ПОРІВНЯЛЬНА ЕФЕКТИВНІСТЬ КЛАСИФІКАТОРІВ ЗОБРАЖЕНЬ ПІД ЧАС РОЗПІЗНАВАННЯ ЗОН ІНТЕРЕСУ ПРИ ЛАПАРОСКОПІЧНИХ ВТРУЧАННЯХ

Автор(и)

  • М. Р. Баязітов Одеський національний медичний університет
  • Д. М. Баязітов Одеський національний медичний університет
  • А. Б. Бузиновський Одеський національний медичний університет
  • А. В. Ляшенко Одеський національний медичний університет
  • Д. В. Новіков Одеський національний медичний університет
  • Л. С. Годлевський Одеський національний медичний університет

DOI:

https://doi.org/10.11603/mie.1996-1960.2020.2.11175

Ключові слова:

аналіз зображень, машинне навчання, дескриптори Хаара, класифікатор AdaBoost, лапароско-пічна хірургія

Анотація

У роботі представлено порівняльне оцінювання ефективності систем автоматизованої комп'ютерної діагностики, розроблених на основі двох класифікаторів — каскаду дескрипторів Хаара та AdaBoost, під час лапароскопічної діагностики апендициту та метастазів печінки.

Для навчання використовували зображення, а також гама-кореговані та конвертовані у HSV шкалу кольори RGB зображення, отримані під час лапароскопічної діагностики. Дескриптори, що використовували для навчання класифікатора AdaBoost отримували за допомогою методу локального бінарного патерну, який включав інформаційні показники кольору, а також показники текстури. Після завершення навчання проводили тест оцінювання ефективності діагностики при якому використовували зображення, що не застосовували для навчання.

Найбільш високим показник повноти (recall) був при тестовій діагностиці апендициту за допомогою навчання класифікатора AdaBoost дескрипторами модифікованого кольору локального бінарного патерну, отриманими з RGB зображень, — 0,745, а під час діагностики метастазів печінки — 0,902. Також коректність діагностики (accuracy) склала 74,4 % під час діагностики апендициту та 89,3 % при діагностиці метастазів печінки. Коректність діагностики із застосуванням класифікатора Хаара була найбільш високою за умови діагностики метастазів печінки та склала 0,672 при використанні RGB зображень, 0,723 — при навчанні HSV зображеннями.

Діагностика із застосуванням класифікатора Хаара є менш ефективною порівняно з діагностикою, що здійснювалась із застосуванням класифікатора AdaBoost, навчання якого здійснювали із застосуванням дескрипторів модифікованого кольору локального бінарного патерну.

Посилання

Lyashenko, A. V., Bayazitov, N. R., Godlevsky, L. S. et al. (2016). Informational-technical system for the automatized laparoscopic diagnostics. Radio Electronics, Computer Science, Control, 4, 90-6. [In Ukrainian].

Bayazitov, D. N., Kresyun, N. V., Buzmovsky, A. B. et al. (2017). The effectiveness of automatic laparoscopic diagnostics of liver pathology using different methods of digital images classification. Patologiya (Pathology), 14, № 2 (40), 182-7. DOI: https://doi.org/10.14739/2310-1237.2017.2.109219

Albisser Z. (2015). Computer-aided screening of capsule endoscopy videos. Master's Thesis, University of Oslo.

Hashimoto, D. A., Rosman, G., Rus, D., Meireles, O. R. (2018). Artificial Intelligence in Surgery: Promises and Perils. Ann.Surg., 268 (1), 70-6. doi: 10.1097I SLA.0000000000002693. DOI: https://doi.org/10.1097/SLA.0000000000002693

Bay, H., Tuytelaars, T., Van Gool, L. (2006). Surf: Speeded up robust features. Computer vision-ECCV, 3951, 404-17. DOI: https://doi.org/10.1007/11744023_32

Bouguet J. (2000). Pyramidal implementation of the Lucas-Kanade feature tracker: description of the algorithm, openCV documentation. Available on: http:II www.intel.comIresearchImrlIreserachIopencv.

