Tissue densitometry analysis of spherical formations of lungs on the base of artificial intelligence system in the multispiral computed tomography



Cite item

Abstract

Applying modern methodological approaches to inspection, it is not always possible to establish the nature of the spherical formation of lungs (SFL). The way of assessment of internal structure SFL consisting of target volume densitometry, allowed to receive consecutive selections in the allocated zones of interest of values of pixels from files in the DICOM format, to carry out the analysis of distribution of densitometrical density, both to the cut planes, and taking into account various cuts in the allocated volume. The newly developed technology of the densitometrical analysis of spherical formations of lungs on the basis of neural networks, is capable to classify the numerical data obtained from computer tomograms by means of the software «Radiologist +». Sensitivity at division of «primary cancer - infiltrative tuberculosis» made 91.1%, specificity - 88.6%, accuracy - 90.2%. Sensitivity at division of «primary cancer - pneumonia» made 90.4%, specificity - 74.5%, accuracy - 84.2%. Sensitivity at division of «infiltrative tuberculosis - pneumonia» made 79.5%, specificity - 80.8%, accuracy - 80.2%.

Full Text

Применяя современные методологические подходы к обследованию, не всегда возможно достоверно установить природу шаровидного образования легких (ШОЛ) [1-3]. Это обусловлено сходными дескрипторами при опухолевых, специфических, неспецифических воспалительных и иных патологических процессах при их визуализации интра- скопическими методами [4-7], что побуждает разрабатывать новые объективные критерии оценки получаемых данных. Денситометрия является одной из основополагающих методик мультиспиральной компьютерной томографии (МСКТ), позволяющей уточнить характер патологических изменений органов грудной полости [8, 9], однако ее возможности в оценке ШОЛ изучены недостаточно [10]. Цель работы - разработка технологии денситометрического анализа ШОЛ, способной на основе нейронных сетей классифицировать численные данные, полученные из компьютерных томограмм, и делать предположения относительно диагноза. Материал и методы Обследовано 328 больных с верифицированными диагнозами: первичный рак легкого, пневмония, инфильтративный туберкулез в возрасте от 2 до 87 лет. Мужчин было 229 (69,8%), женщин - 99 (30,2%). МСКТ осуществлялась на компьютерных томографах Aquillion 64 и Asteion 4 (Toshiba Medical Systems). Постпроцессинговый анализ сканов проводили на персональном компьютере Pentium 4 с помощью программы Рентгенолог+ (Россия). Технология состоит из трех модулей (рис. 1). Создание технологии начиналось со второго модуля - банка баз данных файлов в формате DICOM больных и текстовых баз данных. При этом пул банка баз данных заполнялся в два этапа. На первом этапе осуществляли сбор и накопление информации. Необходимо отметить, что, во-первых, в связи с появлением новых видов DICOM-форматов и особенностями хранения файлов у разных фирм- производителей потребовалось разработать компьютерную программу для конвертации DICOM-файлов в стандартный вид [11]; во-вторых, из-за отсутствия систем автоматизации процесса хранения и передачи по каналам связи медицинских изображений и протоколов исследований, подобных PACS и RIS [12], файлы DICOM-форматов доставляли из ЛПУ при помощи внешних переносных накопителей; в-третьих, текстовые базы данных о пациентах в разных ЛПУ были выполнены на разных компьютерных платформах (DBFN, Excel, MBS и др.), что было неудобно для конечного пользователя. На втором этапе проводили оценку качества МСКТ- исследований. Отбирали заболевания, соответствующие требованиям денситометрического анализа [13]. Рис. 1. Блок-схема структуры технологии денситометрического анализа. Файл Изображение О программе Расчет параметров 186/226(1.2.840.113704.1.111.2440.1386343017.7519.dcm) X: 202,15 Y: 195,70 Значение: -845 Размер