Kóros elváltozások keresése mellkasröntgen felvételeken

Orbán Gergely – Informatika szak, V. évf.Máday Péter – Informatika szak, V. évf.

Konzulens: Horváth Gábor

Méréstechnika és InformációsRendszerek Tanszék

2008. október 30.

Tartalomjegyzék

1. Bevezető 71.1. A tüdőrák felismerésének jelentősége . . . . . . . . . . . . . . . . . . . . . . . . . . 71.2. Számítógépek alkalmazása a felismerésben . . . . . . . . . . . . . . . . . . . . . . . 71.3. A keresett foltok természete . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91.4. A projekt célja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91.5. Szakterületi áttekintés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91.6. Rendszer áttekintő leírása, lépések . . . . . . . . . . . . . . . . . . . . . . . . . . . 111.7. A rendszer rövid specifikációja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2. A rendszer részletes ismertetése 142.1. Előfeldolgozás . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.1.1. Medián szűrő . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142.1.2. Illesztett szűrő . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152.1.3. Lokális kontraszt kiegyenlítő szűrő . . . . . . . . . . . . . . . . . . . . . . . 15

2.2. Jelöltkeresők . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162.2.1. AFUM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162.2.2. CI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2.3. A jelöltkiválasztó algoritmus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212.4. Körvonalazó . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232.5. Képjellemzők kinyerése . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2.5.1. Textúra jellemzők . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262.5.2. Geometriai tulajdonságok . . . . . . . . . . . . . . . . . . . . . . . . . . . . 302.5.3. Zernike momentumok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 302.5.4. Gauss deriváltak . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312.5.5. Gauss második deriváltak . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312.5.6. Előfeldolgozókra épülő jellemzők . . . . . . . . . . . . . . . . . . . . . . . . 31

2.6. Osztályozás . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 322.6.1. Az osztályozó . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 322.6.2. Az osztályozó implementáció . . . . . . . . . . . . . . . . . . . . . . . . . . 332.6.3. Adatok előkészítése . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 332.6.4. Dimenzió csökkentés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

1

2.6.5. Paraméterezés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 342.6.6. Hasonló jelöltek eldobása . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

3. Tesztelés 373.1. A teszteléshez felhasznált anyagok . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

3.1.1. A JSRT adatbázis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 373.1.2. További teszteléshez használt röntgenképek . . . . . . . . . . . . . . . . . . 38

3.2. Az előszűrők teljesítménye . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 383.3. A jelöltkeresők teljesítménye . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

3.3.1. AFUM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 383.3.2. CI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

3.4. A jelöltkeresők fúziójának vizsgálata . . . . . . . . . . . . . . . . . . . . . . . . . . 393.5. Jelöltkiválasztó hangolásának eredményei . . . . . . . . . . . . . . . . . . . . . . . 403.6. Osztályozás eredménye . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

3.6.1. A teljes rendszer eredményei . . . . . . . . . . . . . . . . . . . . . . . . . . 413.6.2. Foltok nehézsége szerinti vizsgálat . . . . . . . . . . . . . . . . . . . . . . . 423.6.3. Körvonalazó hatásának vizsgálata . . . . . . . . . . . . . . . . . . . . . . . 433.6.4. Dimenziócsökkentés hatásának vizsgálata . . . . . . . . . . . . . . . . . . . 433.6.5. Futási idő . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

3.7. A rendszerrel folytatott kísérletek . . . . . . . . . . . . . . . . . . . . . . . . . . . . 473.7.1. Fantom képek . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 473.7.2. Kulcscsont nélküli képek . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

3.8. Lehetőségek a rendszer teljesítményének javítására . . . . . . . . . . . . . . . . . . 48

4. Az elkészült alkalmazás 534.1. Az alkalmazás leírása . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 534.2. MATLAB integráció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

5. Konklúzió 55

6. A Függelék - A C# alkalmazás felhasználói leírása 56

2

Ábrák jegyzéke

1.1. Tüdőrák megbetegedési (balra) és halálozási (jobbra) arányok az EU országokban2006-ban. Forrás: [1, 2]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

1.2. A rendszer felépítése. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.1. Az LCE szűrő kimenete a JSRT adatbázis első képén. A bal tüdő 6. bordája felettjól látható a keresendő folt, bár más objektumok is kiemelődtek. . . . . . . . . . . 16

2.2. Az előszűrések eredménye a JSRT adatbázis első képén. A folt a bal tüdőfél 5.bordája felett található. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.3. Az AFUM szűrő működésének illusztrációja. r1-en belüli maximumot hasonlítja azr2 menti pixelértékekhez. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2.4. Az AFUM szűrő eredményképe a JSRT adatbázis első képén. A folt a nyíllal jelölthelyen, a bal tüdőfél 5. bordája felett található. . . . . . . . . . . . . . . . . . . . . 19

2.5. Az egyes irányokban a tartomány bizonyos határok közt szabadon változhat. . . . 202.6. A CI szűrő eredményképe a JSRT adatbázis első képén. A folt a bal tüdőfél 5.

bordája felett található. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212.7. A körvonalazó kimenete a CI eredményképen. Fent az összes találat egy teljes rönt-

genképhez tartozó CI kimeneten. Balra lent egy helyesen megtalált körvonal, mígjobbra lent egy helytelen találat látható. A hiba oka, hogy az algoritmus nem eléggéelkötelezett a körszerű formák iránt. . . . . . . . . . . . . . . . . . . . . . . . . . . 25

2.8. A rendszer kimenete a JSRT adatbázis 109. képén. Megtalálta a valós foltot és nincshamis találat, bár a körvonal kifogásolható. . . . . . . . . . . . . . . . . . . . . . . 36

3.1. Az AFUM eredményképén egy valós pozitív találat, melyet a jelöltkiválasztó csaka közeli csont miatt talált meg, ami így nem reprezentálja jól az adott foltot, tehátalkalmatlan tanításra. A vizsgált kép a JSRT adatbázis 116. képe, a folt helyét afehér téglalap jelöli. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

3.2. A különböző abszolút küszöbökhöz tartalmazó FROC görbék működési tartomány-hoz közeli szakaszai. Látható, hogy a 0.73 küszöbérték adta a legjobb eredményt, deez sem éri el a későbbiekben a(z) 3.4. ábrán bemutatandó 19 jelöltet gyűjtő verzióteljesítményét. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

3.3. A rendszer FROC görbéje a 154, elváltozást tartalmazó képre az eredeti felbon-tású képről származó jellemzők esetén a várható működési tartományra kinagyítva.Kékkel az 512x512 pixeles képről származó jellemzők esetén mutatott teljesítménytábrázoltuk 20fp/kép gyűjtése esetén. . . . . . . . . . . . . . . . . . . . . . . . . . . 42

3.4. A végleges rendszer FROC görbéi a 154, elváltozást tartalmazó képre (balra), illetveaz összes 247 képre (jobbra). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

3

3.5. A rendszer FROC görbéje lebontva az orvosok által megállapított nehézségi szintszerint, 19fp/kép beállítás mellett a 154 elváltozást tartalmazó képre. 5 jelöli alegkönnyebb, míg 1 a legnehezebb foltokat. . . . . . . . . . . . . . . . . . . . . . . 43

3.6. A rendszer FROC görbéje a körvonalazó használata nélkül. . . . . . . . . . . . . . 443.7. Az egyes bemeneti dimenziók relevanciája a(z) 2.6.4. részben ismertetett módon

számolva. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 443.8. A dimenziócsökkentés hatása. A rendszer érzékenysége képenként 4 fals pozitívnál

a bemeneti dimenziószám függvényében. Ugyan elég nagy az értékek szórása, atendencia azonban látszik, hogy 130-tól 20 dimenzióig minimális javulás, ezutánjelentős teljesítmény csökkenés következik. . . . . . . . . . . . . . . . . . . . . . . . 45

3.9. A Pearson féle lineáris korrelációs mátrix elemenkénti abszolútértéke. A vörös érté-kek erősen összefüggő dimenziókat jeleznek. . . . . . . . . . . . . . . . . . . . . . . 46

3.10. Az orvosi fantomról készült röntgenkép. A foltok helyeit gémkapcsok jelölik. Balraaz eredeti kép, míg jobbra a CI jelöltkereső kimenete látható. Utóbbin a számok amegtalálás sorrendjét jelölik, ami az egyes találatok intenzitásai rendezésnek felelmeg a CI eredményképen. A CI a két jobban látható foltot nagy intenzitással éskorrekt körvonallal találja meg – sorszám 4 és 5 –, míg az egyik nehezebben lát-ható foltot csak tizenötödikként, azaz kisebb intenzitással, a körvonal pedig ráfut agémkapocsra. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

3.11. A kulcscsont árnyék eltüntetés hatása a JSRT adatbázis 11. képén, ahol a folt ajobb oldali kulcscsont alatt helyezkedik el. Bal felül az eredeti kép, jobb felül azkulcscsontmentesített kép, alul pedig a CI jelöltkereső eredményképei láthatóak. . . 49

3.12. A kulcscsont árnyék eltüntetés hatása az AFUM jelöltkereső kimenetére a JSRTadatbázis 116. képén. A folt helyét egy fehér téglalap jelöli. Bal felül a kulcscsontárnyékot tartalmazó, jobb felül pedig a kulcscsont árnyék mentes röntgenkép lát-ható. Alul az AFUM eredményképe a fenti képrészletekre. Látható, hogy a kulcs-csont az eredményképen egy intenzív csíkként jelenik meg, melyen számos hamistalálatot ad az algoritmus. A tendenciát tekintve itt még a valós folt körüli beje-lölés is vélhetőleg egy hamis találat eredménye. A csontárnyék mentesített képenezektől megszabadulunk, és egy valós pozitív találat keletkezik, vagy marad meg.Megjegyzendő, hogy ennél a vizsgálatnál nem használtunk körvonalazó eljárást. . . 50

3.13. A kulcscsont árnyék eltüntetés hatása a CI jelöltkereső kimenetére. A vizsgált kép aJSRT adatbázis 59. eleme, ahol a folt a jobb oldali kulcscsont alatt helyezkedik el (fe-hér téglalap). Bal oldalon a kulcscsontot tartalmazó, míg jobb oldalon a kulcscsontmentesített képek láthatóak. Felül az eredeti, alul pedig a CI kimenete található.Jól látszik, hogy míg az eredeti képen két találat is ráfut a foltra, de mindkettő sok,a folthoz nem tartozó területet is tartalmaz, addig a kulcscsont mentesített képenegy találat van, ami pontosabb is. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

4.1. A c# alkalmazás: A jobb oldali nézeten a foltkeresés eredményeképpen előállt jelöltkép egy részlete látható. A fehér körvonal mutatja az elváltozást. A bejelölt területa JSRT adatbázis alapján valóban tartalmaz elváltozást. . . . . . . . . . . . . . . . 53

4.2. A C# programba integrált rendszer architektúrája. . . . . . . . . . . . . . . . . . . 54

6.1. A c# alkalmazás felhasználói felülete bal: a tüdőterület közeli nézete jobb: a tüdő-terület teljes nézete. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

4

Rövidítések jegyzéke

• AFUM: „minimum alatti hányados átlag” szűrő, average fraction under the minimum filter.

• CAD: számítógép által támogatott diagnózis vagy detekció (computer aided diagnosis, vagycomputer aided detection).

• CI: „konvergencia index” szűrő, convergence index filter.

• DoG: Gauss derivált, derivative of Gaussian.

• FROC: érzékenységet a specificitás függvényében ábrázoló görbe, orvosi alkalmazásokra ala-kítva, free-response receiver operating characteristic.

• JSRT: Japanese Society of Radiological Technology.

• LCE: lokális kontraszt kiegyenlítés, local contrast enhancement.

• LoG: Gauss második derivált, Laplacian of Gaussian.

• ROC: érzékenységet a specificitás függvényében ábrázoló görbe, receiver operating characte-ristic.

5

Köszönetnyilvánítás

Köszönjük témavezetőnknek, Horváth Gábornak a témaválasztáshoz és a munkánk elkészítéséheznyújtott segítségét és útmutató tanácsait.Köszönjük a segítségét Simkó Gábornak, akinek közreműködésével el tudtuk végezni a kulcscsont-árnyék mentes vizsgálatokat.Köszönjük az Innomed Zrt. segítségét a céleszközök rendelkezésre bocsátásáért.Köszönettel tartozunk az orvosoknak a konzultációkért, illetve a projekt többi résztvevőjének, akikmunkájukkal megteremtették a számunkra szükséges alapokat.

6

1. fejezet

Bevezető

1.1. A tüdőrák felismerésének jelentősége

Az Egyesült Államokban, Nyugat Európában, valamint Magyarországon is a tüdőrák felelős alegtöbb rákos megbetegedés okozta halálesetért. Hazánkban évente mintegy tízezren betegszenekmeg tüdőrákban, ebből közel nyolcezer halálos kimenetelű. Ezzel az Európai Unióban Magyaror-szágnak vannak a legrosszabb megbetegedési és halálozási statisztikái a népességszám arányában[1, 2]. Mint a legtöbb ráktípus esetében, itt is életmentő jelentőségű lehet a betegség korai stá-diumban történő felismerése, mivel ilyenkor a különböző kezelési eljárások lényegesen nagyobbvalószínűséggel járnak sikerrel [3, 4, 5, 6, 7]. A legtöbb életet tehát valószínűleg egy olyan mód-szerrel lehetne megmenteni, mely nagy tömegeknél alkalmazható, és hatékonyan, a korai fázisbanfelismeri a betegséget.A korai felismerést több módszer is segíti. A magas érzékenységű 1 eljárások, például a CT (Com-puter Tomography), PET (Positron Emission Tomography), vagy PET-CT ugyan nagyon hatéko-nyak és kevés hamis találatot generálnak, de az alkalmazásukkal járó nagy sugárterhelés, valaminta vizsgálat magas költsége nem teszi lehetővé a szűrővizsgálat formájában történő alkalmazásukat.Ezzel szemben a tüdőröntgen felvételek készítése nagyságrendekkel kisebb sugárterhelést jelentőmódszer [8], ráadásul ehhez hazánk meglévő szűrőhálózattal is rendelkezik. A szűrőállomásokonalkalmazott röntgenkészülékeket eredetileg nem a tüdőrák, hanem a TBC-s megbetegedések fel-derítésére alkalmazták, jelenleg azonban nincs más olyan szűrővizsgálati eljárás, mely esélyt adnaa tüdőrák korai – még panaszokat nem adó stádiumban történő – felderítésére.

1.2. Számítógépek alkalmazása a felismerésben

A tüdőröntgen felvételeket a nagyon nehezen, ha nem a legnehezebben elemezhető hagyományosfelvételtípusként tartják számon. Ennek oka, hogy nagyon változatos alakú és sűrűségű anató-miai struktúrákat tartalmaz. A kezdeti stádiumú, parányi elváltozások felderítése a hagyományoskisméretű analóg felvételeken rendkívül nehéz, és mivel a leletezés során rövid idő alatt nagymennyiségű képet kell diagnosztizálni, a korai fázisban kiszűrt betegek száma nagyon alacsony.A hatékonyságot növeli a nagyfelbontású digitális mellkas felvételek készítését biztosító korszerűeszközök megjelenése, melyek számítógépes diagnosztikai eljárások alkalmazását is lehetővé teszik.Az informatika alkalmazására a tárgyalt területen kétféle megközelítés létezik [9]. Kezdetben a tel-jesen automatizált számítógépes felismerésben (Automated Computer Diagnosis) hittek, de hamarnyilvánvalóvá vált, hogy a jelenlegi technológiákkal és tudással nem lehet az orvosokkal versenyre

1Az érzékenység egy vizsgálat során a megtalált elváltozások és az összes elváltozás hányadosa

7

1.1. ábra. Tüdőrák megbetegedési (balra) és halálozási (jobbra) arányok az EU országokban 2006-ban. Forrás: [1, 2].

kelni a felismerési hatékonyságban. Ehelyett a számítógép által támogatott diagnózis, illetve de-tektálás, elterjedt nevén CAD (Computer Aided Diagnosis, vagy Computer Aided Detection) pa-radigma vált elfogadottá, ahol a számítógép feladata segíteni az orvost, ezzel javítani a felismeréshatékonyságát, növelni a feldolgozható esetek számát, csökkenteni az orvos terhelését. Míg a tá-mogatott detektálás csak az elváltozások megkeresésében, a támogatott diagnózis az elváltozásokminősítésében is segít. Egyes becslések szerint egy átlagos szűrővizsgálat során az elváltozásokkevesebb, mint 40%-át találják meg az orvosok, de még jó minőségű képekkel és korszerű digitálisröntgengéppel dolgozva is az észre nem vett esetek száma eléri a 30%-ot. Az esetek 90%-ábanpedig a kóros elváltozás már hónapokkal vagy évekkel korábban látható a röntgenképeken, mielőttazt felfedezik. [10]Az orvosok által a szűrővizsgálatok során elkövetett hibákat két fő osztályba sorolják. Első fajúhibának nevezik, amikor az diagnózist végző egy kóros esetet hamisan nem kórosnak ítél meg,ezek a fals vagy hamis negatívak. A másodfajú hiba ennek ellentéte, azaz egy nem kóros esetetkórosnak ítél meg a vizsgáló, ezek a fals vagy hamis pozitívak. Ezekből egyértelműen az elsőfajúhiba a súlyosabb, hiszen a beteg életébe kerülhet, de a másodfajú hibának is komoly következmé-nyei lehetnek. A páciensre indokolatlanul gyakorolt megrázó lélektani hatás, a további vizsgálatokveszélyei és magas költsége miatt indokolt a hamis pozitív találatok számának kordában tartása.Az elsőfajú hibák esetén háromféle alesetet különböztethetünk meg [10]. Előfordul, hogy az orvosszeme átfut az elváltozás felett, nem veszi észre azt. A második eset, hogy megvizsgálja az adottterületet, de nem ismeri fel az elváltozásra utaló jeleket. A harmadik esetben felismeri az elváltozásjellemzőit, de rosszul méri fel az eset súlyosságát, és elveti a találatot.Kutatások igazolják [11, 12, 13, 14, 15], hogy egy CAD rendszer, még ha meg sem közelíti az orvoshatékonyságát, már javíthatja az eredő teljesítményt. Mindezt úgy érheti el, hogy inkább többgyanúsnak vélt területet megjelöl az orvos számára, aki ezekből ki tudja szűrni a tényleges elvál-tozásokat. Így nagyobb figyelmet kaphatnak olyan területek is, melyeken a vizsgáló átfutott volnaaz idő rövidsége miatt. Az is segíthet, ha egy adott területet a gép hatására jobban megvizsgál azorvos. Így az elsőfajú hibák száma csökkenthető, leginkább annak első és második alesetében. Máskutatások [16] azt állítják, hogy egy felismerő algoritmus számára más típusú foltok számítanaknehezen felismerhetőnek, mint az orvos számára, így még alacsonyabb érzékenységnél is van esélyszámos olyan foltot megtalálni, melyek egyébként a vizsgáló személy számára nehezen kivehetőklennének.

8

1.3. A keresett foltok természete

A kóros elváltozások megtalálásához először a tüdő azon területeit kell felderíteni a felvételekenmelyeken a tüdő normális szerkezetétől eltérő, annál nagyobb sűrűségű csomós szerkezetek jelen-léte valószínűsíthető. Az ilyen területek 1-6 cm körüli átmérővel rendelkeznek és szigorúan a tüdőhatárain belül helyezkednek el. [17] Alakjuk általában gömbhöz közeli, belső szerkezetük és ha-tárvonaluk viszont változatos lehet. A pozitív röntgenképen egy sötét körszerű foltként jelennekmeg, mely általában nem túl kontrasztos, azaz intenzitása csak minimálisan tér el a környezetétől.A határvonala lehet éles és tagolatlan, de előfordul a környezetével jobban egybemosódó, tagolthatárvonalú változat is. Az egyes elváltozások esetében ezután meg kell állapítani, hogy valóbankóros területnek minősíthetőek-e. Egy folt 3 cm-es átmérő felett mindig kórosnak tekinthető, deezen méret alatt már meglehetősen nehéz feladat ezt eldönteni. Orvosokkal való konzultációk soránaz derült ki számunkra, hogy egy szűrővizsgálat során az orvosok nem is törekszenek az elválto-zás feltétlen besorolására a triviális esetektől eltekintve, hanem inkább további vizsgálatnak vetikalá a beteget. Teszik ezt azért, mert számos esetben a röntgenfelvétel alapján nem is dönthető elegy adott elváltozás oka és súlyossága. Éppen ezért a rendszerünk is elsődlegesen az elváltozásokmegkeresésére irányul.

