Αφηρημένο

Σκοπός

Αυτό το έγγραφο προτείνει να χαρακτηρίζουν το συνεχές του καρκίνου του παχέος εντέρου (CRC) χρησιμοποιώντας πολλαπλές δυνατότητες υφής εξάγεται από πολυφασματικών οπτικές εικόνες μικροσκόπιο. Οι τρεις τύποι των παθολογικών ιστών (PT) θεωρούνται: η καλοήθης υπερπλασία, ενδοεπιθηλιακή νεοπλασία και καρκίνωμα

Υλικά και Μέθοδοι

Στην προτεινόμενη προσέγγιση, η περιοχή ενδιαφέροντος που περιέχει ΡΤ πρώτα εξάγεται από πολυφασματική. εικόνες χρησιμοποιώντας ενεργό κατάτμησης περιγράμματος. Αυτή η περιοχή στη συνέχεια κωδικοποιείται χρησιμοποιώντας χαρακτηριστικά υφής με βάση την Laplacian-of-Gaussian φίλτρου (log), διακριτά κυματίδια (DW) και μήτρες γκρι επίπεδο συν-εμφάνισης (GLCM). Για να εκτιμηθεί η σημασία της υφής διαφορές μεταξύ PT τύπους, γίνεται μια στατιστική ανάλυση με βάση τη δοκιμή Kruskal-Wallis. Η χρησιμότητα των χαρακτηριστικών υφής στη συνέχεια αξιολογούνται ποσοτικά όσον αφορά την ικανότητά τους να προβλέψουν τους τύπους ΡΤ χρησιμοποιώντας διάφορα μοντέλα ταξινομητή.

Αποτελέσματα

Τα προκαταρκτικά αποτελέσματα δείχνουν σημαντικές διαφορές υφής μεταξύ των τύπων PT, για όλα τα χαρακτηριστικά υφής (

σ

-τιμή & lt? 0,01). Ξεχωριστά, GLCM χαρακτηριστικά υφής ξεπερνούν LoG και DW χαρακτηριστικά όσον αφορά την πρόβλεψη του τύπου PT. Ωστόσο, μια υψηλότερη απόδοση μπορεί να επιτευχθεί με συνδυασμό όλων των χαρακτηριστικών υφής, με αποτέλεσμα μία ακρίβεια μέση κατάταξη των 98,92%, η ευαισθησία του 98,12%, και η ειδικότητα της 99,67%.

Συμπεράσματα

Αυτά τα αποτελέσματα αποδεικνύουν την αποτελεσματικότητα και την αποδοτικότητα του συνδυασμού πολλών χαρακτηριστικών υφής για τον χαρακτηρισμό της συνέχειας της CRC και διακρίσεις μεταξύ των παθολογικών ιστών σε πολυφασματικών εικόνων

Παράθεση:. Chaddad Α, Desrosiers C, Bouridane Α, Toews M, Χασάν L, Tanougast C (2016) πολλαπλών Υφή Ανάλυση του καρκίνου του παχέος εντέρου Continuum χρήση πολυφασματικών εικόνων. PLoS ONE 11 (2): e0149893. doi: 10.1371 /journal.pone.0149893

Επιμέλεια: Masaru Katoh, Εθνικό Κέντρο Καρκίνου, ΙΑΠΩΝΙΑ

Ελήφθη: 27 Νοέμ 2015? Αποδεκτές: 5 Φεβρουαρίου του 2016? Δημοσιεύθηκε: 22 Φεβρουαρίου 2016

Copyright: © 2016 Chaddad et al. Αυτό είναι ένα άρθρο ανοικτής πρόσβασης διανέμεται υπό τους όρους της άδειας χρήσης Creative Commons Attribution, το οποίο επιτρέπει απεριόριστη χρήση, τη διανομή και την αναπαραγωγή σε οποιοδήποτε μέσο, ​​με την προϋπόθεση το αρχικό συγγραφέα και την πηγή πιστώνονται

Δεδομένα Διαθεσιμότητα:. Τα στοιχεία είναι διαθέσιμο σε S1 (https://figshare.com/s/5e9c65848bb0aa1f4032 ή DOI: 10.6084 /m9.figshare.2076220).

χρηματοδότηση:. Οι συγγραφείς δεν έχουν καμία υποστήριξη ή χρηματοδότηση για να αναφέρετε

Αντικρουόμενα συμφέροντα: Οι συγγραφείς δηλώνουν ότι δεν υπάρχουν ανταγωνιστικά συμφέροντα

Εισαγωγή

Καρκίνος του παχέος εντέρου (CRC) είναι μια συχνή κακοήθεια έχει μια αυξανόμενη επίπτωση σε πολλές ανεπτυγμένες χώρες.. Είναι η τρίτη πιο κοινή πρόσφατα διαγνωσμένο καρκίνο, αντιπροσωπεύοντας το 8% των νέων περιπτώσεων κάθε χρόνο, καθώς επίσης και η τρίτη πιο κοινή αιτία θανάτου από καρκίνο στους άνδρες και στις γυναίκες [1]. Υπολογίζεται ότι 26.270 άνδρες και 24.040 γυναίκες πέθαναν από καρκίνο του παχέος εντέρου το 2014, όπως αναφέρθηκε από την Αμερικανική Αντικαρκινική Εταιρεία. Η χειρουργική εκτομή του πρωτογενούς όγκου με θεραπευτική πρόθεση είναι δυνατή μόνο σε 70% των ασθενών [2, 3]. Δυστυχώς, μέχρι 30% των ασθενών με CRC που υποβάλλονται σε χειρουργική εκτομή του πρωτογενούς όγκου εμπειρία μια επακόλουθη υποτροπή εντός τριών ετών, με μέσο χρόνο μέχρι θανάτου 12 μηνών [4]. Οι μελέτες απεικόνισης που χρησιμοποιείται συχνά για την αξιολόγηση των ασθενών για τη διαλογή και σταδιοποίηση του καρκίνου του παχέος εντέρου. Διατομής τεχνικές απεικόνισης όπως υπολογιστική τομογραφία (CT) [4], η μαγνητική τομογραφία (MRI) [5] και μικροσκοπία παρέχουν ανατομικά και μορφολογικά πληροφορίες σχετικά με τη δομή και τα πρότυπα του όγκου [6]. Σε αυτή την πληροφορία, εικόνα υφή, και ιδίως ετερογένεια υφή, είναι ένα ιδιαίτερο χαρακτηριστικό της CRC που εκδηλώνεται ως περιοχές υψηλής πυκνότητας κυττάρων.