Neofytou, M. S., Tanos, V., Constantinou, I. et al. (2015). Computer-aided diagnosis in hysteroscopic imaging. IEEE J Biomed Health Inform., 19 (3), 1129-36. DOI: https://doi.org/10.1109/JBHI.2014.2332760

Lahane, a., Yesha, Y., Grasso, M. et al. (2012). Detection

of unsafe action from laparoscopic cholecystectomy video. Proc. 2nd ACM SIGHIT International Health Informatics Symposium, 315-22.

Fatiev D. (2015). Faculty of Science and Technology Department of Computer Science Object tracking for improved telementoring and telestration. INF-3997 Master's Thesis in Telemedicine and E-health, The Arctic University of Norway.

Ledoux, A., Losson, O., Macaire, L. (2016). Color local binary patterns: compact descriptors for texture classification. Journal of Electronic Imaging, Society of Photo-optical Instrumentation Engineers, 25 (6), 061404. Available on: http://dx.doi.org/10.1117/1. JEI.25.6.061404.

Ojala, T., Pietikainen, M., Maenpaa, T. (2002). Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Transactions on Pattern Analysis and Machine Intelligence, 4 (7), 971-87. DOI: https://doi.org/10.1109/TPAMI.2002.1017623

Petscharnig, S., Schoffmann, K. (2018). Learning laparoscopic video shot classification for gynecological surgery. Multimed. Tools Appl, 77, 8061-79. DOI: https://doi.org/10.1007/s11042-017-4699-5

Zhou, M., Bao, G., Geng, Y. (2014). Polyp detection and radius measurement in small intestine using video capsule endoscopy. Proc 7th International Conference on Biomedical Engineering and Informatics (BMEI), 237-41. DOI: https://doi.org/10.1109/BMEI.2014.7002777

Shu, Y., Bilodeau, G. A., Cheriet, F. (2005). Segmentation of laparoscopic images: Integrating graph-based segmentation and multistage region merging. Proc 2nd Canadian Conference on Computer and Robot Vision (CRV'05), doi: 10.1109/ CRV. 2005.74.

Madad Zadeh, S., Francois, T., Calvet, L. et al. (2020). SurgAI: deep learning for computerized laparoscopic image understanding in gynaecology. Surg. Endosc. Available on: https://doi.org/10.1007/s00464-019-07330-8. DOI: https://doi.org/10.1007/s00464-019-07330-8

Viola, P., Jones M. (2001). Rapid object detection using a boosted cascade of simple features. Proc IEEE Computer Society Conference on Computer Vision and Pattern Recognition., 1, 511-518. DOI: https://doi.org/10.1109/CVPR.2001.990517

Parent, F., Mandal, K. K., Loranger, S. et al. (2016). 3D shape tracking of minimally invasive instruments using optical frequency domain reflectometry. Proc of SPIE, 9786. doi: 10.1117/12.2214998. DOI: https://doi.org/10.1117/12.2214998

##submission.downloads##

Опубліковано

2020-07-13

Як цитувати

Баязітов, М. Р., Баязітов, Д. М., Бузиновський, А. Б., Ляшенко, А. В., Новіков, Д. В. ., & Годлевський , Л. С. . (2020). ПОРІВНЯЛЬНА ЕФЕКТИВНІСТЬ КЛАСИФІКАТОРІВ ЗОБРАЖЕНЬ ПІД ЧАС РОЗПІЗНАВАННЯ ЗОН ІНТЕРЕСУ ПРИ ЛАПАРОСКОПІЧНИХ ВТРУЧАННЯХ. Медична інформатика та інженерія, (2), 62–69. https://doi.org/10.11603/mie.1996-1960.2020.2.11175

Номер

Розділ

Статті