области 20 х 20(11,72,11,72) Рис. 2. Главное окно программы Рентгенолог+. Затем был разработан второй модуль - модуль выборки значений плотностей пикселей из файлов в формате DICOM путем использования программного обеспечения Рентгенолог+ [14]. После запуска программы появлялось окно, которое содержало главное меню, рабочую панель и панель навигации (рис. 2). Для открытия диалогового окна выбора файла пользовались пунктами меню Файл/открыть изображение или горячими клавишами Ctrl+O. Для открытия выбирали файл; в программу кроме него, загружались все файлы формата DICOM, которые находились в той же папке. Для навигации между срезами использовались кнопки «влево» и «вправо» в нижней части рабочего окна, ползунок, который расположен над этими кнопками, колесико мыши или горячие клавиши CtrH-> и Ctrl+^-. При работе с изображениями предусмотрены функции изменения масштаба; можно воспользоваться кнопками на верхней панели, пунктами меню «Изображение/увеличить изображение» и «Изображение/уменьшить изображение» соответственно, а также горячими клавишами СШ++ и Ctrl+-. Пункт меню «Изображение/выбрать окно» позволял выбирать электронное окно, в режиме которого необходимо отображение патологии. Работа с изображениями доступна в двух режимах: выделения области интереса и расчета параметров. Для сохранения параметров ШОЛ в файле необходимо выделение обеих областей. Изменение размеров области интереса возможно с помощью пунктов главного меню «Изображение/ изменить область» или горячих клавиш. Срезы считались от текущего без изменения областей интереса от среза к срезу. После нажатия на кнопку появлялось диалоговое окно, в котором выбиралась папка либо записывалось новое название, находясь в нужной директории. В папке, из которой были выбраны файлы для расчетов, появлялся файл params. Для работы с программой создавалась новая нейронная сеть или загружалась уже готовая из файла. Для этого в меню «Файл» выбирался пункт «Новая сеть» или «Открыть сеть». При визуальном отображении сети нейроны обозначались разноцветными геометрическими фигурами в зависимости от их положения в сети. С помощью меню «Вид» можно было изменять расстояние между соседними слоями сети и между нейронами внутри слоя (рис. 3). и Конструктор нейросетей v0.90 indev _ □ Файл Вид Обучающая выборка Обучение Контрольная выборка □ Автоподбор шага Скорость обучения - 0,200000 -i Результат: ^~^Sample_neuron#0 |Sample_neuron#4 j |Sample_neuron#7 Sample_neuron#10 ^~^Sample_neuron#1 |sample_neuron#5 j |sample_neuron*8 Sample_neuron#11 / x шВяЯшш ^^8атр1е_пеигоп#2 |Sample_neuron#6 j |sample_neuron#9 Sample_neuron#12 ^~^Sample_neuron#3 Sample_neuron#13 Sample_neuron#14 [Ш ЦШ [Ш ЕШ ШЛ [3D -о-в -0.6 -о.4 -0.2 о.о 0.2 0.4 0.6 0.8 1.0 1.25 1 5 2.0 2.5 3.0 Рис. 3. Созданная сеть в главном окне программы. Следующим шагом являлось формирование обучающей выборки. Для этого использовались соответственно пункты меню «Обучающая выборка/новая обучающая выборка» или «Обучающая выборка/открыть обучающую выборку». После формирования сети и обучающей выборки начиналось обучение. \4>\ Обучающая выборка |и£3и| Обучающая выборка: | бИН входов; выходов. | Добавить1 11 Редактировать 11 Удалить | Вход 1 Вход 2 ВходЗ Вход 4 Вход 5 Вход 6 Выход 1 2.617517363 0.123637027 31.4582974314 0.6822550276 13.0793488579 0.8715492095 0.0 - 2.597652688 0.0998100871 22.8970000595 0.6963632145 14.8103359951 0.8423232289 0.0 2.381169916 0.3147355077 29.3404747837 0.413782786 11.8908041276 0.6514137833 1.0 = 2.165204297 0.6138141547 43.6309481481 0.9811427037 13.7631002318 0.8312553883 1.0 - 2.471357286 0.0846826084 22.1894320286 0.8429991598 12.4897017808 0.8982255958 1.0 2.719957934 0.1836053104 5.2468581463 0.855673849 15.5137410754 0.8548880672 1.0 2.617606964 0.0940119575 12.2017617647 0.5764772575 15.6193235861 0.4337060061 1.0 2.202543172 0.584881317 47.3288246882 0.0639528837 21.8193144437 0.9710782821 1.0 2.156474294 0.0910332384 71.4475885329 0.9070899687 13.6488492978 0.8968883739 