1.4. A projekt célja

Munkánk része egy nagyobb projektnek, melynek célja egy komplett, szűrővizsgálatra és diagnó-zisra is alkalmas rendszer elkészítése. A szűrővizsgálatokon használt röntgengép szoftvere képeslenne a felvétel elkészítése után azon műveleteket végezni valós időben, melyek segítik a diagnózist.Cél a lehető legtöbb olyan betegségre utaló elváltozás megtalálása, mely mellkasröntgen felvéte-len felismerhető. Ilyen a különböző szervek megnagyobbodása, szokásostól eltérő alakja, a tüdődifferenciálhatósága, hegek, fibrózisos képletek és a daganatok jelenléte. Ezen elváltozások meg-találását segítik olyan technikák, mint például a tüdő szimmetriájának vizsgálata, tüdőkörvonalmeghatározása, kulcscsont és bordák árnyékának eltüntetése. A tüdő körvonalának megtalálására[18, 19] és a kulcscsontok árnyékának eltüntetésére [20] már készültek jól működő megoldásoka projekt keretében, a most soron lévő lépés pedig a daganatok megtalálása, mely az említettdetekciós feladatok közül egyértleműen a legfontosabb.A mi munkánk egy számítógéppel támogatott detektálást megvalósító eljárás kidolgozására irá-nyul. Az általunk készített alkalmazás a diagnosztizáló orvos feladatát szeretné megkönnyíteni egyfüggetlen vélemény hozzáadásával. A felvételen megjelöli azokat a tartományokat, melyeken rákoselváltozások gyanúja merül fel, ezáltal a diagnosztizáló orvos számára segítséget nyújt a képekminősítésében.Az általunk elkészített szoftver bemenetként feltételez egy digitális nagyfelbontású PA (PosteriorAnterior), azaz hátulnézeti röntgenfelvételt, melyen adott a tüdő körvonala2. A rendszer kimenetea röntgenfelvétel, rajta a feltételezett elváltozások bejelöléseivel.

1.5. Szakterületi áttekintés

A nyolcvanas évek végtől egyre több tanulmány foglalkozik rákos elváltozások keresésével mell-kasröntgen felvételeken. A rendszerek néhány kivételtől eltekintve [21] általában egyféle sémátkövetnek, más részletmegoldásokat alkalmazva. Ez a séma két lényegi lépésből áll [22]. Előszörtisztán képfeldolgozó eljárásokkal, különböző típusú szűrőkkel, esetleg egy folt modell alapján ki-emelnek nagy számú gyanús területet esetleg azok határvonalával együtt, majd ezeket a területeketképjellemzők alapján egy osztályozó segítségével megválogatják.

2A projekt keretein belül már készült tüdőkörvonal detekciós megoldás

9

A legtöbb megoldás – a régebbiek között szinte mindegyik – a jelöltek kereséséhez egy különbségképet állít elő. Ez általában egy folt elnyomott és egy folt kiemelt kép különbsége, melyen a keresettobjektumok jobban elkülönülnek a környezetüktől. A folt elnyomása vagy kiemelése történhetpéldául medián szűrővel, morfológiai műveletekkel, egy ún. illesztett (matched) szűrővel [23], afolt profiljának illesztésével [24], vagy más mintafelismerő algoritmusokkal. Előfordul, hogy többkülönbség képet is előállítanak, és a későbbiekben csak a találatok metszetét tekintik [25]. Akülönbségkép előállításon felül elterjedtek még a több skálán dolgozó jelöltkereső eljárások [26].Ilyen a [27]-ban leírt módszer is, mely a foltot impulzusszerű kiemelkedésnek tekinti a megfelelőméretarányban. Vannak módszerek, melyek a foltot előre elkészített mintákkal való korrelációalapján emelik ki [28]. Az utóbbi időben többen alkalmazták a Convergence Index szűrőcsaládegyes tagjait, például az Adaptive Ring Filtert [29] vagy a Sliding Band Filtert [30]. Előfordulnakegyéni megoldások is, például a Fragmentary Window Filter [31], az Opaque Object Filter [32],vagy más csúszóablakos szűrők [33], esetleg gépi látásban felhasznált módszerek [11]. Habár alegtöbben az első fázisban képfeldolgozási eljárásokat használnak, léteznek más megoldások is, ahola jelölteket egy kisfelbontású képen neurális hálózattal keresik [34, 35], vagy a jelöltállítás soránmár felhasználnak geometriai jellemzőket is [23]. A kutatások egy része az eddigiekkel ellentétbenelőre kijelölt területekkel dolgozik és csak a második fázis tökéletesítésére koncentrál [36].Sok megoldás nem foglalkozik a folt körvonalának megkeresésével, ennek ellenére itt is változatosmegoldások léteznek. Elterjedtek a gradiens képen kereső wavelet snake alapú módszerek [37],illetve itt is használnak több skálán kereső eljárásokat [38], illetve távolságfüggő, adaptív körvo-nalakat [8].Léteznek megoldások, ahol nem használnak explicit módon osztályozást a hamis pozitívak szűré-sére [39], de a módszerek szinte mindegyike bevet valamilyen osztályozó algoritmust. Bár régebbenelterjedtek voltak a szabály alapú szakértő rendszerek [40], a 90-es évektől kezdve a legtöbben mes-terséges neurális hálózatot (ANN) alkalmaznak. Több esetben előfordul, hogy a kettőt egyszerrehasználják [41, 42]. Létezik olyan megoldás is, mely több, az egyes folttípusokhoz különböző ANN-talkalmaz [43]. Nagy számban előfordulnak más gépi tanulási módszerek, például az SVM (SupportVector Machine) [44], az FLD (Fischer Linear Discriminant classifier) [8], a CNN (ConvolutionNeural Network) [45, 46]. Léteznek statisztikai módszereket felhasználó megoldások is [47]. Érde-kes tendencia, hogy az újonnan megjelent hatékony rendszerek között számos használ egyszerű,lineáris vagy kvadratikus osztályozót a legkülönbözőbb tanítási algoritmusokkal [16, 8].Az osztályozók bemenetének megválasztása is igen sokrétű. A legtöbb megoldás az osztályozásalapjául szolgáló jellemzők számát 5-200 között tartja, de van olyan megoldás is, ahol a folt mindenegyes pixelértékét rávezetik az osztályozóra [48]. Számos jellemző épül a folt geometriájára [49],intenzitás profiljára [50], a textúra statisztikai jellemzőire [16], pozíciójára, azaz a szomszédosanatómiai struktúrákra [51]. Sokan felhasználják különböző szűrők kimeneteit, például morfológiaiszűrőkét [52] Gauss-i deriváltakat és a Laplace szűrőt, Gabor kernelt [53]. Léteznek fraktál dimenzióalapú [54], Fourier transzformált képből dolgozó [29] vagy a határvonal gradiensének hisztogramjátfigyelembe vevő [55] jellemzők is.Meg kell még említeni a több képpel dolgozó, időbeli elváltozás alapú megoldásokat is, ahol azadott betegről készült korábbi felvétellel hasonlítják össze az aktuális képet, így detektálják azújonnan keletkező foltokat. Ebben a témában is számos megoldás született, például [56]. Ezekugyan hatékonyak, de feltételezik egy korábbi felvétel meglétét. Ezen kívül az egyes képekhezhasznált eltérő beállítások, a páciens kissé eltérő pozíciója nehézségeket jelenthet a képek közöttikülönbség meghatározásakor.Az egyes alkalmazások eredményeit gyakran igen nehéz összevetni egymással, mivel a szerzők jel-lemzően valamilyen saját röntgenkép-adatbázis használatával dolgoznak. Azonban néhány esetbenmégis lehetőség nyílik az eredmények összevetésére, ugyanis egyre többen alkalmaznak nyilvánosanelérhető képadatbázisokat. Ezen adatbázisok előnye, hogy kellő mennyiségű képet tartalmaznak,valamint a bemutatott esetek is változatosak. A képekhez gyakran diagnózis, valamint az elvál-tozások pontos leírása is rendelkezésre áll. A legelterjedtebb ezek közül a Japanese Society ofRadiological Technology (JSRT) által készített adatbázis [57] (lásd. 3.1.1. fejezet).

10

CAD rendszer Képenkénti FP-k száma Érzékenység MegjegyzésHardie et al. (2008) 2 57.8

4.3 71.4Pereira (2007) 5 60Shiraishi et al. (2006) 5 70.1 nem csak JSRT*Ginneken et al. (2005) 2 51

4 67Coppini et al. (2003) 4.3 60Freedman et al. (2002) 5 66 nem JSRTWei et al. (2002) 5.4 80

1.1. táblázat. Néhány újabb foltkereső rendszer teljesítményének összehasonlítása*: Egy saját adatbázist használt, illetve a JSRT adatbázisnak csak azon képeit, ahol a folt a tüdőhatárvonalán belül helyezkedett el.

A nyilvános adatbázisokon tesztelt jobb eljárások nagyságrendileg hasonló eredményeket mutat-nak: képenként négy fals pozitív találat mellett 60-70%-os érzékenységet tudnak elérni. Az érzé-kenységet a legtöbb helyen a következőképpen definiálják.

Sensitivity = #TP

#TP + #FN, (1.1)

ahol az orvosi nyelvezetben használatos terminológiát használjuk, azaz a valós pozitívak TP a meg-talált valódi elváltozások, a hamis negatívak FN a nem megtalált elváltozások, a hamis pozitívakFP azon találatok, melyek igazából nem elváltozások.Az egyes rendszerek összehasonlítását azonban azonos adatbázis és fogalomrendszer mellett isfenntartásokkal kell kezelni. Eltérőek lehetnek ugyanis azon feltételek, melyekkel egy találat he-lyességét minősítik a szerzők. Például néhány esetben a kóros terület egy kis részének megjelöléseis TP - valós pozitív találatnak számít, míg mások szigorúbb feltételekkel minősítik rendszerüket.Ez a tapasztalataink szerint is jelentősen befolyásolhatja a számszerű végeredményt és annak mi-nőségét. Az eredmények közlésében is lehetnek eltérések. A legelterjedtebb teljesítmény jellemzőa free-response receiver operating characteristic (FROC) görbe használata, ahol az érzékenységetábrázolják a képenkénti fals pozitívak számának függvényében [58]. Elterjedt még a hagyományosreceiver operating characteristic (ROC) görbék használata, ami viszont nem az egész rendszerhatékonyságát jellemzi valósághűen, csupán az osztályozó hatékonyságának mérésére alkalmas.Eltérés mutatkozik abban is, hogy az egyes rendszerek keresnek-e foltot a tüdő maszkján kívül.A legtöbb megoldás az ilyen eseteket nem veszi figyelembe, ennek ellenére létezik olyan rendszer,mely megfelelő szegmentálás és egy szűrő lépés után hatékonyan megoldja a foltkereső feladatot atüdő körvonalán kívül is [16]. Az 1.1. táblázatban a jelenlegi leghatékonyabb, publikus rendszerekteljesítménye látható a teljesség igénye nélkül.

1.6. Rendszer áttekintő leírása, lépések

Az algoritmusunk a következő folyamatban helyezkedik el. A páciensről elkészül egy röntgenfel-vétel, mely közvetlenül eljut a készülékhez tartozó feldolgozó számítógépbe. Itt az első lépésbenmeghatározásra kerül a két tüdőfél körvonala, majd előáll a képnek egy kulcscsont árnyék nél-küli változata. A keletkezett körvonal maszkja és beállítástól függően az eredeti vagy a kulcscsont„mentesített” röntgenkép felhasználásával az általunk fejlesztett foltfelismerő bejelöli a képen azelváltozásokat, és a bejelöléseket egy kész kép vagy maszk formájában a röntgengép megjelenítőrendszerének továbbküldi. A megjelenítőn az orvos eldöntheti, hogy kirajzoltatja-e a bejelöléseket,vagy sem. Ezek után a gyanús területeket kinagyíthatja a részletesebb vizsgálat érdekében.

11

E lôszû rés ( a l u l m i n t a v é t e l e z é s )

J e l ö l t k e r e s ô ( C I / A F U M )

É r t é k e l ô a l r e n d s z e r

J e l ö l t k i v á l a s z t ó

J e l l e m z ô s z á m í t á s

O s z t á l y o z ó

O r v o s i b e j e l ö l é s e k

E r e d m é n y k é pE r e d m é n y s ta t i sz t i ka

R e n d s z e r

M e l l k a s r ö n t g e n T ü d ô m a s z k

M i n ô s í t e t t k é p j e l l e m z ô k

M i n ô s í t ô f u n k c i ó k

1.2. ábra. A rendszer felépítése.

A foltfelismerő algoritmus belső működése tekintetében a szakirodalomban számos helyen beváltsémát követjük, mely két fő lépésből áll [22]. Az első fázisban tisztán képfeldolgozó eljárásokkalfoltgyanús területeket keresünk, majd a második fázisban ezeket a jelölteket szűrjük egy osztályozósegítségével.Az első fázis több lépésből tevődik össze. Legelőször dekódoljuk a bemeneti felvételt képpontmát-rix formátumra, illetve előállítunk egy alulmintavételezett változatot is, melyen a későbbi eljárásoknagyobb része fut. Ezek után következik egy előszűrés, mely egyszerű képfeldolgozási eljárásokkalkontrasztosabbá, jobban láthatóvá teszi a foltot. Az így kapott képen fut le egy komplexebb szűrő,melynek kimenetén az egyes pixelértékek azt jelölik, hogy az adott pont környéke mennyire folt-szerű. A leginkább foltszerű pontok körül egy körvonalat határozunk meg, ilyen módon előállnaka végleges jelöltek. Az itt keletkező jelöltek száma jellemzően nagyon magas – akár a százat iselérheti – de ideális esetben a valós foltok nagy hányada – 80-90% – köztük van.A második fázisban a jelölt területekhez hozzárendelünk számos jellemzőt, melyek vonatkozhat-nak a körvonal geometriai jellemzőire, a vélt folt textúrájára, különböző szűrők kimenetére ésegyéb származtatott adatokra. Ezek a jellemzők egy sokdimenziós vektorként egy osztályozó be-menetére kerülnek, mely az előre betanított esetek alapján eldönti, hogy egy adott jelöltet foltnaktekinthetünk-e. Az így kapott pozitív találatok körvonalát rajzoljuk rá a bemeneti képre és adjukki a kimeneten.

12

1.7. A rendszer rövid specifikációja

A felismerő rendszer bemenete jelenleg egy 2048x2048 pixel felbontású, pixelenként 16 bites szür-keárnyalatos kép Portable Network Graphics (PNG) formátumban a pozitív röntgenképpel, és2db legalább 512x512 pixel felbontású bináris PNG kép, mely a két tüdőfél maszkját tartalmazza.A kimenet egy azonos paraméterekkel rendelkező kép, melyre a jelenlegi verzióban fixen rá vanrajzolva az elváltozások körvonala.A kimeneti képen levő bejelöléseknek tartalmaznia kell a daganatos elváltozások lehető legnagyobbrészét minél kevesebb hamis találat mellett, továbbá a futási időnek egy klinikai vizsgálat soránelfogadhatónak kell lennie.

13

2. fejezet

A rendszer részletes ismertetése

2.1. Előfeldolgozás

Mindenek előtt le kell szögeznünk, hogy a rendszer pozitív röntgenfelvételeken dolgozik, ahol asűrűbb anatómiai egységek, így a keresett foltok is sötétebbek. A rendszer szempontjából azonbanlényegtelen, hogy negatív vagy pozitív felvételeken dolgozik, az algoritmusok mind átparaméterez-hetők. Egyetlen oka a pozitív képek használatának az, hogy a bemenet is ilyen formátumú, ezzelegy konverziót takarítunk meg. Meg kell jegyeznünk azonban, hogy az emberi szem számára anegatív felvétel a szerencsésebb, mivel figyelmünk jobban ráirányul a világosabb foltokra. Éppenezért a röntgengép megjelenítő alrendszere már negatív képeket rajzol ki, mely igény szerint utólaginvertálható.A beérkező képek felbontása a röntgengép esetén változatos lehet, de jellemzőek a 2000 x 2000pixeles és 3000x3000 pixeles felbontások, a JSRT adatbázisban ugyanez 2048 x 2048 pixel. Azeredeti felbontásban az előfeldolgozó algoritmusok – melyek futási ideje általában a pixelszámmalegyenesen arányos, illetve egy pixel számítása aránylag hosszú – elfogadhatatlanul sokáig futnak.Tapasztalataink szerint a felbontást 512x512 pixelre csökkentve – mely JSRT képek esetén 1/16-od pixelszámot jelent – már elfogadható futási időket kapunk, és ebben a felbontásban még jólkivehetőek a kisebb foltok is a képeken. Járulékos nyereség, hogy a néhány pixeles zajoktól ismegszabadulhatunk ilyen módon. A leképezést bicubic interpolációval [59] végezzük. Így az újpixel az eredeti képen jellemzően 4x4 pixel értékétől függ, a távolság kvadratikus függvényében.Kipróbáltunk többféle előszűrő algoritmust a jelöltkeresés előtt, például a medián szűrőt, az illesz-tett (matched) szűrőt, vagy a "lokális kontraszt kiegyenlítés" (local contrast enhancement, LCE)algoritmust. Ezeket a szűrőket a difference image technikát alkalmazó megoldások használják leg-gyakrabban, ahol a folt intenzitásának kiemelése a végcél, mivel közvetlenül ezen lépések utánküszöbözési módszerekkel állítják elő a jelölt tartományokat. A mi esetünkben részben más a vég-cél, mi a jelöltkereső algoritmusaink működését szeretnénk velük megkönnyíteni. Arra kerestüka választ tehát, hogy egy folt kiemelt képen mennyivel lehetnek hatékonyabbak a jelöltkereső-ink, melyek alapvetően nem a folt intenzitása, hanem annak környezetétől való eltérése alapjánkeresnek.

2.1.1. Medián szűrő

A medián szűrő egy egyszerű, nemlineáris, általában zajszűrésre, vagy poszterizálásra használtalgoritmus. Pixelenkénti művelet, ahol az eredményképen egy pixel az eredeti képen egy adottméretű környezetének mediánja, így az környezetből kilógó pixelértékeket tudja eltüntetni.

Imed(x0, x0) = median(x, y | (x, y) ∈ R), (2.1)

14

ahol R az (x0, y0) környezete, általában egy n × n-es (x0, y0) középpontú négyzet, vagy r sugarúkör. A median függvény pedig a paraméterként kapott elemek rendezés szerinti középső elemét ál-lítja elő. Az előszűrés során az algoritmus zajszűrő hatását igyekszünk felhasználni, a foltot zajnaktekintve. A medián szűrő környezetét megfelelően beállítva letöröljük a képről a folt méretű elvál-tozásokat. Ezt a képet az eredetiből kivonva és az eredményt normalizálva megkapjuk az előbbletörölt objektumokat. Ezeket az objektumokat hozzáadva az eredeti képhez egy olyan eredménytkaphatunk, ahol pont a keresett foltok tűnnek ki jobban a környezetükből. Ezen a képen továbbdolgozva azonban kiderül, hogy más, anatómiai zajnak tekinthető objektum is jobban kiemel-kedik, tehát a rendszer teljesítményét összességében nem javítja. Amiért mégis említésre méltó,az egyrészt az, hogy a paraméterek finomhangolásával később hatékonyabbá tehető, továbbá akésőbbiekben más módon felhasználjuk a medián szűrőt.

2.1.2. Illesztett szűrő

Az illesztett szűrő (matched filter) egy leginkább jelfelismerésben alkalmazott szűrő, mely egy előreismert jelalakot „keres” a bemeneten. A keresett jel és a bemenet korrelációja alapján, annak helyéna kimeneten egy impulzus jelenik meg. Ezt a működést a szűrő kétdimenziós diszkrét esetben abemenetnek és a keresett jel x majd y menti tükörképének a konvolúciójával éri el.

I(x0, y0) =∞∑

x=−∞

∞∑y=−∞

H(x0 − x, y0 − y)I(x, y) (2.2)

H(x, y) = S(−x,−y), (2.3)

ahol S a keresett jelalak. Ha a bemenet a keresendő jel és 0 várható értékű Gauss-zaj összege, akkorez a szűrő maximalizálja a jel-zaj arányt 1 [60]. Ebben az esetben könnyedén meghatározhatnánk akeresett jel, azaz a folt helyét. Mivel itt a foltra leginkább anatómiai zaj adódik, ami nem felel mega kritériumnak, valamennyit módosítottunk az algoritmuson. Először a képet megszűrjük az LCEalgoritmussal, majd utána futtatjuk rajta a matched filtert, ami már jobb eredményt ad. A foltmodelljének egy 40x40 pixeles (28x28 mm) 20 szórású 2 dimenziós Gauss függvényt választottunk.Ez természetesen messze nem fed le minden foltot, de a nagyobbakat igen. Ezzel megszűrve a képetismét megállapítható, hogy kiemelődtek a foltok, de sok más objektum is, ami viszont általábannehezítette a felismerést. A jelenlegi verzióba így nem került bele ez az előszűrés.