Μια πρόσφατη υπολογιστική τάση ήταν η ανάλυση υψηλής ευκρίνειας ολόκληρη εικόνες διαφανειών παράγεται από διαφάνειες ψηφιακή παθολογία [7, 8]. χαρακτηριστικά υφής που εξάγονται από τις εικόνες αυτές χρησιμεύουν ως είσοδος σε σημαντικές υπολογιστικές εφαρμογές όπως computer-aided διάγνωση από την παθολογία. Μια πρώιμη μελέτη από Esgiar et al. έδειξε ότι τα χαρακτηριστικά εντροπία υφής εξάγεται από μήτρες γκρι-επιπέδου συν-εμφάνισης (GLCM) ήταν ικανά να διαφοροποιούνται μεταξύ φυσιολογικού και καρκινικού ιστού [6]. Μια μελέτη παρακολούθησης από τους ίδιους συγγραφείς που ενσωματώνονται φράκταλ διαστάσεις στην ανάλυση χαρακτηριστικό για τη βελτίωση της ευαισθησίας και της ειδικότητας της ταξινόμησης [9]. Χρησιμοποιώντας ιστογράμματα κανάλι χρώματος, GLCM και δομικά χαρακτηριστικά, Καλκάν et al. επιτευχθεί ακρίβεια 75.15% στην κατάταξη των τεσσάρων τύπων ιστών του παχέος εντέρου: κανονική, καρκινικά, αδενωματώδεις και φλεγμονώδεις [10]. Jiao et al. πρότεινε μια μέθοδο για την αυτόματη ανίχνευση του καρκίνου του παχέος εντέρου, χρησιμοποιώντας GLCM για την εξόρυξη υφή και μηχανές διανυσμάτων υποστήριξης (SVM) για την ταξινόμηση. Η μέθοδος αυτή επιτυγχάνεται ακρίβεια 96,67% στη διαφοροποίηση μεταξύ καρκινικών και μη καρκινικών εικόνων [11]. Hilado et al. μεταχειρισμένα 2D διακριτών κυματιδίων (DW) μετατρέπουν χαρακτηριστικά για να χαρακτηρίσει ολόκληρη εικόνες καρκίνο του παχέος εντέρου διαφάνεια σε κανονική, καρκινικών και αδενωματώδεις πολύποδες περιπτώσεις, αναφέρουν μια ακρίβεια 91,11% [12]. Francesca et al. μεταχειρισμένα ολόκληρη χαρακτηριστικά υφής του όγκου, υπολογίζεται χρησιμοποιώντας Laplacian-of-Gaussian (log) φίλτρα για να εκτιμηθεί η ετερογένεια των CRC [4]. Σε μια μεταγενέστερη μελέτη, Rao et al. μελετημένη Λογαριασμού υφή σε διακρίσεις μεταξύ των ασθενών CRC με και χωρίς ηπατικές μεταστάσεις [13]. Διάφορες προσεγγίσεις που χρησιμοποιούν τοπικούς περιγραφείς έχουν επίσης προταθεί, συμπεριλαμβανομένων των μεθόδων που βασίζονται στην κλίμακα-αμετάβλητο χαρακτηριστικό μετασχηματισμού (SIFT) [14], το πλαίσιο σχήματος [15], και τα ιστογράμματα της κλίσης προσανατολισμό (HOG) περιγραφείς [16]. Επειδή βασίζονται σε βασικά σημεία, τα οποία μπορεί να διαφέρουν από το ένα θέμα στο άλλο, βασικό σημείο που βασίζεται SIFT και το σχήμα πλαίσιο διαθέτει μέθοδοι δεν είναι πάντα κατάλληλα για την αξιολόγηση των κυτταρικών ανωμαλιών από οπτικά συστήματα μικροσκόπιο. Ομοίως, οι μέθοδοι που βασίζονται σε HOG δεν είναι αμετάβλητες σε περιστροφές που συμβαίνουν σε μικροσκοπικές εικόνες. Υπάρχουν, επομένως ισχυρά επιχειρήματα που υποστηρίζουν τη χρήση της περιστροφής-αναλλοίωτη χαρακτηριστικά υφής που προέρχεται από GLCM, φίλτρα Μητρώο και DW για αυτό το συγκεκριμένο πρόβλημα.

Ως γενική μεθοδολογία, παθολογικών ιστών (PT) που προκύπτουν από τις κυτταρικές ανωμαλίες στην CRC, όπως η καλοήθης υπερπλασία (BH), ενδοεπιθηλιακή νεοπλασία (ΙΝ) και καρκίνωμα (Ca), μπορεί να ανιχνευθεί από την κλασική οπτική μικροσκοπία συστήματα χρησιμοποιώντας μια ποικιλία τεχνικών επεξεργασίας εικόνας [17-19]. Αυτή η μελέτη προτείνει να διαμορφώσει το συνεχές της CRC χρησιμοποιώντας πλούσιο, ενημερωτικό χαρακτηριστικά υφής που λαμβάνεται από πολυφασματικές εικόνες οπτική μικροσκοπία. Η διακριτική ικανότητα των χαρακτηριστικών υφής μπορεί να εκτιμηθεί από το σχήμα 1, όπου το ιστόγραμμα των εντάσεων pixel παρουσιάζεται για τις εικόνες των τύπων BH, ΙΝ και Ca. Μπορεί να φανεί ότι BH, ΙΝ και ιστών Ca εμφανίζουν αισθητά διαφορετικά προφίλ έντασης, υποστηρίζοντας την ιδέα ότι μια τέτοια λειτουργία μπορεί να χρησιμοποιηθεί για τη διαφοροποίηση μεταξύ αυτών των τύπων ΡΤ. Η καινοτομία της εργασίας αυτής έγκειται στη συγκριτική ανάλυση και ο συνδυασμός των τριών διαφορετικών χαρακτηριστικών υφής με βάση GLCM [17], συνδεθείτε [4] και DW [20], για την πρόβλεψη των τύπων PT. Όπως θα αποδειχθεί στα πειράματα μας, με τη χρήση πολλαπλών υφής πληροφορίες μπορούν να βελτιώσουν την ανίχνευση και την ταξινόμηση των παθολογικών ιστών, και παρέχει μια πιο ολοκληρωμένη κατανόηση της σύνδεσης μεταξύ CRC και την ετερογένεια των ιστών. Οι πιθανές επιπτώσεις αυτού του έργου για τη βελτίωση της ιατρικής περίθαλψης είναι δύο φορές. Σε συνδυασμό με το πρότυπο διαλογής προσεγγίσεις για CRC, η προτεινόμενη μέθοδος θα μπορούσε να βελτιώσει την ανίχνευση της νόσου στα αρχικά της στάδια, αυξάνοντας έτσι τις πιθανότητες επιτυχούς θεραπείας. Σύμφωνα με την Αμερικανική Αντικαρκινική Εταιρεία, το ποσοστό σχετικής επιβίωσης 5 ετών είναι περίπου 90%, όταν CRC μπορεί να ανιχνευθεί πριν έχει εξαπλωθεί [21]. Η ταξινόμηση των κυτταρικών ανωμαλιών σε παθολογικούς ιστούς είναι επίσης απαραίτητη για την αξιολόγηση της εξέλιξης της CRC και επιλέξτε την κατάλληλη διάρκεια της θεραπείας. Με τη χρήση χαρακτηριστικά υφής, η μέθοδος μας παρέχει έναν αποτελεσματικό τρόπο χαρακτηριστικές ιδιότητες των ιστών σε κυτταρικό επίπεδο. Μέτρηση της υφής των πληροφοριών σε διάφορα χρονικά σημεία θα μπορούσε να βοηθήσει να παρακολουθείτε την εξέλιξη της νόσου και να αξιολογούν την αποτελεσματικότητα ενός συγκεκριμένου θεραπείας

