Результат интеллектуальной деятельности: Способ распознавания пигментных новообразований кожи

Изобретение относится к области медицины и может быть использовано для диагностики новообразований кожи.

Актуальной на современном этапе для врачей дерматовенерологов является задача диагностики и лечения новообразований кожи. По данным отечественных исследований доля новообразований кожи в структуре первичной обращаемости к дерматологу составляет от 16 до 24,9% [Сергеев Ю.Ю., Мордовцева В.В., Сергеев В.Ю. Меланома кожи в практике дерматолога. Фарматека. 20171; №17: 67-72].

Особое место среди новообразований занимает меланома кожи. Меланома является злокачественной опухолью, которая возникает из-за неконтролируемой пролиферации клеток, продуцирующих меланоциты. [Tsatmali М, Ancans J, Thody AJ. Melanocytefunctionandits control by melanocortin peptides. J HistochemCytochem. 2002; 50(2): 125-33]. Меланома занимает уникальное место среди злокачественных новообразований кожи, так как, одной стороны, некоторые формы данной опухоли способны быстро метастазировать, приводя к гибели пациента, а сдругой стороны, образования на коже доступны для непосредственного обнаруженияи своевременное удаление сопровождается хорошим долгосрочным прогнозом. Исследования указывают на 82-97% 10-летнюю выживаемость пациентов с толщиной удаленной меланомы кожи не более 1 мм [Vecchiato A., ZontaE., CampanaL., Dal Bello G., Rastrelli M., Rossi CR., Alaibac M. Long-termsurvivalofpatientswithinvasiveultra-thincutaneousmelanoma: asingle-centerretrospectiveanalysis. Medicine. 2016; 95 (2): e2452].

За последние несколько десятилетий был отмечен неуклонный рост заболеваемостью меланомой [Whiteman DC, Green AC, Olsen CM. The growing burden of invasive melanoma: Projections of incidence rates and numbers of new cases in six susceptible populations through 2031. J Investig Dermatol. 2016; 136(6):1161-71].

Ежегодно отмечается прирост заболеваемости меланомой на 4-6% у лиц со светлым фототипом кожи, которые проживают в таких регионах, как Россия, Северная Америка, Северная Европа, Австралия и Новая Зеландия [Kosary CL, Altekruse SF, Ruhl J, Lee R, Dickie L. Clinical and prognostic factors for melanoma of the skin using SEER registries: Collaborative stage data collection system, version 1 and version 2. Cancer. 2014; 120Suppl 23:3807-14] [Stang A, Pukkala E, Sankila R, Soderman B, Hakulinen T. Time trend analysis of the skin melanoma incidence of Finland from 1953 through 2003 including 16,414 cases. Int J Cancer. 2006; 119(2): 380-4].

По данным Российского Центра информационных технологий иэпидемиологических исследований в области онкологии за 2016 год число умерших от меланомы кожи составило 1710 человек (прирост 28% за 10 лет), число же впервые установленных диагнозов меланомы кожи - 4076 (прирост 51% за 10 лет). Необходимость совершенствования в первую очередь диагностики меланомы кожи очевидна при сравнении структуры впервые установленных диагнозов злокачественных новообразований кожи, в которой меланома кожи занимает всего 14%, и структуры умерших, в которой доля меланомы кожи преобладает и составляет 69%.

Разнообразие клинических проявлений нозологических форм требует большого опыта и специальных знаний для проведения их дифференциальной диагностики. Доброкачественные меланоцитарные невусы, ряд немеланоцитарных новообразований (себорейныйкератоз, базальноклеточный рак, дерматофиброма, ангиокератома) могут имитировать меланому. Недостаточная подготовка в области дерматоскопии, ошибки проведения осмотра, клиническая гипердиагностика, расхождения при трактовке гистологических препаратов приводят к позднему выявлению и неблагоприятному прогнозу в большинстве случаев [Сергеев Ю.Ю., Мордовцева В.В. Скрининг рака кожи в амбулаторных условиях. Кремлевская медицина. Клинический вестник. 2018; №1: 84-88].

