среднего значения серого уровня в пределах ROI
  • Пропорция серых уровней к границе структуры внутри ROI

4. Оценка / классификация После анализа структуры каждая рентабельность инвестиций оценивается индивидуально (балльная оценка) на предмет вероятности TP. Следующие процедуры являются примерами алгоритмов классификации.

Если обнаруженные структуры достигли определенного порогового уровня, они выделяются на изображении для рентгенолога. В зависимости от системы CAD эти отметки могут быть сохранены постоянно или временно. Преимущество последнего в том, что сохраняются только одобренные рентгенологом маркировки. Ложные попадания не следует сохранять, потому что позднее обследование станет более трудным.

Чувствительность и специфичность

CAD-системы стремятся выделить подозрительные структуры. Современные CAD-системы не могут обнаружить 100% патологических изменений. Скорость попадания ( чувствительность ) может достигать 90% в зависимости от системы и приложения. Правильное попадание называется истинным положительным результатом (TP), а неправильная маркировка здоровых участков - ложным положительным результатом (FP). Чем меньше указано FP, тем выше специфичность . Низкая специфичность снижает признание системы CAD, потому что пользователь должен идентифицировать все эти неправильные совпадения. Показатель FP при обзорных обследованиях легких (CAD Chest) может быть снижен до 2 за обследование. В других сегментах ( например, при компьютерной томографии легких) частота FP может составлять 25 или более. В системах CAST частота FP должна быть чрезвычайно низкой (менее 1 за экзамен), чтобы обеспечить значимую сортировку исследований .

Абсолютная скорость обнаружения

Абсолютная частота обнаружения рентгенологом - это показатель, альтернативный чувствительности и специфичности. В целом результаты клинических испытаний относительно чувствительности, специфичности и абсолютной скорости обнаружения могут значительно различаться. Каждый результат исследования зависит от его основных условий и должен оцениваться с учетом этих условий. Следующие факты имеют сильное влияние:

  • Ретроспективный или перспективный дизайн
  • Качество используемых изображений
  • Состояние рентгенологического исследования
  • Опыт и образование радиолога
  • Тип поражения
  • Размер рассматриваемого поражения

Проблемы, с которыми сегодня сталкивается CAD в медицине

Несмотря на многочисленные разработки, достигнутые САПР с момента появления компьютеров, системы САПР по-прежнему сталкиваются с определенными проблемами.

Некоторые проблемы связаны с различными алгоритмическими ограничениями в процедурах системы CAD, включая сбор входных данных, предварительную обработку, обработку и оценку системы. Алгоритмы обычно предназначены для выбора единственного вероятного диагноза, что обеспечивает неоптимальные результаты для пациентов с множественными сопутствующими заболеваниями. Сегодня исходные данные для CAD в основном поступают из электронных медицинских карт (EHR). Эффективное проектирование, внедрение и анализ EHR - важная необходимость в любых CAD-системах.

Из-за большой доступности данных и необходимости их анализа большие данные также являются одной из самых больших проблем, с которыми сегодня сталкиваются САПР. Серьезной проблемой является постоянно растущий объем данных о пациентах. Часто данные пациента являются сложными и могут быть полуструктурированными или неструктурированными . Это требует высокоразвитых подходов к их хранению, извлечению и анализу в разумные сроки.

На этапе предварительной обработки необходимо нормализовать входные данные. Нормализация входных данных включает уменьшение шума и фильтрацию. Обработка может содержать несколько подэтапов в зависимости от приложений. Основными тремя подэтапами медицинской визуализации являются сегментация, выделение / выбор признаков и классификация. Эти подэтапы требуют передовых методов анализа входных данных с меньшими затратами времени. Несмотря на то, что много усилий было потрачено на создание инновационных методов для этих процедур в системах САПР, до сих пор не существует единственного наилучшего алгоритма для каждого шага. Постоянные исследования в области создания инновационных алгоритмов для всех аспектов систем САПР имеют важное значение.

Также отсутствуют стандартизированные меры оценки для CAD-систем. Этот факт может затруднить получение разрешения FDA на коммерческое использование. Более того, хотя многие положительные разработки CAD-систем были доказаны, исследования по проверке их алгоритмов для клинической практики практически не получили подтверждения.

Другие проблемы связаны с проблемой для поставщиков медицинских услуг внедрять новые системы CAD в клиническую практику. Некоторые отрицательные исследования могут препятствовать использованию CAD. Кроме того, отсутствие обучения медицинских работников использованию CAD иногда приводит к неправильной интерпретации результатов системы. Эти проблемы описаны более подробно в.

