Вы находитесь на странице: 1из 7

УДК 615.47:616-072.

Н. А. Обухова, А. А. Мотыко
Санкт-Петербургский государственный электротехнический
университет "ЛЭТИ" им. В. И. Ульянова (Ленина)

Цифровая обработка изображений


в экспертно-консультирующей системе
для дифференциальной диагностики состояний шейки матки1
Рассмотрены новые методы обработки и анализа изображений для экспертно-консультирующей си­
стемы дифференциальной диагностики состояний тканей шейки матки. Предложенный метод обработки
кольпоскопических изображений позволяет синтезировать специальное изображение, имитирующее при­
менение зеленого оптического фильтра для визуализации сосудов и обеспечивающее более эффективный
анализ сосудистых структур врачом. Отличительной особенностью разработанного метода анализа
изображений с целью дифференциальной диагностики является использование совокупности признаков,
рассчитанных по изображениям разных типов, и формирование решающих правил, основанных на техно­
логиях "data mining". Многопризнаковый анализ обеспечивает для границы дифференциальной диагностики
CIN/CNI чувствительность 87 % и специфичность 75 %. Важной составляющей многопризнакового анализа
является анализ изображений, полученных в белом свете. В статье подробно рассмотрены алгоритмы клас­
сификации изображений, полученных в белом свете на основе цветовых, яркостных и текстурных признаков.

Обработка мультиспектральных изображений, анализ изображений по признаку цвета, текстурный


анализ, обработка и классификация медицинских изображений, системы поддержки клинических решений

Современной тенденцией развития медицинских - визуализацию полученных данных, обеспе­