(α) την καλοήθη υπερπλασία του.? (Β) ενδοεπιθηλιακή νεοπλασία? (Γ) Καρκίνωμα? (Δ, ε, και στ) διανομές έντασης ιστογράμματα δείχνουν pixel για κάθε τύπο.

Η

Υλικά και Μέθοδοι

Αυτή η μελέτη εγκρίθηκε από την επιτροπή δεοντολογίας της ανατομικής παθολογίας (Anapath ) Τμήμα στο CHU Nancy-Brabois Νοσοκομείο. Το διοικητικό συμβούλιο αναθεώρηση παραιτηθεί από την ανάγκη για γραπτή συγκατάθεση από τους συμμετέχοντες. Μέρος των δεδομένων χρησιμοποιήθηκε σε προηγούμενες μελέτες [18, 22, 23]

Το προτεινόμενο πλαίσιο, που φαίνεται στο σχήμα 2, αποτελείται από μια σειρά πέντε βήματα: α. 1) την προετοιμασία του δείγματος και η εικόνα απόκτηση, 2) ROI τμηματοποίησης, 3) εξαγωγή χαρακτηριστικών υφής, 4) την ταξινόμηση του τύπου PT, και 5) την αξιολόγηση των επιδόσεων. Μια αναλυτική παρουσίαση κάθε βήματος δίνεται στις παρακάτω ενότητες.

(α) σύστημα Οπτική μικροσκοπία, χρώση, την κοπή και τη σάρωση. (Β) Η πολυφασματική λήψη εικόνας μέσω μιας κάμερας CCD σε ένα ευρύ φάσμα της οπτικής φασματικές ζώνες. (Γ) Active περίγραμμα αλγόριθμο τμηματοποίησης για την οριοθέτηση των ROI. (Δ) GLCM, συνδεθείτε και DW εικόνα υφή εξαγωγή χαρακτηριστικών. (Ε) επίβλεψη κατάταξη για την αυτόματη πρόβλεψη των ανώμαλων τύπων ιστών από τα νέα δείγματα.

Η

Η προετοιμασία των δειγμάτων και την απόκτηση της εικόνας

δεδομένα CRC συλλέχθηκαν από την ανατομική παθολογία (Anapath) Τμήμα κατά τη CHU Nancy-Brabois Νοσοκομείο. Δείγματα ιστών λήφθηκαν από διαδοχική εκτομές του colons από 30 ασθενείς με καρκίνο του παχέος εντέρου. Τομές 5 μm πάχους εκχυλίστηκαν και χρωματίστηκαν με το ευρέως χρησιμοποιούμενο αιματοξυλίνη και ηωσίνη (Η &? Ε) λεκέδες, να μειώσει τις απαιτήσεις επεξεργασίας εικόνας. Οι εικόνες ελήφθησαν σε χαμηλή μεγέθυνση (χ 40) με τη χρήση ενός οπτικού μικροσκοπίου τοποθετείται με χρέωση συζευγμένο συσκευή (CCD). Ένα φίλτρο υγρών κρυστάλλων Συντονίσιμοι (LCTF) τοποθετήθηκε στην οπτική διαδρομή μεταξύ της πηγής φωτός και τη φωτογραφική μηχανή CCD, παρέχοντας μια ακρίβεια εύρος ζώνης 5 nm και μια ελεγχόμενη μήκος κύματος μέσω του ορατού φάσμα από 500 ως 650 nm [24]. Αυτή η τεχνική, γνωστή ως υπερφασματική ή πολυφασματική απεικόνιση [25], μπορεί να συλλάβει τις εικόνες των δειγμάτων ιστού σε διαφορετικές φασματικές συχνότητες. Σε αυτή τη μελέτη, 16 πολυφασματικών ζωνών αποκτήθηκαν στο φάσμα μήκους κύματος από 500-650 nm, με 9.375 nm βήματα μεταξύ διαδοχικών ζωνών.

Τα στοιχεία των 30 ασθενών CRC (10 BH ασθενείς, 9 σε ασθενείς και 11 Ca ασθενείς) ελήφθησαν για ανάλυση, δίνοντας ένα σύνολο 160 BH εικόνες, 144 εικόνες, και 176 εικόνες Ca. Τα δεδομένα είναι διαθέσιμα σε S1 Zip (https://figshare.com/s/5e9c65848bb0aa1f4032 ή DOI: 10.6084 /m9.figshare.2076220). Η ταυτοποίηση του κάθε τύπου ΡΤ από πολυφασματικών εικόνων έγινε από έναν ανώτερο ιστοπαθολόγου, την επιβεβαίωση της διάγνωσης. Τέλος, εικόνες απαλλαγμένου από θόρυβο χρησιμοποιώντας ένα μέσο φίλτρου και αδιαβαθμισμένη στο ψήφισμα των 512 × 512 pixels.

