Ключові слова
яскравість
фрактальний аналіз
магнітно-резонансна томографія
головний мозок
мозочок
Як цитувати
Анотація
У даному дослідженні був розроблений алгоритм кількісного оцінювання структурної гетерогенності медичних діагностичних зображень на основі фрактального аналізу. Для розробки алгоритму кількісного оцінювання гетерогенності яскравості ахроматичних напівтонових медичних зображень були використані цифрові зображення магнітно-резонансних томограм головного мозку. Проводився аналіз розподілу кількості пікселів зображення за значеннями яскравості (від 0 до 255). Крива статистичного розподілу кількості пікселів за рівнями яскравості розглядається як лінійний фрактал і проводиться кількісне оцінювання фрактальної розмірності цієї кривої. Гетерогенність зображень може бути кількісно охарактеризована за допомогою фрактального індексу, що може мати значення від 1 до 2. Цей індекс дозволяє оцінити плавність чи неоднорідність переходів між суміжними значеннями яскравості пікселів цифрового зображення. Алгоритм визначення гетерогенності зображень може бути використаний для інтерпретації даних різних діагностичних методів, що передбачають візуалізацію досліджуваного об’єкта (ультразвукове дослідження, рентгенографія, різні види томографії) для визначення морфофункціонального стану різних структур та органів.
Ключові слова: гетерогенність, яскравість, фрактальний аналіз, магнітно-резонансна томографія, головний мозок, мозочок.
Посилання
Chen S.J., Cheng K.S., Dai Y.C., Sun Y.N., Chen Y.T., Chang K.Y. et al. (2005). Quantitatively characterizing the textural features of sonographic images for breast cancer with histopathologic correlation. Journal of ultrasound in medicine: official journal of the American Institute of Ultrasound in Medicine, vol. 24 (5), pp. 651–661, DOI: 10.7863/jum.2005.24.5.651.
Heliopoulos I., Artemis D., Vadikolias K., Tripsianis G., Piperidou C., & Tsivgoulis G. (2012). Association of ultrasonographic parameters with subclinical white-matter hyperintensities in hypertensive patients. Cardiovascular psychiatry and neurology , vol. 6 (1), pp. 65–72, DOI: 10.1155/2012/6(1).
Mayerhoefer M.E., Breitenseher M., Amann G., Dominkus M. (2008). Are signal intensity and homogeneity useful parameters for distinguishing between benign and malignant soft tissue masses on MR images? Objective evaluation by means of texture analysis. Magnetic resonance imaging, vol. 26 (9), pp. 1316–1322, DOI: 10.1016/j.mri.2008.02.013.
Nie K., Chen J.H., Yu H.J., Chu Y., Nalcioglu O., Su M.Y. (2008). Quantitative analysis of lesion morphology and texture features for diagnostic prediction in breast MRI. Academic radiology, vol. 15 (12), pp. 1513–1525, DOI: 10.1016/j.acra.2008.06.005.
Blumenkrantz G., Stahl R., Carballido-Gamio J., Zhao S., Lu Y., Munoz T. et al. (2008). The feasibility of characterizing the spatial distribution of cartilage T(2) using texture analysis. Osteoarthritis and cartilage, vol. 16 (5), pp. 584–590, DOI: 10.1016/j.joca.2007.10.019.
Ganeshan B., Miles K.A. (2013). Quantifying tumour heterogeneity with CT. Cancer imaging: the official publication of the International Cancer Imaging Society, vol. 13 (1), pp. 140–149, DOI: 10.1102/1470-7330.2013.0015.
Miles K.A. (2016). How to use CT texture analysis for prognostication of non-small cell lung cancer. Cancer imaging: the official publication of the International Cancer Imaging Society, vol. 16, p. 10, DOI: 10.1186/s40644-016-0065-5.
Chicklore S., Goh V., Siddique M., Roy A., Marsden P.K., Cook G.J. (2013). Quantifying tumour heterogeneity in 18F-FDG PET/CT imaging by texture analysis. European journal of nuclear medicine and molecular imaging, vol. 40 (1), pp. 133–140, DOI: 10.1007/s00259-012-2247-0.
Nagao M., Murase K. (2002). Measurement of heterogeneous distribution on Technegas SPECT images by three-dimensional fractal analysis. Annals of nuclear medicine, vol. 16 (6), pp. 369–376, DOI:10.1007/BF02990073.
Rosenkrantz A.B., Mendiratta-Lala M., Bartholmai B.J., Ganeshan D., Abramson R.G., Burton K.R. et al. (2015). Clinical utility of quantitative imaging. Academic radiology, vol. 22 (1), pp. 33–49, DOI:10.1016/j.acra.2014.08.011.