1.0 2.378614369 0.1658919412 33.6167019785 0.968085285 19.8977322784 0.9088686991 1.0 2.535400852 0.173502155 20.0757334295 0.8185789098 11.2541639516 0.9813632099 1.0 2.376643571 0.1288270162 40.9189608803 0.7890648786 10.6315674135 0.9423289807 1.0 2.406513594 0.4520377512 20.2377523614 0.7664812494 13.0840517438 0.6773164431 1.0 2.400657813 0.906599424 49.5832751851 0.9646984854 12.2092439313 0.925595906 1.0 2.538024352 0.1047480648 31.4459876574 0.7083023464 14.4396896764 0.9108783407 1.0 2.620675143 0.1751584529 32.2854947687 0.9547151441 18.8782448355 0.9317748009 1.0 2.817948892 0.1571486666 24.2101288937 0.7126852961 12.9016952125 0.5016541778 1.0 2.606287781 0.2725406473 53.4952033244 0.871136242 20.3064638475 0.9268898513 1.0 2.616414669 0.2354164256 19.7490257436 0.8484176559 10.9200180488 0.9641231437 1.0 2.172879153 1.0556966667 34,2734391833 0.8559606284 15.5980902016 0.7589954507 1.0 2.604629176 0.1798062113 27.8582299124 0.7108148621 12.644000408 0.9813229005 1.0 2.473372786 0.2423176218 35.3465922095 0.7221317422 19.1129553903 0.7008573135 1.0 2.244918247 0.1071925435 30.3792017756 0.8822224077 16.4868815299 0.8721480474 1.0 2.575941432 0.1023906458 15.3750767079 0.5370081657 14.9628966579 0.6173894782 1.0 2.49437931 0.1717782397 41.4751578284 0.4942741787 10.8853073197 0.9070776585 1.0 Готово Отмена Рис. 4. Результат обучающей выборки. Обучение заканчивалось, когда критерий становился меньше некоторого заданного значения. Обученную сеть возможно было сохранить в файле для последующей работы с ней (рис. 4). При обучении сети минимизировалась сумма квадратов невязки по всей выборке (критерий равен V этой суммы). Константа, отвечающая за скорость обучения, изменялась вручную. В выборке имелось 232 записи: 86 - туберкулез (выход сети - 0), 146 - рак (выход сети - 1). txt, в котором записывались рассчитанные параметры. Затем был разработан третий модуль - нейронная сеть [15]. При этом использовался конструктор нейронных сетей - специализированное программное обеспечение, предназначенное для решения задач с применением многослойных персептронов. Применялся искусственный нейрон - математический алгоритм вычисления в зависимости от набора входных параметров {Х1, Х2, Х3, Х4, Х5, Х6} выходной величины V[0; 1]. Конструктор нейронных сетей v0.80 indev разработан на языке Java 1.7 и предназначен для обучения многослойных персептронов [16]. При обучении нейронных сетей использовался метод обратного распространения ошибок. В ходе работы программа в графическом виде отображала текущее состояние сети, показывая цвета ребер в зависимости от их веса. Стартовые веса нейронной сети задавались случайными числами из интервала (минус 1, 1), а скорость обучения регулировалась вручную. Обучение велось до тех пор, пока критерий не переставал существенно уменьшаться. Значение критерия на момент остановки ~10,06. Диагноз считался верным, если разница между значением, выданным сетью, и ожидаемым выходом менее 0,5. Количество поставленных верно диагнозов для входов из обучающей выборки было 210, неверно поставленных - 22 (точность 90,52%) Количество ложных диагнозов рака 9, туберкулеза 13. При разделении нозологий инфильтративный туберкулез - пневмония результаты были несколько хуже: значение критерия ~ 12,51. В области V < 0,5 находилось 81% пациентов с верифицированным диагнозом инфильтративного туберкулеза (71 верно поставленных и 16 неверно поставленных диагнозов), а в области V > 0,5 - 79,5% пациентов с верифицированным диагнозом пневмонии (75 верно и 19 неверно поставленных диагнозов). При разделении нозологий первичный рак - пневмония получены следующие результаты: значение критерия -11,7; в области V < 0,5 ' находилось 74,5% Таблица 1 Результаты дифференциальной диагностики ШОЛ при МСКТ (в %) на основе многомерной обработки денситометрических параметров (М+m) Результат Первичный рак - инфильтративный туберкулез Первичный рак - пневмония Инфильтративный туберкулез - пневмония Истинно 133 56,8 ± 3,2 132 55,0 ± 3,2 70 38,5 ± 3,6 положительные (Р 1-2 > 0,5) А А о о о о о о Истинно 78 33,3 ± 3,1 70 29,2 ± 2,9 76 41,7 ± 3,6 отрицательные (Р 1-2 > 0,05) (Р1-3 > 0,05) (Р2-3 < 0,01) Ложноотри13 5,6 ± 1,5 14 5,8 ± 1,5 18 9,9 ± 2,2 цательные (р 1-2 > 0,5) (Р1-3 > 0,05) (Р2-3 > 0,05) Ложнополо- 10 4,3 ± 1,3 24 10,0 ± 1,9 18 9,9 ± 2,2 жительные (р1-2 < 0,05) (Р1-3 < 0,05) (Р2-3 > 0,5) В с его ... 