Применение методов машинного обучения для анализа изображений хронических ран

Обложка

Цитировать

Полный текст

Аннотация

Нейронные сети и алгоритмы глубокого обучения все шире применяются в медицине, включая анализ изображений. В хирургии раны мягких тканей остаются актуальной проблемой, при этом измерение раневого дефекта необходимо для оценки течения раневого процесса и эффективности лечения. Использование цифровых изображений раны позволяет оценивать ее, не контактируя. Работа содержит результаты применения предобученных сетевых моделей (AlexNet, ResNet50, ResNet152, VGG16) для классификации изображений пролежней, как одного из видов хронических ран. Сегментационная модель Segment Anything Model (SAM) продемонстрировала точность 86,46% при решении задачи сегментации краев раневого дефекта и типов тканей в его пределах. Результаты исследований могут быть использованы для создания экспертной системы по анализу изображений ран мягких тканей.

Об авторах

Антон Герасимович Назаренко

Национальный медицинский исследовательский центр травматологии и ортопедии им. Н.Н. Приорова

Автор, ответственный за переписку.
Email: NazarenkoAG@cito.priorov.ru

доктор медицинских наук, директор

Россия, Москва

Елена Борисовна Клейменова

Национальный медицинский исследовательский центр травматологии и ортопедии им. Н.Н. Приорова

Email: KleymenovaEB@cito-priorov.ru

доктор медицинских наук, заместитель директора по качеству медицинской помощи и информационным технологиям

Россия, Москва

Алексей Игоревич Молодченков

Федеральный исследовательский центр «Информатика и управление» Российской академии наук; Российский университет дружбы народов

Email: aim@isa.ru

кандидат технических наук, научный сотрудник

Россия, Москва; Москва

Анна Сергеевна Пономарчук

Высшая школа экономики

Email: asponomarchuk_1@edu.hse.ru

студентка факультета компьютерных наук

Россия, Москва

Наталья Павловна Герасимова

Национальный медицинский исследовательский центр травматологии и ортопедии им. Н.Н. Приорова

Email: GerasimovaNP@cito-priorov.ru

аналитик

Россия, Москва

Екатерина Сергеевна Юрченкова

Национальный медицинский исследовательский центр травматологии и ортопедии им. Н.Н. Приорова

Email: YurchenkovaES@cito-priorov.ru

аналитик

Россия, Москва

Любовь Петровна Яшина

Национальный медицинский исследовательский центр травматологии и ортопедии им. Н.Н. Приорова

