- bwm.pollub.pl
Transkrypt
- 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.