53
MAMMOGRAFIYA TASVIRLARIGA DASTLABKI ISHLOV BERISH
ALGORITMI
Abdiyeva Xabiba Sobirovna
Samarqand davlat universiteti tayanch doktoranti
Annotatsiya.
Tibbiyot tasvirlarini tahlil qilish usullari va algoritmlari ko’krak
bezi saratonini erta bosqichda aniqlash va tashxislashda muhim rol o’ynaydi. Ushbu
ilmiy ishda mammografiya tasvirlarida topografik xaritaga asoslangan segmentatsiya
masalasi ko’rilgan. Ushbu muammoni hal qilishda tasvirlarga dastlabki ishlov berish
va segmentlash algoritmlari takomillashtirilgan.
Kalit soʻzlar:
tibbiyot tasvirlari, mammografiya, ko’krak saratoni, segmentlash,
dastlabki ishlov berish.
Bugungi kunda tibbiy ma`lumotlarga avtomatik ishlov berish asosida
tashxishlash tibbiyotning asosiy yo`nalishlaridan biri hisoblanadi. Xususan, tibbiy
tasvirlarga ishlov berish, sohalarga ajratish va tahlil qilish asosida ma`lum bir
kasalliklarga tashxishlashda muhim vazifa bo`lib qolmoqda. MRT, endoskopiya, X-
nurli, ultratovushli tekshiruvlarda yuqori energiya asosida tibbiy tasvirlar olish yaxshi
sifatni berishi bilan birga, yuqori energiya miqdorini oshishi insonning ma`lum bir
a`zolariga zarar yetkazishi mumkin. Past energiya bilan olingan tavirlarning sifati past
bo’ladi. Bunday sifati past tasvirlarda tashxishlash murakkab yoki aniqligi past bo`lishi
mumkin. Bugungi kunda bunday masalarni yechishda kompyuter texnologiyalari
qo`llanib, ular asosida ishlov berish asosida kerakli sohalarni ajratib olish, dastlabki
ko`makchi tashxishlash yordamida tashxis qo’yish bilan tezkor diagnozlar amalga
oshirilmoqda va eng asosiysi bemor inson a`zolariga yetkaziladigan zarar va og’riq
miqdorini kamaytirishga erishiladi.
Mammografiya tibbiy tasvirlarining sifatini oshirish.
Tibbiy tasvirlarni tahlil
qilish usul va algoritmlari ko'krak bezi saratonini erta bosqichda aniqlash va
tashxislashda hal qiluvchi rol o'ynaydi. Ushbu usullar rentgenolog-mammologlarga
o’sma sohalarini aniq ajratib ko'rsatish, o'sma belgilarini miqdoriy jihatdan aniqlash va
klinik qarorlar qabul qilish uchun muhim ma’lumotlar berish orqali mammografiya
tasvirlarini sharhlashda yordam beradi. Tibbiyot tasvirlarini tahlil qilishda dastlabki
bosqich olingan tasvirlarning sifatini oshirishdan iboratdir[1]. Tasvir o’lchovli
𝑓(𝑥, 𝑦)
funksiya sifatida ifodalanadi, bu yerda
(𝑥, 𝑦)
tasvirdagi piksel joylashuvini
koordinatasi
ifodalaydi,
𝑓
esa
amplituda
qiymati
hisoblanadi[2].
(𝑥, 𝑦)
koordinatalardagi
𝑓
ning qiymati skalyar kattalik, ya’ni fizik jihatdan tasvir manbasi
yutgan energiyaga to’g’ri proporsional, shu sababli
𝑓(𝑥, 𝑦)
nomanfiy va chekli qiymat
qabul qilishi kerak:
0 ≤ 𝑓(𝑥, 𝑦) < ∞
(1.1)
Tibbiyot tasvirlari bilan ishlashda uch turdagi tasvirlar, ya’ni binar, kulrang va
rangli tasvirlardan
foydalaniladi. Bu tasvirga olish sharoiti, qurilmalari
imkoniyatlaridan kelib chiqqan holda kerakli tasvir turidan foydaliniladi[3].
54
Tibbiyot tasvirlarida segmentatsiyalash.
Tibbiyot tasvirlarini tahlil qilishdagi asosiy
masalalar biri tasvirlarda segmentyalash jarayonidir. Tasvirni segmentlash - bu tasvirni
ma`lum qoniniyat, bog`liqlik, qoida yoki predikat bo`yicha tasvirni qism sohalarga
ajratish jarayoni hisoblanadi[4]. Yani, matematik ko`rinishda
𝑅
tasvirni segmentlash
quyidagicha ifodalanadi
𝑅 = ⋃
𝑅
𝑖
𝑁
𝑖=1
va
𝑅
𝑖
∩ 𝑅
𝑗
= 𝜙, 𝑖 ≠ 𝑗
,
(1.2).
bu yerda
𝑅
1
, 𝑅
2
, 𝑅
3
, … 𝑅
𝑁
tasvirning qism sohalar to’plamlarini ifodalaydi.
Mammogrammada tibbiy tasvirni segmentlashdan asosiy maqsad kerakli qism
sohani (ROI-region of interest) tasvirda aniqlash va ajratib olishdir. Tibbiy tasvirning
asosiy elementi piksel bo`lib, tasvir piksellar to`plamidan tashkil topadi. Segmentlash
asosida tasvirdagi har bir pikselni u yoki bu strukturaga tegishliligi aniqlanadi.
Segmentatsiya qo`llash natijalari sifatida tasvirda to’qimalar, organlar, qon tomirlarini
ajratish va ularda turli xil patologik o’zgarishni aniqlashlarni keltirish mumkin[5].
Ilmiy ishda qo’yilgan masalani hal etishda quyidagi qadamlar talab etiladi:
1-qadam:
Odatda mammografiya tasvirlarining orqa fonida turli xil yorliqlar,
belgilar va yozuvlar mavjud bo’ladi. Mammografiya tasvirini
𝑃
𝑄
deb belgilaymiz.
𝑃
𝑄
tasvir
𝜌 = {𝜌
1
, … 𝜌
𝑛
}
piksellar to’plamidan iborat.
𝑓(∇)
funksiya berilgan
𝑃
𝑄
tasvirdagi yuqori intensivli yuzalarni kuchaytirish orqali belgi va yorliqlarni olib
tashlaydi va
𝐼
𝑘
binar tasvirni beradi.
𝐼
𝑘
= 𝑃
𝑄
← 𝑓(∇)
(1.3)
𝐼
𝑘
tasvir asl intensivlikni saqlab qolish va
𝐼
𝜓
kulrang tasvirni olish uchun ishlatiladi.
2-qadam:
Ushbu algoritm mammogramma yoki shunga o'xshash tibbiy
tasvirdan pektoral mushakni segmentlarga ajratishga qaratilgan. Ushbu bosqichda
Prewitt operatoridan foydalanildi. Ushbu operatorda 2 o’lchamli tasvir uchun
gradient(
𝜑
) ni aniqlashda 3
× 3
konvolyutsiya niqobi ishlatildi.
𝜑 = √𝜑
𝑥
2
+ 𝜑
𝑦
2
(1.4)
|𝜑| = |𝜑
𝑥
| + |𝜑
𝑦
|
(1.5)
𝜃 = 𝑎𝑟𝑐𝑡𝑎𝑛𝑔
𝜑
𝑥
𝜑
𝑦
(1.6)
𝑓(𝜑)
funksiyasi bo’sag’a qiymatli
𝐼
𝜓
tasvirda qirralarni aniqlash uchun ishlatiladi va
bizga
𝐼
𝑣
natijani beradi.
𝐼
𝑣
= 𝐼
𝜓
← 𝑓(𝜑)
(1.7)
𝐼
𝑣
tasvirdagi noaniq chegaralar morfologik “yopish” amali natijasida aniq chegaralarga
aylanadi.
𝐼
𝑣
∙ 𝛺
𝜈
= (𝐼
𝑣
⊕ 𝛺
𝜈
) ⊝ 𝛺
𝜈
(1.8)
𝐼
𝑣
⊕ 𝛺
𝜈
= ⋃
𝐼
𝑣𝑏
𝑏∈𝐵
(1.9)
Bu yerda
𝛺
𝜈
morfologik “yopish” amali elementi,
⊕
-dilatatasiya,
⊝
-eroziya.
𝑓(𝐼
𝑣
∙ 𝛺
𝜈
)
operatori
𝐼
𝑣
tasvir ustida morfologik “yopish” amalini bajaradi va bizga
binar
𝐼
𝛽
tasvirni qaytaradi.