систем является переход от устройств, решающих чивающую наиболее эргономичное представле­
конкретные частные задачи, к экспертно-консульти- ние информации, и, как следствие, высокую эф­
рующим системам поддержки клинических решений фективность ее анализа врачом;
(clinical decision support system - CDSS). - максимально полное извлечение невизуаль­
Цель современных CDSS заключается в ока­ ной информации из полученных медицинских
зании помощи врачу в момент обследования па­ изображений.
циента и при выборе лечения. На предыдущем CDSS весьма востребованы при проведении
этапе медицинские диагностические системы ре­ кольпоскопических обследований. Это связано,
ализовывали функцию клинициста, ставящего прежде всего, с выраженной необходимостью по­
конечный диагноз. При применении этих систем вышения эффективности кольпоскопического об­
предполагалось, что врач будет вводить инфор­ следования за счет дифференциальной диагности­
мацию и ждать "правильного" ответа системы. ки в условиях высокой вариативности исходного
Принципы построения и использования CDSS материала (медицинские изображения, в частности
предполагают помощь врачу на основе его взаимо­
кольпоскопические, существенно различаются у
действия с системой и использование ее клиниче­
конкретных пациентов, что обусловлено разным
ских знаний. Это взаимодействие должно обеспе­
возрастом, менопаузой и другими особенностями
чить чувствительность и специфичность диагно­
физического состояния женщины).
стики выше, чем в случае постановки диагноза са­
В настоящей статье рассмотрены новые мето­
мостоятельно врачом или самостоятельно CDSS.
ды обработки и анализа изображений для CDSS
Существенную роль в CDSS играют анализ и
дифференциальной диагностики следующих со­
обработка изображений исследуемого органа, на­
стояний тканей шейки матки: норма, CNI (chronic
правленные на решение следующих задач:
1 Работа выполнена при поддержке Российского фонда фундаментальных исследований, грант № 15-07-00188.
42 © Обухова Н. А., Мотыко А. А., 2016
nonspecific inflammation - воспалительный про­ Для реализации этой функции предложен следу­
цесс), CIN I, II, III (cervical intraepithelial neoplasia - ю щий алгоритм:
онкологические изменения различной степени 1. Линейное контрастирование в зеленом канале:
тяжести). Методы позволяют сформировать карту
SG GiJ ~ Gmin ( ) t
патологии (изображение, разбитое на области с SGiJ = G G vg max S m in )+ g min,
определенным диагнозом Norm/CNI/CIN), карту Gmax _ Gmin
биопсий, помогающих врачу при постановке коль- где S G ij , G ij - координаты G для пиксела ( , J )
поскопического диагноза, а также формируют
изображения со специальными свойствами для после растяжки гистограммы и в исходном изоб­
визуального анализа. ражении соответственно; [Gmin , Gmax] - диапазон
О бработка и синтез изображ ений в CDSS. изменения координаты в исходном изображении;
Цель обработки изображений в CDSS - сформи­ Smin = 0, gmax = 255 - максимальное и минималь­
ровать высококачественное изображение, удобное ное значения координаты G в модифицированном
для визуального анализа с повышенной информа­ изображении.
тивностью. Для CDSS дифференциальной диа­ 2. Обнуление координат канала B всех пиксе­
гностики рака шейки матки это означает сформи­ лов: S B j = 0, Vi, J. Координаты канала R не изме­
ровать высококонтрастное изображение исследу­
емого органа с высоким разрешением по всей няются.
плоскости кадра и корректной цветопередачей, а 3. Синтез изображения с координатами пик­
также с выделенными сосудистыми структурами. селов ( s G ij , S R ij , о).
Для решения сформулированной задачи обработ­
Результаты имитации зеленого фильтра на
ка исходных кольпоскопических изображений
участке исходного изображения (рис. 1, а ) пока­
должна предусматривать:
заны на рис. 1, б.
- стандартные процедуры повышения качества
изображений: гамма-коррекцию, подавление шу­
мов, цветокоррекцию, увеличение контраста и т. д.;
- специальные процедуры обработки медицин­
ских изображений: совмещение медицинских сним­
ков, снятых в различных условиях освещения, ав­
томатическую сегментацию зоны интереса - участ­
ка на изображении, для которого целесообразно а б
Рис. 1
проводить дальнейший анализ, удаление бликов на
изображениях и интерполяцию изображения в них; Алгоритм позволяет сформировать изображе­
- процедуры синтеза изображений, обладаю­ ние, в котором присутствует зеленый фон и крас­
щих особыми свойствами, например изображе­ но-коричневые сосуды. Такое изображение гораз­
ний, имитирующих применение зеленого оптиче­ до удобнее для визуального анализа, чем обычное
ского фильтра для визуализации сосудов. изображение, полученное в белом свете, в кото -
Наиболее характерным видом обработки изо­ ром темно-красные сосуды расположены на крас­
бражений для CDSS является формирование спе­ ном фоне. Эффективность предложенного алго­
циальных изображений с повышенной информа­ ритма имитации зеленого фильтра подтверждена
тивностью. Для кольпоскопической системы это, экспертной оценкой врачей, реализованной в рам­
прежде всего, имитация зеленого фильтра. ках клинических испытаний.
Кольпоскопический осмотр всегда включает в А нализ изображ ений в CDSS. Для эффек­