Приложения

Интерфейс Medical Sieve , алгоритма IBM для помощи в принятии клинических решений.

CAD используется в диагностике рака молочной железы , рак легкого , рак толстой кишки , рак предстательной железы , метастазы в кости , ишемической болезни сердца , врожденный порок сердца , обнаружение мозга патологического, выявления переломов, болезни Альцгеймера и диабетической ретинопатии .

Рак молочной железы

ИБС используется в скрининговой маммографии (рентгенологическом исследовании женской груди). Скрининговая маммография используется для раннего выявления рака груди. Системы CAD часто используются, чтобы классифицировать опухоль как злокачественную или доброкачественную. ИБС особенно широко используется в США и Нидерландах и используется в дополнение к оценке на людях, как правило, радиологом . Первая система CAD для маммографии была разработана в рамках исследовательского проекта Чикагского университета. Сегодня он коммерчески предлагается iCAD и Hologic . Однако, достигая высокой чувствительности, системы САПР, как правило, имеют очень низкую специфичность, и преимущества использования САПР остаются неопределенными. В систематическом обзоре 2008 г. по компьютерному выявлению при скрининговой маммографии был сделан вывод, что ИБС не оказывает значительного влияния на частоту выявления рака, но нежелательно увеличивает частоту отзыва ( т. Е. Частоту ложноположительных результатов). Тем не менее, он отметил значительную неоднородность влияния на частоту воспоминаний в разных исследованиях.

Последние достижения в области машинного обучения , глубокого обучения и технологий искусственного интеллекта позволили разработать системы CAD, которые клинически доказали, что помогают радиологам решать проблемы чтения маммографических изображений за счет повышения показателей выявления рака и уменьшения количества ложных срабатываний и ненужных отзывов пациентов, в то время как значительно сокращая время чтения.

Также существуют процедуры для оценки маммографии на основе магнитно-резонансной томографии .

Рак легких (карцинома бронхов)

При диагностике рака легких используется компьютерная томография со специальными трехмерными системами CAD, которые считаются подходящими второстепенными специалистами. При этом готовится и анализируется объемный набор данных, содержащий до 3000 отдельных изображений. Выявляются круглые очаги ( рак легкого , метастазы и доброкачественные изменения) от 1 мм. Сегодня все известные производители медицинских систем предлагают соответствующие решения.

Раннее обнаружение рака легких очень важно. Однако случайное обнаружение рака легких на ранней стадии (стадия 1) на рентгеновском снимке затруднено. Круглые поражения размером 5–10 мм легко не заметить. Обычное применение CAD Chest Systems может помочь обнаружить небольшие изменения без первоначального подозрения. Ряд исследователей разработали системы CAD для обнаружения узелков в легких (круглые поражения менее 30 мм) при рентгенографии грудной клетки и КТ, а также системы CAD для диагностики ( например , различия между злокачественными и доброкачественными) узелков в легких при компьютерной томографии. Виртуальная двухэнергетическая визуализация улучшила производительность систем CAD при рентгенографии грудной клетки.

Рак толстой кишки

CAD доступен для обнаружения колоректальных полипов в толстой кишке при КТ-колонографии. Полипы - это небольшие разрастания, которые возникают из внутренней оболочки толстой кишки. CAD обнаруживает полипы, определяя их характерную «неровную» форму. Чтобы избежать чрезмерного количества ложных срабатываний, CAD игнорирует нормальную стенку толстой кишки, включая хаустральные складки.

Сердечно-сосудистые заболевания

Современные методы вычислений сердечно-сосудистой системы, информатики сердечно-сосудистой системы, а также математического и вычислительного моделирования могут предоставить ценные инструменты для принятия клинических решений. CAD-системы с новыми маркерами на основе анализа изображений в качестве входных данных могут помочь сосудистым врачам с большей уверенностью принять решение о наиболее подходящем лечении пациентов с сердечно-сосудистыми заболеваниями .

Надежное раннее выявление и стратификация риска атеросклероза сонных артерий имеют первостепенное значение для прогнозирования инсульта у бессимптомных пациентов. С этой целью были предложены различные неинвазивные и недорогие маркеры, использующие функции на основе ультразвуковых изображений. Они сочетают в себе эхогенность , текстуру и характеристики движения, чтобы помочь клиническим решениям улучшить прогнозирование, оценку и управление сердечно-сосудистым риском.

CAD доступен для автоматического обнаружения значительного (вызывающего стеноз более 50% ) ишемической болезни сердца в исследованиях коронарной КТ-ангиографии (CCTA).

