پیشرفت های اخیر در پردازش تصویر به طور قابل توجهی بهبود یافته است تشخیص و طبقه بندی توده های بافت نرم در تصویربرداری از سونوگرافی، این پیشرفت های تکنولوژیکی برای تشخیص زود هنگام و برنامه ریزی موثر در درمان پزشکی بسیار مهم است.با استفاده از یادگیری ماشین، تقسیم بندی پیشرفته و تجزیه و تحلیل بافت، سیستم های سونوگرافی مدرن در حال حاضر دقت و تکرار، کاهش بار در رادیولوژیست ها و بهبود نتایج بیمار.

بررسی چالش های تصویربرداری از سونوگرافی

سونوگرافی یک روش تصویربرداری گسترده برای ارزیابی توده های بافت نرم به دلیل ایمنی، مقرون به صرفه بودن و قابلیت های زمان واقعی است، با این حال، تفسیر تصاویر سونوگرافی به دلیل نویز ذاتی، مصنوعات حسی، وابستگی سایه و تنوع در محدودیت های مولکولی چالش برانگیز است.

تکنیک های پردازش تصویر کلیدی

کاهش و کاهش اسپک

سر و صدای Speckle، یک الگوی دانه ای که توسط مداخله موج منسجم ایجاد شده است، کیفیت تصویر را کاهش می دهد و مانع از دید lesion می شود. روشهای کلاسیک مانند فیلترینگ رسانه ای، انتشار آنژیوتروپیک و ترانسفورماتور موجی نیز برای کاهش مشخصات بافت های صوتی در حالی که حفظ لبه های اخیر استفاده از یادگیری عمیق، استفاده از شبکه های عصبی یکپارچه (CNNs) آموزش دیده شده در مورد تصاویر صوتی و فشرده (همچنین به حفظ بافت های صوتی واقعی).

افزایش تصویر و بهبود کنتراست

تکنیک های ارتقاء، ناسازگاری پیکسل را تنظیم می کنند تا تفاوت های بین توده ها و بافت های اطراف را برجسته کنند. هیستوگرام برابر سازی و کشش کنتراست تطبیقی ساده اما موثر است. روش های پیشرفته از تجزیه و تحلیل چند مقیاسی یا انتقال سبک یادگیری عمیق برای بهبود کنتراست بدون تقویت صدا استفاده می کنند.

تقسیم بندی توده های بافت نرم

تقسیم دقیق مرزهای توده ای برای اندازه گیری اندازه، حجم و مورفولوژی (LT) روش های تقسیم بندی سنتی شامل خطوط فعال (بازدید کنندگان)، مجموعه های سطح و الگوریتم های در حال رشد منطقه است، با این حال، این اغلب نیاز به راه اندازی دستی و مبارزه با شاخص های تقسیم بندی ضعیف یا نامنظم دارد، به ویژه معماری U-Net و انواع آن (توجه، پیکسل های حافظه، به طور متوسط، تصاویر نزدیک به یک نمونه های تقسیم بندی گسترده ای از تصاویر نزدیک و یا غیر قابل آموزش دیده می شود.

استخراج و تجزیه و تحلیل بافت

فراتر از شکل و اندازه، بافت بافت اطلاعات تشخیصی ارزشمندی را ارائه می دهد. Radiomics صدها ویژگی های کمی از مناطق تقسیم شده، از جمله آمار سفارش اول (mean، var)، بافت های سفارش دوم (GLCM، GLRLM)، و ویژگی های موج سازی بالاتر را استخراج می کند. کلاس درس خواندن ماشین مانند جنگل های تصادفی و ماشین های پشتیبانی سپس از این ویژگی ها برای تشخیص ویژگی های خوش خیمه ای استفاده می کنند که از تجزیه و تحلیل های منحنی سینه (C2F5) نشان می دهد.

