Нейросетевые классификаторы эндоскопических ультразвуковых изображений поджелудочной железы на основе многомасштабных спектральных окон тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Кондрашов Дмитрий Сергеевич

• Кондрашов Дмитрий Сергеевич
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Кондрашов Дмитрий Сергеевич

Введение

1 Анализ современных подходов в диагностике патологий поджелудочной железы

1.1 Анатомические особенности поджелудочной железы и ее заболевания

1.2 Анализ современных инструментальных методов диагностики заболеваний поджелудочной железы

1.2.1 Ультразвуковое исследование

1.2.2 Рентгенологическое исследование

1.2.3 Компьютерная томография

1.2.4 Магнитно-резонансная томография

1.3 Применение компьютерных технологий для анализа медицинских изображений

1.3.1 Предварительная обработка изображения

1.3.2 Методы выделения объектов на изображении на основе сегментирования

1.3.3 Методы извлечения признаков

1.3.4 Методы распознавания патологии

1.4 Выводы первого раздела и направления дальнейших исследований

2 Разработка метода и алгоритма отбора и семантической сегментации релевантных кадров видеоряда эндоскопических ультразвуковых изображений поджелудочной железы

2.1 Особенности распознавания текстур поджелудочной железы на эндоскопических ультразвуковых изображениях

2.2 Анализ методов сегментирования медицинских изображений

2.3 Метод отбора релевантных кадров из видеоряда эндоскопических ультразвуковых изображений поджелудочной железы

2.4 Автоматизированная система семантической сегментации релевантных кадров для обучения нейросетевых классификаторов

2.5 Выводы второго раздела

3 Методы и алгоритмы выделения информативных признаков патологических изменений поджелудочной железы и классификации её заболеваний

3.1 Предварительная обработка локальных окон эндоскопических ультразвуковых изображений поджелудочной железы

3.2 Анализ локальных окон эндоскопических ультразвуковых изображений поджелудочной железы при помощи двумерного преобразования Уолша-Адамара

3.3 Описание метода выделения информативных признаков для классификации заболеваний поджелудочной железы

3.4 Разработка нейросетевых классификаторов эндоскопических ультразвуковых изображений поджелудочной железы

3.5 Выводы третьего раздела

4 Разработка и экспериментальные исследования нейросетевого классификатора эндоскопических ультразвуковых изображений поджелудочной железы

4.2 Автоматизированная система настройки и апробации нейросетевых классификаторов

4.3 Экспериментальная оценка качества классификации морфологических образований на эндоскопических ультразвуковых изображения поджелудочной железы

4.4 Выводы четвертого раздела

Заключение

Список сокращений и условных обозначений

Список литературы

Приложения

Приложение А

Приложение Б

Приложение В

Приложение Г

Приложение Д

Приложение Е

Введение диссертации (часть автореферата) на тему «Нейросетевые классификаторы эндоскопических ультразвуковых изображений поджелудочной железы на основе многомасштабных спектральных окон»

Введение

Актуальность темы исследования. При диагностике заболеваний поджелудочной железы (ПЖ) используют различные инструментальные методы, наиболее доступным из которых является ультразвуковое исследование (УЗИ), в частности, эндоскопическое ультразвуковое исследование (ЭУЗИ), которое отличается от классического метода высокой разрешающей способностью и информативностью.

Анализ и классификация ЭУЗИ изображений является превалирующим инструментом в постановке диагноза заболевания ПЖ. Их интерпретация проводится врачом-эндоскопистом на основе визуального анализа. Специалисту приходится исследовать множество разноракурсных и разномасштабных изображений, которые иногда трудно сопоставимы. Поэтому, из-за особенностей субъективного зрительного восприятия и квалификации специалиста, может снижаться качество распознавания отклонений в структуре ткани исследуемого органа, что приводит к определенным трудностям в дифференциальной диагностике и лечении заболеваний ПЖ, например, онкология, панкреатит.

Одним из ключевых направлений в развитии цифрового здравоохранения в настоящее время является использование систем поддержки принятия врачебных решений (СППВР), которые обеспечивают врача клиническими данными и сведениями о состоянии пациента. Цифровые технологии позволяют повысить точность ранней диагностики патологий, снизить субъективность визуальной оценки и минимизировать диагностические ошибки, что особенно важно при выявлении признаков заболевания. В основу СППВР заложены алгоритмы искусственного интеллекта, основанные на моделях машинного (МО) и глубокого (ГО) обучения. С учетом вышеизложенного, совершенствование моделей МО и ГО для классификации ЭУЗИ изображений ПЖ в рамках СППВР является актуальной задачей.

Степень разработанности темы исследования. Современные системы диагностики заболеваний ПЖ опираются на методы идентификации отклонений в структуре ткани от нормы, выявленных в процессе проведения ЭУЗИ. А в случае

перемещения ультразвукового датчика регистрируемые изображения ПЖ могут сильно отличаться между собой, из-за различных углов сканирования. В этой связи проблема извлечения и использования информации из ЭУЗИ изображений в условиях априорной неопределённости координат патологических образований является ключевой из-за сложности обнаружения и интерпретирования патологических структур.

В последние годы активно применяются нейросетевые методы в классификации изображений для повышения производительности и точности анализа медицинских изображений. В работах ^айош А. et а1., 2012; Wu С. et а1., 2011; Ozkan M. et al., 2016) предложены алгоритмы на основе искусственных нейронных сетей (ИНС) для диагностики опухолей ПЖ. В исследовании (Zhu J. et а1., 2015) введен новый дескриптор для дифференциации патологий, а в работе (^ап G. et а1., 2022) использована модель нейронной сети (НС) YOLOv5 для обнаружения морфологических образований в реальном времени. Однако существующие нейросетевые методы требуют дальнейшего развития в области повышения устойчивости к вариациям регистрируемых объектов на медицинских изображениях. Одним из направлений развития указанной области является применение многомасштабного спектрального анализа, который позволяет повысить точность классификации в условиях наличия шумов и артефактов. Отдельные варианты его реализации представлены в работах Малютиной И.А. и др., 2017; Дабагова А.Р., 2019; Филиста С.А и др., 2023.

Несмотря на достигнутые успехи, существующие методы классификации ЭУЗИ изображений ПЖ требуют дальнейшего совершенствования в интересах повышения качества обработки медицинских изображений и эффективности получаемых результатов их анализа. Таким образом, научно-технической задачей исследования является разработка нейросетевых классификаторов многомасштабного спектрального анализа для СППВР, позволяющих распознавать диагностически значимые признаки заболеваний ПЖ.

Цель диссертационного исследования состоит в повышении качества обработки и интерпретации эндоскопических ультразвуковых изображений

поджелудочной железы в условиях априорной неопределённости координат патологических образований и высокой вариативности уровней яркости.

Задачи исследования. Для достижения поставленной цели необходимо решить следующие основные задачи:

1. Провести анализ современных инструментальных методов диагностики заболеваний поджелудочной железы и компьютерных технологий, используемых для обработки медицинских изображений.

2. Разработать метод автоматизированного отбора релевантных кадров из видеоряда эндоскопических ультразвуковых изображений поджелудочной железы.

3. Разработать метод выделения информативных признаков для «слабых» классификаторов путем спектрального анализа многомасштабных локальных окон.

4. Разработать нейросетевой классификатор локальных окон эндоскопических ультразвуковых изображений поджелудочной железы, основанный на дескрипторах, полученных путем анализа многомасштабных спектральных окон.

5. Разработать программное обеспечение для реализации нейросетевых классификаторов эндоскопических ультразвуковых изображений поджелудочной железы.

6. Экспериментально оценить эффективность предложенных методов и алгоритмов на реальных эндоскопических ультразвуковых изображениях поджелудочной железы.

Объектом исследования являются эндоскопические ультразвуковые изображения поджелудочной железы.

Предметом исследования являются методы и алгоритмы анализа и системы классификации эндоскопических ультразвуковых изображений поджелудочной железы.

Методы исследования. Для решения поставленных задач в работе использован комплексный методический подход, включающий математические методы цифровой обработки изображений, системный и статистический анализы, морфологический и спектральный анализы, аппарат математической статистики, методы теории НС, а также экспертные оценки для обоснования принимаемых

решений. При разработке системы использовались: язык программирования Python, специализированные математические библиотеки, фреймворк Qt с библиотекой PySide. Для построения и обучения нейросетевых моделей были задействованы библиотеки Keras и TensorFlow. Разработка осуществлялась в интегрированной среде PyCharm.

Научная новизна. В диссертационной работе получены следующие результаты, характеризующиеся научной новизной:

1. Метод автоматизированного отбора релевантных кадров из видеоряда эндоскопических снимков поджелудочной железы, основанный на текстурном анализе двух динамических окон, отличающийся тем, что первое окно сканирует изображение внутри второго, а второе окно сканирует всё изображение в целом, при этом решение о принадлежности пикселя изображения, соответствующего координате первого окна, к релевантному классу, принимается на каждом шаге перемещающегося первого окна, позволяющий выделить из видеоряда наиболее релевантные снимки, посредством формирования тепловой карты изображения поджелудочной железы с последующим его анализом лицом, принимающим решение.

2. Метод выделения информативных признаков из многомасштабных локальных окон эндоскопических ультразвуковых изображений поджелудочной железы, основанный на двумерном преобразовании Уолша-Адамара, отличающийся тем, что информативные признаки категории «Хранители» представляют собой спектральные коэффициенты Уолша-Адамара с высокой частотой встречаемости в выборке класса 1, а информативные признаки категории «Вершители» отражают максимальное различие спектральных коэффициентов Уолша-Адамара между классом 1 и классом 2, позволяющий синтезировать классификатор локальных окон эндоскопических ультразвуковых изображений поджелудочной железы.

3. Нейросетевой классификатор локальных окон эндоскопических ультразвуковых изображений поджелудочной железы, основанный на спектральном анализе в многомасштабных окнах, отличающийся тем, что многомасштабные окна имеют иерархическую структуру вложения, внутри

каждого масштаба векторы информативных признаков категорий «Хранители» и «Вершители» селектируются на три подвектора информативных признаков, формирующих внутри «слабого» классификатора три решающих правила, с последующей их агрегацией, результаты которой агрегируются, в свою очередь, в «сильном» классификаторе, позволяющий дифференцировать локальные окна эндоскопических ультразвуковых изображений поджелудочной железы по двум классам риска заболеваний.

