СОЗДАНИЕ КЛАССИФИКАТОРА ИЗОБРАЖЕНИЙ МЕТАСТАТИЧЕСКИХ ОЧАГОВ НА СЦИНТИГРАММАХ СКЕЛЕТА С ИСПОЛЬЗОВАНИЕМ ПРИНЦИПОВ ГЕНЕТИЧЕСКОГО АЛГОРИТМА
, 1
Тихоокеанский государственный университет
1 Дальневосточный государственный медицинский университет
E-mail: *****@***ru
На сегодняшний день ввиду многих факторов различного характера резко возросла угроза заболеваемости людей онкологическими заболеваниями. Одним из таких опасных заболеваний являются злокачественные новообразования, которые нередко метастазируют в скелет. Большое значение приобретает правильная диагностика метастатического поражения скелета, что позволяет назначить адекватное лечение. Одним из главных методов диагностики метастатического поражения скелета является планарная сцинтиграфия с использованием соответствующих радиофармпрепаратов. Полученные в ходе такого обследования изображения обычно изучаются радиологом-экспертом визуально, поэтому результаты такого анализа зачастую прямо зависят не только от квалификации эксперта, но и от уровня его утомлённости и внимательности.
Одним из способов улучшить качество диагностики является применение компьютерных экспертных систем. Обычно алгоритм такой системы состоит из сегментации областей интереса, вычисления их числовых параметров и классификации [1]. Как можно увидеть из данного алгоритма одним из этапов создания экспертной системы является создание классификатора. Существуют различные подходы к решению данной задачи, один из наиболее распространённых подходов - это создание системы обучающейся на прецедентах. Такая система может основываться, например, на методе опорных векторов [2], нейронных сетей или применении некой классифицирующей функции. Важнейшей, а иногда и решающей задачей разработки подобных методов является задача их настройки (обучения).
В данном докладе описывается попытка применения генетических алгоритмов для создания классифицирующей на два класса (патология или не патология) функции. Для классификации была выбрана следующая нелинейная функция:
f(x)=<Ax,x>+<b,x>, (1)
где x – вектор признаков области интереса размерности n, A и b - матрица и вектор коэффициентов размерности nxn и n соответственно. Решающее правило на основе данной функции выглядит следующим образом:
a(x)=sign(f(x)). (2)
Если a(x)=-1, то область интереса считается патологией, если a(x)=1, то область считается не патологией. В качестве прецедентов для обучения была сформирована база областей, оценённых экспертом, состоящая из 1203 и 955 областей интереса для передней и задней проекций соответственно. В данном исследовании в качестве числовых признаков выступали гистограммные, текстурные и морфометрические параметры областей интереса. Общее число признаков n=41.
Для настройки матрицы и вектора коэффициентов решено было применить генетический алгоритм [3]. В качестве особи выступает связка из матрицы A и вектора b, в роли приспособленности особи выступает процент верных ответов. Сам алгоритм строится следующим образом:
1) Задать количество поколений для вычисления, создать первое поколение из m особей со случайно заполненными матрицей A и вектором b, инициализировать глобального лидера, поставив ему нулевую приспособленность.
2) Вычислить приспособленность для каждой особи поколения.
3) Определить наиболее приспособленную особь в поколении, сравнить её приспособленность с глобальным лидером, если новая особь лучше заменить ею глобального лидера, иначе заменить особь на лидера.
4) Скрестить лучшую особь с остальными, получив новое поколение.
5) Если текущий номер поколения меньше заданного числа поколений перейти на шаг 2.
Настройка функции по данному алгоритму дала следующие результаты: передняя проекция – 70%, задняя проекция – 76%. Следует отметить, что в качестве тестовых примеров использовались примеры не из обучающей выборки. Сделано это для получения более точного результата, так как подобный классификатор в противном случае даёт более оптимистичные результаты. Так для передней проекции число тестовых примеров составило 2052, а для задней – 1721. Одной из оценок качества полученного классификатора является так называемая ROC-кривая [4], графики этих кривых для передней и задней проекции приведены на рисунке 1.
Рис. 1. ROC-кривая для передней (слева) и задней (справа) проекции
В заключении следует отметить, что данный подход дал вполне приемлемые результаты и следует продолжать исследования в данном направлении. Так, в частности, следует более детально подойти к выбору параметров областей интереса. Кроме того, не менее интересными могут быть результаты работы классификатора на других функциях. Одним из недостатков такого подхода можно считать низкую скорость настройки классификатора. Ещё одним недостатком является склонность генетических алгоритмов находить локальный оптимум функции, который необязательно является наилучшим.
Библиографический список
1. Цифровая обработка изображений в среде MATLAB. Пер. с англ. Москва: Техносфера. 20с.
2. , , Математические аспекты применения CAD-систем при анализе медицинских изображений // УРАН Вычислительный центр ДВО РАН (Хабаровск), 2011.
3. Д. Рутковская, М. Пилиньский, Л. Рутковский, Нейронные сети, генетические алгоритмы и нечёткие системы. Пер. с польского . М.: Горячая линия-Телеком. 20с.
4. Zweig M. H., Campbell G. ROC Plots: A Fundamental Evaluation Tool in Clinical Medicine // Clinical Chemistry, Vol. 39, No. 4, 1993.
Сведения об авторах
– аспирант, г
– д. м.н., профессор, дата рождения: г.
Вид доклада: устный (/ стендовый)
