РАЗРАБОТКА АЛГОРИТМОВ ОПРЕДЕЛЕНИЯ ДИАГНОСТИЧЕСКИХ ПРИЗНАКОВ МЕЛАНОМЫ ПО ДЕРМАТОЛОГИЧЕСКИМ ИЗОБРАЖЕНИЯМ НОВООБРАЗОВАНИЙ КОЖИ

Проблема ранней диагностики меланомы кожи приобретает все большее значение в связи с ростом этого заболевания по всему миру. На долю меланомы кожи (МК), которая на сегодняшний день остаётся главной причиной смерти больных в онкодерматологии, приходится 3—5 % от всех первичных злокачественных опухолей кожи. Пигментные и пигментированные образования, под маской которых может скрываться меланома, встречаются у 90 % населения. Ежегодный прирост заболеваемости МК по данным [1] составляет 3—7 %, а летальность больных в течение первого года после установления диагноза достигает 15 %.

В связи с недостаточным количеством специалистов-онкодерматологов, ранняя диагностика меланомы кожи должна проводится в неспециализированных учреждениях типа районных поликлиник средним медицинским персоналом, что возможно только на базе компьютерных систем диагностики с встроенными алгоритмами, основанными на технологии экспертных систем, содержащих постоянно обновляющиеся базы знаний и оценок высококвалифицированных специалистов.

На консенсусной конференции по дерматоскопии в 2001 г. [2] было выделено три основных признака, отличающих меланому от других доброкачественных пигментных образований кожи: 1) асимметрия пигментации и строения; 2) наличие бело-голубых структур; 3) атипичная пигментная сеть. Эти признаки достаточно просто могут быть определены методами компьютерного анализа изображений.

Первым признаком при трёхмерном шкалировании является асимметрия новообразования. Для определения наличия асимметрии необходимо выделить его границу. Необходимым этапом анализа изображений является предобработка, которая заключается в переводе исходного изображения (рис. 1а) из цветного трёхканального представления RGB в чёрно-белое (рис. 1б) согласно выражению (1),

                             (1)

где: I — интенсивность пикселя в чёрно-белом представлении; R, G, B — интенсивности пикселя в красном, зелёном, синем каналах, соответственно

Рисунок 1. a) Исходное изображение, б) результат конвертации

Дальнейшим шагом является выделение перепадов яркости, характерных для границы между новообразованием и окружающей кожей. Используя лапласиан гауссиана (2),

                                (2)

где:  — размеры сканирующей маски;  – стандартное отклонение распределения Гаусса;  — коэффициент, вычисляемый по выражению (3),

                                       (3)

и некоторые операции бинарной морфологии, мы получили границу новообразования, представленную на рис. 2.

Рисунок 2. Граница новообразования

Для вычисления асимметрии был использован подход на основе анализа круговой развёртки изображения относительно «центра масс», координаты которого вычисляются согласно выражениям

                                                   (4)

                                                   (5)

(N — общее число пикселей в объекте).

Далее с необходимым шагом угла определяем попавшие в близкий к лучу сектор пиксели и вычисляем расстояние от центра масс до ближайшего и наиболее удалённого пикселя в секторе рис. 3. После, используя значения расстояний, строим развёртку и подвергаем её дальнейшему анализу, акцентируя внимание на степень изменения значений расстояний и плавность изменения рис. 4.

Рисунок 3. Ближайшие и наиболее удалённые пиксели границы

Рисунок 4. Зависимость расстояния до крайних пикселей от угла

Вторым признаком является наличие на изображении бело-голубых структур. На первом этапе из проанализированных и размеченных врачами-дерматологами фотографий было сгенерировано два контрольных изображения, используя явно выраженные доброкачественные участки рис. 5а и участки бело-голубых структур рис. 5б.

Рисунок 5. Контрольные изображения для доброкачественных участков а) и участков с бело-голубыми структурами б)

Далее эти изображения конвертируем из цветовой системы RGB в систему HSV в виду того, что данная система имеют более удобное представление о цветности. Используя значения H-, S-, V — компонент как значения координат в трёхмерном пространстве, были построены две поверхности для контрольных изображений (рис. 6).