Alic L., Niessen W.J., Veenland J.F. (2014). Quantification of heterogeneity as a biomarker in tumor imaging: a systematic review. PloS one, vol. 9 (10), p. e110300, DOI:10.1371/journal.pone.0110300.
Islam A., Reza S.M., Iftekharuddin K.M. (2013). Multifractal texture estimation for detection and segmentation of brain tumors. IEEE transactions on bio-medical engineering, vol. 60 (11), pp. 3204–3215, DOI: 10.1109/TBME.2013.2271383.
Cai W.L., Hong G.B. (2018). Quantitative image analysis for evaluation of tumor response in clinical oncology. Chronic Dis Transl Med., vol. 4 (1), pp. 18–28, DOI: 10.1016/j.cdtm.2018.01.002
Takahashi T., Murata T., Narita K., Hamada T., Kosaka H., Omori M. et al. (2006). Multifractal analysis of deep white matter microstructural changes on MRI in relation to early-stage atherosclerosis. NeuroImage, vol. 32 (3), pp. 1158–1166, DOI: 10.1016/j.neuroimage.2006.04.218.
Takahashi T., Murata T., Omori M., Kosaka H., Takahashi K., Yonekura Y. et al. (2004). Quantitative evaluation of age-related white matter microstructural changes on MRI by multifractal analysis. Journal of the neurological sciences, vol. 225 (1–2), pp. 33–37, DOI: 10.1016/j.jns.2004.06.016.
Dreha-Kulaczewski S.F., Brockmann K., Henneke M., Dechent P., Wilken B., Gärtner J. et al. (2012). Assessment of myelination in hypomyelinating disorders by quantitative MRI. Journal of magnetic resonance imaging: JMRI, vol. 36 (6), pp. 1329–1338, DOI: 10.1002/jmri.23774.
Chavez M.A., Shams N., Ellington L.E., Naithani N., Gilman R.H., Steinhoff M.C. et al. (2014). Lung ultrasound for the diagnosis of pneumonia in adults: a systematic review and meta-analysis. Respiratory research, vol. 15 (1), p. 50, DOI: 10.1186/1465-9921-15-50.
Iwasawa T., Takemura T., Okudera K., Gotoh T., Iwao Y., Kitamura H., et al. (2017). The importance of subpleural fibrosis in the prognosis of patients with idiopathic interstitial pneumonias. European journal of radiology, vol. 90, pp. 106–113, DOI: 10.1016/j.ejrad.2017.02.037.
Lubner M.G., Smith A.D., Sandrasegaran K., Sahani D.V., Pickhardt P.J. (2017). CT Texture Analysis: Definitions, Applications, Biologic Correlates, and Challenges. Radiographics: a review publication of the Radiological Society of North America, Inc, vol. 37 (5), pp. 1483–1503, DOI: 10.1148/rg.2017170056.
Ternovoy N.K., Kolotilov N.N., Drobotun O.V., Tuz E.V., Uljanchich, N.V., Ternickaya Ju.P. (2019). Teksturnyy analiz kompyuterno-tomograficheskikh izobrazheniy kostnykh tkaney: geterogennost kak pokazatel osteointegratsii (predvaritelnoye soobshcheniye) [Textural analysis of computed tomographic images of bone tissues: heterogeneity as an indicator of osseointegration (preliminary report)]. Luchevaja diagnostika, luchevaja terapija – Radiation diagnostics, radiation therapy, vol. 1, pp. 43–50 [in Russian].
Patent. № 102133109 (A), CN, МПК A61B8/08, G06T7/00. Method for quantifying and imaging features of a tumor / AMCAD BIOMED CORP. - З. № CN 201010621983, declared 30.12.2010, published 27.07.2011.
Ampilova N.B., Solov'ev I.P. (2012). Algoritmy fraktalnogo analiza izobrazheniy [Algorithms for fractal analysis of images]. Kompyuternyye instrumenty v obrazovanii – Computer tools in education , vol. 2, pp. 19–24 [in Russian].
Dmitriev A.V., Chimitdorzhiev T.N., Dagurov P.N. (2015). Metod postroyeniya fraktalnoy signatury na osnove polyarimetricheskikh radiolokatsionnykh dannykh [Method of constructing a fractal signature based on polarimetric radar data]. Vestnik Buryatskogo gosudarstvennogo universiteta. Matematika, informatika – Bulletin of the Buryat State University. Mathematics, computer science, vol. 4, pp. 8–12 [in Russian].
Tang Y.Y., Hong Ma, Dihua Xi, Xiaogang Mao, Suen C.Y. (1997). Modified Fractal Signature (MFS): A New Approach to Document Analysis for Automatic Knowledge Acquisition. IEEE Trans. Knowledge and Data Eng., vol. 9 (5), pp. 742–762.