2.1.3. Lokális kontraszt kiegyenlítő szűrő

A lokális kontraszt kiegyenlítő (Local Contrast Enhancement – LCE) szűrő egy adott területeta szűkebb környezete alapján tesz kontrasztosabbá. Minden egyes pixel értéket normalizál az Rkörnyezetében levő intenzitásértékek várható értéke és szórása alapján.

ILCE(x0, y0) = I(x0, y0)− E(I(x, y) | (x, y) ∈ R)σ(I(x, y) | (x, y) ∈ R) , (2.4)

ahol E a várható értéket, σ a szórást jelöli,R pedig (x0, y0) egy környezete, mely általában körszerű.Azt várhatjuk tőle, hogy az elváltozásokat, melyek a várakozásink szerint a környezetüknél sötétebbterületek az LCE szűrő kiemeli, azaz még jobban elütnek majd a környezetüktől. Tapasztalatainkszerint körülbelül 25x25 pixeles (17.5 x 17.5 mm) környezetben érdemes vizsgálódni, mely elégnagy, hogy legalább a közepes méretű elváltozások beleférjenek – a nagyokat amúgy is megtaláljuk–, ellenben elég kicsi, hogy a foltnak csak a közvetlen környezete alapján emelje a kontrasztot.Nagyobb környezet esetén ugyanis nagy valószínűséggel kerülne az adott területre a foltnál is

15

2.1. ábra. Az LCE szűrő kimenete a JSRT adatbázis első képén. A bal tüdő 6. bordája felett jóllátható a keresendő folt, bár más objektumok is kiemelődtek.

sötétebb objektum, ami jelentősen rontja az LCE hatását. Tapasztalataink szerint érdemes mégegy 6x6 pixel méretű medián szűrővel a kisebb zajokat eltüntetni a képről.A szűrő használatával kapott eredményeket a 3.2. részben ismertetjük.

2.2. Jelöltkeresők

Az előfeldolgozás során többféle foltkereső algoritmust implementáltunk annak érdekében, hogyezeket összevetve kiválaszthatjuk a feladatra legalkalmasabb eljárást, vagy hogy ezek együttes al-kalmazásával még jobb eredményeket érjünk el. A legjobb teljesítményt a "konvergencia index"(Convergence Index – CI) szűrőcsalád, illetve az „minimum alatti hányados átlag” (Average Frac-tion Under the Minimum – AFUM) szűrő mutatta. Míg előbbinek változatait sikerrel alkalmaztákkorábbi tüdőrák kereső eljárásokban [61], utóbbi a emlőrák detektálásában mutatott jó eredmé-nyeket [62].A foltkereső algoritmusok közös vonása, hogy a futásuk eredményeképpen az eredeti képpontok-hoz rendelnek egy olyan értéket, mely a terület kóros jellegének valószínűségét jellemzi. Ennekkövetkeztében a további vizsgálatokhoz szükséges jelölt tartományok középpontjait a foltkeresőalgoritmus által előállított kép intenzitásértékeinek küszöbözésével állíthatjuk elő.

2.2.1. AFUM

Az Average Fraction Under the Minimum (AFUM) [62] eljárás egy nemlineáris pixelenkénti le-képezés, melyet korábban sikerrel alkalmaztak mammográfiás feladatokban, többek között egy

1A jel-zaj arány a jel és a zaj teljesítményének hányadosa.

16

2.2. ábra. Az előszűrések eredménye a JSRT adatbázis első képén. A folt a bal tüdőfél 5. bordájafelett található.

korábbi a Méréstechnika és Információs Rendszerek Tanszéken folyó projekt során a mammográ-fiás felvételeken lágyrészárnyékok keresésre [63]. Ismereteink szerint viszont az algoritmust mégnem alkalmazták elváltozások keresésére mellkasröntgen felvételeken.Az eljárás célja a környezeténél sötétebb közel kör alakú foltok megtalálása. Az AFUM egy ún.„szomszédossági művelet” (neighbourhood operation), tehát az eredetivel megegyező, vagy közelmegegyező pixelszámú képet állít elő, ahol minden egyes új pixel értékét a neki megfelelő eredetipixelből, és annak környezetéből, azaz a szomszédos pixelekből számolja. Jelen esetben az újpixel értéket a következő módon származtatja: a pixeltől r2 távolságra elhelyezkedő pontoknakkiszámolja azon hányadát, melyek kisebb intenzitásúak, mint az r1 (< r2) sugáron belüli pontokintenzitásértékének a minimuma. Ezt ismétli több r1, r2 párra, és veszi a keletkezett hányadosokátlagát, melyből kapott [0,1]-beli érték lesz az új intenzitásérték.

IMIN (x0, y0, r1) = min(x1,y1)|d[(x1,y1),(x0,y0)]<r1

(I(x1, y1)) (2.5)

IFUM (x0, y0, r1, r2) = ]{(x, y) | d[(x, y), (x0, y0)] = r2 ∩ I(x, y) < IMIN (x0, y0, r1)}]{(x, y) | d[(x, y), (x0, y0)] = r2} (2.6)

IAFUM (x0, y0) =∑

r1∈R1,r2=f(r1)

IFUM (x0, y0, r1, r2), (2.7)

ahol d(p1, p2) jelöli a két pont távolságát, ]() a darabszámot, R1 az r1 által felvett értékek halma-zát, f() pedig az r2 számításához használt függvényt. Általában f(x) = x+ c ahol c egy konstans.Szemléletesen a hányados akkor lesz magas, ha az r1 sugarú környezet teljes egészében belefér egyvilágos tartomány belsejébe, míg az r2 sugarú kör már a sötétebb környezet mentén fut végig.Erre látható egy illusztráció a 2.3. ábrán. A többféle r1 és r2 a különböző sugarú foltok megtalá-lását segíti. A foltok bejelöléséhez ezek után meg kell keresni azon lokális maximumokat, ahol azintenzitásérték globálisan is magas.

17

2.3. ábra. Az AFUM szűrő működésének illusztrációja. r1-en belüli maximumot hasonlítja az r2menti pixelértékekhez.

Mivel mi a pozitív képeken keresünk elváltozásokat, ezért át kellett alakítani az algoritmust, hogysötét foltokat találjon meg. A minimum műveletet maximumra cserélve és a hányados számításánála relációt megfordítva elértük a kívánt hatást. Ezek után be kellett hangolni a megfelelő r1 ésr2 (lásd fent) értékeket. Több lehetőséget megvizsgálva végül az r1 ∈ {2, 4, 6, 8, 10, 12, 14, 16} ésr2 = r1 +8 beállítás adta a legjobb eredményt. A számok adódnak abból az előzetes információból,hogy a megtalálandó foltok átmérője 5-35 mm között változik. Léteznek ennél nagyobb foltokis, de azok szabad szemmel is könnyen észrevehetőek, illetve a felismerésükhöz általában másmódszerek szükségesek. Az eredeti 2048x2048 pixeles képeken 1 pixel 0.175 mm-nek felel meg,ebből számítható, hogy az alulmintavételezett képen a keresett foltok sugara 3.6 és 25 pixel közöttváltozik. A legkisebbeket r1 = 2 beállítás mellett meg lehet találni, hiszen ekkor az általa definiálttartomány teljesen belefér a foltba, és a maximum tényegesen a folt legvilágosabb pixelét fogjajelenteni. r2 = 2 + 8 pedig már teljes egészében a folton kívül fut végig. A legnagyobbakhozelméletben legalább r1 = 18 beállítás kellene (mert 18-ra már igaz, hogy 18 + 8 > 25), de atapasztalatok szerint a nagyobb foltokkal így is kevesebb a probléma, a kisebb foltoknál mutatottteljesítményt viszont lényegesen rontja több nagyobb sugár felvétele az átlagszámítás miatt.Számos apróbb módosítást kipróbáltunk a teljesítmény javítása érdekében: az egyes r1,r2 suga-rakkal kapott eredményekből átlag helyett maximumot számoltunk, mely néhány képen javítottaa felismerést, összességében viszont rontott. Az r1 sugarú tartományban nem mindig célszerűa legszélső intenzitásérték kiválasztása, a zajok, illetve a nem pontosan kör alakú foltok miatt.Ezt kezelendő próbáltunk enyhíteni a minimum feltételen több módszerrel, például az értékeketrendezve az n-edik értéket választva, de ezek sajnos nem javították a teljesítményt.A foltok környezetének változatosságát kezelendő kipróbáltuk, hogy egy adott r1 környezethez kétkülönböző r2 kerületet vizsgálunk, és a két kapott hányados maximumát vesszük a későbbi számí-tásokhoz. Ezt a módosítást az előszűrő kimenetén megvizsgálva arra jutottunk, hogy határozottanjobb teljesítményt nyújt, mint az AFUM algoritmus eredeti változata. Mivel az általa okozottfutási idő csökkenés még elfogadható volt, ezért ezt a módosítást beépítettük a végleges verzióba.

2.2.2. CI

A CI szűrők a kép részének foltszerűségét a tüdőelváltozások tanulmányozása során kialakítottmodell figyelembevételével határozzák meg. A CI megközelítés arra a feltételezésre épül, hogya tüdő rákos elváltozásai a röntgenfelvételeken a háttértől némileg elkülönülő fényességű simahatárvonallal rendelkező kerek területekként jellemezhetőek. Az eljárás a vizsgált területekhezezeknek a feltételeknek a felhasználásával rendel egy értéket, mely az adott középponttal rendelkezőtartomány az elváltozásról alkotott modellel való hasonlóságát jellemzi.

18

2.4. ábra. Az AFUM szűrő eredményképe a JSRT adatbázis első képén. A folt a nyíllal jelölthelyen, a bal tüdőfél 5. bordája felett található.

19

2.5. ábra. Az egyes irányokban a tartomány bizonyos határok közt szabadon változhat.

Amennyiben a P (x, y) képen a szűrő R tartományán belüli összesen M db. (k, l) pontpárral dol-gozunk, a CI érték az alábbi módon számítható.

C(x, y) = 1M

∑

(k,l)∈Rcos θ(k, l), (2.8)

ahol θ(k, l) az (x, y) pontból a (k, l) pontba húzott szakasz és a (k, l) pontbeli gradiens vektor általbezárt szög, R pedig egy (x, y) körüli változatos alakú tartomány.A CI eljárások a felhasználás során több, kisebb–nagyobb mértékben eltérő változatban találhatóakmeg. Az eltérések leginkább a vizsgált tartomány meghatározásában jelentkeznek. Az eljárás alapváltozata egy a vizsgált pontból induló körlap mentén értékeli ki az alakot jellemző függvényt. Ezta szűrőt Coin filter-nek nevezik a tartomány pénzérme szerű, körlap alakja miatt.

Rcoin = {(u, v) : dist((x, y), (u, v)) ≤ R} (2.9)

Azonban az elváltozások különböző mérete miatt az előbb bemutatott coin filter algoritmus nemnyújt egyenletesen jó teljesítményt. A túlzottan kis átmérő a nagyobb méretű elváltozások esetébenad az optimálisnál rosszabb eredményt, míg a tartomány túlzottan nagy mérete – a teljesítményproblémák mellett – a kis méretű elváltozások detekcióját nehezíti meg. Több lehetőség is kínál-kozik a probléma kezelésére. Egyrészt lehetséges egy állandó szűrőkészlettel dolgozva, a vizsgálnikívánt mérettartománynak megfelelően kialakított átmérőket használva a különböző méretű elvál-tozások hatékonyabb detekciója. Azonban ennél a megközelítésnél hatékonyabbnak bizonyul, ha ahatárvonal nem fix távolságra helyezkedik el a vizsgált ponttól, hanem a környezeti viszonyoknakmegfelelően adaptív módon kerül megválasztásra. A határvonal megválasztása többféleképpen is le-hetséges. Amennyiben csak a kör alakú tartomány átmérője változhat meghatározott tartományonbelül, akkor eredményképpen az u.n. Iris filter-t kapjuk [61]. Azonban mivel az elváltozások igengyakran ovális alakot vesznek fel, ezért ennél robusztusabb megoldásnak ígérkezik, amennyiben ahatárvonal nem egy rögzített zárt görbe skálázásával kerül megállapításra, hanem a határvonalaz egyes irányokban szabadon mozoghat. Ezt az eredményt úgy közelítjük, hogy a határvonalataz egyes előre definiált irányokban különböző mértékben toljuk el. Az egyes irányok számánakmegválasztása befolyásolja, hogy az eltérő simaságú határvonallal rendelkező területekhez milyenérték lesz rendelve.A végleges rendszerben végül ez a legutóbbi változat (Sliding Band Filter [61]) került implementá-lásra, mely azonban speciális esetként magában foglalja az összes többit, így általánosabb azoknál.

20

2.6. ábra. A CI szűrő eredményképe a JSRT adatbázis első képén. A folt a bal tüdőfél 5. bordájafelett található.

SBF (x, y) = 1N

N∑

i=1Cmaxi (2.10)

Cmaxi = maxRmin≤n≤Rmax

1d

n+d∑m=n

cos θim, (2.11)

ahol θim az i. kijelölt irányba mutató egységnyi hosszú vektor, és az adott pontbeli gradiensvektoráltal bezárt szög.Mint az a 2.5. ábrán is látható, a vizsgált tartomány ez esetben egy fix d szélességű, azonbantetszőlegesen megválasztható alakú folytonos görbe által határolt terület.

2.3. A jelöltkiválasztó algoritmus

A következő lépés az előszűrők eredményének felhasználása, azaz jelöltek állítása a második –osztályozó – fázis számára. Ehhez készítettünk egy közös értékelő rendszert, mely a jelöltek állí-tásán felül felelős a végleges programban az osztályozás hívásáért is. Ugyanakkor ezzel az értékelő

21

rendszerrel mérhető az egyes előfeldolgozási lépések, illetve az osztályozó teljesítménye is. Mivel akülönböző algoritmusok (CI, AFUM) hasonló eredményképet adnak - azaz az intenzívebb pontoknagyobb valószínűséggel foltok - ezért egy közös módszerrel válogatjuk ki a jelölteket, melynekpszeudokódját a következő oldalon ismertetjük 1. Az eredményképen vesszük a legintenzívebbpontot, majd körbehatároljuk a következő részben leírt módon. Ezt félretesszük, mint jelöltet, akörvonalon belül letöröljük az eredményképet, majd ismételjük az eljárást. Folytatjuk ezt addig,amíg el nem érjük a leállási feltételt, mely kétféle lehet. Az egyik módban egy adott küszöbszin-tig gyűjtjük a jelölteket, tehát amíg azok intenzitása magasabb egy konstans értéknél. Általunkvizsgált más rendszerek ezt a megoldást használják. A másik módban egy előre meghatározottszámú jelöltet gyűjtünk, függetlenül azok intenzitásától. Ez az újszerű megközelítés robosztusabbműködést biztosított, melyet a 3.5. részben ismertetünk. A küszöb vagy maximális jelöltszámmegállapításakor figyelembe kell venni, hogy az ebben a fázisban megtalált foltok aránya egy felsőkorlátot ad az egész rendszer érzékenységére. Éppen ezért itt a cél a minél magasabb érzékenységés nem az alacsony hamis pozitív arány elérése.A értékelő rendszernek a jelöltek kiválasztása után két főbb üzemmódja van. Az első üzemmód –amit a végleges program is felhasznál – a megtalált jelölteken kiszámoltatja a jellemzőket, majdlefuttatja ezeken a jellemzőkön az osztályozót. Egy jelöltre vonatkozó pozitív válasz esetén a talá-latot megjelöli a kimeneti képen. A második üzemmódban – ami a tanítóminták összegyűjtéséreszolgál – hasonlóan jár el azzal a különbséggel, hogy az osztályozó futtatása nélkül a jelölt kime-neti képen való bejelölése mellett a kiszámolt jellemzőket kimenti egy adatbázisba. Amennyibenrendelkezésre áll információ arról, hogy az adott kép tartalmaz-e, és ha igen, hol tartalmaz rá-kos elváltozást, akkor egy minősítést is elment a jellemzők mellé, mely az osztályozó tanításáhozszükséges.A minősítés meghatározásánál meg kellett határozni valamilyen kritériumot, ami alapján eldönt-hető, hogy egy találat megfelelően pontos-e ahhoz, hogy valós pozitívnak minősítsük. A gyakor-latban számos módszer használatos, de tapasztalataink szerint a legelterjedtebbek a középpontoktávolságát figyelembe vevő mérőszámok. Mi ennek egy 25 mm-es változata mellett döntöttünk,melyet több helyen is alkalmaztak hasonló rendszerekben [64, 8] Ez akkor és csak akkor tekintia bejelölést valódi találatnak, ha a jelölés középpontja legfeljebb 25 mm-es távolságra van az or-vos által bejelölt tartomány középpontjától. Az eredmények összevethetősége érdekében az egészrendszer minősítésére ezt a feltételt alkalmazzuk, ellenben tanítóminták készítéséhez nem mindigcélszerű egy ilyen „engedékeny” kritérium alkalmazása [8]. A tanítómintáknál fontosabb, hogy azokjól reprezentálják a keresett objektumot, így amely területnek nem egyértelmű a minősítése, aztinkább érdemes figyelmen kívül hagyni a tanítás során. Az egyértelmű folt kritériumának megalko-tásánál célszerűnek tűnt egyrészt a megengedhető legnagyobb középpont távolságot lecsökkenteni15 mm-re, illetve más jellemzőket is figyelembe venni. Előírjuk, hogy az orvos által bejelölt közép-pont a körvonalon belül legyen, továbbá hogy ha van orvos által bejelölt körvonala is a foltnak,akkor a területének legalább a felét magába foglalja. Ha ezek teljesülnek, akkor a jelöltet pozitívmintapontnak tekintjük, ha nem, megvizsgálunk egy másik kritériumot az ellenkezőjének eldön-tésére. Ha a jelölt távolsága 25 mm-nél nagyobb az orvosi bejelölésnél, továbbá a körvonal nemtartalmazza a folt középpontját, és az esetleges körvonalak metszete is legfeljebb egytizede a valósfolt területének, akkor egyértelműen kijelentjük, hogy a jelölt nem folt, és felvesszük a negatívmintapontok közé. Amennyiben egyik kritérium sem teljesül, akkor az adott jelöltet a tanításhoznem használjuk fel, természetesen a teszteléshez igen.Az egyes megoldások összevethetősége érdekében az értékelő rendszer statisztikát készít arról, hogya valós foltot megtalálta-e, és ha igen, akkor hányadikként, feltéve, hogy az igazi folt helye ismert.Az így kapott sorszám a kimeneti képen is megjeleníthető. Mindezt megteheti az előfeldolgozó ésaz osztályozó kimenetén is.

22

Algoritmus 1 A jelöltkiválasztó algoritmusIterációszám ⇐ 0while (MAX(Eredmény kép)> Küszöb AND MÓD == 1)

OR (Iterációszám < MaxIterációszám AND MÓD==2)do(X,Y) := MAX_HELY(Eredménykép)FoltMaszk := KÖRVONAL(Eredménykép, (X,Y) )Eredménykép := TÖRÖL(Eredménykép, FoltMaszk)Jelöltek[Iterációszám] := Új Jelölt(X,Y,FoltMaszk)Iterációszám ⇐ Iterációszám + 1

end whilefor all Jelölt ∈ Jelöltek doJellemzők = Jellemzőszámítás(Jelölt)if Üzemmód == végleges thenif Osztályozás(Jellemző) == TRUE thenKimenet ⇐ Jelölt

end ifelse if Üzemmód == mintagyűjtés thenKimenet ⇐ Jelöltif Pozitív_kritérium(Jelölt)==TRUE thenADATBÁZIS ⇐ (Jellemzők, +1)

else if Negatív_kritérium(Jelölt)==TRUE thenADATBÁZIS ⇐ (Jellemzők, -1)

elseADATBÁZIS ⇐ (Jellemzők, ?)

end ifend if

end for

2.4. Körvonalazó

A diagnosztizáló orvos számára, valamint az osztályozás alapjául szolgáló jellemzők előállításánális fontos lehet a gyanús területek határvonalának valamilyen szintű feltérképezése. Azonban kér-déses, hogy az így elkészített határvonalnak mennyire kell pontosnak lennie. Mivel a felvételekena folytonos intenzitásváltozás következtében az esetek jelentős részében nem lehet egyértelmű ha-tárvonalat kijelölni, ezáltal a feladat valamilyen értelemben helyes megoldása korántsem egyszerű.Továbbá kérdéses az is, hogy a nagy pontosságú határvonal meghatározása mennyiben javítja arendszer hatékonyságát. Míg egyes vizsgálatoknál nem jelentett mérhető különbséget egy körvo-nalkereső alkalmazása a kör alakú határolással szemben [38], máshol közel 10%-os növekedésrőlszámolnak be a szerzők [8]. Ez a különbség leginkább abból adódhat, hogy mennyire használnakaz egyes rendszerek a körvonalra épülő jellemzőket. A mi rendszerünk számos geometriai jellemzőtfelhasznál, tehát indokolt lehet egy megközelítőleg pontos körvonal meghatározása.A feladatra a mammográfiás elváltozásoknál sikerrel bevetett algoritmust alkalmaztunk, amit aszerzők „legjobb határvonal” eljárásnak neveztek el. [63] A módszer a folt középpontjából és annakkörnyezetéből indul ki. Először megszorozza a képet egy középpontra illesztett Gauss függvénnyel,majd ezt küszöbözi több szinten. Az így kialakult körvonalakból azt tartja meg, amely a leginkábbkörszerű, azaz a gradiens vektorok átlagosan a legkisebb szöget zárják be a sugárirányú vektor-ral. A kiválasztásnál figyelembe veszi a gradiens vektorok nagyságát is, mely elősegíti az élesebbhatárvonalak megtalálását.