یادگیری عمیق برای طبقه بندی

شبکه های عصبی کانولو (CNNs) طبقه بندی خودکار توده های بافت نرم را انقلابی کرده اند.مدل هایی مانند ResNet، DenseNet و کارآمدNet در داده های اولتراسوند به خوبی هماهنگ شده اند تا نمرات احتمال خروجی برای ناهمگونی داده ها (تضر، مقیاس، الاستیک) به مبارزه با داده های آموزش محدود کمک می کند.

برنامه های بالینی و تاثیر

تشخیص و طبقه بندی سینه

سرطان پستان همچنان یک علت اصلی مرگ سرطان در زنان است. سونوگرافی یک مکمل مشترک برای ماموگرافی است، به ویژه برای سینه های متراکم، سیستم های تشخیص خودکار با استفاده از سی ان می تواند مناطق مشکوک را در زمان واقعی برجسته کند، کاهش مدل های طبقه بندی از دست رفته کمک به کاهش نمرات BI-RALT، که منجر به کمتر بیوپسی های غیر ضروری است.

Thyroid Nodule Riskification

Nodules Thyroid شایع است، اما تنها یک بخش کوچک از ویژگی های بدخیم. اولتراسوند مانند echoogenicity، مارجین، calcifications و شکل در سیستم های امتیاز ریسک استفاده می شود (به عنوان مثال، ACR TI-RADS) تکنیک های پردازش تصویر خودکار و طبقه بندی، کاهش تنوع بین سرور و مدل های یادگیری عمیق که ترکیب و تصمیم گیری از این ابزار سرطان را پیش بینی می کنند.

مشخصات زدایی کبد

توده های کبدی، از جمله کارسینوم سلول های کبدی (HCC) و متاستازها، نیاز به ویژگی دقیق برای برنامه ریزی درمان دارند.دش های کنتراست (CEUS) اطلاعات تزریق پویا را فراهم می کند. پردازش تصویر پیش از و بعد از آن، استخراج منحنی شستشو / شستشو، و ضایعات کلاس با استفاده از پارامترهای تجزیه و تحلیل ماشین آلات یادگیری فشرده زمان با داده های خوش خیم و بعد از آن، داده های کبدی را بهبود می دهد.

ارزیابی و اعتبار

ارزیابی دقیق قبل از استقرار بالینی ضروری است.معیارهای مشترک برای تقسیم بندی شامل Dice (شاخص Jaccard و خطاهای فاصله محدوده ای. عملکرد طبقه بندی با استفاده از دقت، حساسیت، خاص بودن، ارزش پیش بینی مثبت (PPV)، AUC و F1score ارزیابی می شود. Cross-validation در مجموعه داده های چند مرکز کمک می کند تا اطمینان عمومی در مورد تجزیه و تحلیل های مستقل (FBUSI) را تسهیل کند.

مسیر های آینده و ادغام با AI

تحقیقات مداوم بر ادغام روش های پردازش تصویر چندگانه به سیستم های پشتیبانی بالینی جامع تمرکز می کند. Hybrid رویکرد ترکیب رادیوmics با یادگیری عمیق امیدوار کننده است. یادگیری خود نظارت بر خود باعث کاهش وابستگی به مجموعه داده های بزرگ برچسب شده است. Multimodal فیوژن (ultra Sound with mammography، MRI یا داده های بالینی) می تواند دقت بیشتری را بهبود بخشد.

به طور خلاصه، پیشرفت در پردازش تصویر - از تجزیه و تقسیم بندی به طبقه بندی یادگیری عمیق - تبدیل ارزیابی توده های بافت نرم در سونوگرافی است.این فن آوری ها به چالش های طولانی مدت در تفسیر تصویر، ارائه ارزیابی خودکار، بازتولید و بسیار دقیق است.همانطور که تحقیق و توسعه، ادغام این ابزار به وعده های معمول عمل برای ارتقاء مراقبت های استاندارد برای بیماران مشکوک با توده های بافت نرم.