Системы анализа биомедицинских данных для диагностики злокачественных новообразований кожи
https://doi.org/10.32603/1993-8985-2020-23-3-80-92
Аннотация
Введение. Эффективность диагностики злокачественных новообразований кожи остается неудовлетворительной ввиду сложного процесса интерпретации клинических признаков. С другой стороны, в последние два десятилетия активно развиваются неинвазивные оптические методы диагностики, например цифровая дерматоскопия для визуализации поверхностных новообразований и оптическая когерентная томография (ОКТ) для получения пространственных срезов. Последние успехи в области исследований неинвазивных средств диагностики делают данную область весьма перспективной для исследований в клинических условиях.
Цель работы. Создание программных модулей на основе математического аппарата текстурного анализа для биомедицинских систем, предназначенных для диагностики злокачественных новообразований кожи.
Материалы и методы. Представлены алгоритмы программных модулей, созданных для оптических установок собственной разработки. Программные модули для дерматоскопического модуля выполнены на основе преобразования Хаара, локальных бинарных шаблонов и цветовых признаков, а для ОКТ - на базе признаков Харалика, Тамура, фрактальной размерности, комплексного поля направлений и марковских случайных полей. Проведены исследования на наборах из 106 дерматоскопических и 1008 ОКТ-изображений, содержащих различные классы патологий, включая меланому и базально-клеточную карциному (БКК).
Результаты. Экспериментально получены значения чувствительности и специфичности для дерматоскопической системы и ОКТ.
Заключение. Чувствительность дерматоскопической системы с разработанными алгоритмами составила 90 против 93 % по известным источникам, специфичность - 86 против 80 %. Одним из факторов увеличения можно считать введение персонифицированного режима – добавление сравнительных признаков, оценивающих различия между опухолью и нормальной тканью, в программный модуль анализа. При диагностике меланомы точность ОКТ повышена до 97 %, а при диагностике БКК – до 96 %.
Об авторе
О. О. Мякинин
Самарский национальный исследовательский университет имени академика С. П. Королева
Россия
Россия
Мякинин Олег Олегович ‒ магистр по направлению "Прикладные математика и информатика" (2011), старший преподаватель кафедры лазерных и биотехнических систем Самарского государственного аэрокосмического университета имени академика С. П. Королева, научный сотрудник лаборатории "Фотоника" указанного университета. Автор более 50 научных работ. Сфера научных интересов – компьютерное зрение; искусственный интеллект; обработка биомедицинских сигналов.
Московское шоссе, д. 34, Самара, 443086
Список литературы
1. The Diagnostic Performance of Expert Dermoscopists vs a Computer-Vision System on Small-Diameter Melanomas / R. J. Friedman, D. Gutkowicz-Krusin, M. J. Farber, M. Warycha, L. Schneider-Kels, N. Papastathis, M. C. Mihm Jr. P. Googe, R. King, V. G. Prieto, A. W. Kopf, D. Polsky, H. Rabinovitz, M. Oliviero, A. Cognetta, D. S. Rigel, A. Marghoob, J. Rivers, R. Johr, J. M. Grant-Kels, H. Tsao // Arch Dermatol. 2008. Vol. 144, № 4. P. 476482. doi: 10.1001/archderm.144.4.476
2. Drexler W., Fujimoto J. G. Optical Coherence Tomography: Technology and Applications. Berlin Heidelberg: Springer-Verlag, 2008. 1375 p. doi: 10.1007/978-3-540-77550-8
3. Drexler W., Fujimoto J. G. State-of-the-art Retinal Optical Coherence Tomography // Progress in Retinal and Eye Research. 2008. Vol. 27, № 1. P. 45–88. doi: 10.1016/j.preteyeres.2007.07.005
4. OCT Imaging of Skin Cancer and Other Dermatological Diseases / M. Mogensen, L. Thrane, T. M. Jørgensen, P. E. Andersen, G. B. Jemec // J. of biophotonics. 2009. Vol. 2, № 6-7. P. 442–451. doi: 10.1002/jbio.200910020