себя осмотр сосудов при разном увеличении и с тивного извлечения невизуальной информации из
использованием зеленого фильтра. При использо­ кольпоскопических изображений в CDSS, пред­
вании цветных фильтров возможна более полно­ назначенной для дифференциальной диагностики
ценная оценка характера ветвления сосудов, вы­ рака ш ейки матки, необходимо реализовать:
явление особых сосудистых структур, например - одновременный анализ изображений, полу­
структур типа "мозаики" и "пунктуации". ченных в белом свете и свете флуоресценции, по
CDSS должна предусматривать возможность совокупности признаков яркости, цвета и текстуры;
имитации применения зеленого фильтра для лю ­ - построение решающего правила на основе
бого указанного врачом фрагмента изображения. методов, характерных для систем искусственного
интеллекта: теории нечетких множеств и нечет­ Анализ флуоресцентных изображений, полу­
кой логики, интеллектуального анализа данных ченных при возбуждающих излучениях с длинами
(data mining) [1], теории машинного обучения и волны 360 и 390 нм, позволяет выявлять следую­
рассуждений в условиях неопределенности, тео­ щие состояния тканей шейки матки - норма, CNI,
рии распознавания образов. CIN. Для границы CIN/CNI метод обеспечивает чув­
С учетом сформулированных требований ствительность 87 % и специфичность 71 % [4], [5].
предложен метод, позволяющий построить диф­ Повысить чувствительность и специфичность
ференциальную карту патологии, используя ре­ при построении карт патологии можно, учтя до­
зультаты анализа по совокупности признаков полнительную информацию, полученную при ана­
кольпоскопических изображений, полученных в лизе изображений в белом свете, т. е. реализовав
белом свете и в свете флуоресценции при воз­ многопризнаковый анализ.
буждении с длинами волны 360 и 390 нм. Существует две группы признаков для анали­
1. Разбиение исходных изображений на локаль­ за кольпоскопических изображений, полученных
ные фрагменты - блоки с размерами 20 х 20 пик­ в белом свете [6]. Первая группа - цветовые и яр-
селов. костные изменения в изображениях, обусловлен­
2. Определение для каждого блока вектора ные эффектом ацетобелого - побелением тканей
признаков, состоящего из следующих компонент: после применения раствора уксусной кислоты.
- средних значений координат Cr, Cb (система Вторая группа связана с изменениями текстуры и
сосудов, которые также соответствуют патологи­
YCrCb) и b (система Lab) в блоке флуоресцентно­
ческим изменениям в тканях шейки матки.
го изображения, полученного при длине волны
Методы сегментации ацетобелых областей
возбуждающего излучения 360 нм;
можно разделить на две группы. Первая группа
- средних значений этих же координат, рас­
основана на процедурах цифровой обработки
считанных в блоке флуоресцентного изображе­
изображений (математической морфологии, ли­
ния, полученного при длине волны возбуждаю­
нейной фильтрации и т. д.). Вторая группа состоит
щего излучения 390 нм;
из методов, основанных на использовании матема­
- средних значений координат a, b (Lab), рас­
тического аппарата классификации. На основании
считанных в блоке изображения, полученного в
экспериментов был сделан вывод о низкой эффек­
белом свете.
тивности методов первой группы в рамках решае­
3. Предварительная классификация блоков
мой задачи. Основными причинами являются низ­
изображений с целью выделения для дальнейше­
кая контрастность и высокая изменчивость обла­
го анализа зоны плоскостного эпителия и удале -
стей ацетобелого в исходных изображениях (рис. 2).
ния зоны цилиндрического эпителия, областей
Для оценки степени соответствия фрагмента
кровления и входа в цевиксальный канал. Страте­
изображения эффекту ацетобелого разработан ал­
гия классификации - Random Decision Forest (RDF) горитм, основанный на методе классификации
[2], [3]. Вектор признаков для классификации - RDF. В качестве признаков для классификации
средние значения координат a и b (Lab) в блоках были выбраны координаты L, a, b (Lab), рассчиты­
изображений, полученных в белом свете и свете, и ваемые по блоку изображения 20 х 20 пикселов.
координата b (Lab) в блоках, полученных в свете Сформированы 2 класса: "ацетобелое" и "другое".
флуоресценции с длиной волны возбуждения 360 нм. Построен и обучен двухклассовый RDF-класси­
4. Для каждого блока, соответствующего фикатор. При обучении классификатора в тесто­
плоскостному эпителию, решение задачи класси­ вый набор входило более 350 образцов класса
фикации с целью его отнесения к одному из трех "другое" и более 250 образцов класса "ацетобе-
классов: 1 - ткани без патологии; 2 - ткани, име­ лое" (рис. 2), выбранных из 50 изображений с
ющие CNI; 3 - ткани, имеющие CIN. Стратегия различными вариантами ацетобелого эффекта.
классификации - RDF. Вектор признаков для После обучения классификатора определение
классификации - средние значения Cr, Cb степени соответствия f нового фрагмента изоб­
(YCrCb) и b (Lab) в блоках изображений, полу­
ражения x эффекту ацетобелого формируется
ченных в свете флуоресценции с длинами волны
возбуждения 360 и 390 нм. Результатом класси­
фикации являются степени принадлежности бло­
ка к классам Pnorm> PCNI и PCIN.
а б в г
Рис. 3