Врожденный порок сердца

Раннее обнаружение патологии может стать разницей между жизнью и смертью. CADe может быть выполнено путем аускультации с помощью цифрового стетоскопа и специального программного обеспечения, также известного как компьютерная аускультация . Шумы, нерегулярные сердечные тоны, вызванные током крови через дефектное сердце, могут быть обнаружены с высокой чувствительностью и специфичностью. Компьютерная аускультация чувствительна к внешнему шуму и звукам тела и требует почти бесшумной среды для точного функционирования.

Патологическое обнаружение головного мозга (PBD)

Chaplot et al. был первым, кто использовал коэффициенты дискретного вейвлет-преобразования (DWT) для обнаружения патологических состояний мозга. Майтра и Чаттерджи использовали преобразование Slantlet, которое является улучшенной версией DWT. Их вектор признаков каждого изображения создается путем рассмотрения величин выходных данных преобразования Slantlet, соответствующих шести пространственным положениям, выбранным в соответствии с определенной логикой.

В 2010 году Ван и Ву представили метод на основе прямой нейронной сети (FNN) для классификации данного МРТ-изображения мозга как нормального или ненормального. Параметры FNN были оптимизированы с помощью адаптивной оптимизации роя хаотических частиц (ACPSO). Результаты более 160 изображений показали, что точность классификации составила 98,75%.

В 2011 году Ву и Ван предложили использовать DWT для извлечения признаков, PCA для уменьшения признаков и FNN с масштабированной хаотической искусственной пчелиной колонией (SCABC) в качестве классификатора.

В 2013 году Saritha et al. были первыми, кто применил вейвлет-энтропию (WE) для обнаружения патологического мозга. Сарита также предложила использовать сюжеты в паутине. Позже Zhang et al. доказано, что удаление паутины не повлияло на производительность. Метод поиска по генетическому паттерну был применен, чтобы идентифицировать аномальный мозг из нормального контроля. Точность классификации составила 95,188%. Das et al. предложил использовать преобразование Ripplet. Zhang et al. предложили использовать оптимизацию роя частиц (PSO). Kalbkhani et al. предложил использовать модель GARCH.

В 2014 году Эль-Дахшан и др. предложили использовать нейронную сеть с импульсной связью.

В 2015 году Чжоу и др. предложили применить наивный байесовский классификатор для выявления патологических состояний мозга.

Болезнь Альцгеймера

CAD-ы можно использовать для выявления субъектов с болезнью Альцгеймера и умеренными когнитивными нарушениями из нормальной контрольной группы пожилых людей.

В 2014 году Padma et al . использовали комбинированные функции вейвлет-статистической текстуры для сегментации и классификации срезов доброкачественных и злокачественных опухолей AD. Zhang et al. Было обнаружено, что дерево решений векторной машины поддержки ядра имело точность классификации 80% со средним временем вычисления 0,022 с для каждой классификации изображений.

В 2019 году Сигнаевский и др . впервые сообщили об обученной полностью сверточной сети (FCN) для обнаружения и количественной оценки нейрофибриллярных клубков (NFT) при болезни Альцгеймера и ряде других таупатий. Обученный FCN достиг высокой точности и отзывчивости в семантической сегментации наивного цифрового изображения целого слайда (WSI), правильно идентифицируя объекты NFT с использованием модели SegNet, обученной для 200 эпох. FCN достигла почти практической эффективности со средним временем обработки 45 минут на WSI на графический процессор (GPU), что обеспечивает надежное и воспроизводимое крупномасштабное обнаружение NFT. Измеренная производительность на тестовых данных восьми наивных WSI при различных таупатиях привела к отзыву , точности и баллу F1, равному 0,92, 0,72 и 0,81, соответственно.

Собственный мозг - это новая функция мозга, которая может помочь обнаружить AD на основе анализа главных компонентов или разложения анализа независимых компонентов . Было показано, что полиномиальное ядро ​​SVM обеспечивает хорошую точность. Полиномиальный KSVM работает лучше, чем линейный SVM и SVM с ядром RBF. Другие подходы с приличными результатами включают использование анализа текстуры, морфологических признаков или статистических признаков высокого порядка.

Ядерная медицина

CADx доступен для изображений ядерной медицины. Существуют коммерческие системы CADx для диагностики метастазов в кости при сканировании костей всего тела и ишемической болезни сердца на изображениях перфузии миокарда.

Обладая высокой чувствительностью и приемлемой частотой обнаружения ложных поражений, компьютерная автоматическая система обнаружения поражений продемонстрировала свою полезность и, вероятно, в будущем сможет помочь врачам ядерной медицины выявлять возможные поражения костей.