Ενεργά περίγραμμα με βάση τον κατακερματισμό της

Ενεργά περίγραμμα κατάτμησης χρησιμοποιήθηκε για να προσδιορίσει τα όρια του ιστού εντός της εικόνας. Αυτή η τεχνική τμηματοποίησης, η οποία κινείται μια δυναμική καμπύλη επαναληπτικά προς το αντικείμενο περιγράμματα στην εικόνα, είναι καλά προσαρμοσμένο για να οριοθετηθούν ακανόνιστα σχήματα [26, 27]. Ενώ μπορεί να επιτύχει μια υψηλή ακρίβεια, μπορεί επίσης να υποφέρουν από καιρό runtimes. Για να επιταχυνθεί η διαδικασία κατάτμησης, θα περιορίσει τον αριθμό των επαναλήψεων που βασίζονται σε εμπειρικά υπολογισμούς [17]. Μια προσέγγιση πολλαπλής κλίμακας χρησιμοποιήθηκε για να μειώσει περαιτέρω τους χρόνους αυτονομίας εκτελώντας μια αρχική τμηματοποίηση σε ένα χοντρό ανάλυση των 64 × 64 pixels και, στη συνέχεια, τη διύλιση αυτό το διάλυμα σε υψηλή ανάλυση 512 × 512 pixels. Χρησιμοποιώντας αυτήν την τεχνική, τμηματοποιήσεις ελήφθησαν σε λιγότερο από ένα λεπτό με ένα τυπικό PC (Intel Core i5 επεξεργαστή 3.4 GHz με 32 GB RAM). Σημειώστε ότι η απόδοση εκτέλεσης μπορεί να βελτιωθεί μέσω εναλλακτικών εξειδικευμένες υπολογιστικές τεχνολογίες, όπως ένα αλγόριθμο αγωγού με βάση το πεδίο προγραμματιζόμενη συστοιχία πύλη της τεχνολογίας (FPGA) [28].

κατατμήσεις Ground αλήθεια, μία τμηματοποίηση ανά δείγμα, ελήφθησαν χειροκίνητα χρησιμοποιώντας 3D Slicer [29] και επικυρωμένη από δύο παθολόγους. Ένα παράδειγμα μιας κατάτμησης του εδάφους αλήθεια δίνεται στο σχήμα 3. Οι εικόνες αλήθεια εδάφους χρησιμοποιήθηκαν για την αξιολόγηση της απόδοσης του ενεργού περιγράμματος κατάτμησης (Σχήμα 4), με βάση τις ακόλουθες μετρήσεις: Dice συντελεστή ομοιότητας (DSC), ψευδώς θετικό ποσοστό ( FPR) και ψευδώς αρνητικό ποσοστό (FNR). μέτρα DSC ο βαθμός της αλληλογραφίας (ομοιότητα) μεταξύ της γείωσης αλήθεια και κατά διαστήματα των ROI, και ορίζεται ως (1) όπου

Μια

και

Β

τα σύνολα pixel που αντιστοιχούν στο έδαφος αλήθεια και κατακερματισμένες περιοχές , αντίστοιχα.

(α) Αρχική εικόνα. (Β) κατατμημένη εικόνα. (Γ) Επισημασμένο εικόνα. Επισημαίνονται περιοχή (γ) αντιστοιχεί στην απόδοση της επένδυσης που χρησιμοποιείται για την εξαγωγή χαρακτηριστικών υφής.

Η

εικόνες Top-γραμμή αντιστοιχεί στο (α) ΒΗ, (β) IN και (γ) Ca τύπους. εικόνων κάτω-σειρά (Α ‘), (Β’), και (c ‘) δείχνουν το ROI που λαμβάνονται σε αυτές τις εικόνες από την ενεργό μέθοδο περιγράμματος κατάτμησης.

Η

Το FPR και FNR είναι δύο μέτρα πάνω και κάτω κατάτμησης, και υπολογίζονται ως εξής: (2) (3), όπου περιέχει τα εικονοστοιχεία που δεν είναι στην αλήθεια του εδάφους που

Μια

η

χαρακτηριστικό Υφή εξόρυξη

Τρεις. τύποι φίλτρων υφή, με βάση καταγραφής, DW και GLCM, εφαρμόστηκαν στην τμηματοποιημένη τα ROI σε κάθε φασματική ζώνη. Χαρακτηριστικά υφής στη συνέχεια εξάγεται από τις φιλτραρισμένες εικόνες εφαρμόζοντας εξειδικευμένες λειτουργίες ποσοτικοποίησης (Σχήμα 2).

Μητρώο με βάση την υφή.

Η Laplacian της Gaussian (LOG) φίλτρο μπορεί να θεωρηθεί ως ο συνδυασμός της μια Gaussian χειριστής εξομάλυνσης με ένα πυρήνα πλάτους σίγμα (

σ

) και ένα ισοτροπικό φίλτρου, το Laplacian, η οποία μετρά την δεύτερη χωρική παράγωγο στην εικόνα. Το καταγραφής είναι συνήθως χρησιμοποιείται για την ανίχνευση ακμών και σταγόνες σε διάφορες κλίμακες. Για κάθε κατακερματισμένη ROI, ένα φίλτρο LoG εφαρμόστηκε χρησιμοποιώντας το

σ

τιμές 0,5 (λεπτή υφή τύπου), 1.5 (μεσαίου τύπου υφή) και 2.5 (χοντρό τύπο υφής). Η περιοχή στη συνέχεια ποσοτικά με υπολογισμό του μέσου (

Α

), Τυπική απόκλιση (

SD

) και εντροπίας (

Ent

) των λογαριθμικών τιμών της. Το θεωρητικό πλαίσιο αυτής της τεχνικής περιγράφεται λεπτομερώς στο Παράρτημα Β του Ganeshan κ.ά. [30]. Ας

f

(

x

,

y

) είναι η λογαριθμική τιμή του ενός pixel (

x

,

y

) σε η κατακερματισμένη περιοχή

Ω

. Για τον υπολογισμό της εντροπίας, Διακριτοποιούμε την κατανομή των λογαριθμικών τιμών σε 256 ίσου μεγέθους διαστήματα και δηλώνουν ως

Ω

k

το υποσύνολο των εικονοστοιχείων εντός του

k

ου διάστημα. Οι λειτουργίες LoG ποσοδείκτη μπορεί να οριστεί ως εξής: (4) (5) (6)

Για κάθε δείγμα, θα λαμβάνεται έτσι ένα σύνολο 9 υφής: (7) όπου

f

,

m

, και

γ

αντιπροσωπεύουν το πρόστιμο, μεσαίες και τραχιά υφή.

Texture με βάση Διακριτά Wavelet (DW) Μετασχηματισμός.