Email: YashinaLP@cito-priorov.ru

кандидат биологических наук, аналитик

Россия, Москва

Список литературы

  1. Marijanovic D., Filko D. A systematic overview of recent methods for non-contact chronic wound analysis // International Journal of Advances in Applied Sciences. 2020. V. 10. 7613.
  2. Chairat S., Chaichulee S., Dissaneewate T., Wangkulangkul P., Kongpanichakul L.AI-assisted assessment of wound tissue with automatic color and measurement calibration on images taken with a smartphone // Healthcare. 2023. V.11. P. 273.
  3. Martinengo L., Olsson M., Bajpai R., Soljak M., Upton Z. Prevalence of chronic wounds in the general population: Systematic review and meta-analysis of observational studies // Annals of Epidemiology. 2019. V. 29. P. 8–15.
  4. Maity M., Dhane D., Bar C., Chakraborty C., Chatterjee J. Pixel-based supervised tissue classification of chronic wound images with deep autoencoder // Advanced Computational and Communication Paradigms. Proceedings of International Conference on ICACCP. 2017. V. 2. P. 727–735.
  5. Chronic Wounds, overview and treatment. URL: https://www.woundsource.com/patientcondition/chronic- wounds (дата доступа: 13.07.2020).
  6. Dadkhah A., Pang X., Solis E., Fang R., Godavarty A. Wound size measurement of lower extremity ulcers using segmentation algorithms // Proceedings of the Optical Biopsy XIV: Toward Real-Time Spectroscopic Imaging and Diagnosis, San Francisco, CA, USA. 2016. V. 9703. P. 97031D.
  7. Mukherjee R., Manohar D.D., Das D.K., Achar A., Mitra A., Chakraborty C. Automated tissue classification framework for reproducible chronic wound assessment // BioMed Research International. 2014. V. 2014. P. 851582.
  8. Gautam G., Mukhopadhyay S. Efficient contrast enchancement based on local–global image statistics and multiscale morphological filtering // Advanced Computational and Communication Paradigms. Proceedings of International Conference on ICACCP 2017. V. 2. V. 2. P. 229–238.
  9. Mukherjee R., Tewary S., Routray A. Diagnostic and prognostic utility of non-invasive multimodal imaging in chronic wound monitoring: A systematic review // Journal Of Medical Systems. 2017. V. 41, 46.
  10. Macefield R.C., Blazeby J.M., Reeves B.C., King A., Rees J., Pullyblank A., Avery K. Remote assessment of surgical site infection (SSI) using patient-taken wound images: Development and evaluation of a method for research and routine practice // Journal of Tissue Viability . 2023. V. 32. Nо 1. P. 94-101.
  11. Zahia S., Zapirain G., Sevillano X., González A., Kim P.J., Elmaghraby A. Pressure injury image analysis with machine learning techniques: A systematic review on previous and possible future methods // Artificial Intelligence in Medicine. 2020. V. 102. P. 101742.
  12. Monroy F.L., Hussein R. Contour extraction of surgical stoma surfaces using 2.5D images from smartphone 3D scanning // 2023 Signal Processing: Algorithms, Architectures, Arrangements, and Applications (SPA), Poznan, Poland. 2023. P. 112-117.
  13. Pavlovčič U., Jezeršek M. Handheld 3‐dimensional wound measuring system // Skin Research and Technology. 2018. V. 24. Nо 2. P. 326-333.
  14. Dini V., Granieri G. Wound measurement //Maruccia, M., Papa, G., Ricci, E., Giudice, G. (eds) Pearls and pitfalls in skin ulcer management. Springer, 2023. P. 339–346.
  15. Chang A.C., Dearman B., Greenwood J.E. A comparison of wound area measurement techniques: Visitrak versus photography // ePlasty. 2011. V. 11. P. 158–166.
  16. Delode J., Rosow E., Roth C., Adams J., Langevin F. A wound-healing monitoring system // ITBM-RBM 2001. V. 22. P. 4952.
  17. Veredas F.J., Luque-Baena R.M., Martín-Santos F.J., Morilla-Herrera J.C., Morente L. Wound image evaluation with machine learning // Neurocomputing. 2015. V. 164. P. 112-122.
  18. Аверин Т. О. Устранение шумов на изображении с помощью медианного фильтра // Новые информационные технологии в научных исследованиях. Мат-лы XХVII Всеросс. научно-технической конф. студентов, молодых ученых и специалистов. Т. 2. 2022. С. 81.
  19. Григорченко С. А. Быстрый двумерный медианный фильтр фона // Вестник Коломенского института (филиала) Московского политехнического университета. 2022. С. 430-436.
  20. Dhane D.M., Krishna V., Achar A., Bar C., Sanyal K., Chakraborty C. Spectral clustering for unsupervised segmentation of lower extremity wound beds using optical images // Journal of Medical Systems. 2016. V. 40. P. 207.
  21. Степаков В. И., Какурина А. В., Шамардин Д. Д. Преобразование изображений на основе адаптивного медианного фильтра // Программная инженерия: современные тенденции развития и применения (ПИ-2021). 2021. С. 31-39.
  22. Yadav M.K., Manohar D.D., Mukherjee G., Chakraborty C. Segmentation of chronic wound areas by clustering techniques using selected color space // Journal of Medical Imaging and Health Informatics. 2013. V. 3. Nо 1. P. 22-29.
  23. Dhane D.M., Maity M., Mungle T., Bar C., Achar A., Kolekar M., Chakraborty C. Fuzzy spectral clustering for automated delineation of chronic wound region using digital images // Computers in Biology and Medicine. 2017. V. 89. P. 551-560.
  24. Vonikakis V., Arapakis I., Andreadis I. Combining GrayWorld assumption, White-Point correction and power transformation for automatic white balance // International Workshop on Advanced Image Technology (IWAIT). 2011.
