Алгоритм для обнаружения поджелудочной железы в 3D КТ

Наши разработчики использовали код Matlab для многоэтапной системы сегментации поджелудочной железы по данным компьютерной томографии. Это позволяет обучать модель на большом наборе данных сканирования, размеченных экспертом, сохранять полученные прогностические компоненты, оценивать их ожидаемую точность и применять обученную модель для сегментации изображений.

Алгоритм обучения был реализован по схеме, описанной в статье H. Roth, A. Farag, L. Lu, E. Turkbey и R. Summers «Глубокие сверточные сети для сегментации поджелудочной железы в КТ-изображениях».

Анализ включает этап предварительной обработки, на котором выполняется трехмерная SLIC-сегментация, чтобы найти компоненты изображения/суперпиксели с однородными свойствами, которые впоследствии будут классифицироваться вместе.

На следующем этапе модель классификации методом случайного леса обучается извлекать только ту небольшую интересующую область, которая с высокой вероятностью содержит поджелудочную железу.

И, наконец, глубокая сверточная нейронная сеть была обучена выдавать уточненную вероятность быть поджелудочной железой для каждого суперпикселя.

Не все параметры системы были явно указаны в статье, поэтому код был построен так, чтобы их можно было легко модифицировать и протестировать несколько комбинаций.

Код был оптимизирован таким образом, чтобы он мог эффективно работать с большими файлами изображений и позволял быстро обновлять обучающий набор: пересчитывались только параметры, непосредственно связанные с обновленными файлами.

Для подтверждения правильности реализации на разных этапах обработки данных применялись различные визуализации и меры подобия.

Основные функции:

• Обработка изображений
• Сегментация изображения
• Распознавание образов