Επεξεργασία ακτινογραφιών θώρακος για την ανάλυση των επιδράσεων της νόσου COVID-19

Abstract

Σκοπός: Αντικείμενο της παρούσας διπλωματικής εργασίας είναι o προσδιορισμός των χαρακτηριστικών εικόνας που παρουσιάζουν οι πνεύμονες υπό το καθεστώς του ιού SARS-CoV-2 πριν και μετά από την επεξεργασία και ανάλυση ακτινογραφιών θώρακος περιστατικών COVID-19. Υλικό & Μέθοδοι: Η επεξεργασία των ιατρικών εικόνων έγινε με την βοήθεια εφαρμογής ανεπτυγμένη σε γλώσσα C#, με την ανάλυση εικόνας να εκτελείται από κώδικα γραμμένο σε MATLAB. Για τις ανάγκες της διπλωματικής εργασίας χρησιμοποιήθηκαν ακτινογραφίες θώρακος και οι αντίστοιχες μάσκες τους (ελεύθερα διαθέσιμες από βάση δεδομένων), οι οποίες χωρίστηκαν στις κλάσεις Covid-19 (CVD), Normal (NRM), Viral Pneumonia (VPN) και απαρτίζονται από ακτινογραφίες περιστατικών Covid-19, ακτινογραφίες φυσιολογικών πνευμόνων και ακτινογραφίες περιστατικών ιογενούς πνευμονίας αντίστοιχα. Οι κλάσεις που προαναφέρθηκαν ανήκουν στην κατηγορία των μη επεξεργασμένων ακτινογραφιών θώρακος (groupOriginal). Μια δεύτερη κατηγορία (groupProcessed) τριών κλάσεων δημιουργήθηκε και αποτελείται από τις ακτινογραφίες θώρακα των κλάσεων CVD, NRM & VPN αφού έχουν υποστεί επεξεργασία εικόνας. Η τεχνική επεξεργασίας ιατρικής εικόνας που χρησιμοποιήθηκε είναι η προσαρμοστική εξισορρόπηση ιστογράμματος περιορισμένης αντίθεσης (Contrast Limited Adaptive Histogram Equalization ή CLAHE). Αυτή η κατηγορία κλάσεων αποτελεί την κατηγορία επεξεργασμένων εικόνων και αποτελείται από τις κλάσεις Covid-19_processed (CVDp), Normal_processed (NRMp) και Viral Pneumonia_processed (VPNp) με τις επεξεργασμένες ακτινογραφίες των περιστατικών Covid-19, των φυσιολογικών πνευμόνων και των περιστατικών ιογενούς πνευμονίας αντίστοιχα. Ύστερα από εξαγωγή χαρακτηριστικών υφής και μορφολογικών χαρακτηριστικών από τις ακτινογραφίες και μάσκες κάθε κλάσης, συλλέχτηκαν συνολικά σαράντα τέσσερα (44) χαρακτηριστικά, εκ των οποίων εννέα (9) αντιστοιχούν σε μορφολογικά χαρακτηριστικά, δεκαεπτά (17) αντιστοιχούν σε χαρακτηριστικά πρώτης τάξης και δεκαοκτώ (18) αντιστοιχούν σε χαρακτηριστικά δεύτερης τάξης (οκτώ (8) χαρακτηριστικά συνεμφάνισης και δέκα (10) χαρακτηριστικά μήκους διαδρομής). Στη συνέχεια, τα δεδομένα που προέκυψαν ελέγχθηκαν ως προς την κανονικότητα τους με χρήση του τεστ Kolmogorov–Smirnov, οπού όρισε τα δεδομένα ως δεδομένα που δεν ακολουθούν κανονική κατανομή. Η επιλογή χαρακτηριστικών που εμφανίζουν στατιστική διαφορά μεταξύ των τριών κλάσεων κάθε κατηγορίας πραγματοποιήθηκε με το τεστ Kruskal–Wallis. Το πλήθος των χαρακτηριστικών που επιλέχθηκαν αριθμεί στα δεκαεννέα (19). Τέλος, διάφοροι ταξινομητές ελέγχθηκαν ως προς την αποδοτικότητα τους στις δυο κατηγορίες κλάσεων (groupOriginal και groupProcessed) χωριστά και έγινε σύγκριση μεταξύ των αντίστοιχων αποτελεσμάτων. Αποτελέσματα: Από τους ταξινομητές που ελέγχθηκαν, η μηχανή διανυσματικής στήριξης (Support Vector Machine ή SVM) Quadratic SVM παρουσίασε την καλύτερη απόδοση ταξινόμησης με ακρίβεια = 81,6%, ευαισθησία = 88% και επιφάνεια υπό της καμπύλης ROC (Area Under the Curve ή AUC) AUC = 0,94. Ο ίδιος ταξινομητής απέδωσε καλυτέρα με δεδομένα επεξεργασμένων ακτινογραφιών κατά CLAHE, παρουσιάζοντας ακρίβεια = 85,8%, ευαισθησία = 86% και AUC = 0,95. Συμπεράσματα: Η επεξεργασία ιατρικής εικόνας κατά CLAHE συνολικά επηρέασε θετικά την απόδοση του επιλεγμένου ταξινομητή, αυξάνοντας την ακρίβειά του και την τιμή της AUC, καθιστώντας πιο ακριβής την ταξινόμηση και διάγνωση περιστατικών COVID–19.