  25. Kwok N.M., Wang D., Jia X., Chen S.Y., Fang G., Ha Q.P. Gray world-based color correction and intensity preservation for image enhancement // 4th International Congress on Image and Signal Processing, Shanghai, 2011. P. 994-998.
  26. Lee D.J., Archibald J.K., Chang Y.C., Greco C.R. Robust color space conversion and color distribution analysis techniques for date maturity evaluation // Journal of Food Engineering. 2008. V. 88. Nо 3. P. 364-372.
  27. Tajjour S., Garg S., Chandel S.S., Sharma D. A novel hybrid artificial neural network technique for the early skin cancer diagnosis using color space conversions of original images // International Journal of Imaging Systems and Technology. 2023. V. 33. Nо 1. P. 276-286.
  28. Russakoff D.B., Mannil S.S., Oakley J.D., Ran A.R., Cheung C.Y., Dasari S., Riyazzuddin M., Nagaraj S., Rao H.L., Chang D., Chang R.T. A 3D deep learning system for detecting referable glaucoma using full OCT macular cube scans // Translational Vision Science & Technology. 2020. V. 9. No 2. P. 12.
  29. Liu D., Yu J. Otsu method and K-means // Ninth International conference on hybrid intelligent systems. IEEE. 2009. V. 1. P. 344-349.
  30. Zhang J., Hu J. Image segmentation based on 2D Otsu method with histogram analysis // International Conference on Computer Science and Software Engineering, 2008. V. P. 105-108.
  31. Talab A.M.A., Huang Z., Xi F., HaiMing L. Detection crack in image using Otsu method and multiple filtering in image processing techniques // International Journal for Light and Electron Optics. 2016. V. 127. No 3. P. 1030-1033.
  32. Trabelsi O., Tlig L., Sayadi M., Fnaiech F. Skin disease analysis and tracking based on image segmentation // International Conference on Electrical Engineering and Software Applications. 2013. P. 1-7.
  33. Poon T.W.K., Friesen M. R. Algorithms for size and color detection of smartphone images of chronic wounds for healthcare applications // IEEE Access. 2015. V. 3. P. 1799-1808.
  34. Gholami P., Ahmadi-Pajouh M.A., Abolftahi N., Hamarneh G., Kayvanrad M. Segmentation and measurement of chronic wounds for bioprinting // IEEE Journal of Biomedical and Health Informatics. 2017. V. 22. No 4. P. 1269-1277.
  35. Seixas J. L., Barbon S., Mantovani R.G. Pattern recognition of lower member skin ulcers in medical images with machine learning algorithms // 2015 IEEE 28th International Symposium on Computer-Based Medical Systems. Sao Carlos, Brazil. 2015. P. 50-53.
  36. Гришанов К.М., Белов Ю.С. Морфологические операции для уменьшения шума на изображении // Электронный журнал: наука, техника и образование. 2016. № 2. С. 90-95.
  37. Шашев Д. В., Шидловский С. В. Морфологическая обработка бинарных изображений с использованием перестраиваемых вычислительных сред // Автометрия. 2015. Т. 51. № 3. С. 19-26.
  38. Rajathi V., Bhavani R.R., Wiselin J.G. Varicose ulcer (C6) wound image tissue classification using multidimensional convolutional neural networks // The Imaging Science Journal. 2019. V. 67. P. 374–384.
  39. Kumar K.S., Reddy B.E. Wound image analysis classifier for efficient tracking of wound healing status // International Journal of Image, Graphics and Signal Processing. 2014. V. 5. P. 15–27.
  40. Eskov V.M., Eskov V.V., Vochmina Y.V., Gorbunov D.V., Ilyashenko L.K. Shannon entropy in the research on stationary regimes and the evolution of complexity // Moscow University Physics Bulletin. 2017. V. 72. P. 309-317.
  41. Wu Y., Zhou Y., Saveriades G., Agaian S., Noonan J.P., Natarajan P. Local Shannon entropy measure with statistical tests for image randomness // Information Sciences. 2013. V. 222. P. 323-342.
  42. Kamarainen J.K., Kyrki V., Kalviainen H. Invariance properties of Gabor filter-based features-overview and applications // IEEE Transactions on Image Processing. 2006. V. 15. No 5. P. 1088-1099.
  43. Grigorescu S. E., Petkov N., Kruizinga P. Comparison of texture features based on Gabor filters // IEEE Transactions on Image Processing. 2002. V. 11. No 10. P. 1160-1167.
  44. Biswas T., Fauzi A., Abas F.S. Superpixel Classification with color and texture features for automated wound area segmentation // Proceedings of the 2018 IEEE 16th Student Conference on Research and Development (SCOReD). Selangor, Malaysia. 2018. P. 1–6.
  45. Shin H.C., Roth H.R., Gao M., Lu L., Xu Z. et al. Deep convolutional neural networks for computer-aided detection: CNN architectures, dataset characteristics and transfer learning // IEEE Transactions on Medical Imaging. 2016. V. 35. No 5. P. 1285–1298.
  46. Demyanov S., Chakravorty R., Abedini M., Halpern A., Garnavi R. Classification of dermoscopy patterns using deep convolutional neural networks // IEEE international symposium on biomedical imaging. 2016. P. 364–368.
  47. Edsberg L.E., Black J.M., Goldberg M., McNichol L., Moore L., Sieggreen M. Revised National Pressure Ulcer Advisory Panel Pressure injury staging system // Journal of Wound, Ostomy and Continence Nursing. 2016. V. 43. No P. 585-597.
  48. Pressure Injury Images Dataset (PIID) // Электронный ресурс. URL: https://github.com/FU-MedicalAI/PIID (дата обращения: 21.06.2024).
  49. Ay B., Tasar B., Utlu Z., Ay K., Aydin G. Deep transfer learning-based visual classification of pressure injuries stages // Neural Computing and Applications. 2022. V. 34. P. 16157-16168.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».