- bwm.pollub.pl

Dominik Kapica
Sprawozdane z pobytu na praktykach studenckich w ramach
programu ERASMUS, lipiec - wrzesień 2014
Praktyki odbywałem w firmie im3D - Medical Imaging Lab S.p.A. w Turynie, we Włoszech
wraz z innym studentem kierunku inżyniera biomedyczna - panem Arturem Fijałkowskim.
Otrzymane zadanie określone zostało w dokładny i jednoznaczny sposób - w trakcie naszego
pobytu mieliśmy opracować sposób łączenia wykrywanych zmian nowotworowych oraz
zwapnień pomiędzy obrazami w widoku CC i MLO w tomosyntezie piersi. Pierwszym
krokiem na drodze do osiągnięcia celu stało się zapoznanie z dostępnymi artykułami
naukowymi i literaturą, które poruszały podobny temat i mogły okazać się użyteczne podczas
naszej pracy. W dalszej kolejności niezbędne stało się stworzenie odpowiedniego algorytmu,
który na podstawie wprowadzanego obrazu nałożonej na pierś maski byłby w stanie
poprawnie wyznaczyć położenie sutka. Problem wymagał głębszej analizy, osobnego
podejścia dla obrazów CC i MLO, jak i zapoznania się z używaną podczas tworzenia kodu w
języku C++ biblioteką ITK. Po odpowiednim dopracowaniu algorytmu i otrzymaniu
satysfakcjonujących wyników przyszedł czas na zmagania z właściwym zadaniem.
By zrozumieć dalsze działania, należy zdawać sobie sprawę z kilku podstawowych założeń
tomosyntezy i uwarunkowań, jakie za nimi idą. Tomosynteza piersi jest badaniem podobnym
do mammografii, jednak otrzymywany obraz jest obrazem trójwymiarowym, o dużo lepszej
rozdzielczości i użyteczności diagnostycznej od tradycyjnego badania rentgenowskiego. Na
podstawie tego zdjęcia przy użyciu odpowiedniego, rozwijanego w firmie oprogramowania
możliwe jest wykrycie w procesie segmentacji obrazu odstępstw i odchyłów od naturalnego
obrazu piersi, które mogą być zmianami patologicznymi - mikrozwapnieniami lub guzami.
Dla obrazów z obu widoków - zarówno CC, jak i MLO - proces segmentacji wyszukuje
najczęściej po kilkanaście możliwych zmian - przy czym większość z nich to są tak zwane
"false positive", fałszywe alarmy, nie będące wynikiem zmian patologicznych, a innych,
różnych czynników, od naturalnych różnic w gęstości piersi po powstałe podczas badania
pofałdowania skóry. Każda zmiana opisywana jest przez szereg cech, na których podstawie
możliwe jest określenie, czy jest ona właśnie wspomnianym fałszywym alarmem, czy jednak
zmianą patologiczną.
Na podstawie obliczanych przy pomocy stworzonego wcześniej algorytmu lokalizacji sutka
oraz kilku związanych z nią wartości, określiliśmy osiem cech związanych z położeniem
sutka, opisujących każdą wykrywaną podczas segmentacji zmianą i dołączyliśmy je do
większej grupy cech określanych podczas segmentacji. Następnie przy pomocy stworzonego
w środowisku MATLAB kodu, przy użyciu liniowego klasyfikatora Fishera, dokonano
klasyfikacji cech i wyboru odpowiedniej, niewielkiej grupy cech, na podstawie których
możliwe stało się poprawne łączenie "true positives" - faktycznych zmian patologicznych pomiędzy obrazami. Badania zostały przeprowadzone osobno dla zmian masowych, jak i
mikrozwapnień. W końcu, po wyodrębnieniu z grupy ponad stu cech tych kilku niezbędnych,
opracowaliśmy w języku C++ odpowiedni algorytm, umożliwiający selekcję spośród
wszystkich możliwych połączeń wykrywanych zmian w obrazach CC i MLO jak najmniejszej
grupy spełniającej zadane warunki; w owej grupie powinno znajdować się możliwie jak
najwięcej par TP-TP (true positive - true positive) i jak najmniej TP-FP (true positive - false
positive). W końcu przeprowadziliśmy badania dla zestawu ponad stu par obrazów i
opracowaliśmy wyniki końcowe. Na zakończenie praktyk, ze względu na nieco szybszy
koniec prac od zakładanych, stworzyliśmy również schemat działania i algorytm w
środowisku MATLAB, umożliwiający określenie przy użyciu opracowanych wcześniej cech
pozycyjnych sutka kwadrantu piersi, w którym znajduje się wykryta zmiana. Swoistym
podsumowaniem naszej pracy stało się zaprezentowanie wyników naszych badań przed
pracownikami firmy.