усреднением реш ений индивидуальных деревьев Для повышения чувствительности рассмот­


леса RDF f ( х ’) : ренной меры при определении количественной
оценки текстурного признака введена предобра­
B
ботка изображения, подчеркивающая его высоко­
f = -1 1 f ( х') о частотную составляющую. Предобработка реали­
B b=1
зована с помощью многомасштабного морфоло­
или на основе большинства голосов, поданных за гического градиента:
принадлежность образца к классу "ацетобелого".
1 3
В дальнейшем анализе оценка (1) рассматри­ M G ( L ) = - X [(L © S i ) - ( L & S i ) 0Si_1, (3)
вается как степень соответствия анализируемого 3 i =1
блока классу "ацетобелое" P-щ.
где © и 0 - морфологические операции наращи­
Дополнительно реализована бинарная клас­
вания и эрозии соответственно; Sг-, 1 < i < 3 - квад­
сификация на основе признака текстуры, позво­
ляющая выявить неоднородные области ткани на ратные маски фильтра с размерами (2 i + 1) (2 i + 1)
шейке матки. Рис. 3 демонстрирует выраженные пикселов. Согласно (3) значения градиентов рас­
текстурные изменения и соответствующий им считывают трижды используя маски с размерами
значительный уровень высокочастотной энергии 3 х 3, 5 х 5, 7 х 7, а затем результаты складывают.
на изображениях шейки матки в области патоло­ Операцию подчеркивания высоких частот в
гии (рис. 3, б, г) и практически однородную изображении следует предварять обработкой
структуру (и низкий уровень высокочастотной изображения каким-либо фильтром для уменьше­
энергии) для здоровых тканей (рис. 3, а, в). ния влияния шумов, например медианным. По­
Алгоритм бинарной классификации изобра­ этому предварительная обработка изображения
жений на основе признака текстуры предусмат­ для получения количественной оценки признака
ривает введение количественной оценки текстур­ текстуры предусматривает сглаживающую меди­
ного признака, выбор стратегии классификации и анную фильтрацию и морфологический много­
построение решающего правила. масштабный градиент.
Для формирования количественной оценки Количественная оценка уровня текстуриро-
уровня текстурированности локальных фрагмен­ ванности фрагмента изображения на основе меры
тов изображения использована мера Розенфель- Розенфельда-Троя зависит от уровня шума в
да-Троя: изображении. Для уменьшения влияния шумов
оценка была модифицирована введением ее нор­
M N
/ ( N M ), (2) мировки на оценку текстурированности в блоке,
D ( xk , У 1 ) = X X A (x k+n , y l +m)
m =1 n =1 обусловленную шумами:

где A (x, y ) - яркость пиксела в препарате, полу­ D u = D ( x k , y l ) / Dmin , (4)

ченном из исходного изображения L (x, y ) в ре­ где


зультате предобработки с целью подчеркивания вы­ Dmin = m oda{D ( x k , y l )}, k = 1, K , l = 1, L, (5)
сокочастотной составляющей; x k , y l - координаты
- мода распределения оценок текстуры, обуслов­
левого верхнего угла фрагмента (блока) изображе­
ленная шумами, причем K , L - количество блоков
ния; k , l - номер блока по горизонтали и вертикали
изображения в горизонтальном и вертикальном
соответственно; N , M - число пикселов фрагмента
направлениях соответственно.
по горизонтали и вертикали соответственно.
Таким образом, основными шагами получе­ предполагающее нахождение линейной комбина­
ния количественной оценки текстурного признака ции переменных, которая наилучшим образом
являются: разделяет 2 класса [7]. Правило классификации
- предварительная обработка изображений с формулируется следующим образом: новый объ­
целью подчеркивания высокочастотной энергии с ект принадлежит классу к , к которому он ближе в
помощью морфологического многомасштабного соответствии с расстоянием Махаланобиса:
градиента (после применения медианного фильтра);
- разбивка изображения на квадратные блоки; Lk = ( x - д) -1 (x - >
- определение оценки детальности (текстури-
где х - вектор признаков; д - вектор средних зна­
рованности) для каждого блока в соответствии с
мерой Розенфельда-Троя (2); чений признаков; X - ковариационная матрица;
"т"
- оценка D min (5); - символ транспонирования.
- определение модифицированной оценки де­ Алгоритм бинарной классификации на основе
тальности (4) для каждого блока анализируемого текстурного признака включает в себя следующие
изображения. шаги:
На рис. 4, а, в представлены исследуемые - оценку признака текстуры в изображениях
изображения, для которых построены карты оце­ обучающей выборки;
нок детальности (рис. 4, б, г соответственно). Об­ - обучение классификатора на основе тек­
ласти светло-серого цвета на картах соответству­ стурного признака и расстояния Махаланобиса;
ют областям изображения с низкими значениями - оценку признака текстуры для каждого бло­
оценок детальности, области белого цвета - бло­ ка анализируемого изображения;
кам изображения с высокими оценками. - классификацию изображения на основе рас­
Для решения задачи бинарной классификации стояния М ахаланобиса и формирование степени
было использовано расстояние Махаланобиса,

c: 15 000...20 000
Р16 C 10 000...15 000
Р13 П5000...10 000
Р10 "Ю...5000
Р7
Р4
Р1
1 4 7 10 13 16 19 22 25 28
а б
Г 'IIIU Ш Н В Р1Н В '
I lL J I li* = . в Н Я 1 В 1 Я .1
. ""! 1
H P -Л Ш ь I - . I
” jiiik .a iiflB L j.
■ . i l l l V P ' ' Л■ ■■■■■■-]■.
■ ■ ■ Я Г ,у ЯГ .■ ■ ■ ■ ■ ■ ■ i
« ■ ■ ■ T l T_Ur ■ -■ ■ ■ ■ !
-4 U \ .i Ш - » -ИР~|
■■ % I ,r -»-l •- I
"■ Р Ъ J J i l l , I

