Российские ученые создали систему, позволяющую точно определить границы опухоли груди

Freepik

Систему для обнаружения границ опухоли молочной железы разработали специалисты Сибирского федерального университета (СФУ) в сотрудничестве с иракскими коллегами. Разработка поможет радиологам значительно сократить время диагностики и повысить точность определения пораженных и здоровых участков. О ней «Газете.Ru» рассказали в Минобрнауки.

Сегментация опухоли молочной железы и обнаружение ее границ — важные этапы в терапии рака молочной железы и последующем наблюдении за состоянием пациенток.

«Основные задачи нашей системы — сегментация, выделение границ и измерение размеров опухолевых новообразований молочной железы. Сейчас продукт тестируется и дорабатывается», — сообщил «Газете.Ru» инженер-исследователь лаборатории искусственного интеллекта СФУ Юсиф Ахмед Хамад.

В качестве входных данных используется маммограмма молочной железы. Изображение преобразуется в оттенки серого, если оно представлено в формате RGB — адаптивной цветовой модели. Далее изображение масштабируется в соответствующую матрицу, чтобы сохранить соотношение сторон снимка. После подготовки изображение с измененным размером проходит через медианный фильтр, который минимизирует случайный шум, сохраняя при этом его заданные границы изображения.

«Фильтр шумоподавления используется для повышения качества и контрастности на этапе улучшения сканирования исходного изображения. Для усиления и выделения области инородных тел (опухоли или узелковых образований) мы использовали метод усиления контраста баланса (BCET). Сегментация и измерение медицинского изображения рекомендуется после улучшения изображения, чтобы точнее определить границы области пораженной области. Последний этап исследования — детектор Кэнни, он четко детектирует здоровые области железы и опухоли на основе разработанного метода сегментации», — объяснила «Газете.Ru» руководитель исследования, доцент кафедры систем искусственного интеллекта СФУ Анастасия Сафонова.

Сравнение нового алгоритма с широко используемыми алгоритмами нейронных сетей (SegNet и UNet) показало, что точность прогноза у нового продукта выше на 18%.