Si = {(x, y) ∈ D|Gauss(x, y)I(x, y) ≥ ci} (2.12)

23

RGIi =

∑

(x,y)∈SiG(x, y) r(x, y)

‖r(x, y)‖∑

(x,y)∈Si‖G(x, y)‖

−

∑

(x,y)∈Si‖G(x, y)‖

d(2.13)

Contour = ∂Sj : j = argmaxRGIi, (2.14)

ahol D a kép pontjainak halmaza, Gauss(x, y) egy 25 pixel szórású kétdimenziós (x0y0) közepűGauss függvény. Az (x0, y0) a körvonalkeresés kiindulópontja. Az I(x, y) az eredeti kép intenzi-tásértékei, ci a változó küszöb, G(x, y) az (x, y) pontban érvényes gradiensvektor, r(x, y) az (x, y)pontba mutató sugár, d pedig Si, azaz a körvonal elemszáma. RGI a Radial Gradient Index érték,melynek minimalizálásával elérhetőek a fent említett célok, azaz a nagy és középpont fele mutatógradiensek. Az eljárás tehát a Gauss függvénnyel modulált képrészlet adott ci értéket meghaladóintenzitású pontjai által alkotott alakzatok közül annak a határvonalát adja eredményül, melyreszámolt RGI érték a legnagyobb.Két módosítással javítani tudtunk a kezdetben mutatott teljesítményen. Pontosabb körvonalatkaptunk, ha nem az eredeti képre, hanem az előfeldolgozó algoritmusok eredményképeire futtattukle az algoritmust. A második módosítás pedig, hogy egy utolsó lépésben a körvonalat beszorítjuka tüdő körvonalán belülre, azaz ahol nem a tüdő területén fut a körvonal, ott az adott szakaszthelyettesítjük a tüdő határvonalával. Ez a körvonal pontosságán ugyan nem javított, de jó ha-tással van a körvonalon belül számolt jellemzők helyességére. Végül meg kell jegyeznünk, hogy akörvonalak helyességét egzakt módon nem tudtuk mérni, mivel nem állt rendelkezésünkre semmi-lyen alapigazság, például orvosok által bejelölt körvonalak. Orvosokkal való konzultáció alapjánaz is kiderült, hogy röntgenfelvétel alapján általában nem is tudják egyezményesen meghatároznia pontos körvonalat. Ennek ellenére a legtöbb esetben tudtunk sorrendet állítani a módszerekközött, mivel a körvonalak közötti különbség szabad szemmel is jelentős volt.Az ismertetett körvonalazó mellett időnként alkalmaztunk egy fix körvonalazó eljárást is annakeldöntésére, hogy származik-e tényleges előny a folt határvonalának megkereséséből. Ekkor a foltközéppontja körül egy 15 pixel, azaz 10.5 mm sugarú kört rajzolunk.

2.5. Képjellemzők kinyerése

Az eddigiekben odáig jutottunk, hogy adott nagy számú – beállítás függvényében 10-100 – jelöltés a feltételezett körvonal a jelöltkiválasztó kimenetén. Azonban a jelöltek jelentős része – a kóroselváltozást tartalmazó röntgenképek esetében is – hamis pozitív találat (lásd 1.5. rész), ezért szük-ség van valamilyen jellegű további szűrésre, mely a hamis találatok nagy részét eltávolítja. Erre afeladatra egy osztályozót alkalmazunk. A megfelelő teljesítmény eléréséhez azonban az osztályozóbemenetét alaposan meg kell választani. Kézenfekvő lenne az összes körvonalon belüli intenzitás-értéket rávezetni az osztályozóra, de az így keletkező több ezer dimenziós bemenet néhányszázasmintaszám mellett nem alkalmas tanításra, és szinte biztosra vehető, hogy az osztályozó nem tudnaáltalánosítani. Ezért van szükség olyan ún. jellemzők (feature) kivonására melyek kisebb dimen-ziószám mellett jellemzik a területet, de segítségükkel összességében már el lehet dönteni az adottterületről, hogy az valós elváltozás-e. Ez némileg analóg az emberi látással is, ahol egy képből csakbizonyos jellegzetes vonásokat emel ki az agy, és ezek alapján dönt például a dolgok hasonlóságrólis. A jellemzők egy része éppen ezért az emberi látásból merít ötleteket, mások statisztikai erede-tűek, esetleg teljesen más területről származnak. A továbbiakban az általunk használt jellemzőketmutatjuk be részletesen.Számos jellemzőnk épül az entrópiára, mely egy információelméleti mérőszám. Definíciója egy Xdiszkrét valószínűségi változóra, melynek értékkészlete {x1..xn}, és xi valószínűsége p(xi):

HX = −n∑

i=1p(xi) ∗ log2(p(xi)) (2.15)

24

2.7. ábra. A körvonalazó kimenete a CI eredményképen. Fent az összes találat egy teljes rönt-genképhez tartozó CI kimeneten. Balra lent egy helyesen megtalált körvonal, míg jobbra lent egyhelytelen találat látható. A hiba oka, hogy az algoritmus nem eléggé elkötelezett a körszerű formákiránt.

25

A megjelölt területek vizsgálata az elváltozások jellegéből adódóan több léptéken történik. Ennekmegfelelően a felhasznált jellemzők is nagyobb osztályokba sorolhatóak.

2.5.1. Textúra jellemzők

A vizsgált területek legkisebb léptéken történő vizsgálata a textúra jellemzők felhasználásávaltörténik. Ezen jellemzők a vizsgált terület pixel szintű mintázatával kapcsolatos információt hor-doznak.Fontos azonban megjegyezni, hogy az előállított textúra jellemzőknek az adott szöveteket kelljellemezniük. Azonban a különböző expozíciós beállítások, illetve az azonos mintázatú, de eltérőorientációjú területek következtében kialakuló mintázat változások miatt a területeket olyan jel-lemzőkkel kell leírni, melyek nem változnak ezen tényezők hatására.Az általunk használt elsőként bemutatandó jellemzők – melyeket korábban sikerrel alkalmaztakobjektum felismerésre [65] – a textúra bizonyos statisztikai tulajdonságainak meghatározásávalpróbálják ezt a célt elérni. A megközelítés során nem közvetlenül az eredeti kép kerül felhaszná-lásra, a jellemzők az árnyalatok területbeli függését jellemző mátrixra épülnek (gray tone spatialdependence matrix, vagy co-occurrence matrix, továbbiakban P ). P (i, j) azon szomszédos pixel-párok száma, ahol a két intenzitásérték i illetve j, ami így invariáns az objektumok eltolására aképen. A szomszédossági relációt azonban több módon – különböző irányok mentén – definiál-hatjuk, ennek megfelelően négy különböző ilyen mátrixot definiálhatunk (0◦, 45◦, 90◦ és 135◦-osszögekre), mely megoldás bizonyos szintű orientáció függetlenséget biztosít. A továbbiakban egytetszőleges irány menti mátrixot tekintünk. Ezt a mátrixot ezután úgy normáljuk, hogy eredmé-nyül az intenzitás párok eloszlását kapjunk, a normált mátrix elemeit jelöljük p(i, j)-vel. A mátrixméretének és zajérzékenségének csökkentése érdekében érdemes a színárnyalatok számát alacso-nyabbra venni. Mi a 256 színárnyalatra kvantálás mellett döntöttünk, mely még elég információthordoz a képről, de a 256 × 256 méretű mátrixok már kezelhető méretűek. A következő összesen18 db textúra jellemző számítása ezeknek a mátrixoknak a felhasználásával történik, Ng = 256 aszínárnyalatok száma. Ahol nem jelöltük másképp, ott

∑l ≡

∑Ngl=1, és l lehet {i, j, k}. További

jelölések:

px(i) =∑

i

p(i, j) (2.16)

py(j) =∑

j

p(i, j) (2.17)

px+y(k) =∑

i

∑

j

p(i, j), i+ j = k (2.18)

px−y(k) =∑

i

∑

j

p(i, j), |i− j| = k, k = 0..Ng − 1 (2.19)

A 18 darab, P mátrixra épülő jellemző:

• Második impulzusmomentum (Angular Second Moment):Ng∑

i=1

Ng∑

j=1p(i, j)2, (2.20)

azaz p négyzetösszege.

• Kontraszt:Ng−1∑n=0

n2

Ng∑

i=1

Ng∑

j=1p(i, j)

, |i− j| = n, (2.21)

azaz az intenzitáskülönbség második momentuma.

26

• Korreláció: ∑i

∑j ij · p(i, j)− µxµy

σxσy, (2.22)

ahol µx, µy, σx, σy a px, py sűrűségfüggvényű marginális eloszlások várható értéke ésszórása.

• Szórásnégyzet: ∑

i

∑

j

(ij − µ)2p(i, j), (2.23)

azaz ij szórásnégyzete.

• Inverz különbség momentum (Inverse Difference Moment):∑

i

∑

j

11 + (i− j)2 p(i, j), (2.24)

azaz i− j különbség reciprokának második momentuma.

• Összeg átlag (Sum Average):2Ng∑

i=2ipx+y(i), (2.25)

azaz i+ j várható értéke.

• Összeg szórásnégyzet (Sum Variance):

2Ng∑

i=2(i− fs)2px+y(i), (2.26)

azaz i+ j szórásnégyzete.

• Összeg entrópia (Sum Entropy):

−2Ng∑

i=2px+y(i) log px+y(i), (2.27)

azaz i+ j konvencionális entrópiája.

• Kölcsönös entrópia:HXY = −

∑

i

∑

j

p(i, j)log(p(i, j)), (2.28)

azaz i és j kölcsönös entópiája.

• Különbség szórásnégyzet:Ng−1∑

i=0i2px−y(i). (2.29)

• Különbség entrópia:

−Ng−1∑

i=0px−y(i) log px−y(i). (2.30)

• px határeloszlás entrópiája:

HX = −∑

i

px(i)log(px(i)). (2.31)

27

• py határeloszlás entrópiája:

HY = −∑

j

py(j)log(py(j)). (2.32)

• Közös entórpia mérőszám(1):

HXY 1 = −∑

i

∑

j

p(i, j)log(px(i) · py(j)). (2.33)

• Közös entórpia mérőszám(2):

HXY 2 = −∑

i

∑

j

px(i) · py(j)log(px(i) · py(j)) (2.34)

• Korrelációs mérőszám(1):HXY −HXY 1max {HX,HY } , (2.35)

ahol HXY az előbb ismertetett kölcsönös entrópia, HX, HY a px és py határeloszlás ent-rópiája, HXY 1 pedig az első közös entrópia mérőszám.

• Korrelációs mérőszám(2):

(1− exp (−2(HXY 2−HXY ))) 12 , (2.36)

ahol HXY az előbb ismertetett kölcsönös entrópia, HXY 2 pedig a második közös entrópiamérőszám.

• Maximális korrelációs együttható (Maximal Correlation Coefficient): Q mátrix második leg-nagyobb sajátértékének négyzetgyöke, ahol

Q(i, j) =∑

k

p(i, k)p(j, k)(px(i)py(k) . (2.37)

Minden egyes jellemzőt kiszámoljuk a négy irányhoz tartozó p mátrixhoz, majd a négy keletkezőértéknek vesszük az átlagát és a tartományát, mely a legkisebb és legnagyobb érték különbsége.Ez utóbbi két értéket vesszük fel jellemzőnek, ami a fenti tizennyolc függvény esetén harminchatbemeneti dimenziót eredményez.További öt jellemzőt számítunk direkt módon a folt képének intenzitásértékei alapján [16]. Ezeka következők:

• Relatív intenzitáskülönbség: a folt átlagintenzitásának és a tartalmazó tüdőfél átlagintenzi-tásának különbsége.

• Relatív intenzitáshányados: folt átlagintenzitásának és a tartalmazó tüdőfél átlagintenzitá-sának hányadosa.

• Foltintenzitások szórása.

• Relatív intenzitás tartomány: a folt intenzitásérték tartományának és a tartalmazó tüdőfélintenzitásérték tartományának a hányadosa, azaz

max(x,y)∈F (I(x, y))−min(x,y)∈F (I(x, y))max(x,y)∈T (I(x, y))−min(x,y)∈T (I(x, y)) , (2.38)

ahol F a folt körvonalán belüli pixelek halmaza, T pedig a tartalmazó tüdőfél pixeleinekhalmaza.

28

• Relatív maximum: a folton belüli legintenzívebb érték normálva az egész tüdő területén amaximum és minimum különbségével, azaz

max(x,y)∈F (I(x, y))−min(x,y)∈T (I(x, y))max(x,y)∈T (I(x, y))−min(x,y)∈T (I(x, y)) , (2.39)

ahol F a folt körvonalán belüli pixelek halmaza, T pedig a tartalmazó tüdőfél pixeleinekhalmaza.

A Gonzalez és Woods [66] könyvében leírt invariáns momentum tulajdonságok is felhasználásrakerültek a jellemzők előállításánál. Ezen jellemzők a képrészletek olyan statisztikai jellemzői, me-lyek nem változnak a kép elforgatásával, illetve tükrözésével, ezáltal a különböző irányultsággalrendelkező elváltozások azonos módon jellemezhetőek.Egy f(x, y) függvény (p+ q)-ad rendű momentuma:

mpq =∑

(x,y)∈Rxpyqf(x, y) , p, q = 1, 2, · · · , (2.40)

ahol R a függvény értelmezési tartománya, jelen esetben a kép pontjai. A megfelelő rendű centrálismomentum:

µpq =∑

(x,y)∈R(x− x)p(y − y)qf(x, y), (2.41)

ahol

x = m10m00

y = m01m00

, (2.42)

mij definícióját lásd fent.A normalizált centrális momentumok az alábbi alakúak:

ηpq = µpqµγpq

, p, q = 1, 2, · · · (2.43)

γ = p+ q

2 + 1 (2.44)

Az eltolásra, skálázásra, tükrözésre, valamint forgatásra érzéketlen momentumok az alábbi formá-ban állíthatók elő[66]:

φ1 = η20 + η02

φ2 = (η20 − η02)2 + 4η211

φ3 = (η30 − 3η12)2 + (3η21 − η03)2

φ4 = (η30 + η12)2 + (η21 + η03)2

φ5 = (η30 − 3η12)(η30 + η12)[(η30 + η12)2 − 3(η21 + η03)2]

+(3η21 − η03)(η21 + η03)[3(η30 + η12)2 − (η21 + η03)2]

φ6 = (η20 − η02)[(η30 + η12)2 − (η21 + η03)2]+ 4η11(η30 + η12)(η21 + η03)

φ7 = (3η21 − η03)(η30 + η12)[(η30 + η12)2 − 3(η21 + η03)2]

+(3η12 − η30)(η21 + η03)[3(η03 + η12)2 − (η21 + η03)2]

29

2.5.2. Geometriai tulajdonságok

Ezen tulajdonságok a vizsgált területek nagyobb léptékű – a tartomány alakját, illetve elhelyezke-dését jellemző – mennyiségek [16], melyekből összesen 10 darabot használtunk fel. Az elhelyezke-dést tekintve kiszámoltuk a folt középpontjának a tartalmazott tüdőfél belső szélétől illetve felsőcsúcsától való távolságát. A tüdőfél belső széle a jobb térfél esetén annak legnagyobb, a bal térfélesetén pedig annak legkisebb vízszintes koordinátájú pontja. A térfél felső csúcsa annak legki-sebb függőleges koordinátájú pontja. A többi geometriai jellemző a folt 2.4. fejezetben ismertetettmódszerrel meghatározott körvonalára épül.

• Effektív sugár : a körvonallal azonos területet lefedő kör sugara.

• Normalizált kerület: A kerület, azaz a körvonal hossza osztva egy konstans 12 pixel sugarúkör kerületével.

• Normalizált terület: a körvonal által körbehatárolt terület osztva egy 12 pixel sugarú körterületével.

• A centroid koordinátái: miden pixelértéket egyforma súllyal tekintve a tömegközéppont víz-szintes és függőleges koordinátái a körvonalat tartalmazó terület bal felső sarkától.

• A centroid vízszintes és függőleges távolsága: a körvonalat tartalmazó terület közepétől osztvarendre a terület szélességével és magasságával.

• Effektív kerület: a körvonal irregularitása. A körvonal kerületének és az effektív sugarú körkerületének hányadosa.

2.5.3. Zernike momentumok

A Zernike momentumok a komplex egységkörön definiált függvények Zernike polinomokkal valóközelítésekor használt együtthatók abszolút értékei. A Zernike momentumokat elsősorban invariánstulajdonságaik, és zajtűrő képességük miatt alkalmazzák[67]. A momentumok elsősorban a vizsgáltterület alakjáról hordoznak információt.A Zernike radiális polinomok (ρ, θ) polár koordinátákban:

Rnm(ρ) =(n−|m|)/2∑

s=0(−1)s · (n− s)!

s!((n+ |m|)/2− s)!((n− |m|)/2− s)!ρn−2s, (2.45)

ahol n ∈ N, és m : m 6= 0, n− |m| ptlan, |m| ≤ nAz egységkörön definiált (n,m) rendű Zernike bázisfüggvény ezáltal:

Vnm(ρ,Θ) = Rnm(ρ) exp(imθ) , ρ ≤ 1, (2.46)

ahol i az imaginárius egység. A kép Zernike momentumai:

Znm = n+ 1π

∫ ∫

ρ≤1V ∗nm(ρ, θ)f(ρ, θ), (2.47)

ahol V ∗nm Vnm konjugáltja.

30

2.5.4. Gauss deriváltak

Az (x0, y0) középpontú folt környezetét megszűrjük különböző Gauss derivált (Derivative of Gaus-sian – DoG) szűrőkkel. Egy DoG szűrő egy független kétdimenziós Gauss kernel adott irány mentideriválja.

∂

∂dirA · e−( (x−x0)2

2∗σ2x

+ (y−y0)2

2∗σ2y

)(2.48)

A Gauss kernel méretét r ∈ {4, 8, 12, 16, 20, 24} határozza meg, ahol 2 ∗ r a kernel oldalhosszú-sága, σx = σy = r/4 a Gauss függvény szórása. A a Gauss függvényt normalizáló konstans. Aziránymenti derivált nyolc változatát alkalmazzuk, azazdir ∈ {(1, 0), (−1, 0), (0, 1), (0,−1), (1/

√2, 1/√

2), (1/√

2,−1/√

2), (−1/√

2, 1/√

2), (−1/√

2,−1/√

2)}(vízszintes, függőleges, és a 45◦-os irányok).A szűrt képeknek eltároljuk az átlagintenzitását, illetve r méretenként a különböző irányonkkalkapott átlagoknak kiszámoljuk a szórását. Ez összesen 6*8 + 6 = 54 jellemzőt jelent.

2.5.5. Gauss második deriváltak

A folt környezetét a 2.5.4. részhez hasonlóan megszűrjük egy diszkretizált függvénnyel. A felhasz-nált szűrőkernel a Gauss második derivált (Laplacian of Gaussian – LoG) kernel.

∇2A · e−(

(x−x0)2

2∗σ2x

+ (y−y0)2

2∗σ2y

), (2.49)

mely egy φ szöggel el van forgatva, majd egy (2∗r)×(2∗r) pixeles tartományba van diszkretizálva.A szűrő r és φ paraméterét változtatva kiszámítjuk az egész foltot tartalmazó képre az intenzitás-értékek átlagát, szórását és entrópiáját, illetve a folt centroidjának 5 × 5 pixeles környezetére azintenzitásértékek átlagát. A különböző φ paraméterekre vesszük az értékek átlagát, ezek leszneka jellemzők, kivétel az entrópia, ahol az értékeknek csak a szórását vesszük fel. A jelen verzióbanr ∈ {5, 10}, ami összesen 2*3+1=7 jellemzőt eredményez.