Теоретическая и практическая значимость работы состоит в том, что предложенные новые методы и алгоритмы спектрального и нейросетевого анализа ЭУЗИ изображений ПЖ позволяют построить иерархические структуры классификаторов для дифференциальной диагностики заболеваний ПЖ. Практическая значимость исследований определяется возможностью на основе полученных результатов построить СППВР для автоматической классификации ЭУЗИ изображений ПЖ. СППВР может быть использована в клинической медицине для повышения качества диагностирования и интерпретирования патологических состояний структуры тканей на ЭУЗИ изображениях ПЖ (в том числе в составе автоматизированного рабочего места специалиста).

Результаты диссертационной работы внедрены в учебный процесс Юго-Западного государственного университета в рамках дисциплины «Компьютерные технологии обработки и анализа биомедицинских сигналов и данных» (специальность 30.05.03 «Медицинская кибернетика»), а именно в методические указания к практическому занятию №10 «Анализ и классификация УЗИ-изображений» (приложение А), прошли апробацию в Многопрофильном медицинском центре «МЦД+» г. Курска (приложение Б) и показали целесообразность использования для интеллектуальной поддержки классификации риска панкреатита, что подтверждается актами внедрения.

Положения, выносимые на защиту.

1. Метод автоматизированного отбора релевантных кадров из эндоскопического ультразвукового видеоряда изображений поджелудочной железы, позволяющий управлять потоком изображений посредством анализа

тепловой карты, полученной посредством текстурного анализа многомасштабных окон, обеспечивающий точность классификации релевантного кадра не ниже 96%.

2. Метод автоматизированного выделения информативных признаков категорий «Хранители» и «Вершители» из локальных окон эндоскопических ультразвуковых изображений поджелудочной железы на основе анализа спектральных коэффициентов Уолша-Адамара, позволяющий выделить три группы информативных признаков для иерархических классификаторов для дифференциальной диагностики патологий поджелудочной железы.

3. Нейросетевой классификатор локальных окон эндоскопических ультразвуковых изображений поджелудочной железы, обеспечивающий показатели точности классификации патологий поджелудочной железы не менее 90% по всем группам наблюдения.

Соответствие паспорту специальности. Согласно паспорту специальности 2.2.12. Приборы, системы и изделия медицинского назначения, проблематика, рассмотренная в диссертационной работе, соответствует пунктам 14, 20, 21 и 22 паспорта специальности.

Степень достоверности и апробация результатов работы. В ходе проведённого исследования была подтверждена воспроизводимость полученных результатов в различных экспериментальных условиях, их соответствие принципам теории цифровой обработки и классификации изображений, а также согласованность с данными, представленными в работах других авторов. Разработанные методы и алгоритмы классификации эндоскопических ультразвуковых изображений поджелудочной железы основаны на теоретических положениях цифровой обработки изображений и нейросетевого классифицирования, что находит подтверждение в ранее опубликованных экспериментальных исследованиях по тематике диссертационной работы.

Основные теоретические положения и научные результаты диссертационной работы докладывались, обсуждались и получили положительную оценку на 11 Международных и Всероссийских конференциях: «25th International Arab Conference on Information Technology (ACIT'2024)» (Zarqa - 2024); «Актуальные проблемы

медицинской науки и образования (АПМН0-2024)» (Пенза - 2024); «Физика и радиоэлектроника в медицине и экологии (ФРЭМЭ'2022)» (Владимир-Суздаль -2022); «Медико-экологические информационные технологии» (Курск - 2022); «Искусственный интеллект в решении актуальных социальных и экономических проблем XXI века» (Пермь - 2019, 2022); «2nd International Scientific Conference on Artificial Intelligence and Digital Technologies in Technical Systems 2021 (AIDTTS II 2021)» (Volgograd - 2021); «Лазерно-информационные технологии-2021» (Новороссийск - 2021); «Биотехнические, медицинские и экологические системы, измерительные устройства и робототехнические комплексы (Биомедсистемы-2021)» (Рязань - 2021); «10th International Conference on High-Performance Computing Systems and Technologies in Scientific Research, Automation of Control and Production (HPCST 2020)» (Barnaul - 2020); «Энергосбережение и эффективность в технических системах» (Тамбов - 2019); на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск - 2021-2025).

Личный вклад автора. Разработка и исследование методов и алгоритмов, а также полученные основные научные и экспериментальные результаты, сформулированные в диссертации, выполнены лично автором. Программные модули и автоматизированная система, реализующие предложенные методы и алгоритмы, разработаны непосредственно автором в рамках диссертационного исследования.

Публикации. Основные положения и результаты диссертационной работы опубликованы в 23 научных работах, из них 5 статей в ведущих рецензируемых научных журналах и изданиях, 5 статей в изданиях, индексируемых в международных наукометрических базах Scopus (5) и Web of Science (2), а также получены 1 патент на изобретение (приложение В) и 3 свидетельства о государственной регистрации программы для ЭВМ (приложения Г, Д, Е).

Структура и объем работы. Диссертационная работа состоит из введения, четырех разделов, заключения, списка литературы, включающего 86 отечественных и 52 зарубежных наименований и приложений. Работа изложена на 156 страницах машинописного текста, содержит 67 рисунков, , 12 таблиц и 6 приложений.

1 Анализ современных подходов в диагностике патологий поджелудочной

железы

1.1 Анатомические особенности поджелудочной железы и ее заболевания

Поджелудочная железа (ПЖ) - орган пищеварительной системы, представляющий собой крупную железу, обладающий внешнесекреторной и внутреннесекреторной функциями [35, 44]. На рисунке 1.1 представлена анатомия ПЖ [50].

Рисунок 1.1 - Строение ПЖ [50]

ПЖ располагается в забрюшинном пространстве брюшной полости, позади желудка, примыкая к двенадцатиперстной кишке, поперечно на уровне 1-П поясничных позвонков. Размеры ПЖ для взрослого человека составляют: ширина

- 3-9 см (орган утолщается по направлению к головке), длина - 14-22 см, толщина

- 2-3 см. Масса ПЖ достигает примерно 70-80 г. [44]. В ПЖ выделяют 3 отдела: головка, тело, хвост [7, 14].

Головка ПЖ - наиболее широкая ее часть, располагается справа от позвоночника и вклинена во внутренний изгиб двенадцатиперстной кишки. Тело ПЖ имеет переднюю, заднюю и нижнюю поверхности, располагается впереди позвоночника и влево от него и постепенно переходит в хвост, достигающий селезенки. Передняя и нижняя поверхности тела ПЖ покрыты брюшиной. Позади

головки ПЖ расположены нижняя полая вена, начало воротной вены, общий желчный проток, часто проходящий через толщу головки.

Позади тела ПЖ находятся брюшная часть аорты, лимфатические узлы, часть солнечного сплетения, вдоль тела ПЖ идет селезеночная вена. Позади хвоста ПЖ располагается часть левой почки с сосудами, левый надпочечник [7, 39].

Благодаря своей связи с двенадцатиперстной кишкой, брюшинному покрову, ПЖ фиксирована и у большинства людей не меняет локализацию при перемене положения тела и дыхании. Однако у некоторых людей правая часть ПЖ может смещаться на 3-4 см вверх и вниз вследствие дыхательных движений диафрагмы.

От хвоста до головки в толще ПЖ проходит панкреатический проток. Открывается он в двенадцатиперстной кишке на вершине большого дуоденального сосочка, чаще (в 70-75%) предварительно соединившись с общим желчным протоком. Ширина протока на уровне головки может достигать 5 мм, тела - 4 мм, хвоста - 2 мм, длина его около 16-17 см. Выделению сока способствует давление в протоке, достигающее 30-35 мм водного столба, и присасывающее действие перистальтики двенадцатиперстной кишки [39]. ПЖ выполняет две основные функции:

- экзокринную (внешнесекреторную), заключающуюся в секреции в двенадцатиперстную кишку сока, имеющего щелочную реакцию и набор ферментов, гидролизующих все основные группы пищевых полимеров;

- эндокринную (внутреннесекреторную), заключающуюся в секреции в кровь ряда полипептидных гормонов, регулирующих ассимиляцию пищи и метаболические процессы в организме [34, 39].

На современном этапе одним из наиболее распространённых заболеваний ПЖ является панкреатит. Панкреатит - заболевание ПЖ, возникающее в результате саморазрушения ткани ее липолитическими и активированными протеолитическими ферментами [23]. В клинической практике выделяют две основные формы заболевания ПЖ: острый и хронический панкреатит [6, 40, 66].

Панкреатит является серьёзной проблемой глобального здравоохранения, связанной с ростом заболеваемости, сложным лечением и значительной смертностью. В результате проведенных исследований китайские ученые

установили, что за период с 1990 по 2021 годы число случаев панкреатита в мире увеличилось с 1,73 миллиона до 2,75 миллиона, то есть на 59% [111].

Острый панкреатит (ОП) представляет собой острый воспалительный процесс ПЖ, обычно сопровождающийся болью в животе и повышением уровня ферментов ПЖ в сыворотке крови. На рисунке 1.2, а и б представлены иллюстрации видов острого поражения панкреатитом [66].

а) б)

Рисунок 1.2 - Виды острого поражения панкреатитом ПЖ: а) острый интерстициальный панкреатит; б) острый геморрагический панкреатит [66]

Этот синдром обычно представляет собой дискретный эпизод, который может вызывать разную степень повреждения ПЖ, а также прилегающих и отдаленных органов [23, 43, 66]. Согласно другому исследованию в 2019 году во всем мире зарегистрировано 2 814 972,3 случаев ОП, из них 1 273 955,2 у женщин и 1 541 017,1 у мужчин, со смертельным исходом - 115 053,2 [93].

Хронический панкреатит (ХП) - длительное воспалительное заболевание ПЖ, проявляющееся необратимыми морфологическими изменениями паренхимы и протоков органа, которые вызывают боль и/или стойкое снижение её функции [23, 82]. Он может развиваться в стадии обострения и стадии ремиссии. Чередование стадий обусловлено самоактивацией ферментов с последующим аутолизом ткани ПЖ [36].

