SAMODEJNO UGOTAVLJANJE BOLEZENSKIH SPREMEMB Z AVTOFLUORESCENČNO BRONHOSKOPIJO
Notice bibliographique
Résumé
Na podrocju obdelave slik se za razpoznavanje objektov v zadnjih letih vse pogosteje uporablja barvna informacija. Segmentacija oziroma razclenjevanje ter klasifikacija oziroma razvrscanje sta kljucna postopka obdelave slik, pomembna za pravilno dolocanje, analizo in interpretacijo slikovne vsebine. Informacijska vsebina medicinskih slik je kljucnega pomena za odkrivanje in razumevanje normalnih in bolezenskih stanj cloveskega organizma. Kakovost slikovno podprtih medicinski preiskav je v veliki meri odvisna od tehnike zajema slik, interpretacije vsebine slik ter od raziskovalnega oziroma medicinskega okolja, ki vzpodbuja zajemanje slik in njihovo uporabo. Rak na pljucih je ena izmed najpogostejsih vrst raka pri cloveku z najvisjo stopnjo smrtnosti zaradi prepoznega odkritja bolezni v stadiju, ko ni vec operabilen zaradi lokalne in sistemske razsirjenosti. V medicinski stroki se vedno ni dovolj dobre diagnosticne metode, s katero bi lahko bolezen odkrili v zgodnejsi, zacetni fazi bolezni, ko je se možna ozdravitev. Razvoj avtofluorescencne bronhoskopije je obetal najucinkovitejso metodo za zgodnje odkrivanje raka na pljucih in prekanceroz. S postopki in napredkom digitalne obdelave slik v medicini je predvideno, da se bo možnost za napake zmanjsala in s tem celotna diagnoza izboljsala. Namen nase raziskave je povecanje diagnosticne senzitivnosti in specificnosti avtofluorescencne bronhoskopije (AFB) s postopki digitalne obdelave slik ter s strojnim ucenjem prepoznavanja med nemalignimi lezijami in med prekancerozami in rakom na sluznici spodnjih dihalnih poti na AFB slikah. V tej raziskavi smo vkljucili AFB slike bronhialne sluznice, pridobljene na AFB napavi LIFE (Xillix Technology, Vancouver, BC) v Univerzitetnem klinicnem centru (UKCL) na Klinicnem oddelku za pljucne bolezni in alergijo v Ljubljani. Slike smo grupirali v tri pomembne skupine, kot so normalna sluznica, sumljiva podrocja prekanceroze in pljucni rak, pri cemer je na vsaki sliki narejena biopsija in imamo histopatoloski rezultat. V disertaciji predstavljamo razvoj sistema za samodejno ugotavljanje bolezenskih sprememb z AFB in metodologijo za izboljsanje AFB. Raziskali smo, kako uporabiti postopke detekcije in strojnega ucenja za samodejno interpretacijo rezultatov na AFB slikah. Nas cilj je bila izbira kombinacije obeh postopkov, s katerimi smo zgradili celoten model interpretacije rezultatov na omenjenih slikah, ki naj bi izboljsal preiskavo v smeri zgodnejsega odkrivanja pljucnega raka. Model smo zgradili z omenjenima postopkoma na podlagi diagnosticnih podatkov (histopatoloski podatki) in pripadajocih odlocitev specialistov bronhoskopije. Natancnost dolocanja sumljivih podrocij na AFB slikah je bistvenega pomena za nadaljno analizo. V predstavljenem postopku smo poizkusili izboljsati iskanje podrocij s predhodnim filtriranjem AFB slike. Na ta nacin izkoristimo dobre lastnosti neizotropnega filtriranja in Cannyjevega postopka iskanja robov, kot sta neobcutljivost na lokalne slikovne elemente in relativno majhna racunska zahtevnost. Poleg lokalnih majhnih podrocij, ki jih s postopkom lahko izlocimo iz slik, imamo tudi možnost odkrivanja in odstranjevanja morebitnih napak. Sumljiva podrocja prekanceroze in malignoma na AFB slikah smo izbrali iz predhodno razclenjenih slik z uporabo podatkov o normi razclenjevanja (GT) (angl. Ground Truth) in nasim predlaganim postopkom za dolocitev sumljivih podrocij. Primerjali smo dve metodi za dolocitev znacilk. Prva metoda uporablja teksturne znacilke na izbranem podrocju, ki izhajajo iz matrike vezanih verjetnosti sivin (GLCM). Druga metoda pa izhaja iz znacilk na histogramu slike ter Gaussove porazdelitve slikovnih elementov. Za razvrscanje vzorcev med sumljivimi vzorci in vzorci malignoma smo izbrali optimalno množico znacilk, ter uporabili tri razvrscevalnike in sicer naivni Bayes, k-NN razvrsevalnik ter razvrscevalnik z metodo podpornih vektorjev (SVM). Pri slednjem smo dobili najboljse rezultate. Uspesnost binarnih razvrscevalnih postopkov smo merili z razlicnimi merami, kot so natancnost, senzitivnost, specificnost in povrsina pod krivuljo (AUC). Obe metodi težita k temu, da bi izboljsali senzitivnost in specificnost metode z zmanjsanjem lažno negativnih rezultatov kot lasno pozitivnih rezultatov in s tem zmanjsali veliko nepotrebnih biopsij bronhialne sluznice zaradi suma na maligno obolenje. Prva metoda je casovno in racunsko bolj zahtevna od druge. Za primerjavo obeh metod in rezultatov smo uporabili Wilcoxonov test predznacenih rangov. Za preverjanje nicelne hipoteze, da se primerjani metodi v svoji natancnosti bistveno ne razlikujeta, smo izbrali stopnjo zaupanja (_ = 0.05) in poiskali pripadajoco vrednost p. Koncni rezultat, katera je statisticno bolj ucinkovita, pa nam je dalo testiranje statisticnih hipotez. V nasem primeru smo dobili signifikantno vrednost pod vrednostjo zaupanja, kar je potrdilo, da je nasa predlagana metoda ucinkovitejsa. Dobljeni rezultati iz predlaganega in razvitega sistema se izkažejo kot uporabni za samodejno dolocanje tipa bolezni na AFB slikah. Predlagana metoda bo izboljsala diagnosticno natancnost, izboljsala specificnost ter posledicno zmanjsala stevilo nepotrebnih biopsij pri diagnozi malignih podrocij. Predlagani racunalniski sistem za odkrivanje malignih podrocij na AFB slikah bo lahko v veliko oporo preiskovalcem.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».