Η DW Μετασχηματισμός (DWT) αναλύει μια εικόνα από την αποσύνθεση του σε ένα χοντρό προσέγγιση μέσω χαμηλοπερατό φιλτράρισμα και λεπτομερή συστατικό μέσω φιλτραρίσματος διέλευσης υψηλών συχνοτήτων. Η αποσύνθεση γίνεται αναδρομικά στους συντελεστές προσέγγιση χαμηλής διέλευσης που λαμβάνεται σε κάθε επίπεδο, έως ότου ο αναγκαίος αριθμός των επαναλήψεων έχει επιτευχθεί [31]. Οι τέσσερις κατευθύνσεις αποσύνθεσης (υπο-ζώνες) θεωρείται: οριζόντια (0 °, D

h), πρώτη διαγώνια (45 °, D

δ), κάθετη (90 °, D

v) και το δεύτερο διαγώνιο (135 °, d

δ). Η αποσύνθεση σε κάθε επίπεδο

i

παρέχει μια μήτρα προσέγγιση (εικόνα) A

i και τρεις λεπτομέρεια μήτρες, δηλαδή, Dh

i (οριζόντια μήτρα συντελεστή), Dv

i (κάθετη μήτρα συντελεστή) και Dd

i (διαγώνιος πίνακας συντελεστών).

ένα ένα επίπεδο 2D DWT αποσύνθεση εφαρμόστηκε σε κάθε ROI, το οποίο κωδικοποιεί την υφή της περιοχής ως συνιστώσα χαμηλής συχνότητας A

1 και τρεις συνιστώσες υψηλής συχνότητας: D

d1 (διαγώνια λεπτομέρεια), D

v1 (κατακόρυφη λεπτομέρεια), και D

h1 (οριζόντια λεπτομέρεια) (Σχήμα 5). Τρεις λειτουργίες ποσοδείκτης, τη μέτρηση της εντροπίας (

στ

1DW), της ενέργειας (

στ

2DW) και διακύμανση (

στ

3DW), εφαρμόστηκαν στη μήτρα συντελεστών μέσο όρο DWT (δηλαδή, ο μέσος όρος του Α

1, Dh

1, Dv

1 και Dd

1 μήτρες) του daubechies (db), Coiflet (καλύπτρα) και Symlet (συμ) φίλτρα, αντίστοιχα. Για κάθε δείγμα, 9 DW-based χαρακτηριστικά υφής λήφθηκαν, που αντιστοιχούν στον ακόλουθο χαρακτηριστικό διάνυσμα: (8)

R αντιστοιχεί σε σειρές, C αντιστοιχεί σε στήλες, l και h είναι ο δείκτης των χαμηλών και υψηλών πάσα φιλτράρει αντίστοιχα, 2ds1 και 1ds2 τα κάτω-δείγμα στήλες και γραμμές, αντίστοιχα, και το {χ} είναι ο χειριστής συνέλιξη.

η

Υφή βάση μήτρα γκρι επίπεδο συνύπαρξη.

Προτεινόμενες με Haralick στο [32], το γκρι επιπέδου μήτρα συν-εμφάνιση (GLCM) είναι μια αποτελεσματική μέθοδος ανάλυσης υφής η οποία χρησιμοποιεί στατιστικά δεύτερης τάξης για να χαρακτηριστούν οι ιδιότητες των δύο ή περισσότερες τιμές pixel που συμβαίνουν σε συγκεκριμένες θέσεις σε σχέση με το άλλο. Επισήμως, GLCM πίνακες αντιπροσωπεύουν οι πιθανότητες

P

d

,

θ

(

i

,

ι

) της μετάβαση από ένα pixel με ένταση

i

σε ένα εικονοστοιχείο της έντασης

ι

χωρίζονται από ένα φορέα μετάφραση καθορίζεται από την κατεύθυνση

θ

και offset

d

( επίσης γνωστή ως απόσταση). Δίνεται μια εικόνα 2D

I

του μεγέθους

Ν

×

Ν

, η μήτρα συν-εμφάνισης

P

d

,

θ

(

i

,

ι

) μπορεί να οριστεί ως (9) όπου

DX

και

dy

καθορίσετε η απόσταση μεταξύ του pixel που μας ενδιαφέρει και γείτονά του κατά μήκος του άξονα χ και τον άξονα γ της εικόνας, αντίστοιχα. Η μήτρα GLCM έχει ένα μέγεθος

Ng

×

Ng

, όπου

Ng

είναι ο αριθμός των επιπέδων του γκρίζου στην εικόνα.

Εμείς εξάγεται το GLCM διαθέτει ως ακολούθως. Μια εξίσωση ιστογράμματος εφαρμόστηκε για πρώτη φορά στην κατακερματισμένη ROI που κωδικοποιούνται χρησιμοποιώντας 256 επίπεδα του γκρι. GLCM μήτρες στη συνέχεια υπολογίστηκαν με βάση τέσσερα μετατοπίσεις (1, 2, 3 και 4 πίξελ) και τέσσερις φάσεις (0 °, 45 °, 90 °, 135 °). Χρησιμοποιώντας την τεχνική αυτή, λάβαμε 16 πίνακες GLCM μεγέθους 256 × 256 για κάθε τμηματικό ROI. Χαρακτηριστικά υφής στη συνέχεια υπολογίζεται με την εφαρμογή 12 λειτουργίες ποσοδείκτη σε κάθε μήτρα GLCM, και κατά μέσο όρο οι τιμές σε όλα τα 16 πίνακες GLCM. Οι λειτουργίες 12 ποσοδείκτη, προτείνει Haralick et al. [32] και Clausi Δ [33], αναφέρονται. χαρακτηριστικά υφής με βάση την ποσοτικοποίηση των τιμών GLCM μπορεί να εκφραστεί ως εξής φορέα: (10).

Στατιστικές αναλύσεις και τα κριτήρια ταξινόμησης

Μια στατιστική ανάλυση με βάση τη δοκιμή Kruskal-Wallis πραγματοποιήθηκε έξω για να μετρηθεί η σημασία των χαρακτηριστικών υφής για τη διάκριση μεταξύ των τριών τύπων ΡΤ. Χαρακτηριστικά που έχει ένα

σ

-τιμή των 0,01 ή λιγότερο θεωρήθηκαν ως στατιστικά σημαντικές. Σημειώστε ότι αυτή η ανάλυση δεν χρησιμοποιείται για την επιλογή χαρακτηριστικών και, ως εκ τούτου, δεν μεροληψία το επόμενο βήμα ταξινόμηση