Из рис.6 видно, что эти области хорошо разделимы, и, при необходимости, может быть проведена кластеризация преобразованных пикселей.

Далее пиксели изображения, подвергаемого диагностике, конвертируются в HSV тем же образом. Все пиксели аналогично выстраиваем в пространстве в соответствии со значениями их H-, S-, V — компонент. Анализируем координаты и при условии попадания значительного числа пикселей в область бело-голубых структур диагноз по этому признаку устанавливается.

Рисунок 6. Трёхмерные области для доброкачественных участков а) и участков с бело-голубыми структурами б)

Заключительным признаком при трёхмерном шкалировании меланомы является атипичная пигментная сеть [3]. Различают типичную пигментную сеть, которая характеризуется от светло- до тёмно-коричневым цветом с малыми равномерно расположенными отверстиями в сети и тонкими линиями. Под атипичной пигментной сетью понимают сеть чёрного, коричневого или серого цвета с нерегулярными отверстиями и тонкими линиями.

Первым этапом для выявления наличия пигментной сети является выделение краёв новообразования. Для этого исходное изображение (рис. 7а) подвергается фильтрации с использованием лапласиана гауссиана, согласно выражению (2). Дальнейший анализ отклика фильтра (рис. 7б) производится с целью отделения незамкнутых областей, которыми могут являться шумы либо незамкнутые граничные участки ячеек сети вблизи периферии пигментной сети новообразования.

Анализируя хроматические особенности выделенных замкнутых областей, отсеиваем те ячейки сети, яркости которых не лежат в удовлетворяющем нас диапазоне.

Нижняя граница диапазона необходима для того, чтобы исключить из анализа точки и глобулы, имеющие коричневый, черный, коричневатый или голубо-черный цвета. Верхняя — для исключения влияния бликов, образуемых при иммерсионном методе дерматоскопии. Результатом исключения является набор замкнутых областей, соответствующий ячейкам пигментной сети (рис. 7в).

Дальнейшим этапом следует классификация отдельных ячеек от пигментной сети. Для этого определяем плотность расположения ячеек следующим образом: полученные элементы используем как вершины графа и анализируем степень их взаимосвязи по выражению

                                                 (6)

где: P — плотность сети; R — количество рёбер в графе; V — количество вершин (количество элементов после фильтрации); S — размер новообразования в пикселях. При этом рёбра считаются связанными, если расстояние между вершинами графа не превышает утроенного среднего диаметра выделенных ячеек. Таким образом, выделенные ячейки, при условии их близкого взаимного расположения и достаточном их количестве на поверхности новообразования, объединяются в единую сеть (рис. 7г).

После определения наличия пигментной сети на новообразовании проводится ее классификация на атипичную и типичную сети.

Работа финансировалась грантом 1S-139 по проекту LLB 2-242 “Improvement of the health service by means of IT technology in dermal and lungs cancer diagnostics” программы Трансграничного сотрудничества Латвия-Литва-Беларусь (Европейский инструмент добрососедства и партнерства 2007—2013 гг.).

Рисунок 7. Исходное изображение новообразования (а). Результат фильтрации лапласианом гаусиана (б). Зоны, удовлетворяющие хроматическим особенностям (в). Выделенная пигментная сеть (г)

Список литературы:
1.    Панкратов В.Г. Дерматоскопия пигментных образований кожи — неинвазивный тест для дифференциальной диагностики меланомы кожи с другими пигментированными новообразованиями (Обзор литературы) / В.Г. Панкратов, А.А. Ревотюк // Медицинские новости. — 2011. — № 4. — С. 6—12.
2.    Argenziano G, Soyer H.P., Chimenti S. et al. Dermoscopy of pigmented skin lesions: results of a consensus meeting via the internet. J Am Acad Dermatol 2003; 48:679—93.
3.    M. Sadeghi, M. Razmara, T. Lee, and M. Atkins. A novel method for detection of pigment network in dermoscopic images using graphs. Computerized Medical Imaging and Graphics, 35(2):137—143, 2011.