2.5.6. Előfeldolgozókra épülő jellemzők

Egy külön jellemzőbe felvesszük az éppen használt, illetve a többi előfeldolgozó algoritmusnak azadott területre számolt intenzitás érékeinek a maximumát. Jelen esetben ez a CI és az AFUMadott területre vett maximumát jelenti. Ezzel a jellemzővel az egyes előfeldolgozók által megvaló-sított jellemzést kívánjuk implicit módon az osztályozó számára is elérhetővé tenni. Például a CI(2.2.2. fejezet) algoritmus esetében az intenzitásérték nagysága a bemutatott geometriai tulajdon-ságok meglétét minősíti. Az AFUM eljárás is hasonló feltételeket szab a magas intenzitásértékekelőállításához. Azonban az algoritmusok némileg különböző eredményt adnak, így az egyes inten-zitásértékek maximuma a két algoritmus együttes használatának legegyszerűbb megoldása. Ezenfelül felhasználjuk az AFUM eredménykép intenzitásátlagát a körvonalon belüli területre. Ilyenmódon szintén az előfeldolgozás során felhalmozott információt szeretnénk az osztályozáshoz isfelhasználni. Jelenleg ezzel egyesítjük a több előfeldolgozó eredményét, mintegy az osztályozórabízva a döntést, hogy milyen érték együtteseknél érdemes az AFUM által adott valószínűségetfelhasználni.

31

2.6. Osztályozás

2.6.1. Az osztályozó

A feldolgozási folyamat legjelentősebb lépése a megjelölt képtartományok minősítése. Az alap-vető kétlépéses koncepció alapján az előfeldolgozás során kiválasztott nagy mennyiségű gyanúsnakítélt terület kóros voltát meg kell állapítanunk. A feladathoz egy erre a célra kialakított hagyo-mányos osztályozó algoritmust hívunk segítségül. Fontos megjegyezni, hogy bizonyos tapasztalatiinformációkat (az elváltozások tulajdonságaival kapcsolatban) már az előfeldolgozási lépés soránis felhasználtunk a jelöltek számának korlátozása érdekében. Azonban a jelöltkiválasztás sorántörekedtünk arra, hogy a nagy számú jelölt előállítása következtében kicsi maradjon annak a va-lószínűsége, hogy az előszűrő algoritmus hibája miatt egy akár kis mértékben is gyanús területetelveszítsünk, és ne végezzünk rajta további vizsgálatokat.Az osztályozás érdemi részét az SVM (Support Vector Machine) [68] algoritmus végzi. Az eljáráselőnye a többi osztályozó algoritmussal szemben, hogy képes nagy dimenziószámú jellemzővek-torokkal dolgozni különösebb teljesítményveszteség nélkül, mindemellett egy sok helyen sikerrelalkalmazott igen hatékony osztályozó [16].Az algoritmus alapvető változata egy bináris osztályozó. A bemenetként kapott jellemzővektoralapján az adott mintát vagy az egyik, vagy a másik osztályba sorolja, ez esetünkben a pozitív,azaz a valós elváltozást tartalmazó, valamint a negatív, azaz nem tartalmazó területek közöttikülönbségtételt jelenti. Mint azt az előzőekben már említettük, az egyes megjelölt területek, jelöl-tek egy-egy sokdimenziós jellemzővektor formájában vannak reprezentálva. Ezáltal az egyes esetekközötti különbségtétel geometriai formában is megfogalmazható. Ha találunk egy olyan felületet,mely az egyes osztályokba sorolt mintapontokat szeparálja, azaz minden, a két különböző osz-tályba tartozó pontpárt összekötő egyenessel létezik a felületnek páratlan sok metszéspontja, ésnem létezik olyan, azonos osztályokból származó pontokból alkotott pár, melyre ez a tulajdonságfennállna. Ezután csak azt kell megvizsgálnunk, hogy az újonnan érkező mintapont a felület me-lyik oldalán helyezkedik el. A legegyszerűbb esetben ez a felület egy hipersík is lehet, ilyenkor amintapontok lineárisan szeparálhatók. Fontos azonban megjegyezni, hogy az osztályozó tanításasorán, amikor az előbb említett felület meghatározása történik, a tényleges osztályok által megha-tározott tartományok nem ismertek, csak a belőlük származó minták adottak. Ennek megfelelőena szeparáló felületet úgy célszerű megválasztani, hogy az a lehető legtávolabb legyen a különbözőmintapontoktól, ilyen módon biztosítva azt, hogy a későbbi, az egyes tartományokból származóminták esetében is helyes osztályozást kapjunk. Abban az esetben, ha a szeparáló felületet meg-határozó függvényt az alábbi formában használjuk:

f(x) = 〈w,Φ(x)〉+ b, (2.50)

ahol w a szeparáló hipersík normálvektora, b a hipersík eltolás paramétere, és Φ(x) a jellemző-vektor képe egy magasabb dimenziós térben, az optimális felületet jellemző paraméterek az alábbiminimalizálási feladat megoldásaként adódnak:

minw

12 ‖w‖

2 + C

m∑

k=1ξ2k (2.51)

A feladat tehát egy feltételes optimalizálási feladattá egyszerűsödik. Az optimális megoldást akifejezés Lagrange multiplikátorok felhasználásával történő átalakítását követően egy kvadratikusprogramozás feladat formájában lehet megoldani.Bizonyítható, hogy az optimális eredmény az alábbi alakban is előáll:

w =m∑

k=1α∗kykΦ(xk), (2.52)

32

ahol az α∗k értékek a Lagrange multiplikátorok. Ezt a (2.50)-be helyettesítve kapjuk a következőösszefüggést az osztályozó kimenetére:

f(x) =m∑

k=1α∗kyk 〈Φ(xk),Φ(x)〉+ b (2.53)

Vegyük észre, hogy ehhez nem szükséges az esetlegesen nagyon magas dimenziószámú Φ(x) isme-rete, elég ennek egydimenziós kimenetű önmagával vett skalárszorzatát tudnunk, ez az ún. „kerneltrükk”. A skalárszorzatot a továbbiakban K(x1, x2) = 〈Φ(x1),Φ(x2)〉 -nek jelöljük és kernel függ-vénynek nevezünk. A kernel függvény tulajdonságai és megválasztása meghatározó jelentőségű azSVM elméletben.

2.6.2. Az osztályozó implementáció

A fejlesztés során cél volt egy hamar működőképes verzió elkészítése, ezért egy ingyenesen elérhetőkész implementációt használtunk fel. A számos implementáció közül a SVM and Kernel MethodsMatlab Toolbox-ot [69] választottuk, mert a teljes programot Matlabban implementálták, amikönnyű testreszabhatóságot biztosít, továbbá alap állapotában is tartalmaz számos kernelfügg-vényt, és alkalmas a mintakészlet kiegyensúlyozatlanságának kezelésére. A hatékony működéséhezazonban több műveletet kell végezni a bemeneti adatokon, valamint számos beállítást el kell vé-gezni az osztályozón, melyeket a továbbiakban ismertetünk.

2.6.3. Adatok előkészítése

Az osztályozási lépés előtt az osztályozás alapjául szolgáló jellemzőket olyan módon transzfor-máljuk, hogy az eredményképpen előálló átskálázott jellemzők várható értéke nulla, a szórása egylegyen.Ez a lépés gyakran segíti a helyes osztályozást, mivel az egyes jellemzők eltérő léptékéből adódóproblémákat nem az osztályozónak kell kezelnie. Ilyen módon lehetővé válik egyszerűbb osztályo-zók alkalmazása, melyek a kevesebb hangolható paraméter következtében robusztusabb működéstmutatnak.

2.6.4. Dimenzió csökkentés

A felhasznált jellemzők minél nagyobb száma megkönnyíti az osztályozó feladatát, mivel ilyen mó-don az egyes esetek pontosabb jellemzésével lehetőség nyilik a mintapontok jobb szeparációjára.Azonban fontos megjegyezni, hogy a nagy jellemzőszám hátrányosan is befolyásolhatja a rendszerteljesítményét. Egyrészt ilyen módon nő az egyes esetek feldolgozására fordított idő, mivel több jel-lemzőt kell kiszámítani. Emellett azonban nagyobb problémát jelent a feleslegesen felvett jellemzőkzavaró hatása. Előfordulhat, hogy egy kiszámított jellemző a mintaelemeket egyáltalán nem kü-löníti el egymástól, a feladat szempontjából véletlenszerűnek tekinthető értéket vesz fel. Azonbanezeknek a jellemzőknek a figyelembevételével a bemeneti vektor egy magasabb dimenziós térbenhelyezkedik el, ami miatt a rendszer hajlamosabbá válik a túltanulásra, azaz általánosítóképességecsökken.Ebből kifolyólag a rendelkezésre álló jellemzőknek csak egy adott, a feladat szempontjából relevánsinformációt szolgáltató részhalmazát használjuk az osztályozáshoz.Ezen releváns jellemzők kiválasztása több lépésen keresztül történt. Elsőként a jellemzők értékeinekeloszlását figyelmbe véve a negatív és pozitív minták esetében eltávolítottuk azokat a jellemzőket,melyek közel konstans értéket vettek fel az esetek jelentős részében. Ilyen módon viszonylag kevésjellemzőt szűrtünk ki, azonban ezek bizonyosan haszontalanok voltak.

33

A fennmaradó jellemzők közül egy az SVM rendszerek használatára épülő eljárással [70] válasz-tottuk ki azokat, melyeket további vizsgálatoknak vetettünk alá.Az eljárás az egyes jellemzőknek egy fontosság szerinti sorrendjét állítja elő. Mi azonban ahhoz,hogy érdemben dönteni tudjunk az egyes jellemzők alkalmazásáról, az algoritmust különböző min-takészleten futtatva az egyes sorrendezésekből egy a jellemzőkhöz rendelt „jósági mértéket” iselőállítottunk, mely kvantitatív módon jellemezte az egyes dimenziókat. Erre alapozva ki tud-tuk választani azokat a jellemzőket, melyek az esetek legnagyobb részében érdemben javították arendszer teljesítményét.Az előbb bemutatott eljárás azonban nem veszi figyelembe az egyes jellemzők egymáshoz valóviszonyát. Előfordulhat ugyanis, hogy a jellemzők különböző csoportjai egymással igen nagymér-tékben korreláltak, ezáltal annak ellenére, hogy a csoport tagjai önmagukban hasznos információthordoznak, a csoport összes tagjának alkalmazása nem hordoz többletinformációt a csoport ele-meinek egy részhalmazához képest.A jellemzők ilyen jellegű kapcsolatát a jellemzők közötti kovariancia vizsgálatával derítettük fel.Mint az kiderült, az egyes csoportokon belül valóban jelen van kisebb-nagyobb mértékű kapcso-lat az egyes jellemzők között. Ezt felhasználva a jellemzők számát nagy mértékben csökkentenilehetne főkomponens analízis (Principal Component Analysis, PCA) használatával. Ez az eljárása bemeneti dimenziók korreláltságát használja ki és ezekből kisebb számú független vagy közelfüggetlen „főkomponenst” állít elő [68].

2.6.5. Paraméterezés

Mindenek előtt azt a speciális helyzetet kellett megoldanunk, hogy a negatív minták száma sok-szorosa a pozitívokénak. Ez utóbbiból összesen 154 darabunk van, negatív példából viszont azelőfeldolgozó paraméterezésétől függően 3000-12000 db. A negatív példák nagy részének eldobásanem megengedhető, hiszen nagyon sok információ veszne el így, még akkor is, ha ügyelnénk arra,hogy a reprezentáns esetek maradjanak meg. Ezért a problémát a C általánosítási paraméter(lásd a (2.51) egyenletet) hangolásával kezeltük. A paramétert a negatív és pozitív mintapéldákarányával súlyozva elértük a kívánt hatást.

Cneg = c Cpoz = c · #neg#poz , (2.54)

ahol #neg a negatív, míg #poz a pozitív mintapéldák száma. Szemléletesen így arányosan job-ban büntetjük, ha egy pozitív mintapélda a szeparáló felülethez közel helyezkedik el, vagy a nemmegfelelő oldalára kerül. Ezzel természetesen nem véglegesítettük a C paramétert, csak a pozitívés negatív mintapéldákhoz rendelt értékek arányát. A továbbiakban C hangolása alatt c megha-tározását értjük.Az SVM-nél lényeges paraméter a használt K kernel függvény. Ebből többfélét kipróbáltunk, alegjobb eredményt az alacsonyabb fokú polinomiális kernel függvények, illetve a radiális, jelenesetben Gauss bázisfüggvények adták. Rendre az egyes kernelfüggvények kifejtése:

K(x1, x2) = (xT2 x1 + 1)d (2.55)

K(x1, x2) = e−‖x1−x2‖2

σ2 (2.56)

Ez utóbbi hátránya, hogy tapasztalataink szerint kevésbé kezeli jól a magas dimenziószámot,illetve nehezebb a beállítása, mivel az osztályozónak így két szabad paramétere van az eggyelszemben, mely a polinomiális esetben fordul elő. A Gauss kernel esetén a két paraméter a C és aσ. Előbbi a hibásan, vagy közel hibásan osztályozott pontokat bünteti, így a rendszer általánosítóképességét befolyásolja, utóbbi a Gauss függvény szórás paramétere, mely a bemeneti változásokra

34

való érzékenységet állítja. Ezzel szemben a polinomiális kernelnél csak a C paraméter szabad, haadottnak tekintjük a polinom d fokszámát.A legjobb teljesítményt a polinomiális, azon belül is az elsőfokú, azaz lineáris bázisfüggvény adtamagas – száz feletti – bemeneti dimenziószám mellett. A Gauss bázisfüggvények alacsonyabb – tízalatti – bemeneti dimenziószám esetén elérték és túl is szárnyalták az azonos bemenetekkel dolgozópolinomiális teljesítményét, de a jelek szerint ilyen kis dimenziószám már nem volt elég az abszolútlegjobb teljesítmény eléréséhez. Így végül a lineáris bázisfüggvényt vettük be a végleges rendszerbea jó teljesítménye, robosztussága és könnyű paraméterezhetősége miatt. Az egyszerűnek számítókernelfüggvény fölénye nem annyira meglepő, hiszen az általunk ismert jelenlegi leghatékonyabbrendszerek között is több használ lineáris osztályozót, például [8].Miután kiderült, hogy a lineáris kernelfüggvény adja a legjobb megoldást, felmerült, hogy érdemes-e az SVM algoritmusnál maradni. Végül több okból az SVM megtartása mellett döntöttünk. Egy-részt az SVM elméletéből következik, hogy az optimális szeparáló síkot fogja megtalálni, vagyha a probléma nem szeparálható, akkor is a lehető legjobb megoldást biztosítja. Másrészt nemzárhatjuk ki, hogy a későbbiekben más esetleg hatékonyabb dimenziócsökkentő eljárásokkal mégissikerül a bemeneti dimenziószámot olyan módon csökkenteni, hogy kifinomultabb bázisfüggvényekalkalmazásával a rendszer teljesítménye növekedést mutasson. Harmadrészt a használt implemen-táció tanítóalgoritmusa megfelelően gyorsnak bizonyult a fejlesztés során, ami nem indokolta másmegoldás keresését.A kernelfüggvény megválasztásából következő 1 vagy 2 darab paraméter hangolását a következő-képp végeztük: a paramétertartomány egy nagyobb részét lefedtük exponenciális skálán elhelyez-kedő paraméterértékekkel, melyekre lefuttattuk az osztályozást. Az eredményeket az érzékenységés a specificitás 2 alapján rangsoroltuk. Ha a legjobb teljesítményt adó helyek jellemzően a paramé-tertartomány szélén fordultak elő, akkor abba az irányba bővítettük a paraméterek értékkészletétexponenciális skálán. Ez a megoldás robusztusabbnak bizonyult egy gradiens alapú keresésnél,mivel utóbbi könnyen lokális szélsőértékekbe ragadt.A végleges rendszerben a lineáris kernelfüggvény miatt csak az SVM általánosítási – C – para-méterét kellett behangolni az ismertetett módszerrel. Itt a keresést lefuttatva kiválasztottuk alegjobb teljesítményt nyújtó néhány paraméterértéket, majd ezek közül a végleges rendszerbe alegkisebbet vettük bele, hiszen ez biztosítja a legáltalánosabb megoldást, mely a képek szélesebbkörében is hatékony működést biztosít.

2.6.6. Hasonló jelöltek eldobása

Megfigyeléseink szerint a rendszer bizonyos esetekben hajlamos egy objektumra több jelöltet he-lyezni. Ez leginkább hibás körvonal megrajzolásakor fordul elő. Ezt kiküszöbölendő egy szomszé-dos jelölteket eldobó algoritmust építettünk az osztályozó kimenetére, melyhez hasonló megoldástmár máshol is eredményesen alkalmaztak [8]. A szomszédos jelöltek közvetlen eldobása számunkranem hozott javulást, ezért egy némileg óvatosabb megoldást alkalmaztunk. Ez megvizsgálja azosztályozó kimenetén érkező, egy képhez tartozó jelöltek pozícióját és SVM értékét, mely a jelöltelváltozás „szerűségét” jellemzi. Ezekből lecsökkenti azon jelöltek SVM kimeneti értékét, melyek-nek van 22 mm-en belül egy nagyobb értékű szomszédja. A 22 mm az azonos objektumra ráfutókülönböző jelöltek jellemző legnagyobb távolságából adódott. Ezzel az egymáshoz közeli jelöltekközül az, amelyik legnagyobb eséllyel elváltozás, szemléletesen elnyomja a mellette levőket. Ez amódszer tapasztalataink szerint 1-2%-os javulást eredményezett az osztályozó kimenetén.A rendszer kimenetére egy példa a 2.8. ábrán látható. A továbbiakban a rendszer teljesítményételemezzük részletesen.

2a specificitás a valós találatok és az összes találat hányadosa

35

2.8. ábra. A rendszer kimenete a JSRT adatbázis 109. képén. Megtalálta a valós foltot és nincshamis találat, bár a körvonal kifogásolható.

36

3. fejezet

Tesztelés

3.1. A teszteléshez felhasznált anyagok

3.1.1. A JSRT adatbázis

A rendszerünk teszteléséhez és teljesítményének leméréséhez egy nyilvánosan is elérhető adatbázisthasználunk [57]. A képek tizenhárom japán és egy egyesült államokbeli intézetből származnak. Azeredetileg filmes felvételeket a Japanese Society of Radiological Technology, továbbiakban JSRTdigitalizálta és minősítette. A képek 2048x2048 pixel felbontásúak, 12bit, azaz 4096 hasznos szür-keárnyalattal. Egy pixel az eredeti felvételen 0.175 mm-nek felel meg. Az adatbázis 154 elváltozásttartalmazó, illetve 93 egészséges tüdő képét tartalmazza. Az elváltozásokat utólag CT-vel és egyébmódszerekkel validálták. Minden felvételhez adott egy maszk, mely a tüdő körvonalát tartalmazza,ez nagyban megkönnyíti a fejlesztést, amíg nem integráljuk a projekt keretében kidolgozott kör-vonalkereső algoritmust. További előny, hogy minden elváltozást tartalmazó képhez tartozik egyleírás, mely tartalmazza az elváltozás helyét és típusát, azaz hogy kóros vagy nem kóros, illetvemilyen betegségről van szó. Az orvosok minden folthoz hozzárendeltek egy {1,2,3,4,5}-beli értéket,mely a felismerés nehézségét jellemzi. Az egyes szintek egyértelmű, közel egyértelmű, rejtett, na-gyon rejtett és extrém rejtett eseteket különböztetnek meg. A nehézség az adatbázisban a képeksorszámával egyre nő.Az adatbázis nyilvánosságából adódó előny, hogy az így mért teljesítmény más módszerekkel össze-vethető, még ha nem is garantál egy teljesen egzakt mérőszámot. A JSRT adatbázis a szakiroda-lomban jelenleg a legelterjedtebben használt benchmark adatbázis foltkereső algoritmusok és mástüdő röntgenképpel kapcsolatos módszerek tesztelésére.Az adatbázis jó megítélése ellenére sajnos tartalmaz olyan eseteket, melyek megzavarhatják atanuló rendszerünket. Orvosokkal való konzultáció eredményeképp kiderült, hogy néhány kép tar-talmaz olyan elváltozásokat, melyek kórosak, de nincsenek bejelölve. Ez vélhetőleg annak tudhatóbe, hogy a legegyértelműbb elváltozás megtalálása volt a cél. Ilyen esetekben viszont az algorit-mus ráfuthat erre a másik elváltozásra is, amire viszont negatív minősítést kap, ezzel jelentősenlerontva az osztályozás teljesítményét. Előfordult olyan kép is (JPCLN154), ahol az elváltozás va-lódi középpontja körülbelül 13 mm-re volt a bejelölt középponttól, mely a körülbelül 10 mm-esfoltátmérőre tekintettel igen jelentős.A JSRT adatbázissal kapcsolatban továbbá meg kell jegyezni, hogy a 154 elváltozást tartalmazókép között 14 olyan eset van, ahol az elváltozás a tüdő maszkján kívül esik. Ez gyakran a szívárnyékát jelenti, de előfordulnak foltok a rekeszív 1 részleges vagy teljes takarásában is. A jelenlegimaszkok miatt egyelőre ezeken a területeken nem futtattuk az algoritmusokat, így eleve csak140 képen van esélyünk megtalálni az elváltozást. Az ilyen területek pontos körvonalával és egy

1a tüdő aljánál húzódó íves határvonal

37

kontrasztarányok miatti normalizálással az algoritmusok elvben képesek ezeken a területeken ishatékonyan megtalálni az elváltozást [16].Jól képzett radiológusok a JSRT adatbázisban az elváltozások 70%-át találják meg legalább 50%-oskonfidenciával [38]. Ez az érzékenység a szűrővizsgálatoknál jellemző körülmények és időkorlátokközött lényegesen alacsonyabb lehet.

