Автоматический метод сегментации флуоресцентных изображений, полученных в ближнем инфракрасном диапазоне

Введение. В настоящее время технология флуоресцентной визуализации в ближнем инфракрасном диапазоне широко применяется при проведении лапароскопических операций. Основой технологии является сегментация области флуоресценции на изображениях, полученных в ближнем инфракрасном диапазоне (БИК-изображениях). Для повышения качества и эффективности навигации необходимо разработать автоматический метод, позволяющий сегментировать флуоресцентные области на БИК-изображениях с максимальной точностью.

Цель работы. Повышение точности автоматической сегментации флуоресцентных изображений, полученных в ближнем инфракрасном диапазоне.

Материалы и методы. Предложенный метод состоит из двух этапов. На первом этапе выполняется предварительная сегментация изображения на основе адаптивного порога, найденного по методу Оцу. На втором этапе сегментированная область уточняется с помощью взвешенного метода Оцу. Главной особенностью метода является автоматическое определение параметра α, являющегося ключевым для эффективной работы взвешенного метода Оцу. Экспериментальное исследование метода было выполнено на реальных лапароскопических изображениях, общее число изображений в исследовании – 276. Значение ошибки сегментации (метрика ME – misclassification error) было использовано для оценки качества работы предложенного метода.

Результаты. Среднее значение ошибки сегментации (метрика ME) предложенного метода составляет 10.4 %, а традиционного метода Оцу – 27.1%.

Заключение. По сравнению с традиционным методом Оцу использование разработанного метода позволяет повысить точность сегментации флуоресцентных изображений. Это обеспечивает высокую чувствительность и специфичность при проведении диагностики и позволяет реализовать более эффективную навигацию в процессе лапароскопической операции.

1. Zhu B., Sevick-Muraca E. M. A review of performance of near-infrared fluorescence imaging devices used in clinical studies // The British J. of Radiology. 2015. Vol. 88, № 1045. P. 20140547. doi: 10.1259/bjr.20140547

2. Clinical applications of indocyanine green (ICG) enhanced fluorescence in laparoscopic surgery / L. Boni, G. David, A. Mangano, G. Dionigi, S. Rausei, S. Spampatti, E. Cassionotti, A. Fingerhut // Surgical Endoscopy. 2015. Vol. 29, № 7. P. 2046–2055. doi: 10.1007/s00464-014-3895-x

3. The clinical use of indocyanine green as a near‐infrared fluorescent contrast agent for image‐guided oncologic surgery / B. E. Schaafsma, J. S. D. Mieog, M. Hutteman, J. R. Vorst, P. J. K. Kuppen, C. W. G. M. Löwik, J. V. Frangioni, C. J. H. Velde, A. L. Vahrmeijer // J. of Surgical Oncology. 2011. Vol. 104, № 3. P. 323–332. doi: 10.1002/jso.21943

4. Real-time navigation for liver surgery using projection mapping with indocyanine green fluorescence: development of the novel medical imaging projection system / H. Nishino, E. Hatano, S. Seo, T. Nitta, T. Saito, M. Nakamura, K. Hattori, M. Takatani, H. Fuji, K. Taura, Sh. Uemoto // Annals of surgery. 2018. Vol. 267, № 6. P. 1134–1140. doi: 10.1097/SLA.0000000000002172

5. Near-infrared fluorescence imaging in humans with indocyanine green: a review and update / M. V. Marshall, J. C. Rasmussen, I.-Ch. Tan, M. B. Aldrich, K. E. Adams, X. Wang, C. E. Fife, E. A. Maus, L. A. Smith, E. M. Sevick-Muraca // The Open Surgical Oncology J. 2010. Vol. 2, № 2. P. 12–25. doi: 10.2174/1876504101002010012

6. Bali A., Singh S. N. A review on the strategies and techniques of image segmentation // 5th Intern. Conf. on Advanced Computing & Communication Technologies, Haryana, India, 21–22 Feb. 2015. Piscataway: IEEE, 2015. P. 113–120. doi: 10.1109/ACCT.2015.63

7. Qiao W., Wu C. Weighting Otsu's Segmentation Method and Its Fuzzy Theory Explanation. Computer Engineering. 2009. Vol. 10. P. 211–213. doi: 10.3969/j.issn.1000-3428.2009.10.070 (In Chinese)

8. Yuan X., Wu L., Peng Q. An improved Otsu method using the weighted object variance for defect detection // Applied surface science. 2015. Vol. 349. P. 472–484. doi: 10.1016/j.apsusc.2015.05.033

9. Zhang J., Hu J. Image segmentation based on 2D Otsu method with histogram analysis // Intern. Conf. on computer science and software engineering, Wuhan, China, 12–14 Sept. 2008. Piscataway: IEEE, 2008. Vol. 6. P. 105–108. doi: 10.1109/CSSE.2008.206

10. A multi-scale 3D Otsu thresholding algorithm for medical image segmentation / Y. Feng, H. Zhao, X. Li, X. Zhang, H. Li // Digital Signal Processing. 2017. Vol. 60. P. 186–199. doi: 10.1016/j.dsp.2016.08.003

11. Salem N., Malik H., Shams A. Medical image enhancement based on histogram algorithms // Procedia Computer Science. 2019. Vol. 163. P. 300–311. doi: 10.1016/j.procs.2019.12.112

12. Otsu N. A threshold selection method from gray-level histograms // IEEE transactions on systems, man, and cybernetics. 1979. Vol. 9, № 1. P. 62–66. doi: 10.1109/TSMC.1979.4310076

13. Sezgin M., Sankur B. Survey over image thresholding techniques and quantitative performance evaluation // J. of Electronic imaging. 2004. Vol. 13, № 1. P. 146–165. doi: 10.1117/1.1631315

14. Clinical development and potential of photo-thermal and photodynamic therapies for cancer / X. Li, J. F. Lovell, J. Yoon, X. Chen // Nature Reviews Clinical Oncology. 2020. Vol. 17, № 11. P. 657–674. doi: 10.1038/s41571-020-0410-2

15. Photodynamic therapy for management of cervical intraepithelial neoplasia II and III in young patients and obstetric outcomes / M. C. Choi, S. G. Jung, H. Park, S. Y. Lee, C. Lee, Y. Y. Hwang, S. J. Kim // Lasers in Surgery and Medicine. 2013. Vol. 45, № 9. P. 564–572. doi: 10.1002/lsm.22187

16. Отдельнова О. Б., Хашукоева А. З., Ибрагимова М. И. Возможности фотодинамической терапии с использованием фотосенсибилизатора фотодитазин в лечении гинекологических заболеваний // Российский биотерапевтический журн. 2008. Т. 7, № 4. С. 47–52.