234 100,0 240 100,0 182 100,0 Таблица 2 Эффективность дифференциальной диагностики ШОЛ при МСКТ (в %) на основе многомерной обработки денситометрических параметров (М+m) Результат Первичный рак - инфиль- тративный туберкулез (n = 234) Первичный рак - пневмония (n = 240) Инфильтратив- ный туберкулез - пневмония (n = 182) Чувствительность 91,1 ± 1,9 90,4 ± 1,9 (Р1-2 > 0,5) 79,5 ± 3,0 (Р1-3 < 0,001) (Р2-3 < 0,01) Специфичность 88,6 ± 2,1 74,5 ± 2,8 (р 1-2 < 0,001) 80,8 ± 2,9 (Р1-3 < 0,05) (Р2-3 > 0,05) Точность 90,2 ± 1,9 84,2 ± 2,3 (Р1-2 < 0,05) 80,2 ± 2,9 (Р1-3 < 0,01) (Р2-3 > 0,05) пациентов с верифицированным диагнозом пневмонии (70 верно поставленных и 24 неверно поставленных диагнозов), а в области V > 0,5 - 90,4% пациентов с верифицированным диагнозом первичного рака (132 верно поставленных и 14 неверно поставленных диагнозов). Проведена сравнительная оценка дифференциально-диагностических возможностей вновь разработанной технологии тканевого денситометрического анализа ШОЛ при первичном раке, пневмонии и ин- фильтративном туберкулезе. Количество истинно положительных результатов при разделении нозологий первичный рак - инфиль- тративный туберкулез было статистически значимо больше, чем при разделении нозологий инфильтративный туберкулез - пневмония. Количество истинно положительных результатов при разделении нозологий первичный рак - пневмония было статистически значимо больше, чем при разделении нозологий инфильтративный туберкулез - пневмония. Количество истинно отрицательных результатов при разделении нозологий инфильтративный туберкулез - пневмония было статистически значимо больше, чем при разделении нозологий первичный рак - пневмония. Не выявлено статистически значимых различий количества ложноотрицательных результатов при разделении трех нозологий. Количество ложноположительных результатов при разделении нозологий первичный рак - пневмония было статистически значимо больше, чем при разделении нозологий первичный рак - инфильтративный туберкулез. Количество ложноположительных результатов при разделении нозологий инфильтративный туберкулез - пневмония было статистически значимо больше, чем при разделении нозологий первичный рак - инфильтративный туберкулез (табл. 1). Чувствительность при разделении нозологий первичный рак - инфильтративный туберкулез составила 91,1%, специфичность - 88,6%, точность - 90,2%. Чувствительность при разделении нозологий первичный рак - пневмония составила 90,4%, специфичность - 74,5%, точность - 84,2%. Чувствительность при разделении нозологий ин- фильтративный туберкулез - пневмония составила 79,5%, специфичность - 80,8%, точность - 80,2% (табл. 2). Выводы 1. Технология денситометрического анализа ШОЛ на основе нейронных сетей способна классифицировать численные данные, полученные из компьютерных томограмм. 2. Требуется разработка унифицирующих программ для работы пользователей с текстовыми базами данных о пациентах. 3. Программное обеспечение Рентгенолог+ позволяет осуществлять выборку значений плотностей пикселей из файлов в формате DICOM. 4. Конструктор нейронных сетей v0.80 indev дает возможность проводить дифференциальную диагностику ШОЛ. 5. Чувствительность при разделении нозологий первичный рак - инфильтративный туберкулез составила 91,1%, специфичность - 88,6%, точность - 90,2%. 6. Чувствительность при разделении нозологий первичный рак - пневмония составила 90,4%, специфичность - 74,5%, точность - 84,2%. 7. Чувствительность при разделении нозологий инфильтративный туберкулез - пневмония составила 79,5%, специфичность - 80,8%, точность - 80,2%.
×

