(43-2) 19 * << * >> * Русский * English * Содержание * Все выпуски

Технология интеллектуального отбора признаков для системы автоматического формирования плана коагулятов на сетчатке глаза
Ильясова Н.Ю., Широканев А.С., Куприянов А.В., Парингер Р.А.

ИСОИ РАН – филиал ФНИЦ «Кристаллография и фотоника» РАН,

Самарский национальный исследовательский университет имени академика С.П. Королёва

 PDF, 2882 kB

DOI: 10.18287/2412-6179-2019-43-2-304-315

Страницы: 304-315.

Аннотация:

В работе предложена технология отбора эффективных признаков для локализации индивидуальных особенностей анатомических и патологических структур на глазном дне человека. Она позволила провести интеллектуальный анализ признаков с использованием цветовых подпространств для решения задачи выделения областей интереса. Данная задача является актуальной для повышения эффективности проведения операции лазерной коагуляции. В основу технологии положен текстурный анализ определённых паттернов изображений. Исходные текстурные признаки производятся из разных статистических дескрипторов изображений, вычисленных с использованием библиотеки MaZda (гистограмма изображения, градиент изображения, матрицы длины серий и смежности). Анализ информативности пространства признаков и выбор наиболее эффективных осуществляется с использованием дискриминантного анализа данных. Определены наилучшие значения размеров окна фрагментации изображений для проведения кластеризации глазного дна и наборы признаков, обеспечивающих необходимую точность идентификации областей интереса при анализе следующих 4 классов изображений: экссудаты, толстые сосуды, тонкие сосуды и здоровые участки. В технологии отбора признаков применялась кластеризация с использованием метода К-средних, а в качестве меры сходства использовалось расстояние Евклида и Махаланобиса. Необходимый минимальный размер окна фрагментации и мера сходства выбирались из критерия минимума ошибки кластеризации среди всех наименьших размеров окон. Наилучшие результаты продемонстрировало использование 6 признаков, сформированных попарным отбором с поворотом и применением расстояния Махаланобиса, и окна фрагментации размером 12.
В статье представлена также система автоматического формирования плана коагулятов, которую планируется использовать для поддержки принятия решений при проведении операции лазерной коагуляции сетчатки при лечении диабетического макулярного отёка, разрабатываемая на основе предложенной технологии.

Ключевые слова:
лазерная коагуляция, глазное дно, изображения глазного дна, текстурные признаки, интеллектуальный анализ данных, отбор признаков.

Цитирование:
Ильясова, Н.Ю. Технология интеллектуального отбора признаков для системы автоматического формирования плана коагулятов на сетчатке глаза / Н.Ю. Ильясова, А.С. Широканев, А.В. Куприянов, Р.А. Парингер // Компьютерная оптика. – 2019. – Т. 43, № 2. – С. 304-315. – DOI: 10.18287/2412-6179-2019-43-2-304-315.

Литература:

  1. Дедов, И.И. Государственный регистр сахарного диабета в Российской Федерации: статус 2014 г. и перспективы развития / И.И. Дедов, М.В. Шестакова, О.К. Викулова // Сахарный диабет. – 2015. – Т. 18, № 3. – С. 5-23.
  2. Дедов, И.И. Распространенность сахарного диабета 2 типа у взрослого населения России (исследование NATION) / И.И. Дедов, М.В. Шестакова, Г.Р. Галстян // Сахарный диабет. – 2016. – Т. 19, № 2. – С. 104-112.
  3. Zhang, X. Prevalence of diabetic retinopathy in the United States, 2005-2008 / X. Zhang, J.B. Saaddine, C.F. Chou, M.F. Cotch, Y.J. Cheng, L.S. Geiss, E.W. Gregg, A.L. Albright, B.E. Klein, R. Klein // Journal of the American Medical Association. – 2010. – Vol. 304. – P. 649-656.
  4. Wong, T.Y. Relation between fasting glucose and retinopathy for diagnosis of diabetes: three population-based cross-sectional studies / T.Y. Wong, G. Liew, R.J. Tapp, M.I. Schmidt, J.J. Wang, P. Mitchell, R. Klein, B.E. Klein, P. Zimmet, J. Shaw // Lancet. – 2008. – Vol. 371, Issue 9614. – P. 736-743.
  5. Sakata, K. Relationship of macular microcirculation and retinal thick-ness with visual acuity in diabetic macular edema / K. Sakata, H. Funatsu, S. Harino, H. Noma, S. Hori // Ophthalmology. – 2007. – Vol. 114, Issue 11. – P. 2061-2069.
  6. Doga, A.V. Modern diagnostic and treatment aspects of diabetic macular edema / A.V. Doga, G.F. Kachalina, E.K. Pedanova, D.A. Buryakov // Ophthalmology, Diabetes. – 2014. – No. 4. – P. 51-59.
  7. Astakhov, Y.S. Modern approaches to the treatment of a diabetic macular edema / Y.S. Astakhov, F.E. Shadrichev, M.I. Krasavina, N.N. Grigoryeva // Ophthalmologic Sheets. – 2009. – No. 4. – P. 59-69.
  8. Замыцкий, Е.А. Анализ интенсивности коагулятов при лазерном лечении диабетического макулярного отека на роботизированной лазерной установке NAVILAS / Е.А. Замыцкий, А.В. Золотарев, Е.В. Карлова, П.А. Замыцкий // Саратовский научно-медицинский журнал. – 2017. – Т. 13, № 2. – С. 375-378.
  9. Крылова, И.А. Лазерное лечение диабетического макулярного отёка / И.А. Крылова, А.П. Гойдин, О.Л. Фабрикантов // Современные технологии в офтальмологии. – 2017. – № 1. – С. 147-149.
  10. Чупров, А.Д. Микроимпульсное лазерное воздействие в лечении диабетического макулярного отека / А.Д. Чупров, Д.А. Илюхин // Современные технологии в офтальмологии. – 2017. – № 1. – С. 327-329.
  11. Kernt, M. Navigated focal retinal laser therapy using the NAVILAS system for diabetic macula edema / M. Kernt, R. Cheuteu, R.G. Liegl, F. Seidensticker, S. Cserhati, C. Hirneiss, C. Haritoglou, A. Kampik, M. Ulbig, A.S. Neubauer // Ophthalmology. – 2012. – Vol. 109, Issue 7. – P. 692-700.
  12. Park, H.Y. Early diabetic changes in the nerve fibre layer at the macula detected by spectral domain optical coherence tomography / H.Y. Park, I.T. Kim, C.K. Park // The British Journal of Ophthalmology. – 2011. – Vol. 95, Issue 9. – P. 1223-1228.
  13. Thomas, R.L. Incidence of diabetic retinopathy in people with type 2 diabetes mellitus attending the diabetic retinopathy screening service for wales: retrospective analysis / R.L. Thomas, F. Dunstan, S.D. Luzio, S.R. Chowdury, S.L. Hale, R.V. North, R.L. Gibbins, D.R. Owens // British Medical Journal. – 2012. – Vol. 344. – e874.
  14. Litjens, G. A survey on deep learning in medical image analysis / G. Litjens, T. Kooi, B.E. Bejinordi, A.A.S. Adiyoso, F. Ciompi, M. Ghafoorian, A.W.M. Jeroen van der Laak, B. Ginneken, C.I. Sanchez // Medical Image Analysis. – 2017. – Vol. 42. – P. 60-88.
  15. Deak, G.G. A systematic correlation between morphology and functional alterations in diabetic macular edema / G.G. Deak, M. Bolz, M. Ritter, S. Prager, T. Benesch, U. Schmidt-Erfurth // Investigative Ophthalmology and Visual Science. – 2010. – Vol. 51, Issue 12. – P. 6710-6714.
  16. Ilyasova, N.Yu. Regions of interest in a fundus image selection technique using the discriminative analysis methods / N.Yu. Ilyasova, R.A. Paringer, A.V. Kupriyanov. – In: Computer vision and graphics. ICCVG 2016 / ed. by L.J. Chmielewski, A. Datta, R. Kozera, K. Wojciechowski. – Cham: Springer, 2016. – P. 408-417. – DOI: 10.1007/978-3-319-46418-3_36.