5. In vivoThickness MeasurementofBasal Cell Carcinoma and Actinic Keratosis with Optical Coherence Tomography and 20-MHz Ultrasound / M. Mogensen, B. M. Nürnberg, J. L. Forman, J. B. Thomsen, L. Thrane, G. B. E. Jemec // British J. of Dermatology. 2009. Vol. 160, № 5. P. 1026–1033. doi: 10.1111/j.1365-2133.2008.09003.x
6. Massone C., Di Stefani A., Soyer H. P. Dermoscopy for Skin Cancer Detection // Current opinion in oncology. 2005. Vol. 17, № 2. P. 147–153. doi: 10.1097/01.cco.0000152627.36243.26
7. Kaliyadan F. The Scope of the Dermoscope // Indian Dermatol Online J. 2016. Vol. 7. P. 359–363. doi: 10.4103/2229-5178.190496
8. Cotton S., Claridge E. Developing a Predictive Model of Human Skin Coloring // Medical Imaging 1996: Physics of Medical Imaging. International Society for Optics and Photonics. 1996. Vol. 2708. P. 814–825. doi: 10.1117/12.237846
9. Cotton S. D., Claridge E., Hall P. N. Noninvasive Skin Imaging // 15th Biennial Intern. Conf. on Information Processing in Medical Imaging (IPMI'97) Poultney, Vermont, USA, June 9–13, 1997. Berlin Heidelberg: Springer-Verlag, 1997. Vol. 2. P. 501–507. Lecture Notes in Computer Science, vol. 1230. doi: 10.1007/3-540-63046-5_50
10. The Performance of MelaFind. A Prospective Multicenter Study / G. Monheit, A. B. Cognetta, L. Ferris, H. Rabinovitz, K. Gross, M. Martini, J. M. Grichnik, M. Mihm, V. G. Prieto, P. Googe, R. King, A. Toledano, N. Kabelev, M. Wojton, D. Gutkowicz-Krusin // Arch Dermatol. 2011. Vol. 147, № 2. P. 188–194. doi: 10.1001/archdermatol.2010.302
11. Accuracy of SIAscopy for Pigmented Skin Lesions encountered in Primary Care: Development and Validation of a New Diagnostic Algorithm / J. D. Emery, J. Hunter, P. N. Hall, A. J. Watson, M. Moncrieff, F. M. Walter // BMC dermatology. 2010. Vol. 10. 9 p. doi: 10.118/1471-5945-10-9
12. Effect of adding a Diagnostic Aid to Best Practice to Manage Suspicious Pigmented Lesions in Primary Care: Randomised Controlled Trial / F. M. Walter, H. C. Morris, E. Humphrys, P. N. Hall, A. T. Prevost, N. Burrows, L. Bradshaw, E. C. F. Wilson, P. Norris, J. Walls, M. Johnson, A. L. Kinmonth, J. D. Emery // Bmj. 2012. Vol. 345. e4110. doi: 10.1136/bmj.e4110
13. Diagnostic Performance of the MelaFind Device in a Real-Life Clinical Setting / C. Fink, C. Jaeger, K. Jaeger, H. A. Haenssle // JDDG: J. der Deutschen Dermatologischen Gesellschaft. 2017. Vol. 15, № 4. P. 414–419. doi: 10.1111/ddg.13220
14. Computer-Aided Classification of Melanocytic Lesions using Dermoscopic Images / L. K. Ferris, J. A. Harkes, B. Gilbert, D. G. Winger, K. Golubets, O. Akilov, M. Satyanarayanan // J. of the American Academy of Dermatology. 2015. Vol. 73, № 5. P. 769–776. doi: 10.1016 /j.jaad.2015.07.028
15. The Skin Cancer Classification using Deep Convolutional Neural Network / U. O. Dorj, K. K. Lee, J. Y. Choi, M. Lee // Multimedia Tools and Applications. 2018. Vol. 77, № 8. P. 9909–9924. doi: 10.1007/s11042-018-5714-1
16. Choudhury D., Naug A., Ghosh S. Texture and Color Feature Based WLS framework Aided Skin Cancer Classification using MSVM and ELM // 2015 Annual IEEE India Conf. (INDICON). New Delhi, India. 17–20 Dec. 2015. Piscataway: IEEE, 2015. 6 p. doi: 10.1109/INDICON.2015.7443780
17. Mirmehdi M., Xie X., Suri J. Handbook of Texture Analysis. London: Imperial College Press, 2008. 423 p.
18. Petrou M., Sevilla P. G. Image Processing: dealing with Texture. Chichester: John Wiley & Sons, 2006. 630 p.
19. Pietikäinen M. K. Texture Analysis in Machine Vision. Singapore: World Scientific, 2000. 280 p.
20. Haralick R. M. Statistical and Structural Approaches to Texture // Proc. of the IEEE. 1979. Vol. 67, № 5. P. 786–804.