Τέσσερις μέθοδοι ταξινόμησης δοκιμάστηκαν:. Γραμμική διακριτική ανάλυση (LDA) [34], Naive Bayes (NB) [ ,,,0],35], δέντρα απόφασης (DT) [36] και των πλησιέστερων γειτόνων (ΝΝ) ταξινομητή [37]. Σε LDA, οι συναρτήσεις κατανομής πιθανότητας (PDF) των κατηγοριών υποτίθεται ότι είναι πολυπαραγοντική Gaussian με διαφορετική μέση, αλλά ίδια μήτρα συνδιακύμανσης, και την ταξινόμηση Bayes χρησιμοποιείται για να επιλέξετε την κατηγορία με τη μέγιστη πιθανότητα για κάθε δείγμα δοκιμής. Naïve Bayes θεωρεί χαρακτηριστικά ως ανεξάρτητες μεταξύ τους, δεδομένης της κατηγορίας τους, και υπολογίζει τις παραμέτρους PDF αυτών των χαρακτηριστικών για κάθε κατηγορία. Μία μονοπαραγοντική Gaussian PDF υποτίθεται για όλες τις λειτουργίες. DT ταξινόμηση χωρίζει το σύνολο των δειγμάτων εκπαίδευσης αναδρομικά, με την εφαρμογή ενός κατώτατου ορίου σε επιλεγμένα χαρακτηριστικά, έως ότου όλοι οι κόμβοι φύλλα είναι αρκετά καθαρό (δηλαδή, που περιέχουν δείγματα της ίδιας κατηγορίας) ή ένα μέγιστο αριθμό των επιπέδων επιτυγχάνεται. Σε αυτό το έργο, ο δείκτης Gini χρησιμοποιήθηκε ως μέτρο της καθαρότητας [38]. NN βρίσκει τις

δείγματα K

κατάρτισης πλησιέστερο προς ένα δεδομένο δείγμα δοκιμής, με βάση την Ευκλείδεια απόσταση, και αναθέτει το δείγμα δοκιμής με την πιο συχνή κατηγορία κοντινότερους γείτονές της. Με βάση την προηγούμενη δοκιμή, η τιμή

K

= 10 χρησιμοποιήθηκε για τον αριθμό των πλησιέστερων γειτόνων

απόδοσης ταξινομητής αξιολογήθηκε χρησιμοποιώντας τρεις μετρήσεις:. Ακρίβεια, ευαισθησία και ειδικότητα [39]. Ακρίβεια μετρά το ποσοστό των δειγμάτων δοκιμής που ταξινομούνται σωστά με τη μέθοδο. Ευαισθησία υπολογίζει, για κάθε κατηγορία, η αναλογία μεταξύ του αριθμού των πραγματικά θετικά (δηλαδή, τα δείγματα θετικά ταξινομούνται ως θετικά με τη μέθοδο) και το συνολικό αριθμό των θετικών δειγμάτων. Οι τιμές που λαμβάνονται για κάθε κατηγορία στη συνέχεια ο μέσος όρος αναλογικά με τον αριθμό των δειγμάτων στην αντίστοιχη κατηγορία. Ομοίως, η ειδικότητα είναι το ποσοστό των αρνητικών δειγμάτων που έχουν ταξινομηθεί ως αρνητικό από τη μέθοδο. Επιπλέον, η περιοχή κάτω από το δέκτη λειτουργεί χαρακτηριστική καμπύλη (AUC) χρησιμοποιείται για την αξιολόγηση των επιδόσεων των ταξινομητών για διαφορετικά κατώφλια απόφαση. Οι τιμές AUC λαμβάνονται με τη χάραξη της καμπύλης της αληθινής θετικού ρυθμού (δηλαδή, ευαισθησία) σε σχέση με ψευδώς θετικό ποσοστό (δηλαδή, 1-ειδικότητα), για διάφορα κατώφλια απόφασης, καθώς και τη μέτρηση της συνολικής επιφάνειας κάτω από την καμπύλη. Μια υψηλότερη τιμή AUC δείχνει ένα καλύτερο ταξινομητή.

Μια προσέγγιση διασταυρωμένης επικύρωσης 10 φορές χρησιμοποιήθηκε για την απόκτηση αμερόληπτη εκτιμήσεις της απόδοσης ταξινομητή. Σε αυτή την προσέγγιση, τα δεδομένα πρώτα χωρίζεται σε 10 ίσου μεγέθους σύνολα δειγμάτων. Κάθε σύνολο στη συνέχεια πραγματοποιήθηκε-out με τη σειρά του για την επικύρωση, ενώ τα υπόλοιπα δείγματα που χρησιμοποιούνται για την εκπαίδευση [40]. Η μέση απόδοση, υπολογίζεται σε αυτά τα 10 πτυχώσεις, έχει αναφερθεί.

Αποτελέσματα

Τμηματοποίηση

Ο Πίνακας 1 δείχνει την ακρίβεια τμηματοποίησης από την άποψη της DSC, FPR και FNR που λαμβάνεται με την ενεργό μέθοδο περιγράμματος κατάτμηση, για τις εικόνες των τριών τύπων PT. Παρατηρούμε τιμές DSC στην περιοχή του 86,31% -88,21%, με την καλύτερη απόδοση επιτυγχάνεται για τις περιφέρειες Ca. Επιπλέον, κυμαίνεται από 5,03% -7,61% και 16,11% -20,26% ελήφθησαν για FPR και FNR, αντίστοιχα, οι χαμηλότερες τιμές που αντιστοιχούν σε σε περιοχές (FPR = 5,03%) και των περιφερειών Ca (FNR = 16.11%). Τα αποτελέσματα αυτά επιβεβαιώνουν την ικανότητα του ενεργού κατάτμησης περίγραμμα για να εξαγάγετε με ακρίβεια τις ROIs, ιδίως, τις περιφέρειες που αντιστοιχούν στο Γα

Η

Υφή ανάλυση

Η μέση τιμή και την τυπική απόκλιση του log-based υφή χαρακτηριστικά, που λαμβάνονται σε διαφορετικές κλίμακες φίλτρο, παρουσιάζονται στον πίνακα 2. Ένας Kruskall-Wallis δοκιμασία χρησιμοποιήθηκε για κάθε χαρακτηριστικό για να προσδιοριστεί εάν η κατανομή του αξιών διαφέρει σε όλους τους τύπους ΡΤ. Σε αυτή τη δοκιμή, η μηδενική υπόθεση είναι ότι η μέση τάξη των αξιών είναι η ίδια για κάθε τύπο. Οι

σ

-τιμές που λαμβάνονται για κάθε χαρακτηριστικό που αναφέρεται στην τελευταία στήλη του Πίνακα 2. Εκτός από τις

Μια

γ

, η μέση τάξη του Λογαριασμού είναι σημαντικά υψηλότερη σε Ca από ό, τι και ΒΗ (

σ

-τιμή & lt? 0,0001). Ομοίως, η μέση κατάταξη των IN είναι υψηλότερη από ό, τι BH, εκτός από τα χαρακτηριστικά

Μια

γ

και

Ent

στ

. Αυτό υποστηρίζει την ιδέα ότι οι τύποι PT έχουν διαφορετικές ιδιότητες υφής και που διαθέτει με βάση καταγραφής μπορεί να χρησιμοποιηθεί για τη διάκριση μεταξύ αυτών των τύπων της ανωμαλίας ιστών.