  17. Daginawala, N. Using texture analyses of contrast enhanced CT to assess hepatic fibrosis / N. Daginawala, B. Li, K. Buch, H. Yu, B. Tischler, M.M. Qureshi, J.A. Soto, S. Anderson // European Journal of Radiology. – 2016. – Vol. 85, Issue 3. – P. 511-517.
  18. Gentillon, H. Parameter set for computer-assisted texture analysis of fetal brain / H. Gentillon, L. Stefańczyk, M. Strzelecki, M. Respondek-Liberska // BMC Research Notes. – 2016. – No. 9. – P. 496.
  19. Acharya, U.R. An integrated index for the identification of diabetic retinopathy stages using texture parameters / U.R. Acharya, E.Y. Ng, J.H. Tan, S.V. Sree, K.H. Ng // Journal of Medical Systems. – 2012. – Vol. 36, Issue 3. – P. 2011-2020.
  20. Texture analysis for magnetic resonance imaging / ed. by M. Hajek, M. Dezortova, A. Materka, R. Lerski // Prague: Med4publishing, 2006. – 234 p.
  21. Strzelecki, M. A software tool for automatic classification and segmentation of 2D/3D medical images / M. Strzelecki, P. Szczypinski, A. Materka, A. Klepaczko // Nuclear Instruments and Methods In Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. – 2013. – Vol. 702. – P. 137-140.
  22. Szczypiński, M. MaZda – A software package for image texture analysis / M. Szczypiński, M. Strzelecki, A. Materka, A. Klepaczko // Computer Methods and Programs in Biomedicine. – 2009. – Vol. 94, Issue 1. – P. 66-76.
  23. Ilyasova, N.Yu. The discriminant analysis application to refine the diagnostic features of blood vessels images / N.Yu. Ilyasova, A.V. Kupriyanov, R.A. Paringer // Optical Memory and Neural Networks (Information Optics). – 2015. – Vol. 24, Issue 4. – P. 309-313. – DOI: 10.3103/S1060992X15040037.
  24. Введение в статистическую теорию распознавания образов / К. Фукунага. – М.: Наука, 1979. – 270 с.
  25. Ким, Дж.-О. Факторный, дискриминантный и кластерный анализ / Дж.-О. Ким, Ч.У. Мьюллер, У.Р. Клекка [и др.]. – М.: Финансы и статистика, 1989. – 215 с.
  26. Ilyasova, N.Yu. A modified technique for smart textural feature selection to extract retinal regions of interest using image pre-processing / N.Yu. Ilyasova, A.S. Shirokanev, R.A. Paringer, A.V. Kupriyanov, A.V. Zolotarev // Journal of Physics: Conference Series. – 2018. – Vol. 1096. – 012095. – DOI: 10.1088/1742-6596/1096/1/012095.
  27. Ilyasova, N.Yu. Big data application for smart features formation in medical diagnostic tasks / N.Yu. Ilyasova, A.V. Kupriyanov, R.A. Paringer, D.V. Kirsh, A.S. Shirokanev, V.A. Soifer // Proceedings of the International Conference on Pattern Recognition and Artificial Intelligence. – 2018. – P. 597-601.
  28. Широканев, А.С. Технология интеллектуального отбора признаков для сегментации изображений глазного дна / А.С. Широканев, Н.Ю. Ильясова, Р.А. Парингер // Сборник трудов ИТНТ-2018 IV международная конференция и молодежная школа «Информационные технологии и нанотехнологии» (ИТНТ-2018). – 2018. – С. 2463-2473.
  29. Широканев, А.С. Исследование алгоритмов расстановки коагулятов на изображение глазного дна / А.С. Широканев, Д.В. Кирш, Н.Ю. Ильясова, А.В. Куприянов // Компьютерная оптика. – 2018. – Т. 42, № 4. – С. 712-721. – DOI: 10.18287/2412-6179-2018-42-4-712-721.
  30. Ilyasova, N. Coagulate map formation algorithms for laser eye treatment / N. Ilyasova, D. Kirsh, R. Paringer, A. Kupriyanov, A. Shirokanev, E. Zamycky // 3rd International Conference on Frontiers of Signal Processing (ICFSP 2017). – 2017. – P. 120-124. – DOI: 10.1109/ICFSP.2017.8097154.
  31. Пат. 2385494 С1 Российская Федерация G 06 T 7/40. Способ распознавания изображения текстуры клеток / Никитаев В.Г., Проничев А.Н., Чистов К.С., Хоркин В.А.; заявитель и правообладатель Государственное образовательное учреждение высшего профессионального образования Московский инженерно-физический институт (государственный университет); № 2008141633/28, заявл. 22.10.2008, опубл. 27.03.2010, Бюл. № 9. – 15 с.: ил.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20