3.1.2. További teszteléshez használt röntgenképek

További tesztelési lehetőségeket nyújtanak az ún. orvosi fantomból származó röntgenképek, me-lyeken számos mesterségesen kóros eset hozható létre, és tulajdonképpen tetszőleges mennyiségűfelvétel készíthető róluk. Tapasztalataink szerint viszont tanításra csak korlátozottan alkalmasak,hiszen a fényviszonyok, a tüdő struktúrája és a foltok alakja nem annyira változatos, mint a valódiesetekben.A végleges röntgenkészülékből érkező képeken ugyan le tudtuk futtatni az algoritmust, de ezekheznem állt rendelkezésünkre semmilyen orvosi minősítés, mely alapján a foltkeresés teljesítményétmérni tudtuk volna. Ezekről a képekről így nincsenek statisztikáink. Mivel a minősített képekelőállítása folyamatban van, ezáltal a teszt- és tanítókészlet kibővítése várható a közeljövőben.

3.2. Az előszűrők teljesítménye

Az előszűrők – medián, illesztett, LCE – hatását a jelöltkiválasztó kimenetén vizsgáltuk. Ha egy-értelműen lényegesen rontott az érzékenységen, nem vizsgáltuk részletesen. Ilyen volt az illesztettszűrő. A medián szűrő is az esetek kb. 20%-át leszámítva rontott a felismerési hatékonyságon. AzLCE használatával már összemérhető eredményeket kaptunk az előszűrés mentes verzióhoz képest.A jelöltkereső kimenetén a 20 jelöltet gyűjtő beállításnál egy esetben egy fals negatív valós pozi-tívra változott, egy esetben pedig fordítva. A megtalálás sorrendjét figyelembe véve azonban azesetek nagy többségében az eredmény romlott, azaz a jelöltkiválasztó később találta meg a valóselváltozást. Megvizsgálva a CI képek kimenetét azt tapasztaltuk, hogy szinte minden esetben nőtta valós folt intenzitása, ami pozitív hatás, de más objektumok intenzitása még jobban megnőtt.Ezzel magyarázható, hogy a jelöltkiválasztó több fals pozitívot talál meg, még mielőtt kiválasz-taná a valós pozitívot. Végeredményben elmondhatjuk, hogy az LCE az érzékenységet csak a hamispozitívak számának jelentős növekedése mellett javíthatja, ami miatt nem előnyös a használata.Ennek eredményeképp nem vettük bele a végleges rendszerbe.

3.3. A jelöltkeresők teljesítménye

3.3.1. AFUM

A jelöltkereső algoritmusainkat a JSRT adatbázis 154 kóros elváltozást tartalmazó felvételén fut-tattuk le a teljesítményük megmérése érdekében. Az értékelő rendszer segítségével összeszámoltuka találatokat, ahol a szigorúbb, tanításhoz használt kritériumot használtuk (lásd 2.3. fejezet). Ígyaz AFUM képenként 20 találat gyűjtése esetén 78 valós elváltozást talál meg. A engedékenyebb be-állítással 107 foltot talált meg, de ezekkel a találatokkal tanítva az osztályozót, lényegesen romlottannak teljesítménye. A két kritérium közötti nagy különbség (37% a 25 mm-es kritérium javára)egyik oka vélhetőleg az, hogy az AFUM eredményképből gyakran nem lehet olyan jól megállapítania körvonalat, mint például a CI képről, így a rossz körvonalak miatt erősen „eltéved” a jelöltki-választó algoritmus. A másik, talán még jelentősebb ok, hogy az AFUM különösen érzékeny azanatómiai zajra. A találatok között gyakran szerepelnek a bordák egyes részei, de a csontok keresz-teződését szinte mindig megtalálja. Egy bordához közeli folt esetében a jelöltkiválasztó algoritmuselőször gyakran a bordát találja meg, ami miatt a középpont hibás lesz és a körvonal is nagyrészt

38

3.1. ábra. Az AFUM eredményképén egy valós pozitív találat, melyet a jelöltkiválasztó csak aközeli csont miatt talált meg, ami így nem reprezentálja jól az adott foltot, tehát alkalmatlantanításra. A vizsgált kép a JSRT adatbázis 116. képe, a folt helyét a fehér téglalap jelöli.

bordát tartalmaz, viszont a folt helyén intenzív pixelek vannak, tehát ezt is magába foglalja akeletkező jelölt. Így viszont később az önálló foltot nem találja már meg a jelöltkiválasztó, helyettelesz egy nagyobbrészt rossz találat, ami alkalmatlan a tanításra. Egy ilyen esetet láthatunk a 3.1.ábrán.A csontos területen előforduló fals pozitívak számának csökkentése nehéz feladat, mivel jelentősmennyiségű olyan r1 és r2 pár van (lásd 2.5 egyenlet), ahol 2 ∗ r1 kisebb, mint a borda vastagsága,2 ∗ r2 viszont jelentősen nagyobb. Így sok, a borda mellett lévő világosabb pixelérték kerül bele ahányados kiszámításába, ami jelentősen növeli a bordán elhelyezkedő pixelek AFUM értékét. Erreegy megoldás lenne a csontok letörlése a képről. A kulcscsont eltüntetésére folyamatban van egyalgoritmus fejlesztése, melynek felhasználása ténylegesen segít az AFUM-nak. Ennek részletesebberedményét a 3.7.2. fejezetben ismertetjük.

3.3.2. CI

A CI algoritmus az AFUM-nál lényegesen jobb teljesítményt nyújtott. A szigorúbb tanító kritéri-ummal 110 elváltozást talált, mely 79%-a azon eseteknek, ahol a folt a maszkon belül helyezkedettel. Itt nem volt tapasztalható akkora különbség a megengedőbb kritérium használatával, a talá-latok száma így csupán 124-re nőtt. A CI fals találatairól elmondható, hogy nagyrészt a tüdőkülső szélén helyezkednek el, mivel a tüdő körvonalára magas értékeket ad. Ezt kis mértékbenorvosoltuk a tüdőmaszkok 10 pixeles középpont felé húzásával, mely szemmel láthatóan javított azeredményen, de messze nem szüntette meg a jelenséget. Azonban fontos megjegyezni, hogy az ilyenmódon kijelölt tüdő széli tartományokat az osztályozó nagy pontossággal valós negatív találatkéntminősítette. A csontos területek a CI algoritmusnál is okoznak fals pozitív találatokat, bár kisebbmértékben, mint az AFUM-nál. A kulcscsont mentes képeken CI-t használva is jelentős javulásttapasztaltunk a teljesítményben.

3.4. A jelöltkeresők fúziójának vizsgálata

A jelöltkereső algoritmusok együttes használata előtt külön-külön felmértük azok teljesítményét.A 3.1. táblázatban látható a két algoritmus érzékenysége, illetve a kettő algoritmus együttes al-kalmazásával megtalálható esetek száma. A két eredményhalmaz unióját véve az érzékenység nemsokkal nagyobb a CI által megtalált foltok számánál, ellenben a fals pozitívak száma kétszeresére

39

AFUM CI AFUM OR CI AFUM AND CImegtalált esetek száma 78 110 116 72érzékenység 0.506493506 0.714285714 0.753246753 0.467532468fals pozitív képenként 19.49350649 19.28571429 39.24675325 nincs adat

3.1. táblázat. A két jelöltkereső eredményeinek összehasonlítása.

nő, és az AFUM által megtalált középpontok néhány képen nem is voltak elég pontosak, ezértelvetettük a találatok uniójának felhasználását. Metszet esetben az érzékenység elfogadhatatlanulalacsony lett, ezért ezt az esetet nem vizsgáltuk tovább. Ehelyett az AFUM eredményét a jel-lemzők számításánál használtuk fel, mely az osztályozó teljesítményen javított, némi futási időnövekedésért cserébe.Mivel az AFUM algoritmust tudomásunk szerint mi próbáltuk ki először jelöltek keresésére mell-kasröntgen felvételeken, megállapíthatjuk, hogy sokkal kevésbé alkalmas a feladatra, mint a CIszűrő. Ez részben abból adódhat, hogy nem veszi figyelembe a folt határvonalának irányát. Azeredeti felhasználási területén – a mammográfiás alkalmazásoknál – ez előnyt jelent, hiszen ottelőfordulnak egyenetlenebb határú foltok, ellenben a tüdődaganatok egyenletesebb körvonalú, dehalványabb foltok. A kisebb kontraszt miatt is gyengülhet az AFUM teljesítménye, hiszen ekkoregy másik, folt melletti sötét objektum jelentősen ronthatja a FUM értéket azon r2-kre, melyeknéla kör átfut ezen a szomszédos objektumon. A CI ezzel ellentétben nem függ közvetetten sem akontraszt viszonyoktól, sokkal inkább a folt élének láthatóságától.

3.5. Jelöltkiválasztó hangolásának eredményei

A jelöltkiválasztó hangolására a 2.3. fejezetben ismertetett „mód” ad lehetőséget, azaz hogy milyenleállási feltételt használunk. Ez lehet egy abszolút intenzitás küszöb, vagy egy fix jelöltszám. Mind-két módot függetlenül igyekeztünk behangolni, majd az eredményeket összevetettük egymással. Ateszteken a JSRT 154 db elváltozást tartalmazó képén végeztük.A küszöb használatánál kipróbált értékek a következők voltak 0.5, 0.63, 0.69, 0.73, 0.76. Ezekből a0.73-as küszöb adta a legjobb teljesítményt, képenkénti 4 fals pozitív mellett 61%-os érzékenységet.Ekkor a CI előszűrő érzékenysége 76.6% volt átlagosan 14 hamis jelölt mellett. A 0.5-ös és 0.76-osküszöböt leszámítva a többi beállításnál nem voltak jelentős különbségek az osztályozó kimenetén.Az eredmények a 3.2. ábrán láthatók.A fix jelöltszám esetében a kezdeti beállítás képenként 20 találat gyűjtése volt. Ezt egyrészt elkezd-tük csökkenteni 19-re majd 18-ra, illetve kipróbáltunk két nagyobb, egy 25, illetve egy 30 jelöltetgyűjtő változatot. A kezdeti 20 jelöltes beállításnál az érzékenység 63% körül alakult képenként 4fals pozitív mellett. A több jelöltet gyűjtő változatoknál a teljesítmény valamelyest csökkent, a 19jelölt gyűjtése esetén viszont megnőtt közel 65%-ra.Érdekes összevetni az általánosan használt küszöbölő eljárást az általunk újonnan kipróbált fixszámú jelölt gyűjtésével szemben. Ez utóbbi a rendszerünkben lényegesen jobb teljesítményt nyúj-tott. Az okok felderítéséhez érdemes megvizsgálni egy adott küszöbnél a képenként gyűjtött talá-latok számát. A 0.69-es küszöbnél a képenként átlagos jelöltszám 20, többek között ezért is vettükbele az összevetésbe. Ennek ellenére előfordulnak olyan esetek, ahol egy adott képen 5 találatotad, más képeken pedig közel 40-et. Ez a nagy szórás a jelöltszámban arra enged következtetni,hogy vannak olyan jellegű képek, ahol globálisan magasabb lehet a CI intenzitás. Ezt okozhatjazaj vagy eltérő kontraszt viszonyok. Előbbit támasztja alá, hogy a medián szűrővel zajtalanítottképeken globálisan és jelentősen megnőtt a CI érték. Egy ilyen egyenletesen magasabb CI intenzi-tású képen a fix küszöb sok, vélhetőleg fölösleges fals jelöltet generál. Egy globálisan alacsonyabbintenzitású képen viszont elveszhetnek olyan foltok, melyeket más viszonyok között készült képenmegtalálnánk. Természetesen a fix számú jelölt gyűjtése sem tökéletes megoldás, mert lehetnek

40

2 2.5 3 3.5 4 4.5 5 5.5 6

0.5

0.55

0.6

0.65

Képenkénti átlagos fals pozitívak száma

Érz

éken

ység

0,630,690,730,76

3.2. ábra. A különböző abszolút küszöbökhöz tartalmazó FROC görbék működési tartományhozközeli szakaszai. Látható, hogy a 0.73 küszöbérték adta a legjobb eredményt, de ez sem éri el akésőbbiekben a(z) 3.4. ábrán bemutatandó 19 jelöltet gyűjtő verzió teljesítményét.

olyan tüdőképek, ahol több foltszerű objektum van, illetve olyan, ahol kevesebb. A több eset-ben ezeket mind meg kellene találnia,a kevesebb esetben pedig nem kellene fölöslegesen továbbijelölteket gyűjteni, ha „elfogytak” a foltszerűek. Ennek ellenére a mutatott teljesítmény alapjánmegállapítható, hogy a fix számú jelölt gyűjtése hatékonyabb megoldás lehet egy fix küszöb alkal-mazásánál.

3.6. Osztályozás eredménye

A vizsgálati módszer

Az osztályozó vizsgálatát a JSRT adatbázison végeztük. Az eredmények számításához mindig négy-szeres keresztkiértékelést alkalmaztunk. Ez abból áll, hogy véletlenszerűen négy egyforma részhal-mazra bontjuk a tanítómintákat, ügyelve arra, hogy minden egyes halmazban azonos aránybanlegyenek a pozitív és a negatív mintapontok, illetve mindegyikbe jusson könnyebben és nehezeb-ben felismerhető folt is. Ezek után négy tanítási ciklus következik. Mindegyikben kiválasztjuk azegyik csoportot minősítő halmaznak, a többit pedig tanítóhalmaznak. A négy minősítő halmazonelért eredményt a végén átlagoljuk. A FROC görbék pontjai az osztályozó kimenetén lévő küszö-bölő változtatásával állíthatók elő. Tapasztalataink szerint némi szórás tapasztalható az így kapotteredményekben, a tanítópontok kiválasztásának nemdeterminisztikus volta miatt. Ezért a végsőFROC görbéket öt futtatás eredményéből állítjuk elő átlagolással.

3.6.1. A teljes rendszer eredményei

Az osztályozó hangolását a 2.6.5. fejezetben ismertetett módon végeztük el. A kipróbált C para-méterek a [10−3, 101] tartományba estek. Különböző beállítások esetében más-más paraméterekbizonyultak optimálisnak, bár a [10−2, 10−1] tartományban nem voltak jelentős különbségek. Arendszer robosztussága érdekében végül a C = 0.01 beállítást választottuk.Kipróbáltuk a rendszert úgy is, hogy a jellemzőket nem az alulmintavételezett, hanem az eredeti,2048x2048 pixeles felbontású képekre számítottuk. Az eredményekben nem tapasztaltunk javulást.Ennek oka vélhetőleg az, hogy amennyit nyerünk a részletesebb folttextúrával, annyit veszítünk anagyobb zaj megjelenésével, melyet eddig az alulmintavételezésnél kiszűrtünk. A futtatás eredmé-nye a 3.3. ábrán látható nagyítva.

41

1 2 3 4 5 6 7 8 9 100.4

0.45

0.5

0.55

0.6

0.65

0.7

0.75

0.8

0.85

Képenkénti átlagos fals pozitívak száma

Érz

éken

ység

512x512 felbontású jellemzõk2048x2048 felbontású jellemzõk

3.3. ábra. A rendszer FROC görbéje a 154, elváltozást tartalmazó képre az eredeti felbontású képrőlszármazó jellemzők esetén a várható működési tartományra kinagyítva. Kékkel az 512x512 pixelesképről származó jellemzők esetén mutatott teljesítményt ábrázoltuk 20fp/kép gyűjtése esetén.

0 2 4 6 8 10 12 14 16 180

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

Képenkénti átlagos fals pozitívak száma

Érz

éken

ység

0 2 4 6 8 10 12 14 16 180

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

Képenkénti átlagos fals pozitívak száma

Érz

éken

ység

3.4. ábra. A végleges rendszer FROC görbéi a 154, elváltozást tartalmazó képre (balra), illetve azösszes 247 képre (jobbra).

A 3.4. ábrán a végleges beállításokkal operáló verzió eredménye látható a 154 elváltozást tar-talmazó képre, illetve az összes, 247 felvételre. Utóbbin 2-3%-kal alacsonyabb a teljesítmény. AzFROC görbéknek felülről szab korlátot a CI jelöltkereső érzékenysége, mely 124/154, azaz 81%-os.Egy ideális működési pont lehet a képenként átlagosan 4 fals pozitívot adó 65%-os érzékenységűbeállítás, vagy a képenkénti átlagos 5 fals pozitívhoz tartozó közel 70%-os érzékenységű állapot.Ezek az eredmények már lehetővé tehetik a rendszer CAD-kénti alkalmazását [14].

3.6.2. Foltok nehézsége szerinti vizsgálat

Megvizsgáltuk az eredményeket külön-külön az egyes folt kategóriákra nézve. Arra kerestük a vá-laszt, hogy a felismerőnknek és az orvosoknak ugyan azok az esetek jelentenek-e nehézséget. A 3.5.grafikonon különböző színnel ábrázoltuk a különböző nehézségű foltokhoz tartozó FROC görbéket.A görbe 19 fp/kép-hez tartozó értékeinél az osztályozó konstans pozitív döntést ad, ebből kikö-vetkeztethető a jelöltkereső teljesítménye. Így megfigyelhető, hogy az előfeldolgozó egyértelműenrosszabb teljesítményt nyújt a nehezebb foltokra. A valós alkalmazásokban használatos 2-6 fp/képtartományokban a kezdeti arányok általában megnőnek, bár látható olyan helyzet is, ahol felcse-rélődik két kategória sorrendje. Ennek ellenére megállapítható, hogy az osztályozó teljesítményére

42

0 5 10 15 200

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Képenkénti átlagos fals pozitívak száma

Érz

éken

ység

12345

3.5. ábra. A rendszer FROC görbéje lebontva az orvosok által megállapított nehézségi szint szerint,19fp/kép beállítás mellett a 154 elváltozást tartalmazó képre. 5 jelöli a legkönnyebb, míg 1 alegnehezebb foltokat.

is átlagosan romlik a nehezebben felismerhető foltok esetén. A nagyon egyértelmű és egyértelműkategóriák sorrendjének felcserélődése annak köszönhető, hogy míg előbbi kategóriában a CI je-löltkereső minden elváltozást megtalál, addig utóbbi kategóriában 2 esetben is hibázik.Érdemes megvizsgálni, hogy a nehezebb foltoktól való függés hogy viszonyul az orvosoknál ta-pasztalható függéshez. A JSRT adatbázis készítésekor a szerzők elvégeztek egy hasonló vizsgálatot[57], mely az eltérő mérőszámok miatt nem hasonlítható össze számszerűen a megoldásunkkal, deennek ellenére a különbség szembetűnő. Míg az orvosok a legkönnyebb eseteknél közel hibátlanteljesítményt nyújtottak, a legnehezebb foltoknál a teljesítményük közel állt a véletlen osztályo-záshoz. Ez megerősíti azon várakozásunkat, mely szerint a rendszer leginkább a nehezebb foltokmegtalálásában nyújthat segítséget.

3.6.3. Körvonalazó hatásának vizsgálata

A végleges rendszert teljesítményét összevetettük a 2.4. részben ismertetett „legjobb határvonal”eljárás és fix körvonal használata mellett is. A 3.6. ábrán látható, hogy a körvonalazó használataminimális javulást hozott. Míg körvonalazó használatával 64%-os érzékenységet mértünk, nélküle62% volt ugyanez képenként 4 fals pozitív mellett. Megfigyelhető azonban, hogy képenként keve-sebb fals pozitívnál a körvonalazó használata nélkül jobb eredményeket érhetünk el. Ez vélhetőlegannak köszönhető, hogy a körvonalazó néhány esetben igencsak rossz területet határol el, amirontja az osztályozó teljesítményét, míg a használata nélkül az osztályozó tanítására tisztább min-tákat használunk fel. Ennek ellenére a körvonalazó összességében javít az általunk kiválasztottműködési pontban, de ezt leginkább a jelöltkiválasztó megsegítésével éri el.

