Автоматизированная система диагностики новообразований головного мозга по магнитно-резонансным изображениям

• Автор: Кирсанова, Анна Владиславна
• Шифр специальности: 05.11.17
• Научная степень: Кандидатская
• Год защиты: 2010
• Место защиты: Санкт-Петербург
• Количество страниц: 148 с. : ил.

ОГЛАВЛЕНИЕ
СПИСОК СОКРАЩЕНИЙ
ВВЕДЕНИЕ
Глава 1. ПРОБЛЕМЫ АВТОМАТИЗАЦИИ ДИФФЕРЕНЦИАЛЬНОЙ
ДИАГНОСТИКИ НОВООБРАЗОВАНИЙ ГОЛОВНОГО МОЗГА
1.1 Структурный анализ медицинской диагностики как процесса распознавания новообразований головного мозга
1.2. Анализ методик исследования головного мозга
1.3. Классификация новообразований головного мозга и статистика встречаемости
1.4. Показатели, характеризующие состояние головного мозга на томограммах
1.5. Виды томограмм, способы их получения
1.6. Интерпретация результатов исследований головного мозга на магнитно-резонансном томографе
1.7. Медицинские автоматизированные информационные системы
1.8. Концепция архитектуры автоматизированной информационной системы поддержки принятия решений при диагностике новообразований головного мозга по магнитно-резонансным томограммам
1.9.Постановка задач диссертации
ВЫВОДЫ
Глава 2. АВТОМАТИЗАЦИЯ АНАЛИЗА ТОМОГРАММ ГОЛОВНОГО МОЗГА
2.1. Постановка задачи автоматизированного анализа томограмм
2.2. Выбор импульсной последовательности для автоматического анализа изображения
2.3. Общая методика распознавания патологии и ее характеристик на томограммах головного мозга
2.3.1.Обработка томограмм головного мозга

2.3.2. Определение наличия очага патологического сигнала и его выделение на томограмме
2.3.3. Выявление патологии среди нормальных анатомических структур головного мозга
2.3.4. Анализ и выявление признаков на томограмме
2.3.4.1. Признаки, подлежащие автоматизации
2.3.4.2. Перенос выделенной области с ТШМ изображения на изображения Т1 и Т2 взвешенности
2.3.4.3. Измерение интенсивности изменения сигнала от патологии по сравнению с нормальным сигналом от ткани мозга на Т1 и Т2
2.3.4.4. Измерение размера патологии
2.3.4.5. Определение формы патологии
2.3.4.6. Определение полушария, в котором находится патология
2.3.4.7.Определение наличия геморрагии в патологическом участке
2.3.4.8. Определение наличия субдуралыюй гематомы
2.3.4.9. Измерение количества очагов патологического сигнала и вывод характеристик
ВЫВОДЫ
Глава 3. АВТОМАТИЗАЦИЯ ПРОЦЕССА ПОСТАНОВКИ ДИАГНОЗА
3.1. Система поддержки принятия решений, основанная на интеллектуальном анализе данных
3.2. Выбор деревьев классификации для принятия решений
3.2.1. Описание метода деревьев решений
3.2.2.Использование в медицине
3.2.3.Преимущества деревьев решений по сравнению с другими методами интеллектуального анализа
3.2.4.Недостатки деревьев
3.3.Алгоритмы построения деревьев решений
3.3.1. Алгоритм ГОЗ
3.3.2.Алгоритмы С4.5 и С5

3.3.3. Алгоритм CART
3.3.4. Преимущества и недостатки существующих алгоритмов построения деревьев решений применительно к задаче медицинской диагностики
3.4. Комбинированный алгоритм построения дерева решений основанный на отделении однородных групп наблюдений
3.4.1. Описание алгоритма
3.4.2. Критерий отделения однородных групп
3.4.3. Обработка пропущенных значений
3.4.4. Останов работы алгоритма
ВЫВОДЫ
Глава 4. ПРОГРАММНЫЕ КОМПОНЕНТЫ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ДИАГНОСТИКИ ВНУТРИЧЕРЕПНЫХ НОВООБРАЗОВАНИЙ
4.1. Структура системы
4.1.1. База данных
4.1.2. Информационная подсистема
4.1.3. Разработка программного модуля обработки томограмм головного мозга и распознавания патологии
4.1.4. Разработка диагностической подсистемы
4.2. Предварительный анализ данных
4.2.1. Сравнение точности классификации тех же диагностических данных на других алгоритмах построения деревьев решений
4.2.2. Оценка работы алгоритма на числовых данных
ВЫВОДЫ
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЯ

логических. Система автоматически извлекает характеристики ткани — размер, периметр, интенсивность цвета клеток и т.п. Основываясь на этих характеристиках, система ставит окончательный диагноз с точностью 94% [46].
Еще одним направлением в развитии СППР является автоматизированная обработка и анализ медицинских данных. Большинство исследований в этой области связано с анализом ЭКГ, ЭЭГ сигналов, МРТ-спектров и т.п [76]. Российскими авторами создана автомтизированная система для диагностики бронхиальной астмы по показателям реоэнцефалографии, «MEDICAL TOOLBOX»[47], основанная на нейро-нечетком классификаторе. Классификатор создан в среде Matlab.
Классической проблемой в кардиологии является интерпретация ЭКГ, требующая значительного опыта врача. Сотрудники Университета Глазго (Великобритания) ведут исследования по применению нейросетей для ЭКГ-диагностики инфарктов миокарда [48]. Входными данными для сетей являются избранные параметры 12-канальной электрокардиограммы и 12-канальной век-торкардиограммы (длины зубцов, расстояния между зубцами). Интерпретация ЭКГ с помощью нейросетей была применена для диагностики злокачественных желудочковых аритмий [49].
Учеными Лондонского университета была создана система поддержки принятия решений при диагностике злокачественности и характера опухолей головного мозга по данным магнитно-резонансной спектроскопии. Были собраны спектры различных опухолей мозга у 500 пациентов. Спеюры разбиты на 6 классов, которые соответствуют различным видам новообразований головного мозга. Для классификации использованы три метода: визуальный анализ - для каждого класса выводится усредненный спектр, после чего тестовые значения сравниваются со спектрами каждого класса; корреляционный анализ - используется для нахождения спектральных характеристик, которые являются отличительными у каждой пары классов; дискриминантный анализ - по выбранным спектральным характеристикам определяется принадлежность тестового наблюдения к одному из классов. Из тестовой выборки у 477 наблюдений диагноз