1 4 7 10 13 16 19 22
в г
принадлежности фрагмента изображения к клас­ ленным вирусом HPV. Было получено письмен­
су "текстурированная область": ное согласие всех участников.
Для получения изображений шейки матки в
P =А/ ( t +Lt), белом свете и флуоресцентных изображений при
где Lt, Lnt - расстояния М ахаланобиса до класса различном возбуждающем излучении разработан
"текстурированная область" и до класса "область мультиспектральный цифровой кольпоскоп LuxCol
без текстуры" соответственно. со специальным программным обеспечением
Для формирования дифференциальной карты RSS-Colpo [7].
патологии использованы: Для каждой пациентки, принимавшей участие
- результаты анализа флуоресцентных изоб­ в клиническом исследовании были получены:
ражений - степени принадлежности анализируе­ • Набор изображений, сформированных при­
мого блока классам Norm, CNI и CIN Pnorm, бором LuxCol: изображения в белом свете и флу­
оресцентные изображения, полученные при воз­
PCNI и PCIN;
буждающих излучениях 360 и 390 нм. Все типы
- оценки эффекта ацетобелых и текстурных
изображений получены до и после применения
изменений в изображениях, полученных в белом
6 %-го раствора уксусной кислоты.
свете, - степень соответствия блока эффекту аце­
• Результаты Пап-теста и вирусной диагно­
тобелого PW (1);
стики, а также кольпоскопический диагноз, по­
- результаты классификации по текстурному ставленный врачом.
признаку - степень соответствия фрагмента
• Изображение шейки с указанными врачом
изображения выраженным текстурным изменени­
местами взятия биопсий и результаты их гистоло­
ям по Махаланобису Pt.
гического анализа.
Указанные оценки использованы для форми­ Общее число пациентов, принявших участие
рования степени выраженности патологии Ppt. в клиническом исследовании, - 151, среди них с
Проведенные исследования показали, что анализ установленным гистологически диагнозом CNI -
флуоресцентых изображений обеспечивает очень 89, с диагнозом CIN - 62.
высокую чувствительность при умеренной спе­ На основе полученной информации создана
цифичности [4], [5]. Оценки Pnorm, PCNI и P q n специальная база данных по следующей методи­
использовались в качестве основных при форми­ ке: на всех изображениях, полученных с помо­
ровании степени выраженности патологии, а P-щ щью прибора LuxCol, в специальном программ­
ном пакете проставлялись маркеры в соответ­
и Pt - как дополнительная информация для
ствии с изображением, на котором врач указывал
улучшения характеристики специфичности.
места взятия биопсий. Вокруг каждого маркера
В результате алгоритм определения степени
автоматически формировалась область с разме­
патологии Ppt имеет следующий вид:
рами 20 х 20 пикселов, в которой высчитывался
Padd = PW Pt ; вектор признаков, содержащих яркостно-цвето-
if PCIN > 0.75 then Ppt = Pq n else вые и текстурные характеристики. Полученный
вектор признаков и соответствующий ему диа­
if Padd > 0.5 then гноз заносились как единая запись в формируе­
Ppt = Padd + PCIN _ PaddPCIN мую базу данных.
Полученная база данных использовалась для
else P ,t = PaddPCIN. обучения классификаторов, формирования и про­
Э ксп ери м ен тальн ое исследование. Для раз­ верки карт патологии.
работки и тестирования предложенного метода Экспериментальное исследование метода со­
многопризнакового анализа проведены специаль­ стояло из получения и проверки корректности
ные клинические исследования на базе клиники карт патологии для каждого пациента. Основные
Отта (Санкт-Петербург, Россия), а также ряда шаги методики проверки:
клиник Сеула (Ю жная Корея). 1. Из базы данных исключались записи, соот­
В исследовании принимали участие пациент­ ветствующие изображению, для которого будет
ки в возрасте старше 18 лет, не беременные, с по­ строиться карта патологии. По оставшимся запи­
ложительным откликом Пап-теста или с выяв­ сям проводилось обучение классификаторов.
2. На основе анализа флуоресцентных изоб­ Разработанный метод позволяет сформиро­
ражений и изображений, полученных в белом вать степень соответствия фрагмента изображе­
свете, строилась карта патологии. ния патологии, учитывая цветовые, яркостные и
3. Карта патологии проверялась на соответ­ текстурные изменения, в отличие от традицион­
ствие результатам биопсии. Если результаты клас­ ной бинарной классификации "норма/патология".
сификации соответствовали результатам биопсии, Сформированные оценки, представленные кар­
то карта считалась корректной. той патологии, являются основой для постановки
Шаги 1-3 повторялись для всех имеющихся диагноза и имеют безусловную диагностическую
изображений. На основании полученных данных ценность, что подтверждено клиническими испы­
определены оценки чувствительности и специфич­ таниями.
ности. Для границы CNI/CIN чувствительность со­ Дополнительно к сформированной карте па­
ставила 0.87, специфичность - 0.74. Это доста­ тологии предложенные методы обработки позво­
точно высокие значения, превышающие анало­ ляют врачу получить информацию об изменениях
гичные характеристики для карт патологий, по­ сосудов, используя возможность анализа специ­
лученных только на основе анализа флуоресцент­ ального изображения с подчеркнутыми сосуди­
ных изображений [4]. стыми структурами. Это повышает эффектив­
Получение достаточно высоких характери­ ность анализа сосудистых структур, а также дает
стик чувствительности и специфичности обу­ возможность объединить результаты автоматиче­
словлено, прежде всего, использованием сово­ ского и визуального анализа. Такое объединение
купности признаков, найденных по изображени­ возможностей системы и опыта врача увеличива­
ям различного типа. Приведенные значения чув­ ет чувствительность и специфичность диагности­
ствительности и специфичности получены на ки в целом и позволяет сделать вывод о целесо­
границе CNI/CIN (воспаление/онкология) - наи­ образности и высокой эффективности примене­
более сложной границе при проведении диагно­ ния разработанных методов в экспертно-консуль-
стики, так как визуальные свойства тканей в этом тирующих системах (CDSS).
случае очень близки.