3.6.4. Dimenziócsökkentés hatásának vizsgálata

A relevanciateszt által kiadott értékek az egyes dimenziókra a 3.7. ábrán láthatók.A legkisebb relevancia értékkel rendelkező jellemzőket sorra elhagyva végeztük el a bemeneti di-menziószám csökkentését. Ez a módszer a jelenleg használt lineáris kernelfüggvénnyel nem hozottjelentős teljesítménybeli javulást, ami leginkább annak köszönhető, hogy ez a magfüggvény kevésbéérzékeny irreleváns dimenziók meglétére. A dimenzió fokozatos csökkentésével az érzékenység rög-zített specificitásnál alig nőtt, majd erősen csökkenni kezdett (3.8. ábra). Körülbelül 110 dimenzióttudtunk eldobni anélkül, hogy jelentős különbség lett volna az osztályozó teljesítményében. Azttapasztaltuk, hogy körülbelül a legrelevánsabb 20 dimenzió hordozza az információ nagy részét a

43

0 5 10 15 200

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

Képenkénti átlagos fals pozitívak száma

Érz

éken

ység

Körvonalazó használatávalKörvonalazó használata nélkül

3.6. ábra. A rendszer FROC görbéje a körvonalazó használata nélkül.

0 20 40 60 80 100 120 1400

50

100

150

200

250

300

350

400

dimenzió sorszám

rele

vanc

ia é

rték

3.7. ábra. Az egyes bemeneti dimenziók relevanciája a(z) 2.6.4. részben ismertetett módon szá-molva.

44

0 20 40 60 80 100 120 1400.52

0.54

0.56

0.58

0.6

0.62

0.64

0.66

Bemeneti dimenziószám

Érz

éken

ység

3.8. ábra. A dimenziócsökkentés hatása. A rendszer érzékenysége képenként 4 fals pozitívnál abemeneti dimenziószám függvényében. Ugyan elég nagy az értékek szórása, a tendencia azonbanlátszik, hogy 130-tól 20 dimenzióig minimális javulás, ezután jelentős teljesítmény csökkenés kö-vetkezik.

CPU Core 2 Duo 1.8 GHzRAM 2GB DDR2 667 MHz

3.2. táblázat. A tesztkörnyezet.

foltok megkülönböztethetőségéről, a többi hatása nem egyértelmű. Így felmerülhet a legkevésbéreleváns dimenziók felülvizsgálata és esetleges módosítása vagy eldobása.Elvégeztük továbbá a bemeneti dimenziók autó-korreláció vizsgálatát. Elkészítettük a bemeneti138 dimenziós vektor mint valószínűségi változó vektor Pearson féle lineáris korrelációs mátrixát.Ebben az (i,j) koordinátájú elem az i. és j. dimenziók Pearson féle lineáris korrelációs együtthatója,mely egy [-1,1]-beli értéket vehet fel. Egy érték minél közelebb van 0-hoz, annál kevésbé korrelálta két dimenzió. Ökölszabálynak mondható, hogy ha az érték abszolút értéke kisebb 0.3-nál, akkorminimális, 0.3 és 0.7 között gyenge, 0.7 felett pedig erős korrelációról beszélhetünk. Két dimenzióösszefüggésének megállapításához így csak a korrelációs együttható abszolút értékére van szük-ségünk. A 3.9. ábrán láthatóak a mátrix elemeinek abszolút értékei különböző színekkel jelölve.Itt látható, hogy aránylag kevés független dimenzió van a bemeneten, melyet a relevancia tesztis alátámasztott. Nagyobb összefüggő tömbök is megfigyelhetők, például az 54 különböző beállí-tású DoG filter – melyek sorszáma 44-től 97-ig terjed – hajlamos hasonló eredményeket adni. Ittfelmerülhet egy PCA (Principal Component Analysis) alapú dimenziócsökkentés alkalmazásánaklehetősége, jelentősen csökkentve a bemeneti vektor hosszát különösebb információvesztés nélkül.

3.6.5. Futási idő

A tesztkörnyezet fontosabb paraméterei a 3.2. táblázatban láthatók. A rendszer teljes futási ideje87 s, melyből 51 s a CI előfeldolgozó futása. Ez az időeredmény egy diagnózis során már elfogad-ható, de messze nem ideális, illetve szűrővizsgálat során történő alkalmazása csak offline módonlehetséges, mivel egy radiológus röntgenképpel eltöltött ideje tipikusan 30-60 másodperc. Az al-goritmusok szinte kivétel nélkül interpretált - Matlab - környezetben futnak. Saját és mások –például [16] – tapasztalatai szerint is egy fordított nyelven (például C++) a futási idők gyakrana tizedére csökkennek. Mivel a végleges környezetben az algoritmus C++ változata fog futni egyhasonló teljesítményű hardveren, ezért reális elvárás, hogy a végső verzió 10 másodpercen belülfusson, mely már szűrővizsgálatok során is valós idejű alkalmazást tesz lehetővé.

45

20 40 60 80 100 120

20

40

60

80

100

120

Jellemzõ sorszáma

Jelle

mzõ

sor

szám

a

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

3.9. ábra. A Pearson féle lineáris korrelációs mátrix elemenkénti abszolútértéke. A vörös értékekerősen összefüggő dimenziókat jeleznek.

46

3.10. ábra. Az orvosi fantomról készült röntgenkép. A foltok helyeit gémkapcsok jelölik. Balraaz eredeti kép, míg jobbra a CI jelöltkereső kimenete látható. Utóbbin a számok a megtalálássorrendjét jelölik, ami az egyes találatok intenzitásai rendezésnek felel meg a CI eredményképen.A CI a két jobban látható foltot nagy intenzitással és korrekt körvonallal találja meg – sorszám 4és 5 –, míg az egyik nehezebben látható foltot csak tizenötödikként, azaz kisebb intenzitással, akörvonal pedig ráfut a gémkapocsra.

3.7. A rendszerrel folytatott kísérletek

3.7.1. Fantom képek

A rendszer tanításához, valamint az eredmények kiértékeléséhez is alapvetően a JSRT adatbázisthasználtuk fel. Azonban ebben az adatbázisban az egyes speciális esetekről (például Kulcscsontalatt elhelyezkedő folt) viszonylag kevés kép áll rendelkezésre. Ezáltal a jelen CAD rendszer készí-tésekor, valamint a későbbi fejlesztések során is nagy segítséget nyújthat egy olyan eszköz, melylehetőséget biztosít hiteles tesztesetek készítésére. A BME MIT tanszékkel kapcsolatban álló In-nomed Zrt. jóvoltából rendelkezésünkre állt egy „orvosi fantom”, mely alkalmas erre a célra.Az eszköz egy az emberi mellkasi területet modellező bábú. A készítése során olyan eszközökkerültek felhasználásra, melyek az emberi szövetekéhez nagyon hasonló röntgenárnyékot adnak, ígya bábú megröntgenezésekor egy a valós röntgenfelvételekre nagymértékben hasonlító képet kapunk.Az eszköz valódi előnye azonban a tüdőterületen elhelyezhető elváltozásokban rejlik. A tüdőhözrögzíthető apró golyócskák – melyek a rákos elváltozáshoz hasonló árnyékot adnak – tetszőlegesmódon elhelyezhetők, ezáltal bármilyen speciális elrendezés kialakítható. Így lehetőség nyílik olyanritka esetek generálására, melyek a JSRT adatbázisban csak kis mennyiségben fordulnak elő, ígyaz ilyen speciális esetekkel kapcsolatosan is érdemi vizsálatokat lehet folytatni.A fantom használatát korlátozta, hogy egyelőre nem álltak rendelkezésünkre a tüdőfelek területétjelölő maszkok. Mivel a tüdőt körülvevő anatómiai egységek árnyékai nem mindenhol látszanakúgy, mint egy emberi tüdő esetében, ezért sajnos a projekt keretében használt tüdőhatárvonalkereső algoritmus sem ad rajta jó eredményeket a megfelelő módosítások hiányában. A teszteléshezezért kézzel készítettünk tüdőmaszkokat, mely egyrészt időigényes, másrészt a maszkok nem elégpontosak. Ezekkel a maszkokkal próba jelleggel lefuttattuk az algoritmust néhány képen, melyekena JSRT adatbázishoz hasonló eredményeket adott. Egy futási eredmény a 3.10. ábrán látható.Amint a tüdőkörvonal kereső alkalmassá válik a fantom képeken való használatra, egy kiterjedtebbvizsgálatot fogunk elvégezni.

47

3.7.2. Kulcscsont nélküli képek

A projektünk keretében egy másik párhuzamos fejlesztés is folyik, melynek célja a felismeréstmegnehezítő csontos részek lokalizációja, valamint a csontárnyékoknak a képről való eltüntetése.A fejlesztés eredményei közül jelenleg a kulcscsontra specializálódott változat kipróbálására voltcsak lehetőségünk. A „kulcscsont eltüntető” eljárást elsősorban a CAD rendszer teljesítményéregyakorolt hatása szempontjából vizsgáltuk. Az eljárás alkalmazásával arra számítottunk, hogya kulcscsont alatti rekonstruált területnek a tüdő belső részeihez való nagyobb hasonlósága kö-vetkeztében, a főleg a belső területekről származó mintákkal tanított eljárás ezeken a területekenteljesítménynövekedést mutat. A JSRT adatbázis első 120, illetve a 139, 140, 141, 143 -as sorszámúképén vizsgálódtunk. Ügyeltünk arra, hogy minden olyan felvételt elemezzünk, melyen az elválto-zás a kulcscsont környékén van, ezért vettük a vizsgálatba az utolsó négy képet is, leszámítva a140. képet, ami a pacemaker kábele miatt került be. Azokra a kérdésekre kerestük a választ, hogyegyrészt hogyan befolyásolja a kulcscsont eltüntetés a folt láthatóságát, ezzel a felismerőnk érzé-kenységét, másrészt mennyire csökken a fals pozitívak száma. Az adatbázis összesen 20 db olyanképet tartalmaz, ahol a folt a kulcscsont alatt, vagy közvetlen közelében helyezkedik el. Ezek a 11,13, 22, 30, 31, 36, 37, 38, 45, 46, 59, 68, 93, 98, 103, 104, 116, 139, 141, 143 -as képek. A CI képenlátható intenzitás ezeken a felvételeken 9 esetben jobb, 6 esetben rosszabb lett, 5 esetben pedigelhanyagolható volt a különbség. A 6 kedvezőtlenebb eset ellenére a jelöltkiválasztó kimeneténa kulcscsonteltüntetés előtt és után is mindegyik képen benne volt a folt az első 20 találatban.Mivel a CI kép intenzitások, amikor változtak, akkor sem jelentősen, és az előfeldolgozó érzékeny-ségét sem befolyásolták, ezért úgy döntöttünk, hogy a fals pozitívak csökkentésére érdemesebbfelhasználni a módszert. Ebből a megfontolásból vettük a kulcscsontot tartalmazó és kulcscsontnélküli felvételekkel kapott találatok metszetét a jelöltkiválasztó kimenetén. Ezzel a módszerrel a20 képes halmazon 20 hamis pozitívtól szabadultunk meg, ami képenkénti 1 fals pozitív nyereség.Figyelembe véve, hogy az érintett képeken a 380-ból összesen 69 hamis találat volt a kulcscsontkörnyezetében, a nyereség 29%-os az adott területen. Ez a javulás reményeink szerint az egészképet jellemezhetné a bordák eltüntetése esetén. Rendelkezésünkre állt 1db bordaárnyék menteskép is, melyen a tapasztalt 20%-os hamis pozitív csökkenés nagyságrendileg egyezett a várakozá-sainkkal, habár komolyabb következtetéseket nem szabad levonni egy legalább 40-50 képes mintakipróbálásáig.Az metszet művelettel kapott jelölteken futtatva az osztályozót a 124 képre, 15-18%-os csökke-nést tapasztaltunk a hamis pozitívak számában, miközben a rendszer érzékenysége nem változott.Ez lényegesen nagyobb nyereség, mint amit a jelöltkiválasztó kimenetén tapasztalható 5% utánvárhatnánk. Ez nagy valószínűséggel annak tudható be, hogy a kulcscsont letörlése nem csak amegtévesztő jelenségek számát csökkenti, hanem a valós foltok textúra jellemzőit is javítja. Ezegyrészt a tanítóminták minőségét is emeli, másrészt az adott foltok osztályozásánál is segít.

3.8. Lehetőségek a rendszer teljesítményének javítására

A foltfelismerő teljesítmény tekintetében a szakirodalomban máshol látott rendszerekkel összevetveláthatjuk, hogy a megoldásunk közel áll a jelenlegi legjobb megoldásokhoz, de azonos, 4 körüli falspozitív szám mellett körülbelül 5%-os lemaradása van az érzékenységet vizsgálva. Ekkora javulásttöbbféle fejlesztéssel is valószínűleg el lehetne érni.Ami a jelenlegi rendszert véleményünk szerint leginkább visszafogja, az a körvonal pontatlansága.Egyes tanulmányok [8] jóval nagyobb javulásról számolnak be körvonalazó alkalmazása mellett,mint amekkorát mi tapasztaltunk.A jelöltkeresőinket a további finomhangolás mellett ki lehetne terjeszteni a tüdőmaszkon kívüliterületekre. Ehhez a megfelelő maszkok meglétére lenne szükség.Az osztályozó tanításakor jelenleg nagy különbséget – kb. 15%-ot – tapasztalunk a tanító és atesztkészleten mutatott érzékenység között. Ez a jelenség némi túltanulásra utal, melyet vagy a

48

3.11. ábra. A kulcscsont árnyék eltüntetés hatása a JSRT adatbázis 11. képén, ahol a folt a jobboldali kulcscsont alatt helyezkedik el. Bal felül az eredeti kép, jobb felül az kulcscsontmentesítettkép, alul pedig a CI jelöltkereső eredményképei láthatóak.

49

3.12. ábra. A kulcscsont árnyék eltüntetés hatása az AFUM jelöltkereső kimenetére a JSRT adat-bázis 116. képén. A folt helyét egy fehér téglalap jelöli. Bal felül a kulcscsont árnyékot tartalmazó,jobb felül pedig a kulcscsont árnyék mentes röntgenkép látható. Alul az AFUM eredményképe afenti képrészletekre. Látható, hogy a kulcscsont az eredményképen egy intenzív csíkként jelenikmeg, melyen számos hamis találatot ad az algoritmus. A tendenciát tekintve itt még a valós foltkörüli bejelölés is vélhetőleg egy hamis találat eredménye. A csontárnyék mentesített képen ezek-től megszabadulunk, és egy valós pozitív találat keletkezik, vagy marad meg. Megjegyzendő, hogyennél a vizsgálatnál nem használtunk körvonalazó eljárást.

50

3.13. ábra. A kulcscsont árnyék eltüntetés hatása a CI jelöltkereső kimenetére. A vizsgált kép aJSRT adatbázis 59. eleme, ahol a folt a jobb oldali kulcscsont alatt helyezkedik el (fehér téglalap).Bal oldalon a kulcscsontot tartalmazó, míg jobb oldalon a kulcscsont mentesített képek láthatóak.Felül az eredeti, alul pedig a CI kimenete található. Jól látszik, hogy míg az eredeti képen kéttalálat is ráfut a foltra, de mindkettő sok, a folthoz nem tartozó területet is tartalmaz, addig akulcscsont mentesített képen egy találat van, ami pontosabb is.

51

mintaszám növelésével, vagy dimenzió csökkentésével tudnánk elérni. Előbbihez új minősített képe-ket kell beszerezni, utóbbit a már említett PCA eljárással, vagy a jelenlegi relevancia vizsgálatunkfinomhangolásával lehetne elérni.A tanítókészleten mutatott teljesítmény ugyan jobb a teszteken mutatottnál, de messze nem nevez-hető tökéletesnek, körülbelül 80%-os érzékenységet nyújt 4fp/kép mellett. Ugyan nem várhatjuk,hogy a probléma lineárisan szeparálható legyen, azaz meg tudjuk oldani tökéletesen lineáris osztá-lyozóval, de ennél a teljesítménynél reménykedhetünk, hogy az osztályozáshoz felhasznált jellemzőkminőségének javításával és új, releváns dimenziók hozzáadásával javulást érhetünk el. Továbbá va-lószínű, hogy a tanítópontjaink igen zajosak. Ezen egy jobb körvonallal, esetleg kézi határolássallehet segíteni. Továbbá megfontolandó azon foltok tanításhoz való felhasználása, melyek a jelölt-kiválasztó kimenetén már nem jelennek meg, ezzel növelve a pozitív mintaszámot. Ehhez szinténkézi körülhatárolásra lenne szükség.

52

4. fejezet

Az elkészült alkalmazás

4.1. Az alkalmazás leírása

A MATLAB-ban fejlesztett CAD rendszer mellett egy annak képességeit kiaknázó különálló alkal-mazás is készült. Az alkalmazás alapvető célja, hogy a rendszer használatát a MATLAB ismeretenélkül is lehetővé tegyük, ezáltal biztosítva a hozzáférhetőséget mindenki számára. A rendszer ezenkívül a CAD alkalmazás képességeinek prezentálására is alkalmazható.Ezen igények figyelembevételével az elkészült alkalmazás tervezésekor a legfontosabb szempont akönnyen átlátható, és intuitív módon kezelhető felhasználói felület kialakítása volt. Az elkészültalkalmazás mindezeknek a követelményeknek megfelelő módon biztosítja a CAD rendszerhez valógondtalan hozzáférést.

4.1. ábra. A c# alkalmazás: A jobb oldali nézeten a foltkeresés eredményeképpen előállt jelölt képegy részlete látható. A fehér körvonal mutatja az elváltozást. A bejelölt terület a JSRT adatbázisalapján valóban tartalmaz elváltozást.

A program a diagnosztizáló orvos számára készített vizualizációs alkalmazás. A digitalizált rönt-

53

4.2. ábra. A C# programba integrált rendszer architektúrája.

genfelvétel betöltése után, az előzetes szemrevételezést követően a diagnosztizáló orvos elindíthatjaa kép CAD rendszerrel való vizsgálatát, melynek végén a rendszer egy külön nézetben megjelenítiaz eredményként előálló jelölt képet.Az egyes képek egymástól függetlenül nagyíthatóak, illetve eltolhatóak, így biztosítva a felvételekegyszerű szemrevételezését. Az egyes nézetek szinkronizációja lehetővé teszi a jelölt kép gyanústerületeinek az eredeti felvételen való könnyed megtalálását.További részletek a program használatáról az A függelékben.

4.2. MATLAB integráció

Az alkalmazás a funkcionalitás biztosításához közvetlenül a MATLAB függvényeket használja. AC# programból lehetséges a MATLAB által támogatott módon (COM) a függvények közvetlenelérése. A MATLAB-bal való integráció legfontosabb építőeleme a MATNET library [71] haszná-lata volt. A MATNET könyvtár lehetőséget biztosít a MATLAB runtime-mal való akadálymenteskommunikációra. A változók egyszerű írása és olvasása, valamint az utasítások végrehatása kellőalapot teremt az alkalmazás MATLAB-bal való szinkronizációjára. A könyvtár azonban csak mát-rix értékű változókat támogat. Mivel a MATLAB a képeket is mátrixok formájában reprezentálja,ez számunkra nem jelentett problémát. Az integrált rendszer architektúrája a 4.2. ábrán látható.A MATNET könyvtár és az általunk használt .png kiterjesztésű képek akadálymentes együttmű-ködéséhez szükség volt a könyvtár képkezelő részének apróbb módosítására. Az általunk használtképek 32-bit színmélységűek voltak, míg a MATNET által támogatott színmélység csak 24-bit, ígyszükség volt a kép mátrixok alacsony (byte) szintű módosítására.