Η

Μία παρόμοια ανάλυση διεξήχθη για τα χαρακτηριστικά GLCM (Πίνακας 3) και τα χαρακτηριστικά DW (Πίνακας 4). Για GLCM, η μέση κατάταξη των χαρακτηριστικών

στ

1,

στ

2

στ

4,

f

8,

στ

11 και

στ

12 είναι σημαντικά υψηλότερη σε Ca από ό, τι και BH τύπους. Σε αντίθεση, η μέση κατάταξη των χαρακτηριστικό

στ

9

είναι υψηλότερη σε σύγκριση με ΣΤΟΝ BH και Ca. Επιπλέον, η μέση κατάταξη των χαρακτηριστικών

στ

5,

στ

6,

στ

7 και

στ

10 βρέθηκε να είναι σημαντικά υψηλότερη σε σχέση με το BH (

σ

-τιμή & lt? 0,0001). Για τα χαρακτηριστικά εξάγεται χρησιμοποιώντας το DW μετασχηματισμού, βρήκαμε ότι τα χαρακτηριστικά

στ

1DW_db, και στ

1DW_sym είχε υψηλότερη μέση κατάταξη για ΣΤΗΝ από BH και Ca τύπους, και ότι η μέση κατάταξη των χαρακτηριστικών

στ

1DW_coif, στ

2DW_db,

στ

2DW_coif,

στ

2DW_sym,

στ

3DW_db,

στ

3DW_coif και

στ

3DW_sym ήταν υψηλότερη στην BH ό, τι IN και Ca τύπων (

σ

-τιμή & lt? 0.001) .

η

Συνολικά, η ανάλυση δείχνει το δυναμικό της καταγραφής, GLCM και DW χαρακτηριστικά υφής για τη διαφοροποίηση μεταξύ των τύπων PT. Επιπλέον, δεδομένου ότι όλα τα χαρακτηριστικά υφής βρέθηκαν να είναι στατιστικά σημαντική (

σ

-τιμή & lt? 0.01)., Όλα αυτά χρησιμοποιήθηκαν για την ταξινόμηση (δηλαδή, δεν υπάρχει βήμα επιλογής χαρακτηριστικών πραγματοποιήθηκε πριν από την κατάταξη)

Η κατάταξη

Τα τρία σύνολα χαρακτηριστικών υφής (δηλαδή,

F

LOG,

F

DW και

F

GLCM) αξιολογήθηκαν σε μια ρύθμιση ταξινόμηση, τη χρήση τους ως πρώτη ύλη για την LDA, NB, DT και NN ταξινομητές. Η απόδοση, όσον αφορά την ακρίβεια, την ευαισθησία και ειδικότητα, λαμβάνονται από αυτούς τους ταξινομητές για κάθε χαρακτηριστικό που αναφέρεται στον Πίνακα 5. Οι καλύτερες ακρίβειες ταξινόμησης που λαμβάνεται για τον log, DW και GLCM είναι 81,17% (DT ταξινομητής), 90.00% (LDA ταξινομητή ) και 94,37% (LDA ταξινομητής), αντίστοιχα.

Η

Η ικανότητα των ταξινομητών να διακρίνουν μεταξύ των ζευγών των τύπων ΡΤ, για διάφορα κατώφλια απόφαση, αξιολογήθηκε χρησιμοποιώντας την AUC μετρική. Τα αποτελέσματα, που φαίνονται στον Πίνακα 6 και το Σχ 6, δείχνουν ότι και οι τρεις σειρές των χαρακτηριστικών υφής είναι χρήσιμα για τη διάκριση μεταξύ όλων των ζευγών των τύπων ΡΤ, με τιμές AUC που κυμαίνονται από 98% έως 100%. Επιπλέον, ο πίνακας 7 δίνει τη μήτρα σύγχυση που λαμβάνονται για τους τρεις τύπους των χαρακτηριστικών υφής. Βλέπουμε ότι, για όλους τους τύπους υφής, η υψηλότερη ακρίβεια επιτυγχάνεται για το Ca (167/176 σωστά ταξινομημένα δείγματα Ca χρησιμοποιώντας GLCM), και η πιο συχνή σφάλμα ταξινόμησης εμφανίζεται μεταξύ BH και σε τύπους.

Η

Το μπλε, μαύρο και κόκκινη γραμμή είναι για BH εναντίον IN, BH εναντίον Ca, και εναντίον Ca αντίστοιχα. (Α) την υφή με βάση το φίλτρο καταγραφής. (Β) την υφή με βάση το φίλτρο DWT. (Γ) Υφή με βάση GLCM.

Η

Για την περαιτέρω βελτίωση της απόδοσης ταξινόμησης, έχουμε συνεχόμενα τα χαρακτηριστικά που προέρχονται από τους τρεις τύπους υφής, δίνοντας ένα διάνυσμα 30 χαρακτηριστικών υφής. Χρησιμοποιώντας αυτή την προσέγγιση, πήραμε μια ακρίβεια 98,92%, ευαισθησία 98,12%, ειδικότητα 99,67%, και AUC 100% με τη χρήση του ταξινομητή LDA (Πίνακες 5 και 6). Η βελτίωση της απόδοσης που λαμβάνεται με χαρακτηριστικά πολλαπλών υφής μπορεί επίσης να παρατηρηθεί στη μήτρα σύγχυση του πίνακα 7, με 157/160 της BH, 143/144 των IN και 175/176 δειγμάτων Ca ταξινομηθεί σωστά.

τυχαιοποίηση δοκιμή

οι τυχαιοποιημένες δοκιμές μετάθεση χρησιμοποιήθηκαν για περαιτέρω ποσοτικοποίηση τη σημασία της σχέσης μεταξύ υφές εικόνα και τύπων PT. Πολλαπλές δοκιμές διεξήχθησαν για να υπολογιστεί η ακρίβεια ταξινόμησης από τυχαία permuted ετικέτες τύπου PT. Αυτή η προσέγγιση επιτρέπει την ποσοτικοποίηση της μηδενικής κατανομής των χαρακτηριστικό υφής ακρίβεια ταξινόμησης, δηλαδή με δεδομένη την μηδενική υπόθεση ότι τα χαρακτηριστικά δεν περιέχουν πληροφορίες σχετικά με τους τύπους PT, δείτε δοκιμές μετάθεση [41]. Η ανάλυση πραγματοποιήθηκε όπως και πριν, εκτός του ότι οι ετικέτες τύπου επιλέχθηκαν τυχαία ιονανταλλαγή πριν από την αξιολόγηση, δημιουργώντας έτσι μία εμπειρική διανομή null πάνω αποτελέσματα ταξινόμησης από πολλαπλές δοκιμές (1000 φορές). Όπως ήταν αναμενόμενο, η μηδενική κατανομή κορυφώθηκε γύρω από τις αξίες ταξινόμησης ισοδυναμεί με τυχαία εικασία. π.χ. ακρίβεια = 33.25% (διάμεσος = 32,86%) για τα χαρακτηριστικά υφής με βάση LoG φίλτρο, 33,81% (διάμεσος = 33,75%) για τα χαρακτηριστικά με βάση την DW, 33.83% (διάμεσος = 33,95%) για τα χαρακτηριστικά που προέρχονται από GLCM, και 33,91% (μέση τιμή = 33.93%) για πλήρες σύνολο δυνατοτήτων του (σε συνδυασμό χαρακτηριστικά), (Πίνακας 8). Αυτές οι κατανομές μπορούν να χρησιμοποιηθούν για τον υπολογισμό των εμπειρικών