21. Dubes R. C., Jain A. K. Random Field Models in Image Analysis // J. of applied statistics. 1993. Vol. 20, № 5-6. P. 121–154. doi: 10.1080/02664769300000062
22. Ahuja N., Rosenfeld A. Mosaic Models for Textures // IEEE Trans. on Pattern Analysis and Machine Intelligence. 1981. Vol. PAMI-3, № 1. P. 1–11. doi: 10.1109/TPAMI.1981.4767045
23. Dermatoscopy Software Tool for In Vivo Automatic Malignant Lesions Detection / S. G. Konovalov, O. A. Melsitov, O. O. Myakinin, I. A. Bratchenko, A. A. Moryatov, S. V. Kozlov, V. P. Zakharov // J. of Biomedical Photonics & Engineering. 2018. Vol. 4, № 4. P. 040302(1–9). doi: 10.18287/JBPE18.04.040302
24. Using the 7-point Checklist as a Diagnostic Aid for Pigmented Skin Lesions in General Practice: a Diagnostic Validation Study / F. M. Walter, A. T. Prevost, J. Vasconcelos, P. N. Hall, N. P. Burrows, H. C. Morris, A. L. Kinmonth, J. D. Emery // British J. General Practice. 2013. Vol. 63, № 610. P. e345–e353. doi: 10.3399/bjgp13X667213
25. Dermoscopy Analysis of RGB-Images based on Comparative Features / O. O. Myakinin, V. P. Zakharov, I. A. Bratchenko, D. N. Artemyev, E. Y. Neretin, S. V. Kozlov // Proc. SPIE. 2015. Vol. 9599. Applications of Digital Image Processing XXXVIII. 95992B. doi: 10.1117/12.2188165
26. Puvanathasan P., Bizheva K. Interval Type-II fuzzy Anisotropic Diffusion Algorithm for Speckle Noise Reduction in Optical Coherence Tomography Images // Optics express. 2009. Vol. 17, № 2. P. 733–746. doi: 10.1364/OE.17.000733
27. Haralick R. M., Shanmugam K. Textural Features for Image Classification // IEEE Trans. on Systems, Man and Cybernetics. 1973. Vol. SMC-3, № 6. P. 610–621. doi: 10.1109/TSMC.1973.4309314
28. Fogel I., Sagi D. Gabor Filters as Texture Discriminator // Biol. Cybern. 1989. Vol. 61, № 2. P. 103–113. doi: 10.1007/BF00204594
29. Tamura H., Mori S., Yamawaki T. Textural Features corresponding to Visual Perception // IEEE Trans. on Systems, Man and Cybernetics. 1978. Vol. SMC-8, № 6. P. 460–473. doi: 10.1109/TSMC.1978.4309999
30. Voss R. F. Random Fractal Forgeries / ed. by R. A. Earnshaw // Fundamental Algorithms for Computer Graphics. Berlin Heidelberg: Springer-Verlag, 1985. P. 805–835.