Панкреатит протекает с периодическими обострениями и некрозами участков паренхимы, которые заканчиваются формированием ложных кист. В просвете протоков могут формироваться белковые преципитаты, камни, нарушающие внутрипротоковую проходимость, что приводит к преждевременной активации пищеварительных ферментов, повреждению клеток ПЖ [57].

Частота заболеваемости ХП по данным многочисленных исследований варьируется в широких пределах. Распространенность в Европе составляет 25,0-26,4 случаев на 100 тыс. населения, в России - 27,4-50 случаев на 100 тыс. населения [25].

В мире наблюдается тенденция к увеличению заболеваемости ОП и ХП. В развитых странах средний возраст с момента установления диагноза снизился с 50 до 39 лет, среди заболевших на 30% увеличилась доля женщин. Первичная инвалидизация больных достигает 15%. Смертность после первичного установления диагноза ХП составляет до 20% в течение первых 10 лет и более 50% - через 20 лет. 15-20% больных ХП погибают от осложнений, связанных с атаками панкреатита, другие - вследствие вторичных нарушений функции пищеварения и инфекционных осложнений [82]. Двадцатилетний анамнез у больных ХП повышает риск развития рака ПЖ в 5 раз [53].

1.2 Анализ современных инструментальных методов диагностики заболеваний поджелудочной железы

Диагностика патологий ПЖ является важной задачей в клинической медицине. Для определения состояния ПЖ используются различные инструментальные методы диагностики, такие как: УЗИ (классическое, эндоскопическое), рентгенография, компьютерная томография, магнитно-резонансная томография. Эти методы позволяют структурно и функционально изучить состояние ПЖ.

1.2.1 Ультразвуковое исследование

Эндоскопическое ультразвуковое исследование. ЭУЗИ является одним из наиболее эффективных и точных способов диагностики заболеваний ПЖ. Этот

метод позволяет визуализировать и изучать структуру ПЖ, выявлять патологии, оценивать работоспособность железы, также возможно взятие биопсии ткани для проведения дальнейшего исследования [82].

ЭУЗИ является одним из современных методов диагностики заболеваний ПЖ (рисунок 1.3, а). Оно сочетает в себе УЗИ с использованием эндоскопа. Благодаря этому, врач может получить более точные и подробные данные о состоянии органа, выявить патологии и определить их характер.

Основным преимуществом ЭУЗИ является возможность получения изображений ПЖ с высокой степенью разрешения. Это позволяет обнаружить даже маленькие опухоли, кисты, воспалительные процессы, камни в протоках и другие патологии, которые могут быть незаметны на других методах исследования.

ЭУЗИ также позволяет оценить степень распространённости опухолевого процесса, выявить лимфатические метастазы и определить возможность хирургического вмешательства. Благодаря высокой разрешающей способности, ЭУЗИ позволяет детально изучить структуру ПЖ, определить размеры, форму, наличие аномалий в строении. Это позволяет врачам более точно поставить диагноз и определить оптимальную тактику лечения пациента.

Методика исследования ПЖ с использованием ЭУЗИ включает введение эндоскопа через рот пациента в желудок и двенадцатиперстную кишку (рисунок 1.3, б) [20]. На конце этого эндоскопа находится ультразвуковой датчик, который передает изображение на монитор. Врач может управлять эндоскопом, выбирая наилучший угол обзора, получая дополнительные снимки подозрительных образований.

Использование в приборе высоких частот ультразвука (5,0; 7,5; 12 и 20 МГц) обеспечивает высокое качество изображения с разрешающей способностью менее 1 мм, недоступное другим методам исследования, таким как обычное ультразвуковое исследование, компьютерная и магнитно-резонансная томография, эндоскопическая холангиопанкреатикография.

Особенностью ЭУЗИ является возможность выполнения биопсии ПЖ, которая позволяет получить образцы ткани для дальнейшего цитологического или гистологического анализа, уточнения диагноза и определения тактики лечения. ЭУЗИ

является минимально инвазивным методом исследования, снижает риск осложнений и позволяет проводить его у пациентов с плохо выраженными симптомами [43].

а) б)

Рисунок 1.3 - Процесс получения ЭУЗИ изображения ПЖ: а) изображение процесса эндоскопической ультрасонографии, при которой сканирование ПЖ проводится через стенку желудка и 12-перстной кишки [52]; б) снимок ЭУЗИ ПЖ

По данным проведенных исследований М.В. Di Stasi и соавт., при помощи биопсии под управлением УЗИ, были диагностированы все случаи опухолевого поражения ПЖ, а чувствительность, специфичность и диагностическая ценность метода превысили 90 % [126].

Классическое (трансабдоминальное) ультразвуковое исследование. Классическое УЗИ - наиболее доступный, распространенный и безопасный метод исследования, который может быть выполнен при любой тяжести состояния больного. УЗИ позволяет обнаружить различные изменения в структуре ПЖ, такие как кисты, опухоли, камни в протоках, воспалительные процессы, неровность контура, понижение и повышение ее эхогенности, патологическое изменение размеров и формы и другие патологии [52]. УЗИ позволяет в 40-85% распознать различные формы ОП, а свободную жидкость в брюшной полости, сальниковой сумке, плевральной полости обнаружить в 90-95% обследованных больных. На рисунке 1.4 приведен пример ультразвукового обследования пациента с ХП с преимущественным поражением головки ПЖ [19].

а - кальцинаты в головке ПЖ; б - нерасширенный Вирсунгов проток; в -

псевдокиста ПЖ; г - увеличенная головка ПЖ; д - селезеночная вена Рисунок 1.4 - УЗИ ХП с преимущественным поражением головки ПЖ [19]

Увеличение размеров ПЖ или отдельных ее участков чаще связано с воспалительным процессом при ХП, реже - с опухолью. В случаях обострений на фоне неравномерно гиперэхогенной паренхимы появляются очаги пониженной эхоплотности. Наличие кальцинатов, кист и псевдокист свидетельствуют о тяжёлом течении заболевания.

УЗИ ПЖ является неинвазивным и безболезненным методом, который не требует специальной подготовки пациента. Недостатками классического УЗИ в сравнении с ЭУЗИ ПЖ является то, что классическое УЗИ не всегда позволяет точно идентифицировать мелкие очаговые поражения ПЖ с размерами в диаметре менее 2 см. В отдельных случаях (дифференциации мелких опухолей и воспалительных процессов) возможно получить менее точные результаты.

1.2.2 Рентгенологическое исследование

С помощью рентгенологии возможно получить информацию о состоянии структуры ПЖ и выявить её возможные изменения (кальцинаты, изучение зажелудочного пространства, дуоденография в условиях искусственной гипотонии). Однако результаты этих исследований носят условный характер и

Список литературы диссертационного исследования кандидат наук Кондрашов Дмитрий Сергеевич, 2025 год

г 19 -

г 20 -

Пороговый селектор «Хранителей»

I "

Формирование вектора ИП «Хранители»

21

I

Запись в БД с

векторами «Хранители»

I

Конец

5 6

Рисунок 3.8 - Алгоритм отбора информативных признаков «Хранители» [75]

Затем ЛПР определяет, принадлежит ли измененное изображение локального окна к заданному классу или оно попало в индифферентный класс (блок 14). Если локальное окно, согласно решению ЛПР, сохранило характеристики исходного класса, то проводится дальнейшая модификация спектра. В противном случае формируется бинарная маска, где единичными значениями выделяются спектральные коэффициенты, выполняющие функцию «Хранителей» в рассматриваемом локальном окне. После определения М двоичных изображений (блок 18) из них строится гистограмма частоты появления «Хранителей» в данной выборке (блок 19).

Анализируя гистограмму, можно установить пороговое значение для частоты появления спектрального коэффициента в выборке этого класса. Спектральные коэффициенты с коэффициентом отсева ниже порогового значения удаляются из пула «Хранителей» [75].

Далее формируется вектор ИП и записывается в БД с векторами «Хранители». Описанный подход не позволяет принимать решение о специфичности спектральных коэффициентов, поскольку одни и те же спектральные коэффициенты могут одинаково часто встречаться в образцах любого класса.

Для определения «Вершителей» используют изображения локальных окон двух различных классов (панкреатит и норма; панкреатит и онкология), которые подвергаются ДПУА. В результате проведенных вычислений для каждого класса формируется БД спектральных коэффициентов. Далее на основе матрица средних значений спектральных коэффициентов Уолша-Адамара, которые подвергаются дальнейшей обработке для формирования матрицы «Вершителей».

В матрице «Вершителей» каждый элемент получается путем вычисления разницы между соответствующими элементами двух матриц средних значений спектральных коэффициентов, выраженный в процентах. Разница между элементами матриц средних значений по классам нормализуется на элементы одной из этих матриц, например, на элементы из матрицы «норма», и умножается на 100. К «Вершителям» относят те элементы, процент разницы которых превышает определенное пороговое значение. Таким образом, спектральные

коэффициенты, соответствующие элементам матрицы «Вершителей», превысившим установленный порог, формируют вектор ИП, который в дальнейшем используется в качестве входных данных для НС. На рисунке 3.9 представлена схема алгоритма отбора ИП «Вершители» [75].

Процедура начинается с загрузки из БД классифицированных локальных окон классов А и В (блок 1). При необходимости выполняется предварительная обработка данных (блок 3), в противном случае локальные окна используются без модификации. Алгоритм обрабатывает две выборки локальных окон размеров N и М (блоки 5 и 6) по формулам (3.9) и (3.10) [75]:

1 N

М,Ак = -Т^А, (3.9)

N1=1

1 N

МШ, = ^ Т^ , (3.10)

где WkAi - к-ый спектральный коэффициент Уолша-Адамара г-го локального окна из выборки класса А, - к-ый спектральный коэффициент Уолша-Адамара]-го

локального окна из выборки класса В.

Для того чтобы сформировать матрицу «Вершителей» необходимо в цикле вычислить меру различия средних значений спектральных коэффициентов МУАА^ и

Мш (блок 9), характеризующих два сравниваемых класса, которая находится по

формуле (3.11) [75]:

П, к

М™ - МТ)

-ътА, к _ к

тах(МЖА? к, к к)

(3.11)

После всех вычислений полученные результаты выводятся на экран, для визуального анализа (блок 10).

