Технология высокочувствительного анализа медицинских диагностических изображений

Контроль и анализ малых изменений на медицинском изображении, недоступных для восприятия зрением человека, позволяют обратить внимание на диагностически важные рентгенологические признаки, влияющие на правильную постановку диагноза.

Цель исследования — разработка информационной технологии, облегчающей раннюю диагностику заболеваний по медицинскому изображению.

Материалы и методы. Для контроля изменений на изображении мы использовали его преобразование, основанное на решении частного случая задачи о рюкзаке. Предложенное преобразование обладает высокой чувствительностью к любым изменениям изображения и позволяет наглядно фиксировать отклонения с высокой точностью. Медицинские изображения были получены с помощью метода конусно-лучевой компьютерной томографии.

Результаты. Апробация информационной технологии на томограммах показала следующее: преобразованные изображения фрагментов здоровой костной ткани на различных участках челюсти имеют похожую форму и приблизительно одинаковый диапазон яркостей. Преобразованное изображение костной ткани после лечения имеет форму, близкую к форме преобразованного изображения здоровой костной ткани. Преобразованное изображение пораженной костной ткани имеет форму и диапазон яркостей, которые не совпадают с формой и цветом преобразованных изображений здоровой костной ткани и костной ткани после лечения. При этом преобразование медицинского изображения, полученного с помощью аппарата Planmeca ProMax 3D Classic (Финляндия), позволяет фиксировать изменения, которые могут составлять менее 0,0001% всего изображения.

Заключение. Предлагаемый метод позволяет человеческому зрению на преобразованном изображении фиксировать изменения до одного пикселя, что невозможно сделать на исходном медицинском изображении. Увеличение цветового контраста преобразованного медицинского изображения позволяет выявить структуру анализируемого фрагмента медицинского изображения. Предлагаемый метод преобразования изображения может использоваться при ранней диагностике заболеваний и в других областях медицины.

