Компьютерная автоматизированная диагностика (КАД)/классификация видеоизображений является актуальной в лапароскопической хирургии. Подобные КАД используются интраоперационно во время лапароскопического вмешательства для поддержки принятия решений хирургом. Цель работы - оценить эффективность КАД, созданных на базе двух классификаторов: каскадного классификатора признаков Хаара и AdaBoost при диагностике цирротических изменений печени и её метастатического поражения. Создание КАД проводилось путём обучения каскадного классификатора признаков Хаара и AdaBoost изображениями/кадрами, которые были получены из видеоряда, зарегистрированного во время лапароскопической диагностической процедуры. Кадры, полученные в RGB формате шкалы цветности обрабатывали путём гамма-коррекции и трансформировали в шкалу HSV, после чего оба типа кадров применяли для обучения. С помощью модифицированного метода локальных бинарных паттернов (LBT), который включал показатели цветности ("модифицированный по цветности LBT" - MCLBT), а также характеристики текстуры, определяли дескрипторы, которыми проводили обучение AdaBoost классификатора. В целом для обучения каждого классификатора использовали 1000 изображений с подтверждёнными диагнозами и 500 - с их отсутствием для каждой формы патологии печени. После окончания обучения проводили контрольное тестирование и определяли эффективность диагностики применённых классификаторов. При этом для тестирования использовали изображения, которые не применялись во время обучения: 319 изображений цирротично изменённой и 253 изображения метастатических изменений поверхности печени, а также 365 изображений печени без патологических изменений. Контрольное тестирование показало, что наиболее высоким показатель полноты диагностики цирроза печени был при использовании AdaBoost классификатора, который обучен с помощью MCLBT-дескрипторов, полученных при обработке кадров в HSV формате - 0,655, a также при диагностике метастатического поражения печени - при использовании MCLBT-дескрипторов, полученных при обработке кадров в RGB формате - 0,925. Таким образом, КАД на основе AdaBoost классификатора позволяет эффективно диагностировать цирротические изменения в 69,0 % и метастатические поражения - в 92,7 % случаев. Корректная диагностика с применением классификатора на основе признаков Хаара была наиболее высокой в случае диагностики метастазов и составляла 0,701 и 0,717 при обучении с применением RGB и HSV форматов изображений соответственно. Выводы: классификатор на основе признаков Хаара менее эффективен в сравнении с классификатором AdaBoost, который обучали с помощью MCLBT-дескрипторов при решении вопросов автоматизированной диагностики состояния печени. С помощью применённых классификаторов метастатические изменения диагностируются более эффективно в сравнении с циррозом печени.

  Повний текст PDF - 528.617 Kb    Зміст випуску     Цитування публікації

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"