Komputerowe rozumienie obrazów wspierające diagnostykę medyczną : zarys koncepcji

• Autorzy: Przelaskowski A.

Warianty tytułu

EN

Computer image understanding applied to medical diagnosis : an outline of the concept

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono koncepcję komputerowego rozumienia obrazów medycznych, wykorzystującą tzw. seony do tworzenia modelu treści obrazowej istotnej diagnostycznie. Zakłada ona modelowanie efektu ‘umysłowego poznania’ na bazie percepcji informacji obrazowej w kontekście określonej wiedzy dziedzinowej (diagnostyka określonego schorzenia) oraz sytuacyjnej (wyniki badań ogólnych, specjalistycznych, innych diagnostycznych, czynniki ryzyka itp.). Celem jest integracja numerycznej reprezentacji obrazowej informacji diagnostycznej ze sformalizowanym modelem wiedzy danej dziedziny (np. w formie ontologii) oraz modelem subiektywnego procesu poznania obrazowanej rzeczywistości przez ekspertów. Wszystkie te elementy nawiązują do określonego zadania klinicznego. Taki zintegrowany model jest optymalizowany z kryterium maksymalnej ekstrakcji formalnych komponentów treści (czyli wspomniane seony), które mają decydującą rolę w rozumieniu i interpretacji obrazów. Obliczeniowe komponenty nabierają znaczenia diagnostycznego wskutek weryfikacji ich przydatności w subiektywnych testach klinicznych. Poszukiwane są jednak obliczeniowe wzorce oraz odpowiednie normy i metryki, które pozwolą wykrywać istotne komponenty w przypadku zupełnego braku ich percepcji w klasycznych formach odbioru treści obrazowej. Dostosowano prezentowaną metodę numerycznego rozumienia rejestrowanych danych obrazowych do ogólnie przyjętej metodyki komputerowego wspomagania diagnostyki (CAD) medycznej. Wybrano przy tym istotne zastosowania kliniczne, m.in. wspomaganie diagnostyki wczesnych udarów mózgu na bazie zobrazowań tomografii komputerowej (CT) oraz detekcję symptomów raka sutka w mammogramach.

EN

The concept of computer understanding of medical images was presented. So-called seons were proposed to create model of diagnostically significant image content. The effect of mental cognition was considered with ability of visual perception to recognize information in the context of specific domain knowledge (e.g. conditions of a specific disease) and clinical data (i.e. results of general or specialistic examinations, other diagnosis, risk factors, etc.). Therefore, the research purpose was integration of the numerical representation of imaged diagnostic information with the formal model of domain knowledge (i.e. ontology) and the model of image subjective cognition by experts. All these issues relate to specific clinical tasks. This integrated model is optimized with the criterion of maximum extraction of formal components of content (represented by set of seons), which have a crucial role in the understanding and interpretation of the images. Computational components become diagnostically important due to the verification of their usefulness in the subjective clinical tests. However, computational patterns and relevant norms/metrics that allow to detect the essential components for a complete lack of visual perception according to classical procedures are sought. Moreover, discussed method of understanding the recorded image data was adjusted to methodology of computer-aided diagnosis (CAD) in medicine. Two important clinical applications, including acute stroke diagnosis with the computed tomography imaging (CT), and recognition of breast cancer in mammograms were indicated to illustrate possible applications.

Słowa kluczowe

PL

komputerowo wspomagana diagnoza; rozumienie obrazów; przetwarzanie obrazów; diagnostyka wczesnego udaru mózgu

EN

computer-aided diagnosis; image understanding; image processing; acute stroke diagnosis

• Wydawca: Indygo Zahir Media
• Czasopismo: Inżynier i Fizyk Medyczny
• Rocznik: 2014
• Tom: Vol. 3, nr 1
• Strony: 23--31
• Opis fizyczny: Bibliogr. 16 poz., rys.

Twórcy

autor

Przelaskowski A.

• Wydział Matematyki i Nauk Informacyjnych, Politechnika Warszawska, ul. Koszykowa 75, 00-662 Warszawa

Bibliografia

• 1. W. Błasiak, M. Godlewska, R. Rosiek: Czy komputer pomaga w rozumieniu świata? [w:] J.A. Morbitzera (red.): Człowiek, media, edukacja, Katedra Technologii i Mediów Edukacyjnych UP, Kraków 2010, 44-48.
• 2. L.A. Schmitt: A structured approach to computer image understanding: the use and representation of real-world knowledge in an artificial vision system, Doctoral Dissertation, The University of Wisconsin – Madison, 1982.
• 3. R. Chellappa, R.L. Kashyap: Image understanding [in:] S.C. Shapiro (ed.): Encyclopedia of artificial intelligence, John Wiley & Sons, 1, 1992, 641-663.
• 4. R. Tadeusiewicz, M.R. Ogiela: Medical Image Understanding Technology, Series: Studies in Fuzziness and Soft Computing, 156, Springer-Verlag, 2004.
• 5. J. Hawkins, S. Blakeslee: On intelligence, Times Books, 2004.
• 6. R. Penrose: On understanding, International Studies in the Philosophy of Science 11(1), 1997, 7-20.
• 7. M. Möller, M. Sintek, P. Buitelaar et al.: Medical image understanding through the integration of cross-modal object recognition with formal domain knowledge, Proc. Health Inf, 2008, 134-141.
• 8. T. Berners-Lee, J. Hendler, O. Lassila: The Semantic Web: A new form of Web content that is meaningful to computers will unleash a revolution of new possibilities, Scientific American Magazine, 2001.
• 9. J.T. Pollock, R. Hodgson: Adaptive Information: Improving Business Through Semantic Interoperability, Grid Computing, and Enterprise Integration, J. Wiley and Sons, 2004.
• 10. I. Biederman: Recognition-by-components: a theory of human image understanding, Psychol Rev, 94(2), 1987, 115-147.
• 11. J.L. Kulikowski: Ontological models as tools for image content understanding, LNCS, 6374, 2010, 43-58.
• 12. TT. Dao, F. Marin, MC. Ho Ba Tho: Computer-Aided Decision System (CADS) to diagnose pathologies concerning the musculoskeletal system of the lower limbs, Comp Met Biomech Biomed Engin, 1, 2008, 73-74.
• 13. TT. Dao, F. Marin, MC. Ho Ba Tho: Computer-aided decision system for the clubfeet deformities, Adv Exp Med Biol, 696 2011, 623-635.
• 14. M.R Ogiela, R. Tadeusiewicz: Modern computational intelligence methods for the interpretation of medical images, Studies in Computational Intelligence, 84, Springer-Verlag, Berlin-Heidelberg 2008.
• 15. Y. Zheng, R. Wei, H. Lu, X. Xue: Refining local descriptors by embedding semantic information for visual categorization, ACM Multimedia, 2011, 1381-1384.
• 16. M. Jasionowska, A. Przelaskowski: Angular resolution study of vectors representing subtle spiculated structures in mammograms, submitted to ITIB 2014.