31. Ahammer H. Higuchi Dimension of Digital Images // PLoS One. 2011. Vol. 6, № 9. P. e24796 doi: 10.1371/journal.pone.0024796
32. Sarkar N., Chaudhuri B. B. An Efficient Differential Box-Counting Approach to Compute Fractal Dimension of Image // IEEE Trans. on Systems, Man and Cybernetics. 1994. Vol. SMC-24, № 1. P. 115–120. doi: 10.1109/21.259692
33. Multimodal Texture Analysis of OCT Images as a Diagnostic Application for Skin Tumors / D. S. Raupov, O. O. Myakinin, I. A. Bratchenko, V. P. Zakharov, A. G. Khramov // J. of Biomedical Photonics & Engineering. 2017. Vol. 3, № 1. P. 010307(1–10). doi: 10.18287/JBPE17.03.010307
34. Skin Cancer Texture Analysis of OCT Images based on Haralick, Fractal Dimension, Markov Random Field Features, and the Complex Directional Field Features / D. S. Raupov, O. O. Myakinin, I. A. Bratchenko, V. P. Zakharov, A. G. Khramov // Proc SPIE. 2016. Vol. 10024. Optics in Health Care and Biomedical Optics VII. P. 100244I. doi: 10.1117/12.2246446
35. Epiluminescence Microscopy for the Diagnosis of Doubtful Melanocytic Skin Lesions: Comparison of the ABCD Rule of Dermatoscopy and a New 7-point Checklist based on Pattern Analysis / G. Argenziano, G. Fabbrocini, P. Carli, V. De Giorgi, E. Sammarco, M. Delfino // Arch Dermatol. 1998. Vol. 134, № 12. P. 1563–1570. doi: 10.1001/archderm.134.12.1563
36. Differences Between Polarized Light Dermoscopy and Immersion Contact Dermoscopy for the Evaluation of Skin Lesions / C. Benvenuto-Andrade, S. W. Dusza, A. L. C. Agero, A. Scope, M. Rajadhyaksha, A. C. Halpern, A. A. Marghoob // Arch Dermatol. 2007. Vol. 143, № 3. P. 329–338. doi: 10.1001/archderm.143.3.329
37. Implementation of the 7-point Checklist for Melanoma Detection on Smart Handheld Devices / T. Wadhawan, N. Situ, H. Rui, K. Lancaster, X. Yuan, G. Zouridakis // 2011 Annual Intern. Conf. of the IEEE Engineering in Medicine and Biology Society. Boston, MA, USA, 30 Aug.–3 Sept. 2011. Piscataway: IEEE, 2011. P. 3180– 3183. doi: 10.1109/IEMBS.2011.6090866
38. Dermatologist-Level Classification of Skin Cancer with Deep Neural Networks / A. Esteva, B. Kuprel, R. A. Novoa, J. Ko, S. M. Swetter, H. M. Blau, S. Thrun // Nature. 2017. Vol. 542, № 7639. P. 115–118. doi: 10.1038/nature21056
39. Classification of Basal Cell Carcinoma in Human Skin using Machine Learning and Quantitative Features captured by Polarization Sensitive Optical Coherence Tomography / T. Marvdashti, L. Duan, S. Z. Aasi, J. Y. Tang, A. K. E. Bowden // Biomedical optics express. 2016. Vol. 7, № 9. P. 3721– 3735. doi: 10.1364/BOE.7.003721
40. Optical Coherence Tomography for the Diagnosis of Malignant Skin Tumors: a Meta-Analysis / Y. -Q. Xiong, Y. Mo, Y. -Q. Wen, M. -J. Cheng, S. -T. Huo, X. -J. Chen, Q. Chen // J. Biomed. Opt. 2018. Vol. 23, № 2. 020902. doi: 10.1117/1.JBO.23.2.020902
41. In Vivo Assessment of Optical Properties of Melanocytic Skin Lesions and Differentiation of Melanoma from Non-Malignant Lesions by High-Definition Optical Coherence Tomography / M. A. L. M. Boone, M. Suppa, F. Dhaenens, M. Miyamoto, A. Marneffe, G. B. E. Jemec, V. Del Marmol, R. Nebosis // Arch Dermatol Res. 2016. Vol. 308. P. 7–20. doi: 10.1007/s00403-015-1608-5
42. Weszka J. S., Dyer C. R., Rosenfeld A. A Comparative Study of Texture Measures for Terrain Classification // IEEE Trans.on Systems, Man and Cybernetics.1976. Vol. SMC-6, №4. P. 269–285. doi: 10.1109/TSMC.1976.5408777
Рецензия
Для цитирования:
Мякинин О.О. Системы анализа биомедицинских данных для диагностики злокачественных новообразований кожи. Известия высших учебных заведений России. Радиоэлектроника. 2020;23(3):80-92. https://doi.org/10.32603/1993-8985-2020-23-3-80-92
For citation:
Myakinin O.O. Biomedical Data Analysis Systems for the Diagnosis of Skin Neoplasms. Journal of the Russian Universities. Radioelectronics. 2020;23(3):80-92. (In Russ.) https://doi.org/10.32603/1993-8985-2020-23-3-80-92
Просмотров: 371
Послать статью по эл. почте 