Σχεδιασμός και κατασκευή λογισμικού επεξεργασίας και ανάλυσης εικόνας για εφαρμογές μικροσκοπίας

Abstract

Ένα σημαντικό μέρος της κλινικής έρευνας αποτελεί η διάγνωση καρκινικών όγκων στον εγκέφαλο. Το πρόβλημα αυτό παραμένει μέχρι και σήμερα ένα αντικείμενο μεπληθώρα μελετών και ερευνών σχετικά με την αντιμετώπισή του. Υπάρχει μια σημαντική και αρκετά συνηθισμένη περίπτωση καρκίνου του εγκεφάλου, η οποία ανήκει σε μια ομάδα νευρογλοιακών κυττάρων, τα αστροκύτταρα Ο καρκίνος αυτός ονομάζεται αστροκύτωμα και μπορεί να εμφανιστεί σχεδόν σε όλα τα μέρη του εγκεφάλου. Η παρούσα διπλωματική εργασία αποσκοπεί στη δημιουργία ενός λογισμικού το οποίο πραγματεύεται την επεξεργασία, ανάλυση και ταξινόμηση εικόνων που σχετίζονται με το αστροκύτωμα, με απώτερο στόχο την εκτίμηση του επιπέδου κακοήθειας. Για την υλοποίηση της συγκεκριμένης μεθόδου, αποκτήθηκαν ιστοπαθολογικές εικόνες με H&E χρώση, από μια βάση δεδομένων που έχει δημιουργηθεί από προηγούμενες δουλειές στο παρελθόν. Η δημιουργία του κώδικα έγινε σε περιβάλλον MATLAB. Οι εικόνες αρχικά τροποποιήθηκαν έτσι ώστε να διορθώνεται το πρόβλημα της ανομοιογένειας στον φωτισμό, κάτι που αποτελεί φυσικό πρόβλημα στην απόκτηση ψηφιακών εικόνων από μικροσκόπιο. Στη συνέχεια έγινε τμηματοποίηση των πυρήνων με ειδικούς αλγορίθμους, προκειμένου να γίνει εξαγωγή μορφολογικών χαρακτηριστικών και χαρακτηριστικών υφής πρώτης και δεύτερης τάξης. Τα χαρακτηριστικά που εξήχθησαν, διαχωρίστηκαν σε δύο ξεχωριστές κλάσεις, μια για την κατηγορία των εικόνων χαμηλής κακοήθειας και μια για τις εικόνες υψηλής κακοήθειας με σκοπό την ταξινόμησή τους. Η διαδικασία της ταξινόμησης περιλαμβάνει την εύρεση των μέγιστων ακριβειών στην εκπαίδευση τεσσάρων διαφορετικών ταξινομητών, με συνδυασμούς των χαρακτηριστικών που εξήχθησαν μέχρι και ανά πέντε. Αυτό έγινε σύμφωνα με την μέθοδο της εξαντλητικής αναζήτησης και της μεθόδου επικύρωσης leave-one-out, έτσι ώστε να εξεταστούν όλα τα δυνατά ενδεχόμενα ταξινόμησης. Οι ταξινομητές που χρησιμοποιήθηκαν είναι ο k-Nearest Neighbor (KNN), o Minimum Distance (MD), o Bayesian και ένα Probabilistic Neural Network (PNN). Η τελική ταξινόμηση μιας άγνωστης εικόνας περιλαμβάνει τον συνδυασμό των τριών ταξινομητών με τη μέγιστη ακρίβεια παρέχοντας μια πλειοψηφία για την απόφαση της διάγνωσης (majority voting). Τα αποτελέσματα έδειξαν ότι οι ταξινομητές με τις μεγαλύτερες ακρίβειες ήταν ο Bayesian με ακρίβεια 95%, το PNN με ακρίβεια 93.3% και ο KNN με ακρίβεια 75%, παρέχοντας μια μέση ακρίβεια στο 87.8%. Σύμφωνα με τα αποτελέσματα αυτά, η συγκεκριμένη μέθοδος που υλοποιήθηκε αποδεικνύεται αρκετά αξιόπιστη, δίνοντας τη δυνατότητα της εφαρμογής της και σε ιστοπαθολογικές εικόνες με διαφορετικούς τύπους καρκίνου. Σχετικά με τις πιθανές βελτιώσεις, υπάρχει μεγάλο περιθώριο βελτίωσης της τεχνικής αυτής, μέσω της απόκτησης περισσότερων εικόνων και με την εξαγωγή περισσότερων χαρακτηριστικών, όπως τα χαρακτηριστικά αρχιτεκτονικής.