Медицинская Техника / Медицинская техника №3, 2025 / с. 32-36

Классификация тканей молочной железы на ультразвуковых изображениях

Д.В. Пасынков, И.А. Егошин, А.А. Колчев, И.В. Клюшкин, О.О. Пасынкова

Аннотация

Рассматривается задача классификации различных видов тканей молочной железы на цифровых ультразвуковых изображениях. Предлагается методика классификации на основе применения классификатора случайного леса, где в качестве признаков изображения используются собственные значения матрицы Гессе и дескриптор локальных бинарных шаблонов. Проведена оценка эффективности предложенной методики. Разработанная методика обеспечивает приемлемое с клинической точки зрения классифицирование нормальных тканей молочной железы.

Вернуться к содержанию

Сведения об авторах

Дмитрий Валерьевич Пасынков, д-р мед. наук, доцент, зав. кафедрой, кафедра лучевой диагностики и онкологии, ФГБОУ ВО «Марийский государственный университет», г. Йошкар-Ола, ассистент, кафедра ультразвуковой диагностики, Казанская государственная медицинская академия – филиал ФГБОУ ДПО «Российская медицинская академия непрерывного профессионального образования» Министерства здравоохранения Российской Федерации, г. Казань,

Иван Александрович Егошин, мл. научный сотрудник, научно-исследовательский сектор, ФГБОУ ВО «Марийский государственный университет», г. Йошкар-Ола,

Алексей Анатольевич Колчев, канд. физ.-мат. наук, доцент, кафедра радиоастрономии, ФГАОУ ВО «Казанский (Приволжский) федеральный университет»,

Иван Владимирович Клюшкин, д-р мед. наук, профессор, кафедра общей хирургии, ФГБОУ ВО «Казанский государственный медицинский университет» Министерства здравоохранения Российской Федерации, г. Казань,

Ольга Олеговна Пасынкова, канд. мед. наук, доцент, кафедра фундаментальной медицины, ФГБОУ ВО «Марийский государственный университет», г. Йошкар-Ола,

e-mail: jungl91@mail.ru

Список литературы

1. Jieyi Liu, Changchun Li, Liping Liu et al. Speckle noise reduction for medical ultrasound images based on cycle-consistent generative adversarial network // Biomedical Signal Processing and Control. 2023. Vol. 86. Part A. 105150.

2. Kolchev A.A., Pasynkov D.V., Egoshin I.A., Kliouchkin I.V., Pasynkova O.O. Classification of benign and malignant solid breast lesions on the ultrasound images based on the textural features: The importance of the perifocal lesion area // Computer Optics. 2024. Vol. 48. № 1. PP. 157-165.

3. Lal B.K., Hobson R.W., Pappas P.J. et al. Pixel distribution analysis of b-mode ultrasound scan images predicts histologic features of atherosclerotic carotid plaques // Journal of Vascular Surgery. 2002. Vol. 35. № 6. PP. 1210-1217.

4. Hashimoto H., Tagaya M., Niki H., Etani H. Computer-assisted analysis of heterogeneity on B-mode imaging predicts instability of asymptomatic carotid plaque // Cerebrovascular Diseases. 2009. Vol. 28. № 4. PP. 357-364.

5. Xing J., Li Z., Wang B. et al. Lesion segmentation in ultrasound using semipixel-wise cycle generative adversarial nets // IEEE/ ACM Transactions on Computational Biology and Bioinformatics. 2020. Vol. 18. № 6. PP. 2555-2565.

6. Shan C., Tan T., Han J. et al. Ultrasound tissue classification: A review // Artificial Intelligence Review. 2021. Vol. 54. № 2. PP. 3055-3088.

7. Juhwan Lee, Yoo Na Hwang, Ga Young Kim et al. Automated classification of dense calcium tissues in gray-scale intravascular ultrasound images using a deep belief network // BMC Medical Imaging. 2019. Vol. 19. № 1. PP. 1-13.

8. Shengfeng Liu, Yi Wang, Xin Yang et al. Deep learning in medical ultrasound analysis: A review // Engineering. 2019. Vol. 5. № 2. PP. 261-275.

9. Zhang E., Seiler S., Chen M. et al. BIRADS features-oriented semi-supervised deep learning for breast ultrasound computer- aided diagnosis // Physics in Medicine and Biology. 2020. Vol. 65. № 12. Art. 125005.

10. Latha S., Dhanalakshmi S., Kumar R. Carotid artery ultrasound image analysis: A review of the literature // Proceedings of the Institution of Mechanical Engineers: Journal of Engineering in Medicine. 2020. Vol. 234. № 5. PP. 417-443.

11. Чистяков С.П. Случайные леса: обзор // Труды Карельского научного центра РАН. 2013. № 1. С. 117-136.

12. Zhou C., Chan H.-P., Sahiner B. et al. Automatic multiscale enhancement and segmentation of pulmonary vessels in CT pulmonary angiography images for CAD applications // Medical Physics. 2007. Vol. 34. № 12. PP. 4567-4577.

13. Bedi A.K., Sunkaria R.K., Randhawa S.K. Local Binary Pattem Variants: A Review / 2018 First International Conference on Secure Cyber Computing and Communication (ICSCCC). Jalandhar, India. 2018. PP. 234-237.

14. Yaman Orhan, Yetis Hasan, Karakose Mehmet Image processing and machine learning-based classification method for hyperspectral images // The Journal of Engineering. 2021. № 2. PP. 85-96.

15. Patil R.S., Biradar N. Improved region growing segmentation for breast cancer detection: Progression of optimized fuzzy classifier // International Journal of Intelligent Computing and Cybernetics. 2020. Vol. 13. № 2. PP. 181-205.

16. Fang L., Pan X., Yao Y. et al. A hybrid active contour model for ultrasound image segmentation // Soft Computing. 2020. Vol. 24. PP. 18611-18625.