Начало

I- 1

Загрузка локального окна классов А и В

{Д}, I =

ш, ]=1м

Предобработка локального окна

I— 4

ДПУА локального окна класса А и класса В {Щ} и {ШБЛ

= ^ § ^а

I- 6

1 К

N1=1

X"

5 = 1; О; 1

к = 1; К; 1

I- 9

м - м

У к = Мш'к\ .100%

тах(мвя к;М™ )

{м^ }; к = 1; К

К = ь2,

Ь = 2й - размер локального окна

'{мШк }; к = ЦК

К = ЬЬ2;

Ь = 2Л - размер локального окна

Г

10

11

Отображение

I- 12 -

Выбор {У, к} по приложению

Выбор {У, к *} по варианту

Г

13

14

Разновидность «Вершителей»

результирующей маски к БД с локальными окнами

Г

15 Вывод

/ информации

16

■17 -

Формирование

векторов с «Вершителями»

Запись в БД с

векторами «Вершители»

Конец

Осуществляется в интерактивном режиме ЛПР (мы получаем

набор {У *})

Мы получаем набор

{У, ; к ^

5

7

8

Рисунок 3.9 - Алгоритм отбора информативных признаков «Вершители» [75]

Отбор «Вершителей» по амплитуде (в процентах) осуществляется так же, как и «Хранителей» (блок 11). Чтобы выбрать окончательный пул «Вершителей», необходимо исследовать их изменчивость от одного локального окна к другому локальному окну, поэтому для каждого «Вершителя» определяется гистограмма распределения значений для двух выборок (рисунок 3.10, а и б).

а) б)

Рисунок 3.10 - Гистограммы распределения спектральных коэффициентов для

двух выборок: а) класс 1; б) класс 2

В зависимости от пересечения гистограмм ЛПР принимает окончательное решение о включении этого спектрального коэффициента в «Вершители» (блок 12). Далее полученные коэффициенты «Вершители» отображаются в ПО (блок 13).

На следующем этапе производится формирование БД с векторами «Вершители». Для этого в блоке 14 применяется результирующая маска к выборкам спектральных коэффициентов Уолша-Адамара, соответствующих двум классам. Результат применения результирующей маски выводится на экран для анализа (блок 15). Далее осуществляется преобразование выборок со спектральными коэффициентами Уолша-Адамара в одномерный вектор ИП (блок 16).

На рисунке 3.11 представлен пример процесса преобразования двумерной матрицы спектральных коэффициентов Уолша-Адамара в одномерный вектор ИП. Процесс включает три этапа. На первом этапе к матрице спектральных коэффициентов локального окна применяется результирующая маска. Маска представляет из себя двумерный массив значений с 0 и 1 (рисунок 3.12). Результатом данной операции становится модифицированная матрица, в которой сохранены

только информативно значимые элементы, а нерелевантные позиции заполнены нулевыми значениями. На втором этапе производится объединение ненулевых элементов преобразованной матрицы в одномерный вектор ИП, при этом нулевые элементы исключаются из дальнейшего рассмотрения. Третий этап предполагает сохранение полученного вектора в память программы.

Рисунок 3.11 - Пример процесса преобразование матрицы со спектральными коэффициентами Уолша-Адамара в одномерный вектор ИП

Рисунок 3.12 - Пример результирующей маски

На основе обработанных локальных окон формируется электронная база данных с векторами ИП «Вершители», необходимых для обучения НК (блок 17) и сохраняется на компьютер в формате *.прг. Формат *.npz представляет собой сжатый архивный формат данных, реализованный в библиотеке КитРу для эффективного хранения и управления несколькими многомерными массивами в рамках единого файла.

3.4 Разработка нейросетевых классификаторов эндоскопических ультразвуковых изображений поджелудочной железы

Современные методы нейросетевой классификации ЭУЗИ изображений ПЖ сталкиваются с необходимостью анализа разнородных данных, включая текстуры, границы патологических очагов и артефакты, характерные для ультразвуковой визуализации. Для решения задачи классификации локальных окон класса «ROI» в настоящем исследовании использованы методы классификации, основанные на «сильных» и «слабых» классификаторах [16, 33, 47, 96]. Формирование дескрипторов для «слабых» классификаторов осуществляется при помощи преобразования Уолша-Адамара [5, 20, 81, 95].

Дескрипторы рассчитаны для трех «слабых» классификаторов [32]. Сначала ДПУА вычисляется для всего локального окна, и его спектральные коэффициенты используются для первого «слабого» классификатора. Затем формируются окна, размер которых составляет половину размера исходного окна. Дескрипторы для второго «слабого» классификатора вычисляются по сегментам в этих окнах и так далее. Суть этой классификации проиллюстрирована на рисунке 3.13.

Классифицированное локальное окно Окно 1 (8x8)

(У1

Окно 2

1^(16x16)

Окно 3

(32x32)

Рисунок 3.13 - Вложенные спектральные окна для классификации локальных

окон изображения [10, 29. 74, 75]

Если исходное локальное окно составляет 32*32 пикселя, то в следующем цикле дескрипторы вычисляются в четырех окнах размером 16*16 пикселей и далее в 16 окнах размером 8*8 пикселей [74]. В каждом цикле мы получаем одинаковое количество дескрипторов, что позволяет строить «слабые» классификаторы с единой структурой. Классификатор локального окна класса «ROI» использует многоуровневую иерархическую структуру, основанную на концепции «сильных» и «слабых» классификаторов [75].

На рисунке 3.14 показана структура со «слабыми» классификаторами, полученная на основе спектрального преобразования Уолша-Адамара в окнах трех стандартных размеров. Локальное окно класса «ROI» поступает на формирователь трех окон Уолша-Адамара, которые формируют одно окно размером 32*32 пикселя, четыре окна размером 16*16 пикселей и шестнадцать окон размером 8*8 пикселей [10, 29].

ФО - формирователь окон; ДПУА - двумерное преобразование Уолша-Адамара;

ФД - формирователь дескрипторов; СК - «слабый» классификатор Рисунок 3.14 - Классификатор локальных окон класса «ROI» с тремя размерами

окон Уолша-Адамара [75]

Двумерные спектры Уолша-Адамара определяются в блоках ДПУА в представленных окнах стандартных размеров (рисунок 3.13). Далее происходит формирование дескрипторов из спектральных коэффициентов, полученных в этих окнах, для соответствующих входных данных «слабых» классификаторов

СК1...СК3, которые настраиваются независимо в соответствии с соответствующими обучающими правилами для двух классов «онкология» и «панкреатит» (кл.1 и кл.2). Их решения агрегируются с помощью «сильного» классификатора, реализованного по схеме многослойного персептрона [20, 32, 81, 71].

Коэффициенты Уолша-Адамара, поступающие с выходных данных блоков ДПУА классификатора локального окна класса «ROI», разделены на «Хранители» и «Вершители». Признаком того, что спектральный коэффициент является «Хранителем», является то, что, когда он исключается из вектора дескрипторов, выборка переходит в индифферентный класс. Таким образом, выбор «Хранителя» может быть осуществлен только классификатором. Поскольку классификатор еще не построен на этапе отбора, в его роли выступает ЛПР, то есть эксперт. На рисунке 3.15 показана структурная схема «слабого» классификатора, в котором «Хранители» и «Вершители» используются в качестве дескрипторов НС [89].

ДПУА - двумерное преобразование Уолша-Адамара; Инд. Кл - индифферентный

класс

Рисунок 3.15 - Структурная схема «слабого» классификатора [75, 100]

Из-за особенностей их формирования НС КЕТ1 и КЕТ2 разделяют локальное окно на классы Класс 1 - НЕ Класс 1 и Класс 2 - НЕ Класс 2 соответственно. НС КЕТ3 разделяет классы 1 и 2. В качестве агрегатора решений этих трех НС используется полносвязная НС прямого распространения [75, 89. 100].

В общем виде архитектура предложенного классификатора, представленная на рисунке 3.16 в виде графовой схемы, демонстрирует процесс классификации, включающий ансамбль «слабых» классификаторов и агрегацию их выходных данных «сильным» классификатором. В результате «сильный» классификатор выдаст класс заболевания соответствующего локального окна.

Рисунок 3.16 - Иллюстрация процесса классификации ЭУЗИ изображений ПЖ в

виде графов

При этом классификация в пределах выделенных локальных окон осуществляется не на основе попиксельного анализа, а с применением сегментарного подхода, в рамках которого все пиксели, входящие в заданное локальное окно, относятся к одному классу [86].

На рисунке 3.17 показана схема алгоритма, с помощью которого реализован предлагаемый способ классификации ЭУЗИ изображения ПЖ. Алгоритм может

работать со снимками видеоряда, хранящимися на жестком диске ПЭВМ или на внешних носителях, а также поступающими непосредственно с аппарата ЭУЗИ при обследовании пациента.

Рисунок 3.17 - Алгоритм классификации ЭУЗИ изображения ПЖ [73]

Алгоритм имеет две ветви, организованные с помощью блока 5. Первая ветвь работает с уже классифицированными локальными окнами и настраивает параметры НС, которая используется в качестве классификатора сегментов (блоки 12, 13, 14 и 15). Вторая ветвь алгоритма предназначена непосредственно для классификации локальных окон (блоки 6 ... 11) [8, 73]. Вход блока 6 представляет собой изображение, разделенное на локальные окна одинакового размера. Сегментация входного изображения на эти локальные окна осуществляется в блоках 3 и 4. Размеры локальных окон устанавливаются ЛПР, в блоке 3. В блоке 6 устанавливается цикл для просмотра локальных окон изображения. При необходимости в блоке 7 выполняется подготовка локальных окон изображения. Далее в цикле (блоки 8, 9) вычисляются дескрипторы (преобразование Уолша-Адамара) для классификатора локальных окон [86]. После того, как локальное окно классифицировано, он отправляется в БД (блок 11), и результат его классификации выводится на устройство отображения (блок 13). Координаты локального окна записываются в специальные структуры данных, а также устанавливается флаг-атрибут классифицированного локального окна.

