В связи с техническими работами в центре обработки данных, часть прикреплённых файлов в настоящее время недоступна.
 
скрыть

Разработка методов и алгоритмов автоматизированного анализа медицинской тактильной информации и классификации тактильных образовНИР

The development of methods and algorithms for automated analysis of medical tactile information and classification of tactile images

Источник финансирования НИР

грант РНФ

Этапы НИР

# Сроки Название
1 1 января 2016 г.-31 декабря 2016 г. Этап 1
Результаты этапа: Все запланированные в отчетном году научные результаты достигнуты в полном объеме: создана библиотека искусственных образцов, имитирующих биологические ткани и новообразования; проанализирована научно-технической литература по обработке изображений и видео-информации с точки зрения возможности переноса методов на случай тактильных образов; разработаны и реализованы стартовые алгоритмы обнаружения неоднородностей и классификации тактильных образов; разработана методологическая база для создания более сложных, но и более эффективных алгоритмов, обеспечивающих решение этих задач; подготовлены статьи с описанием ключевых полученных результатов. 1) Библиотека искусственных образцов с заданными геометрическими и жеткостными характеристиками, имитирующими характеристики реальных биологических тканей и новообразований. Создана библиотека, в которой мягкая ткань имитировалась силиконом (Ecoflex 00-10, жесткость по Шору 00-10А), а новообразования имитировались различными жесткими вкраплениями. Размеры образцов (длина x ширина) - 35 x 40 мм, а глубина вкрапления является варьируемой за счет наличия подложек высоты 3-12 мм из того же силикона, но без вкраплений. Созданная библиотека моделирует 8 классов: однородная ткань, сосуд, а также ткань со сравнительно небольшими вкраплениями, отличающимися друг от друга жесткостью, размером и выпуклостью. Для каждого класса библиотека содержит от 6 до 10 образцов соответствующих классу, и за счет освоения технологии изготовления количество образцов может быть при необходимости существенно увеличено за короткий промежуток времени (3-5 дней). Помимо образцов, описанных выше, в библиотеку были включены бесшовные образцы, состоящие из двух равных частей с различными жесткостями (10 и 30, 10 и 50 по Шору А). Данные образцы имитируют границу нормальной и измененной тканей в случае, когда размер (площадь проекции) паталогических изменений существенно превосходит площадь рабочей головки тактильного механорецептора. 2) Аналитический обзор научной и технической литературы по анализу изображений и видео-информации, содержащий выводы и рекомендации о возможности переноса методов на случай тактильной информации. Обзор, помимо введения и библиографии (включающей более 50 источников), содержит три ключевых раздела. В первом из них описываются основные методы, используемые в настоящее время для распознавания графических и видео-образов. Методы разбиты на следующие группы: - геометрические; - вероятностные; - структурные; - нейросетевые; - прочие. Каждой группе посвящен отдельный подраздел. Во втором разделе представлены современные методы обнаружения (детекции). Для выбора наиболее мощных методов были проанализированы результаты конкурса PASCAL VOC. В рамках этого конкурса алгоритмы распознавания соревнуются на различных задачах распознавания визуальных образов, включая ряд задач по обнаружению (детектированию) объектов. Третий раздел содержит выводы и рекомендации о возможности переноса рассмотренных в обзоре методов анализа изображений и видео-информации на случай тактильной информации. 3) Референсный алгоритм обнаружения границ новообразований. Разработаны и реализованы методы обнаружения границ новообразований, детектирующие наличие неоднородности в исследуемом образце либо на основе анализа отдельных тактильных кадров, либо на основе совокупности таких кадров. Во втором случае анализ базируется на величинах, которые можно трактовать как скорости изменения регистрируемых значений давления при нажатии на образец. Алгоритмы и результаты их апробации на упрощенном испытательном стенде описаны в статье Solodova et al. "Automated Detection of Heterogeneity in Medical Tactile Images" // Stud Health Technol Inform. 2016;220:383-9. Теоретические результаты, связанные с согласованностью срабатывания реализованных методов - как отрицательные, так и положительные - приведены в работе Рахматулина и Рухович "Сравнение автоматических методов обнаружения неоднородностей в тактильных образах" // Интеллектуальные системы. Теория и приложения. 2016, 20(3):175-179. При апробации на созданной библиотеке искусственных образцов было установлено, что эффективность обнаружения границ существенно падает при некорректном выборе силы нажатия, а также при отклонении угла нажатия от прямого. В значительной мере эту проблему удалось решить благодаря разработанным в рамках проекта методам дополнительной предобработки тактильных данных, регистрируемых тактильным механорецептором. Описание этих методов и результатов их валидации приведено в статье Staroverov et al. "Automated real time correction of intraoperative medical tactile images: sensitivity adjustment and suppression of contact angle artifact" // Applied Mathematical Sciences. 2016, 10(57): 2831-2842. 