Появление доступной цифровой системы для проведения дерматоскопии открывает новые горизонты в решении целого ряда задач диагностики с использованием информационных технологий. Среди них: оптимизация осмотра кожных покровов с картированием новообразований и получением снимков высокого разрешения, организация динамического наблюдения на основе стандартизованных изображений, внедрение телемедицины и дистанционного обучения, а также разработка эвристических систем поддержки принятия врачебных решений (искусственный интеллект).

Современные подходы к распознаванию изображений новообразований кожи основываются на количестве, расположении и описании элементов новообразования, таких как «линии», «псевдоподии», «круги», «комки», «точки» и т.д. Поэтому выделение и описание областей элемент пигментного новообразования кожи является важным этапом при диагностике новообразований кожи.

Таким образом, важнейшим на данный момент является разработка подхода для установления количественной оценки и получения степени злокачественности новообразования кожи.

Известен способ «Способ дифференциальной диагностики меланоцитарных новообразований кожи» [Патент РФ №2385494] Изобретение относится к медицине, в частности к дерматологии. Выполняют спектрофотометрический интрадермальный анализ. Способ за счет специфичности используемых показателей, позволяет проводить дифференциальную диагностику с доброкачественными меланоцитарными новообразованиями кожи, а также дифференциальную диагностику меланомы кожи с заболеваниями немеланоцитарного генеза.

Однако предложенный способ не позволяет определять тип фрагмента структуры новообразования кожи как линии, круги, комки, точки, сетчатость, необходимые для установления количественной оценки и получения степени злокачественности новообразования кожи.

Известен способ «Автоматическое определение признаков для диагностики злокачественной меланомы» [Патент US №7689016 В2]. Способ автоматического определения границы между поражением кожи и окружающей кожей на цифровом изображении поражения кожи, включающий: предварительная обработка изображения для идентификации пикселей, которые представляют собой объекты, отличные от кожи и поражения.

Данный способ определяет только область где находит злокачественное новообразования и нет сведений о анализе внутренних структур новообразования для получения степени злокачественности.

По мнению заявителя, наиболее близких аналогов заявленного решения не обнаружено.

Технический результат предлагаемого изобретения заключается в расширении функциональных возможностей за счет измерения цветовых, текстурных и морфологических характеристик области структур, таких как линия, псевдоподии, круги, комки, точки, сетчатость, соответствующей пигментным областям на изображениях для установления количественной оценки и получения степени злокачественности новообразования кожи.

Указанный технический результат заявленного решения достигается в способе распознавания пигментных новообразований кожи, за счет получения цветного изображения с поверхности кожи и последующим выделением фрагментов структур, таких как линии, круги, комки, точки, сетчатость, посредствам анализа областей полученного изображения на основе сканирования строк, пороговых и бинарных операций, после чего проводят процедуру распознавания фрагментов структур путем сравнения с эталонами для установления типа фрагмента структуры, затем на основе пространственно-яркостного распределения во фрагменте структуры, проводится измерение характеристик, а также морфологических характеристик по фрагменту структуры, на основе полученных измерений формируют числовые вектора признаков для проведения классификации структур и устанавливают количественные оценки степени злокачественности новообразования кожи с последующим принятием клинических решений и адекватного подбора терапевтических схем лечения у пациентов с меланомой кожи.

В частном случае цветное изображение получают с дерматоскопа.

В другом частном случае для проведения классификации используется метод k-ближайших соседей.

В следующем частном случае измерения характеристик фрагмента структуры проводится на основе пространственно-яркостного распределения по матрице пространственной смежности, матрицы длин серий, пикселей минимального, максимального, среднего значения яркости, размах по яркости и среднеквадратическое отклонение яркости для компонент цветовых моделей из ряда RGB и HSV.

Технические средства для реализации способа полнофункциональная цифровая система для фотодерматоскопии РДС-2 для получения изображения и компьютерная система для выполнения предложенного способа проводилась на базе компьютера Intel(R) Core(TM) i5-3450 CPU @ 3.10 GHz 3.10 GHz 4GB RAM Windows 7,

В качестве входных данных программы выступают дерматоскопические изображения:

• Размеры: 2560x1920 пикселей

• Глубина цвета: 24 бита

• Формат: jpg

Ниже приведен пример конкретной реализации предложенного способа.