1. Явна Д.В., Бабенко В.В. Психофизиологически обоснованный метод оценки количества информации в изображении. Инженерный вестник Дона 2014; 4: 1–13.
2. Applegate R.A., Thibos L.N., Hilmantel G. Optics of aberroscopy and super vision. J Cataract Refract Surg 2001; 27(7): 1093–1107, https://doi.org/10.1016/s0886-3350(01)00856-2.
3. Petrov I.B. Mathematical modeling in medicine and biology by medium mechanics models. Proc MIPT 2009; 1(1): 5–16.
4. Воропаева О.Ф., Шокин Ю.И. Численное моделирование в медицине: некоторые постановки задач и результаты расчётов. Вычислительные технологии 2012; 17(4): 29–55.
5. Беклемышева К.А., Васюков А.В., Петров И.Б. Чис­ленное моделирование динамических процессов в биомеханике сеточно-характеристическим методом. Журнал вычислительной математики и математической физики 2015; 55(8): 1346–1355, https://doi.org/10.7868/s0044466915080049.
6. Parmar C., Barry J.D., Hosny A., Quackenbush J., Aerts H.J.W.L. Data analysis strategies in medical imaging. Clin Cancer Res 2018; 24(15): 3492–3450, https://doi.org/10.1158/1078-0432.ccr-18-0385.
7. Eardi L., Aston J.A.D. Statistical analysis of functions on surfaces, with an application to medical imaging. J Am Stat Assoc 2019; 115: 1420–1434, https://doi.org/10.1080/01621459.2019.1635479.
8. Saturi R., Dara R., Chand P.P. Extracting subset of relevant features for breast cancer to improve accuracy of classifier. IJITEE 2019; 8(11): 1670–1674, https://doi.org/10.35940/ijitee.k1507.0981119.
9. Sinha A., Dolz J. Multi-scale guided attention for medical image segmentation. IEEE J Biomed Health Inform 2021; 25(1): 121–130, https://doi.org/10.1109/jbhi.2020.2986926.
10. Зимичев Е.А., Казанский Н.Л., Серафимович П.Г. Пространственная классификация гиперспектральных изображений с использованием метода кластеризации k-means++. Компьютерная оптика 2014; 38(2): 281–286.
11. Yuan Y., Lo Y.C. Automatic skin lesion segmentation with fully convolutional-deconvolutional networks. IEEE J Biomed Health Inform 2019; 23(2): 519–526, https://doi.org/10.1109/jbhi.2017.2787487.
12. Song X., Wu L., Liu G. Unsupervised color texture segmentation based on multi-scale region-level Markov random field models. Comput Opt 2019; 43(2): 264–269.
13. Zakani F.R., Bouksim M., Khadija A., Aboulfatah M., Gadi T. Segmentation of 3D meshes combining the artificial neural network classifier and the spectral clustering. Comput Opt 2018; 42(2): 312–319.
14. Abul’khanov S.R., Kazanskiy N.L. Information pattern in imaging of a rough surface. IOP Conference Series: Materials Science and Engineering 2018; 302: 012068, https://doi.org/10.1088/1757-899x/302/1/012068.
15. Martello S., Toth P. Knapsack problems. Chichester: John Wiley and Sons Ltd; 1990.
16. Moon J.W., Moser L. Some packing and covering theorems. Colloq Math 1967; 17: 103–110.
17. Kazanskiy N., Kuznetsov M. The necessary bound of rectangle’s square for packing into this any system of five and more than five finite quantity squares with total area 1. Procedia Eng 2017; 201: 801–805, https://doi.org/10.1016/j.proeng.2017.09.601.
18. Honsberger R. Mathematical morsels. Washington: Mathematical association of America; 1978.
19. Slesarev O., Bayricov I., Trunin D., Abul’khanov S., Kazanskiy N. Influence of data visualization of temporomandibular joint on the formation of clinical groups. RAD Conference Proceedings 2017; 2: 212–216, https://doi.org/10.21175/radproc.2017.43.
20. Jones H.A., Langmur I., Mackay G.M.J. The rates of evaporation and the vapor pressures of tungsten, molybdenum, platinum, nickel, iron, copper and silver. Phys Rev 1927; 30(2): 201–214, https://doi.org/10.1103/physrev.30.201.
21. Wilson A.D. Tungsten filament life under constant-current heating. J Appl Phys 1969; 40(4): 1956–1964, https://doi.org/10.1063/1.1657874.
22. Valstar E.R., Nelissen R.G.H.H., Reiber J.H.C., Rozing P.M. The use of Roentgen stereophotogrammetry to study micromotion of orthopaedic implants. ISPRS J Photogramm Remote Sens 2002; 56(5–6): 376–389, https://doi.org/10.1016/s0924-2716(02)00064-3.
23. Ильясова Н.Ю., Широканев А.С., Куприянов А.В., Парингер Р.А. Технология интеллектуального отбора признаков для системы автоматического формирования плана коагулятов на сетчатке глаза. Компьютерная оптика 2019; 43(2): 304–315.
24. Grupp R.B., Murphy R.J., Hegeman R.A., Alexander C.P., Unberath M., Otake Y., McArthur B.A., Armand M., Taylor R.H. Fast and automatic periacetabular osteotomy fragment pose estimation using intraoperatively implanted fiducials and single-view fluoroscopy. Phys Med Biol 2020; 65: 245019, https://doi.org/10.1088/1361-6560/aba089.
25. Поляруш Н.Ф., Слесарев О.В., Поляруш М.В. Способ послойной съёмки височно-нижнечелюстного сустава. Патент РФ 2177722. 2002.
26. Слесарев О.В. Анатомическое обоснование и клинико-рентгенологический̆ опыт использования индивидуального анатомического ориентира при визуализации височно-нижнечелюстного сустава человека методом линейной томографии. Вестник рентгенологии и радиологии 2014; 3: 46–51.
27. Shahidi R., Lorensen B., Kikinis R., Flynn J., Kaufman A.E., Napel S. Surface rendering versus volume rendering in medical imaging: techniques and applications. Proc 7th Annual IEEE Visualiz ‘96 1996: 439–440, https://doi.org/10.1109/visual.1996.568151.
28. Tomlinson S.B., Hendricks B.K., Cohen-Gadol A. Immersive three-dimensional modeling and virtual reality for enhanced visualization of operative neurosurgical anatomy. World Neurosurg 2019; 131: 313–320, https://doi.org/10.1016/j.wneu.2019.06.081.
29. Al-Temimi A.M.S., Pilidi V.S. Improvements of programing methods for finding reference lines on X-Ray images. Comput Opt 2019; 43(3): 397–401, https://doi.org/10.18287/2412-6179-2019-43-3-397-401.
30. Васильченко В.А., Бурковский В.Л., Данилов А.Д. Алгоритмизация процесса распознавания состояний физиологических объектов на основе специальных рентгеновских изображений. Компьютерная оптика 2019; 43(2): 296–303.
31. Гайдель А.В., Капишников А.В., Пышкина Ю.С., Кол­са­нов А.В., Храмов А.Г. Метод анализа динамических изображений нефросцинтиграфии. Компьютерная оптика 2018; 42(4): 688–694.
32. Kazanskiy N.L., Popov S.B. Machine vision system for singularity detection in monitoring the long process. Optical Memory and Neural Networks (Information Optics) 2010; 19(1): 23–30, https://doi.org/10.3103/s1060992x10010042.
33. Михайличенко А.А., Демяненко Я.М. Выделение контуров костей коленного сустава на медицинских рент­генограммах. Компьютерная оптика 2019; 43(3): 455–463, https://doi.org/10.18287/2412-6179-2019-43-3-455-463.
34. Kazanskiy N.L., Khonina S.N., Butt M.A. Plasmonic sensors based on Metal-insulator-metal waveguides for refractive index sensing applications: a brief review. Physica E Low Dimens Syst Nanostruct 2020; 117: 113798, https://doi.org/10.1016/j.physe.2019.113798.
35. Jędrzejewska-Szczerska M., Karpienko K., Wróbel M.S., Tuchin V.V. Sensors for rapid detection of environmental toxicity in blood of poisoned people. In: Nikolelis D.P., Nikoleli G.P. (editors) Biosensors for security and bioterrorism applications. Switzerland: Springer International Publishing; 2016; p. 413–430, https://doi.org/10.1007/978-3-319-28926-7_19.
36. Казанский Н.Л., Бутт M.A., Дегтярев С.А., Хо­ни­на С.Н. Достижения в разработке плазмонных волноводных датчиков для измерения показателя преломления. Компьютерная оптика 2020; 44(3): 295–318.
37. Ebrahimi A., Scott J., Ghorbani K. Microwave reflective biosensor for glucose level detection in aqueous solutions. Sens Actuator A Phys 2019; 301: 111662, https://doi.org/10.1016/j.sna.2019.111662.
38. Govind G., Akhtar M.J. Metamaterial-inspired microwave microfluidic sensor for glucose monitoring in aqueous solutions. IEEE Sens J 2019; 19(24): 11900–11907, https://doi.org/10.1109/jsen.2019.2938853.

Abulkhanov S.R., Slesarev O.V., Strelkov Yu.S., Bayrikov I.M. Technology for High-Sensitivity Analysis of Medical Diagnostic Images. Sovremennye tehnologii v medicine 2021; 13(2): 6, https://doi.org/10.17691/stm2021.13.2.01