Диабетическая ретинопатия

Диабетическая ретинопатия - это заболевание сетчатки, которое диагностируется преимущественно с помощью изображений глазного дна. Пациенты с диабетом в промышленно развитых странах обычно проходят регулярный скрининг на это заболевание. Визуализация используется для распознавания ранних признаков аномальных кровеносных сосудов сетчатки. Ручной анализ этих изображений может занять много времени и быть ненадежным. CAD был использован для повышения точности, чувствительности и специфичности автоматизированного метода обнаружения. Использование некоторых систем САПР для замены людей-грейдеров может быть безопасным и рентабельным.

Предварительная обработка изображений, выделение и классификация признаков - два основных этапа этих алгоритмов САПР.

Методы предварительной обработки

Нормализация изображения сводит к минимуму вариации по всему изображению. Сообщалось, что вариации интенсивности в областях между периферией и центральной макулярной областью глаза вызывают неточность сегментации сосудов. Согласно обзору 2014 года, этот метод был наиболее часто используемым и появился в 11 из 40 недавно (с 2011 года) опубликованных первичных исследований.

Образец изображения выравнивания гистограммы. Слева: нормальное полутоновое изображение глазного дна. Справа: обработка выравнивания пост-гистограммы.

Выравнивание гистограммы полезно для повышения контрастности изображения. Этот прием используется для увеличения локального контраста. В конце обработки области, которые были темными на входном изображении, будут осветлены, что значительно повысит контраст между элементами, присутствующими в этой области. С другой стороны, более яркие области входного изображения останутся яркими или будут уменьшены по яркости для выравнивания с другими областями изображения. Помимо сегментации сосудов, другие особенности, связанные с диабетической ретинопатией, могут быть дополнительно отделены с помощью этого метода предварительной обработки. Микроаневризма и кровоизлияния представляют собой красные поражения, а экссудаты - желтые пятна. Увеличение контраста между этими двумя группами позволяет лучше визуализировать поражения на изображениях. Обзор 2014 г. показал, что 10 из 14 недавно (с 2011 г.) опубликовали первичные исследования с использованием этой техники.

Фильтрация зеленого канала - еще один метод, который полезен для дифференциации поражений, а не сосудов. Этот метод важен, потому что он обеспечивает максимальный контраст между поражениями, связанными с диабетической ретинопатией. Микроаневризмы и кровоизлияния - это красные образования, которые становятся темными после применения фильтрации зеленого канала. Напротив, экссудаты, которые на нормальном изображении выглядят желтыми, после зеленой фильтрации превращаются в ярко-белые пятна. Согласно обзору 2014 года, этот метод используется в основном в 27 из 40 опубликованных статей за последние три года. Кроме того, фильтрация зеленого канала может использоваться для обнаружения центра диска зрительного нерва в сочетании с системой двойного окна.

Коррекция неравномерного освещения - это метод, который регулирует неравномерное освещение на изображении глазного дна. Неравномерное освещение может быть потенциальной ошибкой при автоматическом обнаружении диабетической ретинопатии из-за изменений статистических характеристик изображения. Эти изменения могут повлиять на последующую обработку, такую ​​как извлечение признаков, и не наблюдаются людьми. Коррекция неравномерного освещения (f ') может быть достигнута путем изменения интенсивности пикселей с использованием известной исходной интенсивности пикселей (f) и средней интенсивности локальных (λ) и желаемых пикселей (μ) (см. Формулу ниже). Затем применяется преобразование Вальтера-Клейна для достижения равномерного освещения. Этот метод является наименее используемым методом предварительной обработки в обзоре 2014 года.

Морфологические операции - второй наименее используемый метод предварительной обработки в обзоре 2014 года. Основная цель этого метода - обеспечить усиление контраста, особенно более темных областей по сравнению с фоном.

Извлечение признаков и классификации

После предварительной обработки изображения глазного дна, изображение будет дополнительно проанализировано с использованием различных вычислительных методов. Однако в современной литературе утверждается, что некоторые методы используются чаще, чем другие, во время анализа сегментации сосудов. Эти методы включают SVM, многомасштабный подход, отслеживание судов, подход к выращиванию региона и подходы на основе моделей.

Машина опорных векторов. Опорные векторы (пунктирные линии) созданы для максимального разделения между двумя группами.

