Использование технологий машинного обучения в задачах анализа медицинских изображений

искажениями, получаемыми в процессе фиксирования и отображения на экран, производящего показ изображения оборудования, а также зрительных особенностей исследователя. Для снижения трудоёмкости процесса и обеспечения эффективной диагностики, было разработано множество различных решений, нацеленных на решение конкретных спектров задач.

Основной целью исследования является оценка эффективности использования технологий машинного обучения при диагностике и лечении заболеваний в различных областях медицины, связанных с анализом изображения. Для достижения поставленной цели необходимо:

Собрать информацию о существующих системах обработки медицинских изображений;

Собрать информацию об используемых алгоритмах и технологиях машинного обучения при анализе массивов медицинских изображений;

Собрать информацию об эффективности той или иной системы и сделать выводы о текущем влиянии этих систем на эффективность врачей в различных сферах медицины.

Алгоритмы и системы

Прежде чем начать говорить о существующих алгоритмах и системах обработки медицинских изображений, необходимо рассказать о том, что же их всех объединяет. Задача обработки и анализа графических данных с точки зрения интеллектуального понимания достаточно тривиальна, поэтому каждая из ныне существующих систем включает в себя 6 основных этапов при выполнении анализа изображения, а именно:

Фильтрация

Предобработка

Сегментация

Распознавание

Диагностика

Итог

Фильтрация и предобработка медицинских изображений

Самый первый этап в задаче анализа изображения – это фильтрация. На данном этапе необходимо произвести «очистку» изображения от лишних деталей, именуемых «артефактами» изображения, которые отражаются на качестве анализа программным методом. Принципиальная схема этапов фильтрации представлена на рис.1. Основными видами используемых фильтров являются: низкочастотный и высокочастотный фильтры. Задача низкочастотного фильтра – ослабление уровня интенсивности высокочастотной составляющей сигнала, задача высокочастотного фильтра, напротив, ослабить уровень низкочастотной составляющей.

Низкочастотная фильтрация применяется для «очистки» изображения от резких деталей. Высокочастотный фильтр позволяет уменьшить яркость в пределах больших гладких областей, а также выделить переходные зоны, где происходит быстрое изменение яркости, то есть контуры изображения. Обычно, данные изображения обладают большей резкостью по сравнению с исходным. Однако, после прохождения высокочастотных фильтров, изображения приобретают околонулевую яркость фона, так как высокочастотные фильтры исключают постоянную составляющую Фурье-преобразования. Для устранения данной проблемы используют долю от исходного изображения в качестве уменьшаемой компоненты для формирования итогового изображения без потери фоновой яркости. Эта методика называется высокочастотной фильтрацией с подъёмом частотной характеристики или гомоморфной фильтрацией.

При решении, довольно, узкого круга задач, а именно при повышении резкости рентгенографических изображений, необходимо использовать фильтрацию с применением высоких частот, поскольку рентгеновские лучи не могут быть сфокусированы с помощью линз, как солнечные, из-за чего выходные изображения отличаются низкими яркостью и резкостью. Поэтому требуется применять методы обработки с увеличением яркости и контрастности изображения.

Этап предварительной обработки является очень важной частью подготовки изображения к сегментации, поскольку здесь происходит выделение объектов интереса исследователя, их увеличение,