About the authors

V. K Konovalov

Altai State Medical University

656000, Barnaul, Russian Federation

S. L Leonov

I.I. Polzunov Altai State Technical University

656038, Barnaul, Russian Federation

A. M Shayduk

Altai State Medical University

656000, Barnaul, Russian Federation

M. N Lobanov

Federal Center of Traumatology, Orthopedics and Endoprosthesis Replacement

656045, Barnaul, Russian Federation

Vladimir G. Kolmogorov

Diagnostic Center of the Altai Territory

Email: vkolmogorov@dcak.ru
MD, PhD 656038, Barnaul, Russian Federation

M. A Fedoseev

Altai State Medical University

656000, Barnaul, Russian Federation

O. V Borisenko

Altai State Medical University

656000, Barnaul, Russian Federation

Yu. S Modakalova

Altai State Medical University

656000, Barnaul, Russian Federation

A. E Isakov

Diagnostic Center of the Altai Territory

656038, Barnaul, Russian Federation

O. I Vorona

I.I. Polzunov Altai State Technical University

656038, Barnaul, Russian Federation

M. V Kazancev

I.I. Polzunov Altai State Technical University

656038, Barnaul, Russian Federation

V. V Fedorov

Altai State Medical University

656000, Barnaul, Russian Federation

Ya. N Shoykhet

Altai State Medical University

656000, Barnaul, Russian Federation

References

  1. Габуния Р.И., Колесникова Е.К. Компьютерная томография в клинической диагностике. М.: Медицина; 1995.
  2. Власов П.В. Лучевая диагностика заболеваний органов грудной полости. М.: Видар; 2006.
  3. Коновалов В.К., Колмогоров В.Г., Лобанов М.Н., Шевчук Ю.А. Опыт применения трехмерных реконструкций при мультиспиральной компьютерно-томографической диагностике шаровидных образований легких. Радиология - практика. 2012; 3: 45-50.
  4. Розенштраух Л.С. Психофизиологические факторы в рентгенодиагностике. Вестник рентгенологии и радиологии. 1994; 4: 57-61.
  5. Лукомский Г.И., Шулутко М.Л., Виннер М.Г., Овчинников А.А. Бронхопульмонология. М.: Медицина; 1982.
  6. Иваничко Т.Е. Особенности дифференциальной диагностики периферических образований легких при компьютерной томографии: Дисс. ... канд. мед. наук. Томск; 2000.
  7. Найдич Б.Г. Проблема нестабильности восприятия и интерпретации рентгеновских изображений шаровидных образований легких. Вестник рентгенологии и радиологии. 1989; 3: 69-74.
  8. Календер В. Компьютерная томография. М.: Техносфера; 2006.
  9. Прокоп М., Галански М. Спиральная и многослойная компьютерная томография. М.: МЕДпресс-информ; 2007.
  10. Коновалов В.К., Шойхет Я.Н., Федоров В.В., Лобанов М.Н., Леонов С.Л., Шайдук А.М. и др. Способ прицельной объемной денситометрии шаровидных образований легких для оценки их внутренней структуры при мультиспиральной компьютерной томографии. Проблемы клинической медицины. 2012; 1-4: 74-86.
  11. Исаков А.Е., Коновалов В.К., Леонов С.Л., Лобанов М.Н. Перекодирование файлов DICOM. Свидетельство о государственной регистрации программы для ЭВМ, № 2013660511; 2013.
  12. Дабагов А.Р. Цифровая радиология и диагностика. Достижения и перспективы. Журнал радиоэлектроники. 2009; 5. Доступ на: http://jre.cplire.ru/jre/may09/2/text.html
  13. Коновалов В.К., Леонов С.Л., Шайдук А.М., Шойхет Я.Н., Федоров В.В., Колмогоров В.Г. и др. Способ оценки внутренней структуры шаровидных образований легких. Патент РФ, № 2515508; 2012.
  14. Ворона О.И., Леонов С.Л., Коновалов В.К., Шайдук А.М. Получение параметров компьютерных изображений. Свидетельство о государственной регистрации программы для ЭВМ, № 2013613849; 2013.
  15. Казанцев М.В., Леонов С.Л., Коновалов В.К., Шайдук А.М. Конструктор нейронных сетей. Свидетельство о государственной регистрации программы для ЭВМ, № 2014611358; 2014.
  16. Яхъяева Г.Э. Нечеткие множества и нейронные сети: Учебное пособие. М.: Интернет-Университет Информационных Технологий; БИНОМ; 2006.

Copyright (c) 2015 Eco-Vector



СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: № 014159 от 23.10.1995 г
СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ЭЛ № ФС 77 - 80673 от 23.03.2021 г
.



This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies