Numerical characterization of the images of prostate cancer for recognition of Gleason scale

• Autorzy: Kruk M. , Osowski S. , Koktysz R.

Warianty tytułu

PL

Algorytm parametryzacji elementów struktur histologicznych w obrazach mikroskopowych prostaty

• Języki publikacji: EN

Abstrakty

EN

The paper presents the algorithm of numerical characterization of the histological structures existing in the images of the prostate cancer able to associate the image with the Gleason scale. These descriptors characterize the geometry of ducts by applying different measures, like the area defined in different way, perimeter, two types of diameters of the ducts (the short and long ) as well as some relative coefficients relating different geometrical parameters to each other. We will analyze the numerical characterization of the discrimination abilities of different descriptors by applying Fisher measure and the application of the principal component analysis (PCA) to develop the most efficient feature set, able to associate the graphical image of the biopsy with a Gleason scale in an automatic way by applying Support Vector Machine as the classifier.

PL

Praca przedstawia algorytm parametryzacji elementów struktur histologicznych w obrazach mikroskopowych prostaty która może znaleźć zastosowanie w automatycznym rozróżnianiu klas chorobowych raka prostaty opisanych skalą Gleasona. Obrazy struktur wydzielone z obrazu poddano procesowi parametryzacji, czyli opisowi cech przy użyciu deskryptorów numerycznych. Jakość poszczególnych deskryptorów zbadano przy zastosowaniu miary Fishera i transformacji PCA, których wyniki wskazują jednoznacznie na cechy mogące mieć znaczenie przy rozwiązywaniu zadania automatycznej klasyfikacji obrazów, przypisując ich wygląd do określonej skali Gleasona. Ostatni etap rozpoznania skali Gleasona jest realizowany przy użyciu klasyfikatora typu Support Vector Machine, który dokonuje przypisania danego obrazu do określonej skali Gleasona.

Słowa kluczowe

EN

mathematical morphology; Gleason grade; parameterization; image processing

PL

morfologia matematyczna; skala Gleasona; parametryzacja; przetwarzanie obrazów

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2011
• Tom: R. 87, nr 5
• Strony: 81--83
• Opis fizyczny: Bibliogr. 14 poz., rys.

Twórcy

autor

Kruk M.

autor

Osowski S.

autor

Koktysz R.

• Warsaw University of Technology (1), Military University of Technology (2), University of Life Sciences, Warsaw (3), Military Institute of Medicine, Warsaw (4),

Bibliografia

• [1] Cieśliński P., Dadej R., Kwias Z., Rak stercza. Współczesna Onkologia, 2002, vol. 6, 2, 108-116
• [2] Duncan W., Recent results in cancer research #78: Prostate cancer. Heildelberg: Springer Verlag, 1981
• [3] Grayhack J., Keeler T., Kozlowski J., Carcinoma of the prostate. Cancer, 2006, vol. 60, pp.589 - 601
• [4] Peeling W. B., Algaba F. Update on urology prostatę cancer. EJSO, 1996, vol. 22, no1, pp. 102-106
• [5] Gleason D.F., Mellinger G.T., Prediction of prognosis for prostatic adenocarcinoma by histological grading and clinical staging. Journal of Urology, 1974, vol. 111, pp. 58–64
• [6] Soile P. , Morphological image analysis, principles and applications. Berlin: Springer Verlag, 2003.
• [7] Tadeusiewicz R., Korohoda P., Komputerowa analiza i przetwarzanie obrazów. Kraków: Wyd. Post. Telekom., 1997.
• [8] Osowski S. , Sieci neuronowe do przetwarzania informacji. Warszawa: Oficyna Wydawnicza PW, 2006
• [9] Kruk M., Automatyczny system rozpoznawania komórek na podstawie obrazu mikroskopowego wybranej tkanki ludzkiej dla potrzeb diagnostyki medycznej, Ph.D. PW, 2008
• [10] Matlab user manual, MathWorks, 2007
• [11] Cytowski J., Gielecki J., Gola A., Cyfrowe przetwarzanie obrazów medycznych., Warszawa: Exit, 2008
• [12] http://talkaboutprostatecancer.files.wordpress.com
• [13] Kruk M. , Osowski S. , Koktys z R., Segmentacja i parametryzacja struktur histologicznych w obrazach mikroskopowych prostaty dla oceny skali Gleasona. Przegląd Elektrotechniczny, 2010, vol. 86, No 5, pp. 5-9
• [14] Schölkopf B. , Smola A. , Learning with kernels, Cambridge, MIT Press, MA. 2002