Перед определением спектральных коэффициентов Уолша-Адамара в блоке 9 выполняется предварительная обработка изображения локального окна (блок 7). Этот блок может быть отключен глобально, если исходные данные уже прошли предварительную обработку или нет необходимости в обработке. Как показали предварительные исследования, использование блока 7 улучшает качество классификатора более чем на 10%. Если локальное окно не было классифицировано, то происходит процесс подготовки окна (блок 7) или анализа исходного изображения в скользящем окне в текущих координатах [73]. Затем осуществляется ДПУА и дополнительные вычисления на основе характеристик анализируемого локального окна. Поскольку определено несколько «слабых» классификаторов в локальном окне, внешний цикл обеспечивает внутренний цикл (блоки 8, 9), который также может иметь свой собственный внутренний цикл для вычисления двумерной плоскости Уолша-Адамара для каждого размера окна.

Чтобы классифицировать каждое локальное окно, необходимо определить преобразование Уолша-Адамара в трех стандартных размерах окон, сформированных

в сегменте в соответствии со схемой, показанной на рисунке 3.14. Преобразования Уолша-Адамара определены в теле цикла, организованного блоками 8 и 9. Размеры окна кратны степеням двух, чтобы обеспечить работу алгоритма преобразования Уолша-Адамара. Цикл по размеру окна является внутренним циклом, для цикла по координатам локального окна изображения - внешним циклом (блоки 10 ... 17). Классификация осуществляется во внешнем цикле (блок 15) [73].

Внутри цикла, в соответствии со «слабыми» классификаторами, вычисляются их дескрипторы, тем самым формируя входные векторы для «слабых» классификаторов. После получения этих векторов ИП они подаются на входы «слабых» классификаторов, выходы которых возвращают числа -коэффициенты достоверности нулевой гипотезы, которые подаются на вход «сильного» классификатора, на основе которого классифицируется сегмент. Информация о классификации хранится в специальных структурах данных, которые могут быть прочитаны для уточнения классификации.

Ветвь алгоритма из блоков 12...15 предназначена для обучения НС, играющих роль классификаторов на всех иерархических уровнях, на основе подтвержденной и новой информации о классификации локального окна изображения. Также настраиваются пороговые значения классификаторов (выбираются функции активации для НС). По окончании работы алгоритма осуществляется вывод и запись результатов классификации сегментов и настроек НС [73].

3.5 Выводы третьего раздела

1. Предложено осуществлять предварительную обработку локальных окон эндоскопических ультразвуковых изображений поджелудочной железы на основе метода вычитания среднего значения и гистограммной нормализации, что способствует повышению точности последующей классификации.

2. Предложено использовать двумерное преобразование Уолша-Адамара в качестве основного инструмента для текстурного анализа локальных окон эндоскопических ультразвуковых изображений поджелудочной железы, что обеспечивает устойчивость к шумам, характерным для ультразвуковой визуализации, и высокую чувствительность к резким изменениям текстуры.

3. Разработан метод выделения информативных признаков патологических изменений поджелудочной железы для классификации её заболеваний, основанный на двумерном преобразовании Уолша-Адамара многомасштабных локальных окон эндоскопических ультразвуковых изображениях поджелудочной железы, позволяющий выделить три группы информативных признаков в локальном окне. Полученные спектральные коэффициенты Уолша-Адамара разделяются на две категории: «Хранители» и «Вершители», каждый из которых играет свою ключевую роль в формировании признакового пространства.

4. Разработан нейросетевой классификатор локальных окон эндоскопических ультразвуковых изображений поджелудочной железы состоящий из трех «слабых» классификаторов, входными данными которых являются три вектора информативных признаков, полученных путём двумерного преобразования Уолша-Адамара трех разномасштабных окон: исходного локального окна 32*32 пикселя формирующий первый вектор, четырех окон размером 16*16 пикселей формирующий второй вектор и шестнадцати окон 8*8 пикселей формирующий третий вектор, и одного «сильного» классификатора, осуществляющего итоговое принятие решения классификатора, на основе агрегации результатов «слабых» классификаторов.

4 Разработка и экспериментальные исследования нейросетевого классификатора эндоскопических ультразвуковых изображений

поджелудочной железы

4.1 Автоматизированная система извлечения информативных признаков

На основе структурной схемы и алгоритмов, представленных в разделе 3.1, разработана автоматизированная система для извлечения ИП «Хранители» и «Вершители», которая включает несколько модулей:

- модуль извлечения ИП «Хранители»;

- модуль извлечения ИП «Вершители»;

- модуль для формирования БД с векторами ИП.

Для реализации АС ИП выбран язык программирования Python версии 3.10 в сочетании с интегрированной средой разработки PyCharm. Разработка графического интерфейса пользователя осуществлялась с применением кроссплатформенного инструментария Qt Designer, основанного на библиотеках Qt. Визуализация данных обеспечивалась посредством библиотеки matplotlib, а вычислительные операции выполнялись с использованием специализированных математических библиотек numpy и math.

Модуль извлечения ИП «Хранители». Модуль предназначен для интерактивного формирования вектора ИП на основе БД с классифицированными изображениями локальных окон ЭУЗИ ПЖ. ПО представляет собой специализированную систему обработки, анализа и преобразования изображений, направленную на автоматизированное извлечение ИП категории «Хранители». Модуль основан на предложенном в разделе 3.3 и описанном методе и алгоритме выделения ИП «Хранители». Интерфейс программного модуля организован в виде совокупности функциональных блоков, каждый из которых обеспечивает выполнение определённого этапа анализа изображения локального окна. Внешний вид интерфейса представлен на рисунке 4.1 [64].

Рисунок 4.1 - Графический интерфейс модуля для извлечения ИП «Хранители»

Основными функциональными возможностями данного модуля являются:

- Инициализация параметров обработки. Пользователь задаёт параметры локального окна и число классов, представленных в БД, которые являются обязательным для корректной работы АС.

- Загрузка БД и ее визуализация. Загрузка БД с классифицированными локальными окнами эхотекстур ПЖ и отображение основных параметров загруженных данных: общее количество изображений локальных окон и их распределение по классам.

- Интерактивная навигация по БД. Реализована возможность последовательного или произвольного выбора изображений локальных окон.

- Предобработка локальных окон. Реализована возможность операции предварительной обработки данных, которая включает вычитания среднего значения (формула 3.1) и гистограммная нормализация (формула 3.2), направленная на улучшение визуального качества изображения.

- Визуализация результатов ДПУА. Отображение исходного изображения локального окна, его спектрального представления, а также реконструированное изображение после ОДПУА. Полученные спектральные коэффициенты визуализируются наряду с результатом ОДПУА, что позволяет осуществлять

контроль точности восстановления данных и отслеживать их пропуски. Выводится гистограмма распределения спектральных коэффициентов с возможностью масштабирования и выбора интервала отображения.

- Удаление спектральных коэффициентов. Реализован интерактивный режим исключения малозначимых спектральных коэффициентов, направленный на сокращение объёма обрабатываемых данных и выделения наиболее значимых ИП. Исключение можно произвести одним из трех методов:

1. Гистограммный метод - визуальный анализ гистограммы распределения спектральных коэффициентов, с последующим исключением спектральных компонент посредством двойного клика по целевому столбцу гистограммы (рисунок 4.1).

2. Интервальный метод - исключение спектральных коэффициентов, выходящих за заданные пользователем граничные значения интервального диапазона через специализированный диалоговый интерфейс;

3. Попиксельный метод - точечное исключение спектральных коэффициентов в графическом режиме с использованием инструмента «Select Pixels», позволяющего осуществлять визуальный анализ и коррекцию исключающих коэффициентов.

- Формирование вектора ИП «Хранители» и сохранение результатов. После исключения неинформативных спектральных коэффициентов система автоматически выделяет оставшиеся ненулевые значения и формирует вектор ИП «Хранители». Сформированные векторы сохраняются в структурированную БД.

- Вывод табличных значений. Табличное представление спектральных коэффициентов ДПУА или яркостных значений пикселей локальных окон ЭУЗИ изображений ПЖ.

Модуль извлечения ИП «Вершители». Модуль предназначен для визуального анализа различий между спектральными характеристиками двух классов локальных окон ЭУЗИ изображений ПЖ и последующего отбора ИП категории «Вершители». Система реализует сравнительный анализ средних спектральных коэффициентов двух классов, отображает гистограммы распределения коэффициентов по каждому классу и формирует итоговую маску различий на основании заданного пользователем порога. Модуль основан на

предложенном в разделе 3.3 и описанном методе и алгоритме выделения ИП «Вершители». Интерфейс программного модуля организован в виде совокупности функциональных блоков, каждый из которых обеспечивает выполнение определённого этапа сравнительного анализа классов данных. Внешний вид представлен на рисунке 4.2 [64].

Рисунок 4.2 - Графический интерфейс ПО для извлечения ИП «Вершители»

Основными функциональными возможностями данного модуля являются:

- Инициализация параметров анализа. Пользователь задаёт исходные параметры, в частности размеры локальных окон изображений и количество дифференцируемых классов, представленных в БД. Эти параметры определяют структуру последующего анализа и спектральных преобразований.

- Загрузка и визуализация БД с локальными окнами. Осуществляется загрузка предварительно классифицированных изображений локальных окон. Система предоставляет сведения об общем количестве локальных окон, их распределении по классам и обеспечивает интерактивный просмотр данных в графическом интерфейсе пользователя.

- Предварительная обработка локальных окон. Реализован модуль предобработки данных. Также предусмотрена возможность ограничения выборки по количеству локальных окон каждого класса.

- Спектральное преобразование и визуализация. Производится ДПУА загруженных локальных окон, далее вычисляются две матрицы средних значений спектральных коэффициентов М1 и М 2, которые соответствуют двум классам, после чего они визуализируются в ПО (рисунок 4.2), соответствующие двум классам. Также отображаются статистические характеристики двух матриц средних значений спектральных коэффициентов М1 и М 2 : минимум, максимум, дисперсия, СКО.