54

5. fejezet

Konklúzió

TDK dolgozatunk célja egy röntgengépbe integrálható CAD rendszer kifejlesztése volt, melynekalapvető funkciója kóros elváltozások keresése, és megjelenítése mellkasröntgen felvételeken. Arendszer a szűrővizsgálatot végző, vagy diagnosztizáló orvos munkáját könnyíti meg, azáltal, hogyráirányítja figyelmét a kritikus területekre.A fejlesztés előtt átfogó vizsgálatot végeztünk a szakirodalomban eddig megjelent, hasonló célúrendszerek felkutatására, értelmezésére, és az általunk felhasználható módszerek összegyűjtésére.A fejlesztés során pedig elkészült egy alkalmazás, amely a célkitűzéseknek megfelelő hatékony-sággal képes az elváltozásokat felismerni a mellkasröntgen felvételeken. Megoldásunk nagyrésztkorábban már alkalmazott módszereken alapul. Jelentős továbblépés azonban, hogy ezeket egyéniösszeállításban, az általunk leghatékonyabbnak vélt, és tapasztalt módon komponáltuk össze, ésparamétereztük fel. Továbbá kiegészítettük rendszerünk néhány új megoldással. Ilyen például azAFUM szűrő kipróbálása, és a végleges rendszerben jellemzőként történő felhasználása. Új megol-dás továbbá a képenként fix számú jelölt gyűjtése a jelöltkiválasztó kimenetén. Ezen felül a Zernikemomentumok alkalmazása is egyedi megoldás, amelyet máshol még nem használtak tüdőröntgenképek elemzése során. Ezek mind számottevően javították a rendszer összteljesítményét, és a későb-biekben más kutatócsoportoknak is hasznára válhatnak hasonló rendszerek fejlesztésekor. Egyeskorábban bevetett algoritmust is módosítottunk, mely szintén segítette a működést. Ilyen példáulaz AFUM módosítása és a szomszédos találatok elnyomására használt módszer is.A rendszert kiterjedt és a szakirodalomban elfogadott vizsgálati módszereknek vetettük alá. Atesztelések során kiderült, hogy a nemzetközi szakirodalomhoz viszonyítva is jó eredményt értünkel: képenként négy fals pozitív melletti 65%-os érzékenységet, amely igazoltan alkalmas az orvosokmunkájának segítésére. Programunk használatának jogosultságát adja továbbá, hogy a nehezebbfoltokon mutatott érzékenység egyértelműen jobb az orvosokénál.A rendszert kulcscsont árnyék mentes felvételeken is teszteltük, itt további jelentős javulást értünkel.Az elkészült keretalkalmazással a rendszer bármely C# fordítót futtatni képes számítógépen hasz-nálható. Általánosságban ezt a kritériumot teljesíti a legtöbb személyi számítógép.Összegzésként elmondhatjuk, hogy korábbi kutatások viszonylatában rendszerünk jelenlegi álla-potában is a legjobb megoldások közt helyezkedik el. További bizakodásra ad okot, hogy az alkal-mazott algoritmusainkban még kiaknázatlan fejlesztési lehetőségek rejlenek. Ezek felhasználásávala jövőben lehetségessé válhat egy minden eddiginél jobb megoldás kifejlesztése.A közeljövőben további célként megfogalmazhatjuk egy C++ nyelven futó változat elkészítését,amellyel programunk készen állhat a röntgengépekbe való beépítésre. Ennek segítségével már „éles”alkalmazásokban is be tudjuk vetni a rendszert.A távoli jövőben vizsgálataink tárgyát képezheti a rendszer további finomítása, fejlesztése. Remé-nyeink szerint a módszerrel számos beteg életét menthetjük meg.

55

6. fejezet

A Függelék - A C# alkalmazásfelhasználói leírása

Az alkalmazás elindítása után a program ablak jelenik meg, az egyelőre üres rajzterületekkel. Avizsgálandó kép megadása a [file] menü [new image] menüpontjának kiválasztásával megjelenőpárbeszédablakban lehetséges. Itt lehet ezen kívül megadni a tüdőterületet kijelölő tüdőmaszkokelérési útvonalát is. A kép kiválasztását követően az megjelenik a bal oldali megjelenítő felületen.A megjelenítő felület az egér segítségével nagyítható, ill. mozgatható. Az egér görgőjével lehetségesa kép nagyítása, a bal oldali gomb nyomva tartása mellett az egeret mozgatva a vizsgált tartományelhelyezkedése változtatható. A jobb alsó sarokban található [Launch] gomb megnyomásával elindula feldolgozás.A feldolgozás eredményeképpen előálló képet a jobb oldali megjelenítő panelen lehet látni. Azegyes nézetek külön-külön is mozgathatók / nagyíthatók, azonban a [view] menü [synchronize]menüpontjának kiválasztásával lehetséges az egyes nézetek összehangolása.

6.1. ábra. A c# alkalmazás felhasználói felülete bal: a tüdőterület közeli nézete jobb: a tüdőterületteljes nézete.

56

Irodalomjegyzék

[1] cancerresearchuk.org, "UK Lung Cancer incidence statistics"http://info.cancerresearchuk.org/cancerstats/types/lung/incidence/ 2007

[2] cancerresearchuk.org, "UK Lung Cancer mortality statistics"http://info.cancerresearchuk.org/cancerstats/types/lung/mortality/ 2007

[3] G. P. Murphy, W. Lawrence Jr., and R. E. Lenhard Jr., " Clinical Oncology" The AmericanCancer Society 1995.

[4] J. D. Steele, W. P. Kleitsch, J. E. Dunn, and P. Buell, " Survival in males with bronchogeniccarcinomas resected as asymptomatic solitary pulmonary nodules" Annotation Thoracic Surgvol. 2 pp. 368-376 1966

[5] J. W. Vance, C. A. Good, C. H. Hodgson, J. W. Kirklin, and R. P. Gage, " The solitarypulmonary lesion due to bronchogenic carcinoma: A 3-year follow-up study on 94 surgicallytreated patients" Disease Chest, vol. 36, pp. 231-237 1959.

[6] P. E. Buell, " The importance of tumor size in prognosis for resected bronchogenic carcinoma"J. Oncological Surg., vol. 3, pp. 539-551 1971.

[7] T. Heelan, B. J. Flehinger, M. R. Melamed, M. B. Zaman, W. B. Perchick, J. F. Caravelli,and N. Martini, " Non-small-cell lung cancer: Result of the New York screening program"Radiology, vol. 151, pp. 289-293 1984.

[8] Russell C. Hardie, Steven K. Rogers, Terry Wilson, Adam Rogers, "Performance analysis ofa new computer aided detection system for identifying lung nodules on chest radiographs"Medical Image Analysis Volume 12, Issue 3, Pages 240-258 2008.

[9] Kunio Doi, "Computer-aided diagnosis in medical imaging: Historical review, current statusand future potential." Computerized Medical Imaging and Graphics , Volume 31 , Issue 4 -5 , Pages 198 - 211 K . 2007

[10] M. L. Giger, "Computerized Detection of Lung Nodules" Robin N. Strickland: Image Proces-sing Techniques for Tumor Detection, 243-270 2002

[11] T. Matsumoto, H. Yoshimura, K. Doi, M. L. Giger, A. Kano, H. MacMahon, M. Abe, and S.Montner, " Potential usefulness of computerized nodule detection in screening programs forlung cancer" Investigative Radiol., vol. 27, pp. 471-475 1992.

[12] T. Kobayashi, X.-W. Xu, H. MacMahon, C. Metz, and K. Doi, " Effect of a computer-aideddiagnosis scheme on radiologists’ performance in detection of lung nodules on radiographs"Radiology, vol. 199, pp. 843-848 1996.

[13] H. MacMahon, K. Doi, R. Engelmann, F. M. Behlen, K. R. Hoffman, T. Ishida, C. Roe,and C. E. Metz, " Computer aided diagnosis of pulmonary nodules: Results of a large-scaleobserver study" Radiology, vol. 23, pp. 723-726 1999.

57

[14] Shingo Kakeda, Junji Moriya, Hiromi Sato, Takatoshi Aoki, Hideyuki Watanabe, Hajime Na-kata, Nobuhiro Oda, Shigehiko Katsuragawa, Keiji Yamamoto, Kunio Doi, "Improved Detec-tion of Lung Nodules on Chest Radiographs Using a Commercial Computer-Aided DiagnosisSystem" American Journal of Roentgenology 2004

[15] Hiroyuki Abe, Heber MacMahon, Roger Engelmann, Qiang Li, Junji Shiraishi, ShigehikoKatsuragawa, Masahito Aoyama, Takayuki Ishida, Kazuto Ashizawa, Charles E. Metz, KunioDoi, "Computer-aided Diagnosis in Chest Radiography: Results of Large-Scale Observer Testsat the 1996-2001 RSNA Scientific Assemblies" RadioGraphics 2003

[16] Campadelli, P. Casiraghi, E. Artioli, D., "A Fully Automated Method for Lung Nodule De-tection From Postero-Anterior Chest Radiographs" Medical Imaging, IEEE Transactions on,Volume: 25, Issue: 12 2006

[17] David Ost, Alan Fein, "Evaluation and Management of the Solitary Pulmonary Nodule " 2000

[18] Juhász Sándor, "Mellkasröntgen-felvételek elemzése (tüdőárnyék körülhatárolása)" BME MITDiplomaterv 2007

[19] Bella Tamás, Kovács Andrea, Molnár Andrea, "Tüdőkörvonal keresése mellkasröntgen-felvételeken" BME TDK-dolgozat 2007

[20] Simkó Gábor, "Mellkasröntgen-felvételek elemzése (kulcscsontkeresés, csontárnyék „eltávolí-tása”)" BME MIT Diplomaterv 2008

[21] M Park, JS Jin, LS Wilson, "Intelligent computer-aided diagnosis system for chest radiogra-phy" International Congress Series 2003

[22] B. van Ginneken, B. M. t. H. Romeny, and M. A. Viergever, " Computer- aided diagnosis inchest radiography: A survey" IEEE Trans. Med. Imag., vol. 20, no. 12, pp. 1228-1241 Dec.2001.

[23] Chiou, Y.S.P. Lure, F.Y.M. Ligomenides, P.A. , "Neural-knowledge base object detection inHybrid Lung NoduleDetection (HLND) system" 1994

[24] S.-C. Lo, M. Freedman, J.-S. Lin, and S. Mun, " Automatic lung nodule detection usingprofile matching and back-propagation neural network techniques" J. Digital Imag., vol. 1,pp. 48-54 1993.

[25] H. Yoshimura, M. Giger, K. Doi, H. MacMahon, and S. Montner, , "Computerized scheme forthe detection of pulmonary nodules: A nonlinear filtering technique" Investigative Radiol.,vol. 27, pp. 124-127 1992.

[26] P Campadelli, E Casiraghi, S Columbano, "Lung Segmentation and Nodule Detection inPostero Anterior Chest Radiographs" 2004

[27] A. Schilham, B. Van Ginneken, and M. Loog, " Multi-scale nodule detection in chest radio-graphs" in Proc. Medical Image Computing and Computer-Assisted Intervention, MICCAI.New York: Springer, vol. 2878, Lecture Notes on Computer Science, pp. 602-609. 2003

[28] Q. Li, S. Katsuragawa, and K. Doi, " Computer-aided diagnostic scheme for lung noduledetection in digital chest radiographs by use of a multiple-template matching technique"Med. Phys., vol. 28, pp. 2070-2076 2001.

[29] J. Wei, Y. Hagihara, A. Shimizu, and H. Kobatake, " Optimal image feature set for detectinglung nodules on chest x-rays images" in CARS 2002 2002.

[30] Carlos S. Pereira, Hugo Fernandes, Ana Maria Mendonça, Aurélio Campilho, "Detection ofLung Nodule Candidates in Chest Radiographs" Pattern Recognition and Image Analysis,Springer Berlin / Heidelberg 2007

58

[31] F.Mao et al., " Fragmentary window filtering for multiscale lung nodule detection: Preliminarystudy" Acad. Radiol., vol. 5, pp. 306-311 1998.

[32] LP Wong, HT Ewe, " A Study of Nodule Detection Using Opaque Object Filter" Springer2007

[33] Kim Le, "Automated detection of early lung cancer and tuberculosis based on X-ray imageanalysis" Proceedings of the 6th WSEAS International Conference on Signal, Speech andImage Processing 2006

[34] J. M. Carreira et al., " Computer-aided diagnosis: Automatic detection of lung nodules" Med.Phys., vol. 25, pp. 1998-2006 1998.

[35] M. Penedo, M. Carreira, A. Mosquera, and D. Cabello, " Computer aided diagnosis: A neuralnetwork based approach to lung nodule detection" IEEE Transaction on Medical Imaging,vol. 17, no. 6, pp. 872-880 Dec. 1998.

[36] D. Catarious Jr., A. Baydush, and C. Floyd Jr., " Initial development of a computer aideddiagnosis tool for solitary pulmonary nodules" in Proc. SPIE, vol. 4322, pp. 710-717. 2001

[37] Bilgin Keserci, Hiroyuki Yoshida, " Computerized detection of pulmonary nodules in chestradiographs based on morphological features and wavelet snake model" Med. Image Anal.,vol. 6, pp. 431-447 2002.

[38] AMR Schilham, B van Ginneken, M Loog, " A computer-aided diagnosis system for detectionof lung nodules in chest radiographs with an evaluation on a public database" Medical ImageAnalysis, 2006 - Elsevier 2005

[39] H. Yoshida, X. Xu, K. Doi, and M. Giger, " Computer-aided diagnosis (CAD) scheme fordetecting pulmonary nodules using wavelet transforms" Proc. SPIE, vol. 2434, pp. 621-6261995.

[40] W. Lampeter and J. Wadtke, " Computerized search of chest radiographs for nodules" In-vestigative Radiol., vol. 21, pp. 384-390 1986.

[41] Y. Wu, K. Doi, M. Giger, C. Metz, and W. Zhang, " Reduction of false positives in com-puterized detection of lung nodules in chest radiographs using artificial neural networks,discriminant analysis, and a rule-based scheme" J. Digital Imag., vol. 7, no. 4, pp. 196-2071994.

[42] X.-W. Xu et al., " Development of an improved CAD scheme for automated detection of lungnodules in digital chest images" Med. Phys., vol. 24, pp. 1395-1403 1997.

[43] K. Suzuki, J. Shiraishi, H. Abe, H. MacMahon, and K. Doi, " False positive reduction incomputer-aided diagnostic scheme for detecting nodules in chest radiographs by means ofmassive training artificial neural network" Acad. Radiol., vol. 12, pp. 191-201 2005.

[44] Campadelli, P. Casiraghi, E. Valentini, G., "Lung nodules detection and classification" ImageProcessing, 2005. ICIP 2005. IEEE International Conference on 2005

[45] S.-C. Lo, S. L. Lou, J.-S. Lin, M. Freedman, M. Chien, and S. Mun, , "Artificial convolutionneural network techniques and applications for lung nodule detection" IEEE Trans. Med.Imag., vol. 14, no. 4, pp. 711-718, Dec. 1995.

[46] J. S. Lin, S. C. Lo, M. Freedman, and S. Mun, " Reduction of false positives in lung noduledetection using a two-level neural classification" IEEE Trans. Med. Imag., vol. 15, no. 2, pp.206-217 Apr. 1996.

[47] K. Suzuki and N. Inakoa, " Development of a computer aided detection system for lung cancerdiagnosis" Proc. SPIE, vol. 1652, pp. 567-571, 1992.

59

[48] J. S. Lin et al., " Differentiation between nodules and end-on vessels using a convolutionneural network architecture" J. Digital Imag., vol. 8, pp. 132-141 1995.

[49] M. Giger,K. Doi, and H. MacMahon, " Image feature analysis and computer- aided diagnosisin digital radiography: Automated detection of nodules in peripheral lung fields" Med. Phys.,vol. 15, pp. 158-166, 1988.

[50] M. Giger, K. Doi, H. MacMahon, C. Metz, and F. Yin, " Pulmonary nodules: Computer-aideddetection in digital chest images" Radiographics, vol. 10, pp. 41-51 1990.

[51] Shiraishi, J., Li, Q., Suzuki, K., Engelmann, R., Doi, K.„ " Computer aided diagnostic schemefor detection of lung nodules on chest radiographs: Localized search method based on anato-mical classification." Medical Physics 33 (7), 2642-2653. 2006

[52] M. L. Giger, N. Ahn, K. Doi, H. MacMahon, and C. E. Metz, " Computerized detectionof pulmonary nodules in digital chest images: Use of morphological filters in reducing falsepositive detections" Med. Phys., vol. 17, pp. 861-865 1990.

[53] G. Coppini, S. Diciotti, M. Falchini, N. Villari, and G. Valli, " Neural networks for computer-aided diagnosis: Detection of lung nodules in chest radiograms" IEEE Trans. Inf. Technol.Biomed., vol. 7, no. 4, pp. 344-357 Dec. 2003.

[54] C. Floyd et al., " Diffuse nodular lung disease on chest radiographs: A pilot study of charac-terization by fractal dimension" Amer. J. Roentgenol., vol. 167, pp. 1185-1187 1996.

[55] X.-W. Xu, S. Katsuragawa, A. Ashizawa, H. MacMahon, and K. Doi, , "Analysis of imagefeatures of histograms of edge gradient for false positive reduction in lung nodule detectionin chest radiographs" in Proc. SPIE, vol. 3338, pp. 318-326. 1998

[56] A. Kano, K. Doi, H. MacMahon, D. D. Hassel, and M. Giger, " Digital image subtraction oftemporally sequential chest images for detection of interval change" Med. Phys., vol. 21, pp.453-461 1994.

[57] Junji Shiraishi, Shigehiko Katsuragawa, Junpei Ikezoe, Tsuneo Matsumoto, Takeshi Koba-yashi, Ken-ichi Komatsu, Mitate Matsui, Hiroshi Fujita, Yoshie Kodera, Kunio Doi, "De-velopment of a Digital Image Database for Chest Radiographs With and Without a LungNodule" 1999

[58] Dev P. Chakraborty, Ph. D., "Dev Chakraborty’s FROC web site"http://www.devchakraborty.com/index.php 2005

[59] Wikipedia.org, "Bicubic interpolation" http://en.wikipedia.org/wiki/Bicubic_interpolation2008

[60] Wikipedia.org, "Matched filter" http://en.wikipedia.org/wiki/Matched_filter 2008

[61] Carlos S. Pereira et al., "Evaluation of Contrast Enhancement Filters for Lung Nodule De-tection" ICIAR07, pp. 878-888. 2007

[62] Michael D. Heath and Kevin W. Bowyer, "Mass Detection by Relative Image Intensity" 2000

[63] Budapesti Műszaki és Gazdaságtudományi Egyetem (BME) Méréstechnika és InformációsRendszerek Tanszék, Semmelweis Egyetem, Budapest (SE) II. sz. Pathológiai Intézet Ra-diológiai és Onkoterápiás Klinika, Kopint-Datorg Rt., "Képfeldolgozáson alapuló ORVOSIdöntéstámogató rendszer (ODR)" IKTA 4 projekt (IKTA 102/2001) 2005

[64] Deus Technologies (now Riverain Medical), "Food and Drug Administration premarket app-roval for RapidScreen" http://www.fda.gov/cdrh/pdf/p000041.html 2001

60

[65] R. Haralick, K. Shanmugam, I. Dinstein, "Textural Features for Image Classification" IEEETransactions on Systems, Man, and Cybernetics, Vol. SMC-3, no. 6 1973

[66] Rafael C. Gonzales, Richard E. Woods, Digital Image Processing, Prentice Hall, 2002

[67] Whoi-Yul Kim, Yong-Sung Kim, "A region-based shape descriptor using Zernike moments"Signal processing: Image communication Vol. 16 2000

[68] Altrichter M., Horváth G., Pataki B., Strausz Gy., Takács G., Valyon J., Neurális Hálózatok,Panem, 2006

[69] S. Canu and Y. Grandvalet and V. Guigue and A. Rakotomamonjy, " SVM and Kernel Me-thods Matlab Toolbox" Perception Systčmes et Information, INSA de Rouen, Rouen, France2005

[70] A. Rakotomamonjy, "Variable selection using svm based criteria" Technical Report 02-004,Insa de Rouen Perception Système Informations, http://asi.insa-rouen.fr/~arakotom 2002

[71] Emanuele Ruffaldi, "1..2..3 ways of integrating MATLAB with the .NET"http://www.codeproject.com/KB/dotnet/matlabeng.aspx 2007

[72] P. Sankar and J. A. Slansky, " Gestalt guided heuristic boundary follower for X-ray imagesof lung nodules" IEEE Trans. Pattern Anal. Mach. Intell., vol. 4, pp. 326-331 1982.

[73] M. F. McNitt-Gray, J. W. Sayre, H. K. Huang, and M. Razavi, " A pattern classificationapproach to segmentation of chest radiographs" Proc. SPIE, vol. 1898, pp. 160-170 1993.

[74] C. Vyborny, " The AAPM/RSNA physics tutorial for residents: Image quality and the clinicalradiographic examination" Radiographics, vol. 17, pp. 479-498 1997.

[75] Wei; Hagihara, Y.; Kobatake, H., "Detection of cancerous tumors on chest X-ray images-candidate detection filter and its evaluation." Proc. of the International Conf. on ImageProcessing, ICIP 99. 1999

[76] BK van Ginneken, S ter Haar Romeny, BMKD Viergever, "Automatic Detection of Abnormali-ties in Chest Radiographs Using Local Texture Analysis"Medical Imaging, IEEE Transactionson 2002

[77] Matthew T. Freedman, Shih-Chung B. Lo, Teresa Osicka, Fleming Y. M. Lure, Xin-Wei Xu,Jesse Lin, Hui Zhao, Ron Zhang, "Computer-aided detection of lung cancer on chest radio-graphs: effect of machine cad false-positive locations on radiologists’ behavior." Proceedingsof SPIE 2002

61