4) Референсный алгоритм классификации тактильных образов Разработан и реализован метод распознавания тактильного образа, который можно отнести к группе двухуровневых. На первом уровне (классификация отдельного тактильного кадра) используется геометрический метод, по сути близкий к методу ближайшего соседа. В качестве агрегатора результатов первого уровня выбрана схема голосования. В рамках применения метода на стадии обучения для каждого объекта обучающей выборки (класс которого изначально известен) регистрируются результаты серии нажатий (не менее 5). В каждом нажатии в качестве основного выбирается один тактильный кадр, а именно, кадр с наибольшей контрастностью. Далее при рассмотрении объекта, класс которого неизвестен, каждый тактильный кадр сопоставляется с основными кадрами обучающей выборки и вычисляется характеристика близости между этим кадром и каждым из основных кадров. Кадр относится к тому классу, к которому принадлежит ближайший основной, но только при условии, что характеристика близости не превосходит заранее определенного порогового значения (в противном случае кадр ни к одному классу не относится). После рассмотрения отдельных тактильных кадров итоговое решение об отнесении образца к определенному классу принимается с использованием схемы голосования. Эта схема дополнительно обеспечивает определение степени уверенности в принятом решении. Ключевым для эффективности описанного метода является выбор характеристики близости между парой тактильных кадров. В текущей реализации в качестве этой характеристики используется сглаженное евклидово расстояние между первым тактильным кадром и вторым, к которому применена стандартная трансформация (поворот, сдвиг, симметрия, масштабирование), которая максимально приближает его к первому кадру. Эта характеристика близости не является метрикой, так как она несимметрична. Апробация на библиотеке искусственных образцов установила, что метод эффективен в условиях гарантированного прямого угла при нажатии механорецептором на исследуемый объект. Отклонения угла от прямого приводит к значительному снижению достоверности классификации, и одна из основных задач второго года проекта - модификация реализованного метода, увеличивающая устойчивость к варьированию угла нажатия. 5) Научный отчет по теме «Разработка методологической базы для реализации нетривиальных алгоритмов обнаружения и локализации границ неоднородностей (новообразований)». Обзор, помимо введения и библиографии (включающей около 30 источников), содержит три ключевых раздела. Первый раздел посвящен возможным подходам к подавлению артефактов, затрудняющих обнаружение границ. Главным образом обсуждаются методы, позволяющие увеличить устойчивость к отклонению угла нажатия на образец от прямого. Предлагается, в частности использовать более сложные по сравнению с текущей нелинейные механические модели, описывающие результаты углового нажатия на однородные ткани, а также протестировать возможность построения таких моделей на основе экстраполяции экспериментально зарегистрированных результатов нажатий с контролируемым углом. Во втором разделе обсуждаются возможности сопоставлять разницу в анализируемых характеристиках, ассоциированных с отдельными датчиками, с взаимным расположением соответствующих датчиков. В модельных ситуациях показано, как такой учет может обеспечить существенный рост точности локализации границ неоднородностей. В третьем разделе обсуждается возможность расширения анализируемых характеристик. Более конкретно, помимо характеристик, связанных с отдельными датчиками, предлагается рассматривать определенные интегральные характеристики, представляющие собой коэффициенты разложения кадра (или совокупности подряд идущих кадров) по определенным жестким фреймам или коэффициенты орторекурсивного разложения кадра (или совокупности подряд идущих кадров) по определенным конечным системам. Оптимальным представляется выбор систем, обладающих выраженной уровневой структурой, в которой каждому уровню (каждой пачке) соответствует свой линейным масштаб. Возникшие здесь постановки задач представляются интересными с теоретической точки зрения, так большинство двумерных систем, используемых в приложениях и в теоретических исследованиях, существенно используют ортогональность сетки, а структура расположения датчиков является принципиально иной - они являются вершинами шестиугольной сетки. Рассмотренные в обзоре перспективные методы являются актуальными не только для задач обнаружения и локализации границ неоднородностей, но и для задач классификации тактильных образов. 6) Статьи с описаниями полученных результатов в индексируемых научных изданиях. В рамках проекта было подготовлено 5 публикаций (одна - на подготовительном этапе и 4 - уже после официального начала выполнения проекта). Три публикации - статьи в журналах, индексируемых Scopus, одна публикация - статья в журнале, входящем в список ВАК, оставшаяся публикация- тезисы доклада на международном конгрессе (36 Congress of the European Society of Surgical Oncology), опубликованные в приложении к журналу European Journal of Surgical Oncology, индексируемому Scopus (Q1).
2 1 января 2017 г.-31 декабря 2017 г. Этап 2
Результаты этапа:
3 1 января 2018 г.-31 января 2018 г. Этап 3
Результаты этапа: 1) Алгоритмы предобработки, автоматического обнаружения неоднородности, классификации и кластеризации тактильных образов: - усовершенствование алгоритмов, ранее разработанных в рамках проекта; - новые алгоритмы, включая алгоритмы классификации и кластеризации, использующие переход от скалярного поля давлений к векторному полю градиентов (описание, программная реализация, отчет об апробации). 2) Библиотека инструментально зарегистрированных тактильных образов реальных органов и тканей. Библиотека будет включать не менее 50 образов. Образы в библиотеке будут деперсонифицированы и аннотированы. Возможно частичное дополнение образов видеопотоком, зарегистрированным эндоскопической камерой. 3) Научный отчет о результатах апробации алгоритмов, разработанных в рамках проекта (в первую очередь, алгоритмов предобработки и алгоритмов обнаружения неоднородности), на образах созданной библиотеки. 4) Научные статьи с описанием полученных в рамках проекта результатов, включая четыре статьи в индексируемых научных изданиях. 5) Два доклада на международных конференциях с изложением результатов, полученных в рамках проекта. 6) Унифицированная по форматам данных и программному интерфейсу программная реализация разработанных алгоритмов предобработки, автоматического обнаружения неоднородности, классификации и кластеризации тактильных образов, зарегистрированная в установленном порядке. 7) Монография с изложением основных результатов, полученных в рамках проекта.

Прикрепленные к НИР результаты

Для прикрепления результата сначала выберете тип результата (статьи, книги, ...). После чего введите несколько символов в поле поиска прикрепляемого результата, затем выберете один из предложенных и нажмите кнопку "Добавить".