- Определение спектральных коэффициентов «Вершители». Для определения коэффициентов «Вершители» производится поэлементное вычитание средних значений М1 из М2 , в результате получается соответствующая маска, которая визуализируется в ПО (рисунок 4.2). Далее производится пороговая фильтрация, коэффициенты, превышающие заданный порог различия, идентифицируются как потенциальные признаки категории «Вершители». Также возможно проанализировать изменчивость выбранного спектрального значения по всем локальным окнам, для этого строятся гистограммы распределений по каждому классу.

- Формирование вектора ИП. Система формирует бинарную маску различий между классами и визуализирует их в цветном и бинарном виде.

Модуль для формирования БД с векторами ИП. Модуль представляет специализированный программный инструмент, предназначенный для преобразования исходных изображений локальных окон в вектора с ИП с возможностью настройки параметров, предварительной обработки данных и визуального отображения результата. Результаты сохраняются в удобном формате для дальнейшего использования в задачах МО. Интерфейс ПО изображён на рисунке 4.3.

Функциональные возможности АС создания базы данных с векторами ИП:

- Задание параметров обработки. Пользователь вводит размер локальных окон и количество классов, которые будут использоваться для формирования БД.

Рисунок 4.3 - Графический интерфейс ПО создания и записи векторов ИП

«Вершители» в БД

- Загрузка и управление БД. Система загружает БД с классифицированными изображениями локальных окон с возможностью ограничения выборки (указание количества сегментов для каждого класса), а также осуществляет отображение справочной информации о БД и визуализацию изображений локальных окон.

- Предварительная обработка данных. Возможность нормализации входных данных для повышения надежности векторов признаков. Обработка локальных окон с учетом вариабельности распределения интенсивности пикселей.

- Загрузка и применение маски (фильтра). Пользователь может загрузить маску для селекции ИП. Визуализация маски в интерфейсе программы.

- Преобразование изображений локальных окон. Применение ДПУА к изображениям локальных окон. Формирование пространства спектральных коэффициентов.

- Формирование векторов ИП. Применение маски к спектральным коэффициентам для выделения релевантных признаков. Преобразование двумерного массива в одномерный вектор (исключение нулевых элементов). Сохранение векторов в памяти программы.

- Просмотр и анализ преобразованных данных. Отображение обновленной БД с примененной маской. Визуализация отдельных преобразованных сегментов.

- Сохранение результатов. Автоматическое формирование БД с векторами ИП в формате *.npz. Выбор пути сохранения на внешний носитель.

- Гибкость и настройка процесса. Возможность выбора между разными режимами обработки (с преобразованием Уолша-Адамара или без него). Настройка количества используемых сегментов для каждого класса.

4.2 Автоматизированная система настройки и апробации нейросетевых

классификаторов

Получив ИП категорий «Хранители» и «Вершители», необходимо сформировать НК, для этого была разработана специализированная АС настройки и апробации НК. Она была реализована при помощи языка программирования Python 3.10 в интегрированной среде разработки PyCharm. Проектирование графического интерфейса выполнялось в кроссплатформенной среде Qt Designer с применением библиотек Qt. Реализация искусственных НС проводилась с использованием фреймворков Keras и TensorFlow, а обработка данных обеспечивалась библиотекой scikit-learn.

На рисунке 4.4 представлена структурная схема АС настройки и апробации НК ЭУЗИ изображений ПЖ. В ее состав входят блоки: загрузки данных, обучения НС, сохранения модели НС и 4 модуля: модуль настройки НС, модуль вывода информации, модуль тестирования НС, модуль редактирования БД.

Перед началом работы АС пользователю необходимо загрузить в память программы БД с векторами ИП. ПО позволяет загружать данные для НС, которые были получены на этапе выделения признаков. После загрузки БД, на главном экране программы в левой части отобразится информация о ней. Дополнительно предоставляется возможность просмотра загруженных данных в табличном формате.

Рисунок 4.4 - Структурная схема АС создания и тестирования НС

Модуль редактирования БД позволяет пользователю при необходимости предварительно разделить данные на обучающую и тестовую выборки в произвольной пропорции, если такое разделение необходимо. Для этого требуется указать процентное соотношение разделения БД.

Также модуль позволяет приводить данные к определенному масштабу, если это необходимо. Существуют два общих подхода: нормализация и стандартизация. В рамках данного исследования использовалась нормализация. Под нормализацией, как правило, понимается преобразование масштаба признаков в диапазон от 0 до 1, что является частным случаем масштабирования на основе минимального и максимального значений. В программу заложена возможность выбора следующих видов нормализации, такие как «МтМахБсаЬг» и «МахАЬэ$са1ег».

Для нормализации данных по принципу «МтМахБсаЬг» применятся масштабирование по минимальному и максимальному значению х(1} к каждому

столбцу признака, где новое значение образца х(^гт может быть рассчитано как:

Г(i ) — г

x(i) = —_Гт1п (4 1)

Лnorm ' V^-L)

x — x

max min

где x(i) - индивидуальный образец; xmin - наименьшее значение; xmax - наибольшее значение [59].

Формула, по которой данные нормализуются по принципу «MaxAbsScaler» представлена ниже [101]:

x(i ) =_x__(4 2)

norm 7 / \ * V • /

abs( xmax)

Нормализация по принципу «MaxAbsScaler» позволяет привести значения признаков в диапазон от -1 до 1.

Модуль настройки НС позволяет пользователю настраивать модель НС, путем выбора количества слоев и количества нейронов в каждом слое, также можно

выбирать для каждого слоя функцию активации и параметр Dropout (исключение), который может применятся для предотвращения переобучения и улучшения обобщения модели в НС, за счет предотвращения сложных коадаптаций отдельных нейронов на тренировочных данных во время обучения. В программу заложена возможность выбора следующих функций активации: Softmax, Hyperbolic Tangent (Tanh), Sigmoid, Linear, ReLU, Leaky Rectified Linear Unit (LeakyReLU), в зависимости от необходимости и эффективности.

Перед началом обучения НС необходимо выполнить компиляцию построенной модели. В процессе компиляции пользователь задает ключевые параметры, включая выбор оптимизатора, функции потерь и метрик. Оптимизатор отвечает за процесс обновления весов сети с целью минимизации ошибки и повышения эффективности модели. В качестве оптимизаторов могут быть использованы следующие алгоритмы: Stochastic Gradient Descent (SGD), Adam, Root Mean Square Propagation (RMSProp), Adaptive Delta (Adadelta), Adaptive Gradient Algorithm (Adagrad), Adaptive Moment Estimation eXtreme (Adamax), Nesterov-accelerated Adaptive Moment Estimation (Nadam). Для оценки ошибки модели применяются функции потерь, такие как Categorical Crossentropy, Binary Crossentropy, Mean Squared Error, Mean Absolute Error, Cosine Proximity. После настройки параметров компиляции пользователь определяет количество эпох обучения и инициирует процесс обучения НС.

К дополнительным параметрам, которые необходимо задать перед началом обучения НС, относятся «число эпох» и «batch_size». Параметр «число эпох» определяет количество полных проходов всего набора данных через НС в прямом и обратном направлении. Параметр «batch_size» задает количество обучающих объектов, обрабатываемых за один шаг, поскольку передача всего набора данных через НС за один раз не рекомендуется. Разделение данных на пакеты (батчи) позволяет оптимизировать процесс обучения и повысить его эффективность.

Модуль вывода информации предоставляет пользователю необходимые данные на различных этапах работы с НС. В процессе компиляции модели отображается информация о ходе компиляции. Во время обучения НС пользователю демонстрируется прогресс обучения, а по его завершении выводятся графики

точности и потерь. Кроме того, модуль отображает структуру НС, созданной пользователем. При загрузке БД также предоставляется соответствующая информация о ее характеристиках.

Модуль тестирования НС представляет собой автономную подпрограмму, предназначенную для тестирования и апробации обученной НС на новых данных или данных, не использовавшихся в процессе обучения. На первом этапе пользователь загружает тестовые данные, если они не были выделены из предварительно загруженной базы данных. Затем выполняется предобработка данных, если это необходимо. Далее этого осуществляется тестирование обученной НС.

По завершении тестирования пользователю предоставляются прогностические показатели эффективности классификации, такие как точность, чувствительность и специфичность. Дополнительно строится ROC-кривая (Receiver Operating Characteristic Curve) и вычисляется AUC, которая демонстрирует способность модели различать два класса. После завершения всех этапов работы с НС пользователь сохраняет обученную модель на компьютер для её последующего использования в задачах классификации.

В соответствии с представленной выше структурной схемой разработан алгоритм работы АС создания и тестирования НС, который представлен на рисунке 4.5.

На первом этапе пользователь загружает БД (блок 1). Затем в блоках 2 и 5 проверяется условие необходимости формирования валидационной и тестовой выборок. Если условие выполняется, программа осуществляет разделение БД на соответствующие выборки (блоки 3, 4, 6, 7). В блоке 8 проверяется условие необходимости нормализации данных, при его выполнении программа выполняет нормализацию (блок 9) и сохраняет преобразованные данные в памяти программы (блок 10).

Далее настраивается архитектура НС (блок 11), задается количество слоев, количество нейронов в каждом слое, функции активации и параметр «dropout». После этого производится компиляция модели (блок 12). В блоке 13 осуществляется обучение НС на загруженных данных с предварительным вводом дополнительных параметров, таких как количество эпох и размер «batch_size».

После завершения обучения пользователю отображаются результаты (блок 14), включая графики точности и потерь в процессе обучения. Для тестирования

обученной модели пользователь загружает новые данные (блок 16), при необходимости выполняя их предварительную обработку (блок 18). Тестирование модели проводится в блоке 19, после чего выводятся результаты работы НС и график ROC-кривой.

В заключение обученная модель сохраняется на компьютере (блок 21). Разработанный графический интерфейс для настройки, обучения и тестирования НС представлен на рисунке 4.6 [63].

Рисунок 4.6 - Графический интерфейс для настройки, обучения и проверки НС

На изображении показан процесс обучения НС, где заданы параметры слоев (входного, скрытого и выходного), функции активации, параметр dropout и оптимизатор. Интерфейс также предоставляет возможность настройки количества эпох и размера пакета данных (batch size).

В левой части интерфейса отображается информация о загруженной базе данных и примененной нормализации. В правой части представлен график точности обучения, а также сводная информация о слоях модели и заданных параметрах.

