Υπολογιστικό σύστημα υποστήριξης της διάγνωσης των εστιακών αλλοιώσεων του ήπατος από εικόνες αξονικής τομογραφίας

Κ.Σ. Νικήτα [1], Γ. Ματσόπουλος [1], Σ. Μουγιακάκου [1], Μ. Γκλέτσος [1], Α.Σ. Νικήτα [2], Δ. Κελέκης [2]

[1] Εργαστήριο Βιοϊατρικών Προσομοιώσεων και Απεικονιστικής Τεχνολογίας, Ερευνητικό Πανεπιστημιακό Ινστιτούτο Συστημάτων Επικοινωνιών και Υπολογιστών, ΕΜΠ
[2] Β' Εργαστήριο Ακτινολογίας, Ιατρική Σχολή, Πανεπιστήμιο Αθηνών

Χρηματοδότηση: Μέρος της ερευνητικής εργασίας πραγματοποιήθηκε στα πλαίσια του ερευνητικού έργου 96ΣΥΝ20: "Αύξηση της Διαγνωστικής και Διαχειριστικής Δυνατότητας Εικόνων Αξονικής Τομογραφίας με Χρήση Εξελιγμένων Μεθόδων Ηλεκτρονικών Υπολογιστών", το οποίο χρηματοδοτήθηκε από τη ΓΓΕΤ. Στο έργο συμμετείχαν το ΕΠΙΣΕΥ και το Β' Εργαστήριο Ακτινολογίας του Πανεπιστημίου Αθηνών.
Σκοπός: Στην εργασία αυτή παρουσιάζεται ένα υποστηρικτικό σύστημα διάγνωσης για την κατηγοριοποίηση των ηπατικών εξεργασιών με εικόνες Αξονικής Τομογραφίας (ΑΤ).
Υλικό - Μέθοδος: Το σύστημα αποτελείται από δύο βαθμίδες: τη βαθμίδα εξαγωγής χαρακτηριστικών και τη βαθμίδα κατηγοριοποίησης. Η βαθμίδα εξαγωγής χαρακτηριστικών υπολογίζει 49 χαρακτηριστικά για κάθε επιλεγμένη περιοχή ενδιαφέροντος, από τα οποία τα 48 είναι χαρακτηριστικά υφής που προέρχονται από τους πίνακες χωρικής εξάρτησης γκρίζας στάθμης, ενώ το ένα προέρχεται από τον υπολογισμό της μέσης γκρίζας στάθμης. Η βαθμίδα του κατηγοριοποιητή αποτελείται από τρία Νευρωνικά Δίκτυα (ΝΔ) τοποθετημένα σε σειρά. Η είσοδος στο σύστημα είναι περιοχές ενδιαφέροντος από υγιές παρέγχυμα, ηπατική κύστη, αιμαγγείωμα και ηπατοκυτταρικό καρκίνο (σύνολο 147 δεδομένων). Κάθε μία από τις περιοχές ενδιαφέροντος περιγράφεται από ένα σύνολο χαρακτηριστικών που υπολογίζονται στη βαθμίδα εξαγωγής χαρακτηριστικών και τα οποία αποτελούν την είσοδο της βαθμίδας κατηγοριοποίησης. Επειδή ο αριθμός των χαρακτηριστικών είναι μεγάλος, εφαρμόστηκε η μέθοδος μείωσης της διάστασης του αρχικού διανύσματος των χαρακτηριστικών, προκειμένου να αποφευχθεί ένας κατηγοριοποιητής μεγάλης πολυπλοκότητας που θα είχε ως συνέπεια τη χαμηλή απόδοση και τον αυξημένο υπολογιστικό χρόνο.
Αποτελέσματα: Η συνολική απόδοση του υποστηρικτικού συστήματος, που επιτεύχθηκε, είναι της τάξης του 94% στο σύνολο γενίκευσης, ενώ ο χρόνος εκτέλεσης μιας κατηγοριοποίησης είναι της τάξης λίγων δευτερολέπτων.
Συμπεράσματα: Η χρήση πληροφορίας προερχόμενης από την υφή εικόνων ΑΤ σε συνδυασμό με τεχνητά ΝΔ μπορούν να προσφέρουν υψηλή απόδοση στην κατηγοριοποίηση των ηπατικών εξεργασιών. Η επιλογή χαρακτηριστικών μεγεθών με την τεχνική της πρόσθιας επιλογής χαρακτηριστικών μειώνει την πολυπλοκότητα του προβλήματος και βελτιώνει την απόδοση του συστήματος.