СПИСОК ЛИТЕРАТУРЫ
1. Han J., Kamber M. Data mining: concepts and целью выявления онкологических изменений // Фото-
techniques. 2nd. ed. San Francisco: Morgan Kaufmann, динамическая терапия и фотодиагностика. Спец. вып.
Elsevier Science, 2006. 137 p. 2015. С. 775.
2. Breiman L. Random Forests // J. Machine Learn­ 6. Xiong J. L., Wang J. Gu. Image Segmentation o f the
ing. 2001. Vol. 45, iss. 1. P. 5-32. Acetowhite region in Cervix Images Based on Chromatic-
3. Meinshausen N. Quantile Regression Forest // J. Ma­ ity // Proc. o f 9 Intern. Conf. on Inform ation Technology
chine Learning Research. 2006. Vol. 7, iss. 6. P. 983-999. an Applications in Biomedicine (ITAB 2009), Larnaca, Cy­
4. Обухова Н. А., Мотыко А. А. Автоматический prus, 5-7 Nov. 2009. P. 140-144.
метод анализа мультиспектральных кольпоскопиче- 7. Комплекс для флуоресцентной диагностики и фо-
ских изображений для телевизионной системы диа­ тодинамической терапии заболеваний шейки матки
гностики рака ш ейки матки // Изв. вузов России. Ра­ / Г. В. Папаян, Н. А. Обухова, А. А. Мотыко, В. Б. Бере­
диоэлектроника. 2015. Вып. 6. С. 24-33. зин, Д. П. Плохих, С. А. Слободенок, U. Kang, S. J. Bae,
5. Обухова Н. А., Мотыко А. А. Автоматический ана­ D. S. Lee, M. W. Jung // Опт. журн. 2015. Т. 82, № 12. С. 47-59.
лиз мультиспектральных изображений шейки матки с

N. A. Obukhova, A. A. Motyko
Saint Petersburg Electrotechnical University "LETI"
Digital Image Processing in Clinical Decision Support System for the Cervix Differential Diagnosis
New methods of image processing and analysis fo r clinical decision support system of differential diagnosis of conditions
of the cervix tissues are reviewed. The proposed method of colposcopic images processing allows to synthesize a special image
that simulates the application to visualize vessels and to provide better analysis of vascular structures by the physician.
Multispectral Images Processing, Color Based Images Analysis, Texture Analysis, Medical Images Processing and
Classification, Clinical Decision Support Systems
Статья поступила в редакцию 16 апреля 2016 г.

Оценить