4.3 Экспериментальная оценка качества классификации морфологических образований на эндоскопических ультразвуковых изображениях

поджелудочной железы

Для проведения экспериментов по настройке, обучению и оценке качества классификации НК использовался компьютер со следующими аппаратными и программными характеристиками, которые также являются минимально необходимыми для обеспечения стабильной работы модели:

1. Процессор: Intel Core i5-4200M @ 2.5 GHz (2 ядра, 4 потока);

2. Графический процессор: AMD Radeon R7 M265 (2 ГБ видеопамяти);

3. Оперативная память: 8 Гб DDR3;

4. ОС: Windows 10 (64-разрядная версия);

5. Объем жесткого диска:500 Гб.

Данная конфигурация обеспечила выполнение задач обучения и тестирования НС с приемлемой скоростью. Для ускорения обучения использовались оптимизированные библиотеки ГО, поддерживающие работу с GPU, такие как TensorFlow и Keras.

Выбор указанных характеристик обусловлен необходимостью баланса между производительностью и доступностью оборудования, что соответствует типовым рабочим станциям в медицинских исследовательских учреждениях. При этом более мощные системы (с современными GPU, такими как NVIDIA GeForce RTX серии, и увеличенным объемом оперативной памяти) могли бы сократить время обучения, но не оказали бы существенного влияния на итоговые параметры качества классификации.

В рамках исследования для обучения и тестирования НС была использована БД, содержащая классифицированные локальные окна изображений эхотекстур ПЖ. БД включала как изображения локальных окон без патологических изменений, так и с признаками патологий, таких как панкреатит и онкология. Примеры таких локальных окон представлены на рисунках 2.15, 2.16 и 2.17. БД

была сформирована на основе кадров видеопоследовательностей, полученных при ЭУЗИ ПЖ у 130 пациентов. Всего в исследовании использовалось 471 изображение с разрешением 580*582 пикселя, примеры которых приведены в таблице 2.1.

Классификация локальных окон выполнялась при помощи АС сегментирования и создания БД с определенными классами локальных окон. Для обеспечения высокой достоверности классификации изображения локального окна к соответствующему классу верификация и корректировка проводилась врачом-эндоскопистом. Общее количество локальных окон в БД представлено в таблице 4.1.

Таблица 4.1 - Общее количество размеченных локальных окон

Класс Количество сегментов Итого

Онкология 616 3934

Панкреатит 1076

Норма 2242

В рамках исследования исходная БД была разделена на два набора данных -БД1 и БД2. БД1 содержала локальные окна класса «панкреатит» (1076 примеров) и «норма» (2242 примера), суммарно составляя 3318 локальных окон. Распределение классов в данном наборе демонстрировало умеренную несбалансированность классов соотношением 1:2 (32,43% и 67,57% соответственно). Несмотря на то, что данный дисбаланс не являлся критическим, для оптимизации качества обучения НС была применена аугментация данных класса «панкреатит», позволившая скорректировать соотношение до 1:1,5. В результате общий объем БД1 увеличился на 419 синтетических примеров класса «панкреатит», составив итоговые 3737 экземпляров.

БД2 включал локальные окна классов «панкреатит» (1076 примеров) и «онкология» (616 примеров), образуя выборку из 1692 локальных окон. Исходное распределение классов 1,7:1 (64% и 36% соответственно) характеризовалось незначительной несбалансированностью. Тем не менее, для повышения эффективности обучения НС была проведена аугментация данных класса «онкология», что позволило достичь соотношения 1:1,5. Данная процедура

увеличила объем БД2 на 101 синтетический образец класса «онкология», составив в итоге 1793 экземпляра.

Далее каждое изображение локального окна в БД1 и БД2 проходило этап предварительной обработки, включающую гистограммную нормализацию (формула 3.2) и вычитание среднего значения (формула 3.1).

Сформированные наборы данных БД1 и БД2 были преобразованы в БД с векторами категорий ИП «Хранители» (БДХ) и «Вершители» (БДВ), которые отражали различные морфологические аспекты эхотекстур анализируемых изображений локальных окон ЭУЗИ ПЖ. В результате для обучения НС использовалась БД, содержащие вектора ИП:

- БДХ1 и БДВ1, которые включали вектора ИП категорий «Хранители» и «Вершители» классов «панкреатит» и «норма»;

- БДХ2 и БДВ2, которые содержали вектора ИП тех же категорий, но для классов «панкреатит» и «онкология».

БДХ1 (категория «Хранители») состояла из 3737 векторов, соответствующих классам «панкреатит» и «норма». Каждый вектор включал 116 значений ИП, а 117-й элемент представлял собой метку класса в виде бинарной переменной (0 или 1), указывающей на принадлежность к одному из двух классов. БДХ2 содержала 1793 вектора классов «панкреатит» и «онкология» с аналогичной структурой: 116 признаков и 117-й элемент - метка класса. Таким образом, размерность матриц данных составила 3737 *117 для БДХ1 и 1793 *117 для БДХ2.

Аналогично, для категории ИП «Вершители» структура данных была следующей: БДВ1 включала 3737 векторов классов «панкреатит» и «норма»; БДВ2 содержала 1793 вектора классов «панкреатит» и «онкология». Каждый вектор в БДВ1 и БДВ2 состоял из 77 элементов признаков, а 78-й элемент являлся меткой класса. Соответственно, размерность данных составила 3737х78 для БДВ1 и 1793x78 для БДВ2.

Перед обучением модели НС все признаки были подвергнуты процедуре нормализации с приведением значений к диапазону [-1, 1] или [0, 1], что позволило повысить устойчивость и эффективность процесса обучения нейросетевой модели.

Далее выборки были разделены на обучающую и тестовую по классическому правилу: 80 % для обучения, оставшиеся 20 % - для тестирования. В результате для БДХ1 и БДВ1 размер обучающей выборки составил 2980 векторов, а тестовой - 747 вектора. Аналогично, для БДХ2 и БДВ2 обучающая выборка включала 1434 вектора, тогда как тестовая состояла из 359 векторов.

Для оценки эффективности классификации в исследовании использовались показатели бинарной классификации, основанные на матрице ошибок (таблица 4.2).

Таблица 4.2 - Матрица ошибок классификации [31, 59]

^^^^^^^^ Действительный Предсказание Положительный (Positive) Отрицательный (Negative)

Положительный (Positive) TP FN

Отрицательный (Negative) FP TN

Матрица ошибок включает следующие компоненты [31, 59]: истинно положительные случаи (True Positive (TP)) количество верно классифицированных примеров положительного класса; истинно отрицательные случаи (True Negative (TN)) количество верно классифицированных примеров отрицательного класса; ложно положительные случаи (False Positive (FP)) количество примеров отрицательного класса, ошибочно отнесенных к положительному; ложно отрицательные случаи (False Negative (FN)) количество примеров положительного класса, ошибочно отнесенных к отрицательному.

Основные показатели классификации [31, 59]:

Accuracy (Достоверность). Показывает долю правильно классифицированных объектов относительно общего числа предсказаний, она рассчитывается по формуле (4.3):

TP + TN

Accuracy =-. (4.3)

TP + TN + FP + FN

Чем ближе значение к 1, тем лучше модель справляется с классификацией. Однако данная метрика может быть ненадежной при дисбалансе классов.

Precision (Точность). Характеризует долю истинно положительных прогнозов среди всех положительных предсказаний модели, вычисляется по формуле (4.4):

TP

Precision =-. (4.4)

TP + FP

Высокое значение означает, что модель редко ошибочно присваивает объектам положительный класс (мало ложных срабатываний).

Recall (Полнота, чувствительность, Sensitivity, True Positive Rate (TPR)). Показывает, какую долю реальных положительных объектов модель правильно идентифицировала, определяется по формуле (4.5):

TP

Recall = TPR =-. (4.5)

TP + FN

Высокий Recall означает, что модель пропускает мало положительных случаев. Ключевая метрика в медицине (диагностика заболеваний) и поиске аномалий.

F1-Score (F-мера) Гармоническое среднее между Precision и Recall, позволяющее оценить баланс между ними, определяется по формуле (4.6):

_ _ Precision • Recall

F1 = 2--. (4.6)

Precision + Recall

Полезна при несбалансированных данных, когда важно учитывать и точность, и полноту.

Специфичность (Specificity, True Negative Rate (TNR)). Отражает способность модели корректно идентифицировать отрицательные классы, вычисляется по формуле (4.7):

Specificity = TNR = ———. (4.7)

TN + FP

False Positive Rate (FPR). Доля ложных срабатываний среди всех реально отрицательных объектов, определяется по формуле (4.8):

FPR = 1 - Specificity = 1 - TNR =--(4.8)

FP + TN

ROC-кривая (Receiver Operating Characteristic Curve) представляет собой графический метод анализа эффективности бинарных классификаторов, позволяющий исследовать компромисс между чувствительностью модели (TPR) (формула 4.5) и уровнем ложноположительных прогнозов (FPR) (формула 4.8). Каждая точка на ROC-кривой соответствует определенному порогу классификации, что позволяет анализировать поведение модели при различных уровнях строгости принятия решений [31, 59].

Интегральной характеристикой данной кривой AUC, представляющую собой количественную метрику, характеризующую способность модели разделять классы. Значения AUC варьируются от 0,5 (случайное угадывание) до 1,0 (идеальное разделение классов).

В процессе исследования были протестированы четыре структуры полносвязных НС для БДХ1 и БДВ1 классов «панкреатит» и «норма», отличающиеся по числу слоёв, количеству нейронов, функциям активации, числу эпох обучения и используемым оптимизаторам.

Модель 1. Структура 1 модели НС включает 2 полносвязных слоя:

- Входной слой: 32 нейронов, функция активации - ReLU;

- Выходной слой: 1 нейрон, функция активации - Sigmoid.

Обучение проводилось методом стохастического градиентного спуска (SGD) в течение 20 эпох. Далее проводилась оценка 1 модели НС на тестовой выборке. Результаты классификации приведены в таблице 4.3.

На рисунке 4.7 приведена ROC-кривая, полученная при тестировании 1 модели НС. Показатели классификации при тестировании 1 модели НС: Accuracy: 0,77; Precision:0,68; Recall: 0,67; F1-Score: 0,67; Specificity: 0,82; AUC: 0,78.