Машина опорных векторов является наиболее часто используемым классификатором при сегментации сосудов, до 90% случаев. SVM - это модель обучения с учителем, которая относится к более широкой категории методов распознавания образов. Алгоритм работает, создавая наибольший разрыв между отдельными выборками в данных. Цель состоит в том, чтобы создать наибольший разрыв между этими компонентами, чтобы минимизировать потенциальную ошибку в классификации. Чтобы успешно отделить информацию о кровеносных сосудах от остальной части изображения глаза, алгоритм SVM создает опорные векторы, которые отделяют пиксель кровеносного сосуда от остальной части изображения через контролируемую среду. Обнаружение кровеносных сосудов по новым изображениям может быть выполнено аналогичным образом с использованием опорных векторов. Сочетание с другими методами предварительной обработки, такими как фильтрация зеленого канала, значительно повышает точность обнаружения аномалий кровеносных сосудов. Некоторые полезные свойства SVM включают:

  • Гибкость - высокая гибкость с точки зрения функций
  • Простота - просто, особенно с большими наборами данных (для разделения данных необходимы только опорные векторы)

Многомасштабный подход - это подход с множественным разрешением при сегментации сосудов. При низком разрешении сначала можно извлечь сосуды большого диаметра. Увеличивая разрешение, можно легко распознать более мелкие ответвления от крупных сосудов. Таким образом, одним из преимуществ использования этого метода является повышенная аналитическая скорость. Кроме того, этот подход можно использовать с 3D-изображениями. Представление поверхности - это поверхность, нормальная к кривизне сосудов, что позволяет обнаруживать аномалии на поверхности сосудов.

Отслеживание судов - это способность алгоритма определять «осевую линию» судов. Эти осевые линии являются максимальным пиком кривизны сосуда. Центры судов могут быть найдены с использованием информации о направлении, предоставляемой фильтром Гаусса. Аналогичные подходы, использующие концепцию средней линии, основаны на каркасе и на основе дифференциальной геометрии.

Подход с наращиванием области - это метод обнаружения сходных соседних пикселей. Для запуска такого метода требуется начальная точка. Для работы этой техники необходимы два элемента: подобие и пространственная близость. Соседний с исходным пикселем пиксель с аналогичной интенсивностью, вероятно, будет того же типа и будет добавлен в область роста. Одним из недостатков этого метода является то, что он требует ручного выбора начальной точки, что вносит систематическую ошибку и непоследовательность в алгоритм. Этот метод также используется для идентификации диска зрительного нерва.

Подходы на основе моделей используют представление для извлечения сосудов из изображений. Известны три широкие категории моделей, основанных на модели: деформируемые, параметрические и сопоставление с шаблоном. Деформируемые методы используют объекты, которые будут деформированы, чтобы соответствовать контурам объектов на изображении. Параметрический использует геометрические параметры, такие как трубчатое, цилиндрическое или эллипсовидное представление кровеносных сосудов. Классический контур змеи в сочетании с топологической информацией кровеносных сосудов также может использоваться в качестве модельного подхода. Наконец, сопоставление с шаблоном - это использование шаблона, подогнанного к процессу стохастической деформации с использованием скрытого марковского режима 1.

Влияние на занятость

Автоматизация медицинской диагностики труда (например, количественного определения эритроцитов ) имеет исторический прецедент. Глубокое изучение революция 2010s уже произведен AIs, которые более точны во многих областях визуальной диагностики , чем радиологи и дерматологи, и этот разрыв будет расти. Некоторые эксперты, в том числе многие врачи, игнорируют влияние ИИ на медицинские специальности. Напротив, многие экономисты и эксперты в области искусственного интеллекта полагают, что такие области, как радиология, будут серьезно нарушены из-за безработицы или снижения заработной платы радиологов; больницам в целом потребуется меньше радиологов, и многим радиологам, которые все еще существуют, потребуется существенная переподготовка. Джеффри Хинтон , «крестный отец глубокого обучения», утверждает, что (ввиду вероятного прогресса, ожидаемого в ближайшие пять или десять лет) больницы должны немедленно прекратить обучение рентгенологов, поскольку их трудоемкое и дорогостоящее обучение визуальной диагностике скоро будет в основном устаревшие, что привело к перенасыщению традиционных радиологов. В статье JAMA утверждается, что патологи и радиологи должны объединиться в одну роль «специалиста по информации», и заявляет, что «Чтобы избежать замены компьютерами, радиологи должны позволить себе заменить себя компьютерами». Специалисты по информации будут обучены "байесовской логике, статистике, науке о данных", а также некоторой геномике и биометрии; ручному распознаванию визуальных образов было бы значительно не уделять внимания по сравнению с нынешним обременительным обучением в области радиологии.

Смотрите также

использованная литература

внешние ссылки