𝐼
𝛽
= 𝐼
𝑣
← 𝑓(𝐼
𝑣
∙ 𝛺
𝜈
)
(1.10)
3-qadam:
Topografik xaritaga asoslangan segmentatsiyalash algoritmi chegara va
kontur tahliliga asoslangan segmentatsiyani amalga oshiradi.
𝐼
𝛽
binar tasvirga
𝑓(𝜇)
funksiyani qo’llagan holda ko’krak o’sma sohasining topografik xaritasi olinadi.
55
𝐼
𝛿
= 𝐼
𝛽
← 𝑓(𝜇)
(1.11)
Bu yerda
𝑓(𝜇)
-shakl suruvchi funksiya,
𝐼
𝛿
-topografik xaritali natijaviy tasvir.
4-qadam:
CLAHE algoritmi piksellarning intensivlik darajalarini qayta
taqsimlash orqali kirish tasvirining kontrastini oshiradi. U kirish tasvirining kulrang
versiyasida ishlaydi. CLAHE tasvirni plitkalar deb ataladigan kichik hududlarga
ajratadi va "clip_limit" bilan belgilangan ma'lum diapazondagi piksel qiymatlarini
hisobga olgan holda har bir plitkaga gistogramma tenglashtirishni qo'llaydi. Bu
shovqinning haddan tashqari kuchayishini oldini oladi. Tenglashtirgandan so'ng,
plitkalar yakuniy takomillashtirilgan tasvirni yaratish uchun birlashtiriladi.
𝛽 =
𝑀
𝑁
(1 +
𝛼
100
(𝑆
𝑚𝑎𝑥
− 1))
(1.12)
Bu yerda
𝛽
limit qiymat(clip limit)ni,
𝑀
- yuza o’lchovini,
𝑁
-kulrang daraja
qiymatini(0-256),
𝛼
esa 1 dan 100 gacha bo’lgan gistogramma limitini qo’shimchasini
ifodalovchi kontrast limiti faktorini ifodalaydi.
𝑆
𝑚𝑎𝑥
esa maksimum ruxsat etilgan
qiyalikni ifodalaydi.
Mammografiya tasvirlarida o’smalar shakliga qarab, normal, xavfli yoki xavfsiz
bo'lishi mumkin. Aniqlash uchun tasvirni qayta ishlash algoritmlarini qo'llashdan oldin
mammogrammalarning sifatini yaxshilash kerak. Avvalo, topografik xaritaga
asoslangan segmentatsiya asosida ko’krak bezi sohasi ajratib olindi, shuningdek MLO
shakldagi mammogrammalardan pektoral mushak olib tashlandi va qora sohalar kesib
olindi. So’ngra tasvirlarga CLAHE algoritmi asosida dastlabki ishlov berildi.
Tasvirlarga dastlabki ishlov berish natijasida kiruvchi tasvirdan shovqin olib
tashlanadi, segmentatsiyalanadi va undagi chegara va obyektlar aniqlanadi.
Foydalanilgan adabiyotlar roʻyxati:
1. S. K. Fazilov, O. R. Yusupov and K. S. Abdiyeva, "An Algorithm for
Evaluating the Parameters Characterizing the Quality of the Image Field of the Iris by
the Principal component analysis method," 2022 International Conference on
Information Science and Communications Technologies (ICISCT), Tashkent,
Uzbekistan, 2022, pp. 1-4, doi: 10.1109/ICISCT55600.2022.10146887.
2. S. K. Fazilov and O. R. Yusupov, "Algorithm for Extraction of the Iris Region
in an Eye Image," 2019 IEEE East-West Design & Test Symposium (EWDTS),
Batumi, Georgia, 2019, pp. 1-5, doi: 10.1109/EWDTS.2019.8884441.
3. S. K. Fazilov and O. R. Yusupov, "Improvement of the Daugman Method for
Nonreference Assessment of Image Quality in Iris Biometric Technology," 2021 IEEE
East-West Design & Test Symposium (EWDTS), Batumi, Georgia, 2021, pp. 1-4, doi:
10.1109/EWDTS52692.2021.9581040.
4. Ramani, R.; Vanitha, N.S.; Valarmathy, S. The Pre-Processing Techniques for
Breast Cancer Detection in Mammography Images. Int. J. Image Graph. Signal
Process. 2013, 5, 47–54. [
CrossRef
]
5. Suckling, J. The Mammographic Image Analysis Society Digital
Mammogram Database. In Exerpta Medica International Congress Series 1069;
Elsevier: York, UK, 1994; Volume 1069, pp. 375–378.