Предлагаемый способ состоит выделения пигментного новообразования и анализа фрагментов структур с последующим определение степени злокачественности пигментного новообразования.

Этап 1 автоматизированное выделение новообразований кожи (фиг. 1 пунктирные линии - автоматизированное описание новообразования кожи осуществляется следующим образом):

• (1→2): задается дерматоскопическое изображение (ДИ), которое загружается в систему (фиг.2).

• (3→4): ДИ преобразуется к максимально информативному изображению для дальнейших алгоритмов обработки

• (5→6): ДИ изображение испытывает предобработку посредствам анализа областей изображения на основе сканирования строк, пороговых, бинарных операций, а также процедуры анализа связанных областей, результатом которой являются координаты выделенных сегментов. Обратите внимание, что предобработка не настраивается пользователем и является автоматической.

• (7а+7б→8): Обеспечивает описание всех выделенных областей (фиг.3 выделение области новообразования кожи и внутренних структур), используя исходное ДИ и координаты сегментов. Результаты заносятся в таблицу, строчками которой будут описания сегментов, а колонками - их признаки.

• (9→13а): Классификатор, в режиме применения, производит классификацию сегментов. Результатом будут метки классов сегментов.

• (13а→13б): Зная метки классов сегментов, нужно будет провести объединение однотипных сегментов.

• (15а+15б→16): Конечная визуализация сегментов на исходном изображении.

Этап 2: автоматизированное выделение элементов новообразований кожи (фиг.4 пунктирные линии - автоматизированное описание):

• 1→2: Пользователь задает файловый путь к ДИ через интерфейс.

• 2→3: Далее происходит загрузка ДИ в оперативную память.

• 3→5: ДИ испытывает ряд преобразований (4), целью которых является получение координат центрального сегмента, который в большинстве случаев является сегментом в новообразовании кожи.

Берется синий план ДИ.

Данный план бинаризуется по Отсу.

Полученные одноцветные сегменты объединяются (сливаются) с соседствующими сегментами, если их площадь меньше заданного порога.

Из полученных сегментов выбирается центральный (т.е. тот, кому принадлежит точка {ширина/2, высота/2}).

• 3,5→6: Используя координаты центрального сегмента, программа получает изображение центрального сегмента на фоне (или в виде пары "изображение-маска").

• 6→8: Изображение центрального сегмента испытывает ряд преобразований (7), целью которых является получение координат элементов пигментного новообразования.

• 6,8→9: Используя координаты элементов новообразований кожи, программа получает изображение новообразования кожи с выделенными элементами (фиг. 5 изображения с точками, фиг. 6 пигментной сетью, фиг. 7 точек и глобул, фиг. 8 точек и глобул, фиг. 9 сетчатой структуры новообразования кожи).

• 9→10: Отображение результатов выделения на монитор.

Далее проводится на основе результатов 6 и 8, полученного в автоматизированном выделении элементов новообразований кожи

• 1→11: Пользователь задает имя сохраняемого файла.

• 6,8→12: На основании координат ЭПНК и изображения центрального сегмента производится расчет признаков: число соседних сегментов, площадь, средние яркости и СКО внутри и вне сегмента (по синему каналу), а также радиальная цветовая асимметрия при разных функциях штрафа (по синему каналу).

• 12→13: Составление матрицы объектов-признаков.

• 11,13→14: Сохранение матрицы в виде CSV файла по заданному пользователем имени.

Точность выделения границ составляет 82%. Точностные характеристики обученной модели на тестовом наборе для классов: "benign" - 74%, "malignant"-75%. Среднее значение составило 74%.

В результате предложенный способ позволяет по сформированным числовым векторам признаков с получением количественной оценки по фрагментам структур, таких как линии, кругу, комки, точки, сетчатость установить степень злокачественности новообразования кожи с точностью 74% для принятия клинических решений и адекватному подбору терапевтических схем лечения у пациентов с меланомой кожи.