σ

-τιμές για τα αποτελέσματα κατάταξης τα οποία ελήφθησαν σε πειράματα στο τμήμα 3, π.χ. Πίνακας 5, τα οποία βρίσκονται σε σημαντική απόσταση.

Η

Συζήτηση

Μια πολυφασματική αγωγού επεξεργασίας εικόνας παρουσιάστηκε, στην οποία οι περιοχές ενδιαφέροντος (ROI που) που αντιπροσωπεύει ανώμαλη ιστούς κατά διαστήματα αυτόματα μέσω ενός αποτελεσματική πολλαπλής ανάλυσης μέθοδο ενεργού περιγράμματος. Αυτή η μέθοδος έχει αποδειχθεί ότι είναι ακριβείς, σε σχέση με ένα επισημασμένο ειδικός έδαφος αλήθεια, την απόκτηση αξιών ομοιότητα Dice μεταξύ 86,31% και 88,21%.

Σε μια συγκριτική μελέτη, αξιολογήσαμε τη χρησιμότητα των τριών τύπων υφές για την ταξινόμηση παθολογικούς ιστούς που σχετίζονται με CRC. Σε ατομικό επίπεδο, όλες οι υφές να οδηγήσει σε ακρίβειες ταξινόμησης πάνω από 80%, αν και GLCM υφές βάση την προϋπόθεση ότι η καλύτερη απόδοση με ακρίβεια 94,37%, ευαισθησία 95,63% και εξειδίκευση 100% (Πίνακας 5). Συγκρίνοντας την απόδοση σε όλους τους τύπους PT, παρατηρήσαμε ότι τα δείγματα Ca έχουν το χαμηλότερο ποσοστό σφάλματος, και ότι τα περισσότερα σφάλματα μεταξύ BH και σε τύπους (Πίνακας 7). Παρατηρήσαμε επίσης ότι ο συνδυασμός τους τρεις τύπους υφής (για ένα σύνολο 30 χαρακτηριστικά) παρέχει την καλύτερη απόδοση, με ακρίβεια 98,92%, η ευαισθησία του 98,12%, η ειδικότητα του 99,67% και την AUC κατά 100% (Πίνακες 5, 6 και 7 ). Αυτό δείχνει ότι τα διαφορετικά χαρακτηριστικά υφής περιέχουν συμπληρωματικές πληροφορίες, οι οποίες μπορούν να συνδυαστούν σε ένα συνεργιστικό τρόπο για να βελτιωθεί η ανάλυση.

Το σχήμα 7 δείχνει τη συσχέτιση μεταξύ των τιμών χαρακτηριστικό βρέθηκαν σε τρεις τύπους ΡΤ, για κάθε τύπο της υφής . Για τα χαρακτηριστικά υφής LoG βάση, οι υψηλότερες τιμές συσχέτισης που παρατηρείται μεταξύ των μεσαίων και χοντρό υφές των IN και Ca τύπους (Εικόνα 7Α). Ένα παρόμοιο μοτίβο συσχέτιση βρέθηκε μεταξύ των κυματιδίων χαρακτηριστικά στα είδη IN και Ca (Σχήμα 7Β). Αντίθετα, λιγότερο συσχέτιση παρατηρείται μεταξύ διαφορετικών χαρακτηριστικών GLCM (Σχήμα 7C), η οποία θα μπορούσε να εξηγήσει σχετικά υψηλή ακρίβεια ταξινόμησης τους. Σε όλους τους τύπους ΡΤ, οι χαμηλές τιμές συσχέτισης που παρατηρείται μεταξύ των χαρακτηριστικών, ειδικά για τον log και GLCM υφές. Για άλλη μια φορά, αυτό υποστηρίζει την οδήγηση υπόθεση ότι τα χαρακτηριστικά υφής μπορεί να χρησιμοποιηθεί για να χαρακτηρίσει και να προσδιορίσει παθολογικών ιστών σε πολυφασματικές CRC εικόνες.

(α) χαρακτηριστικό υφής με βάση το φίλτρο καταγραφής,

Μια

,

Ent

και

SD

είναι ο μέσος όρος, Εντροπία και Τυπική Απόκλιση αντίστοιχα?

στ

,

m

και

γ

είναι ο δείκτης των λεπτών, μεσαίες και τραχιά υφή, αντίστοιχα. (Β) η λειτουργία Υφή βασίζεται σε διακριτά κυματιδίων όπου

στ

1

,

στ

2

,

και στ

3

είναι η Εντροπία, Ενέργειας και διακύμανση αντίστοιχα?

d

,

γ

και

s

είναι ο δείκτης της daubechies, Coiflet και Symlet wavelet αντίστοιχα. (Γ) εξαγωγή χαρακτηριστικών υφής από GLCM όπου

στ

1

,

στ

2

,

f

3

,

στ

4

,

στ

5

,

στ

6

,

στ

7

,

στ

8

,

στ

9

,

στ

10

,

στ

11

και στ

12

είναι ο δείκτης της ενέργειας, εντροπία, Συσχέτιση, Αντίθεση, Inverse διαφορά, Sum-διακύμανσης, Sum-μέση, διαφορά εντροπία, Cluster σκιά, τάση Cluster, μέγιστη πιθανότητα, και η διαφορά διακύμανση αντίστοιχα.

η

Τέλος, σημειώνουμε ότι αρκετές μελέτες στη βιβλιογραφία έχουν περιγράψει τα πλεονεκτήματα της χρήσης χαρακτηριστικών υφής για τον εντοπισμό μη φυσιολογικών δειγμάτων του παχέος εντέρου [6, 9 , 10, 42, 43, 44].