^^^^^^Действительный Предсказание^^^^^^ Положительный Отрицательный Всего

Панкреатит 180 90 270

Норма 85 392 477

Всего 265 482 747

ROC кривая

/

у *

у'

/у'' - ROC кривая (AUC = 0.78)

0.0 0.2 0.4 0.6 О. В 1.0

1 - Специфичность % лажпоположнгельных результатов

Рисунок 4.7 - ROC-кривая при тестировании нейросетевой модели 1

Модель с простой архитектурой (один скрытый слой) продемонстрировала низкую точность (77%) и высокую ошибку классификации, что свидетельствует о её недостаточной эффективности для анализа эхотекстур.

Модель 2. Структура 2 модели НС состоит из трех полносвязных слоёв:

- Входной слой: 64 нейрона, функция активации - ReLU;

- Скрытый слой: 32 нейрона, функция активации - ReLU;

- Выходной слой: 1 нейрон, функция активации - Sigmoid.

Обучение проводилось с оптимизатором Adam в течение 30 эпох. Результаты классификации 2 модели НС на тестовой выборке приведены в таблице 4.4. На рисунке 4.8 приведена ROC-кривая, полученная при тестировании 2 модели НС.

Таблица 4.4 - Матрица несоответствий классификации 2 модели НС

^^^^^^Действительный Предсказание Положительный Отрицательный Всего

Панкреатит 208 62 270

Норма 67 410 477

Всего 275 472 747

Показатели классификации при тестировании 2 модели НС: Accuracy: 0,83; Precision:0,76; Recall: 0,77; F1-Score: 0,76; Specificity: 0,86; AUC: 0,85.

ROC кривая

0.0 0.2 0.4 o.e O.B 1.0

1 - Специфичность % ложноположительных результатов

Рисунок 4.8 - ROC-кривая при тестировании нейросетевой модели 2

Увеличение глубины сети и использование оптимизатора Adam (в сравнении с SGD) позволили повысить точность до 83 %, однако по ключевым показателям -чувствительности (Recall) и F1-Score - предложенная архитектура по-прежнему уступает более сложным архитектурам.

Модель 3. Структура 3 модели НС состоит из следующих слоев:

- Входной слой: 128 нейронов с функцией активации ReLU;

- Слой Dropout с коэффициентом 0,3;

- Скрытый слой 1: 64 нейрона с функцией активации ReLU;

- Слой Dropout с коэффициентом 0,3;

- Скрытый слой 2: 32 нейрона с функцией активации ReLU;

- Выходной слой: 1 нейрон, функция активации - Sigmoid.

Для обучения модели использовался оптимизатор Adam. Обучение проводилось в течение 50 эпох. Результаты классификации 3 модели НС на тестовой выборке приведены в таблице 4.5.

На рисунке 4.9 приведена ROC-кривая, полученная при тестировании 3 модели НС. Показатели классификации при тестировании 3 модели НС: Accuracy: 0,89; Precision:0,82; Recall: 0,85; F1-Score: 0,83; Specificity: 0,89; AUC: 0,91.

^^^^--^Действитедьный Предсказание Положительный Отрицательный Всего

Панкреатит 230 40 270

Норма 51 426 477

Всего 281 466 747

ROC кривая

О.О 0.2 0.4 О.Ь 0.» L0

1 - Специфичность % ложнополсжктельных результатов

Рисунок 4.9 - ROC-кривая при тестировании нейросетевой модели 3

Добавление скрытых слоёв и регуляризации Dropout обеспечило рост точности до 89 % при сбалансированных показателях чувствительности и специфичности. Модель демонстрировала стабильную обучаемость.

Модель 4. Стрктура 4 модели НС включает следующие компоненты:

1. Входной слой: 256 нейронов с функцией активации ReLU;

2. Слой Dropout с вероятностью 0,3;

3. Скрытый слой 1: 128 нейронов, функция активации - ReLU;

4. Слой Dropout с вероятностью 0,3;

5. Скрытый слой 2: 64 нейрона, функция активации - ReLU;

6. Скрытый слой 3: 32 нейрона, функция активации - ReLU;

7. Выходной слой: 1 нейрон с функцией активации Sigmoid.

Обучение проводилось с оптимизатором Adam в течение 60 эпох. Результаты классификации 4 модели НС на тестовой выборке приведены в таблице 4.6. На рисунке 4.10 приведена ROC-кривая, полученная при тестировании 4 модели НС. Показатели классификации при тестировании 4 модели НС: Accuracy: 0,92; Precision:0,85; Recall: 0,91; F1-Score: 0,88; Specificity: 0,91; AUC: 0,94.

^"""^^Действительный Предсказание"""^-^^^ Положительный Отрицательный Всего

Панкреатин 245 25 270

Норма 42 435 477

Всего 287 460 747

ROC кривая

0.0 0,2 0,4 0,6 о.е 1.0

1 - Специфичность % ложноположительных результатов

Рисунок 4.10 - ROC-кривая при тестировании нейросетевой модели 4

Оптимальная архитектура с четырьмя скрытыми слоями и Dropout достигла наивысших показателей: точность - 92 %, чувствительность и специфичность - по 91 %, AUC- 0,94.

В рамках исследования проведено обучение и тестирование НК на наборе данных БДХ2 и БДВ2. На основе результатов, полученных в ходе обучении и тестировании моделей НК на наборе данных БДХ1 и БДВ1, были определены оптимальные параметры модели НК, соответствующие модели 4. Результаты тестирования обученного НК на наборе данных БДХ2 и БДВ2 в таблице 4.7.

Таблица 4.7 - Матрица несоответствий классификации модели НК на наборе БДХ2 и БДВ2

Действительный Предсказание"^^^^ Положительный Отрицательный Всего

Панкреатит 110 19 129

Онкология 15 215 230

Всего 125 234 359

На рисунке 4.11 приведена ROC-кривая. Показатели классификации: Accuracy: 0,90; Precision:0,88; Recall: 0,85; F1-Score: 0,86; Specificity: 0,93; AUC: 0,92.

ROC кривая

у /

У

У

/

У у' ROC крив ая IAUC = 0.92>

o.o o.2 0.4 о.й o.a i.o

1 - Специфичность % ложноположительных результатов

Рисунок 4.11 - ROC-кривая

Для задачи классификации «панкреатит» или «онкология» модель показала хорошую точность (90 %) и специфичность (93 %), что подтверждает её эффективность при близких морфологических признаках.

Анализ результатов различных моделей показал, что повышение сложности архитектуры (увеличение количества слоёв и нейронов) в сочетании с применением эффективных оптимизаторов (Adam вместо SGD) приводит к улучшению качества классификации. Модель 4 демонстрирует наилучшие показатели: точность - 92%, AUC - 0,94, а также минимальные значения функции потерь.

Для оценки эффективности предложенного метода проведено сравнительное исследование с современными подходами к классификации ЭУЗИ изображений ПЖ. Результаты сравнения показателей качества представлены в таблице 4.8.

Таблица 4.8 - Сравнительные показатели эффективности методов классификации ЭУЗИ изображения ПЖ

Метод Accuracy Sensitivity Specificity AUC

Предложенный метод 90,0% 85,0% 93,0% 0,92

M-F-RCNN [106] 91,6% 91,7% 91,5% 0,94

DAF-Net [125] 85,1% 89,0% 98,1% 0,92

SVM [138] 94,2% 96,2% 93,4% -

ANN [116] 87,5% 83,3% 93,3% -

Для проведения сравнительного анализа эффективности предложенного метода классификации с альтернативными подходами в качестве итогового критерия оценки был принят минимальный показатель классификаций 4 модели НК, который был получен при тестировании на наборе данных БДХ2 и БДВ2.

Как видно, предложенная архитектура демонстрирует сбалансированные результаты, что подтверждает целесообразность применения разработанного подхода, основанного на агрегации признаков из многомасштабных спектральных окон эндоскопических ультразвуковых изображений поджелудочной железы и их каскадной классификации.

На рисунке 4.12 представлен пример работы НК, обученного для автоматической классификации морфологических образований на кадрах ЭУЗИ ПЖ. Классификатор выделил красной областью панкреатит.

Рисунок 4.12 - Пример работы НК

Использование нейросетевых методов позволяет повысить точность диагностики ЭУЗИ изображений ПЖ за счёт автоматизированного анализа визуальных признаков патологических изменений. Данный подход обеспечивает минимизацию воздействия субъективного фактора на качество анализа и интерпретации ЭУЗИ изображений ПЖ.

1. Разработана автоматизированная система для извлечения информативных признаков категорий «Хранители» и «Вершители» из преобразованных при помощи Уолша-Адамара локальных окон эндоскопических ультразвуковых изображений поджелудочной железы. Система включает предобработку изображений, спектральный анализ, отбор значимых коэффициентов и формирование базы данных с векторами информативных признаков, а также визуализирует спектры и позволяет настраивать параметры обработки.

2. Разработана автоматизированная система настройки и апробации нейросетевого классификатора, основанная на фреймворках Keras и TensorFlow. Система предусматривает выбор архитектуры модели, параметров обучения, функций активации и нормализации, визуализацию графиков точности и потерь, формирование отчётов и сохранение обученной модели, что позволило гибко адаптировать модель под различные задачи классификации.

3. Сформированы базы данных с векторами информативных признаков категорий «Хранители» (БДХ1, БДХ2) и «Вершители» (БДВ1, БДВ2), содержащие информативные признаки классифицированных локальных окон эндоскопических ультразвуковых изображений поджелудочной железы. Базы данных включают 3737 векторов с 117 признаками для классификации «панкреатит» или «норма» и 1793 вектора с 78 признаками для классификации «панкреатит» ил «онкология».

4. Проведено исследование 4 моделей нейронной сетей с различной структурой и их экспериментальная оценка качества классификации морфологических образований поджелудочной железы на двух наборах данных (БД1: «панкреатит» и «норма»; БД2: «панкреатит» и «онкология»). Полученные результаты позволили выбрать модель 4 с оптимальной структурой из четырёх скрытых слоёв, которая показала наилучшие результаты: точность - 92%, АИС-0,94 для БД1 и точность - 90%, АИС- 0,92 для БД2.