Сomputer automatic diagnostic (CAD)/classifcation of videoimages is actual for laparoscopic surgery. Such CAD is supposed to explore intraoperatively for support surgeon decisions. Aim: to evaluate the effectiveness of the CAD systems developed on the basis of two classifers – HAAR features cascade and AdaBoost for the detection of cirrhotic and metastatic damages of the liver. The development of CAD was based on training of HAAR features cascade and AdaBoost classifers with images/frames, which have been cropped out from video gained in the course of laparoscopic diagnostics. RGB frames which were gamma-corrected and converted into HSV have been used for training. Also descriptors were extracted from images with the modifed method of Local Binary Pattern (LBT), which includes data on color characteristics (”modifed color LBT” – MCLBT) and textural ones for AdaBoost classifer training. 1000 positive images along with 500 negative ones of both types of pathology were used for training. After cessation of training the tests were performed with the aim of the estimation of effectiveness of recognition. Test session images were different from those ones which have been used for training of the classifer. Test control sessions were performed with trained classifers with 319 frames containing cirrhotic and 253 frames with metastatic deteriorations in liver tissue. 365 frames with the absence of mentioned pathology were used as a control group – practically healthy liver state. Classifcation of test video-images revealed that the highest recall for cirrhosis diagnostics was achieved after training of AdaBoost with MCLBT descriptors extracted from HSV images – 0.655, and in case for metastatic damages diagnostics – for MCLBT gained from RGB images – 0.925. Hence developed AdaBoost based CAD system achieved 69.0 % correct classifcation rate (accuracy) for cirrhotic and 92.7 % for metastatic images. The accuracy of Haar features classifer was highest in case of metastatic foci identifcation and achieved 0.701 (RGB) – 0.717 (HSV) values. Haar features based cascade classifer turned to be less effective when compared with AdaBoost classifer trained with MCLBT descriptors. Metastatic foci are better diagnosed when compared with cirrhotic liver deterioration with the explored approaches to digital images classifcation.
Комп’ютерна автоматизована діагностика (КАД)/класифікація відеозображень є актуальною в лапароскопічній хірургії. Подібна КАД передбачається до використання впродовж виконання лапароскопічного втручання з метою підтримки ухвалення рішення хірургом. Мета роботи – оцінити ефективність КАД, що створені на базі двох класифікаторів: каскадного класифікатора ознак Хаара та AdaBoost під час діагностики циротичних змін печінки та метастатичного її ураження. Створення КАД здійснювали шляхом навчання каскадного класифікатора ознак Хаара та AdaBoost зображеннями/кадрами, котрі були вилучені з відеоряду, що отримали під час лапароскопічної діагностичної процедури. Кадри, що отримані в RGB форматі шкали кольорів, обробляли за допомогою гама-корекції та трансформували у шкалу HSV, після чого обидва типи кадрів використовували для навчання. За допомогою модифікованого методу локальних бінарних патернів (LBT), котрий включав показники колірності («модифікований за кольором LBT» – MCLBT), а також характеристики текстури, визначали дескриптори для навчання AdaBoost класифікатора. Загалом для навчання кожного класифікатора використовували 1000 зображень із підтвердженими діагнозами та 500 – з їхньою відсутністю для кожної форми патології печінки. Після завершення навчання виконували контрольне тестування та визначали ефективність діагностики відзначених класифікаторів. При цьому для тестування використовували зображення, котрі не застосовували під час навчання: 319 зображень циротично зміненої та 253 зображення метастатичних змін поверхні печінки, а також 365 зображень печінки без патологічних змін. Результати. Контрольне тестування засвідчило, що найвищим показник повноти діагностики цирозу печінки був при використанні AdaBoost класифікатора, котрий було навчено за допомогою MCLBT-дескрипторів, що отримали з кадрів у HSV форматі – 0,655, a також під час діагностики метастатичного ураження печінки – при використанні MCLBT-дескрипторів, що одержали з кадрів у RGB форматі – 0,925. Отже, КАД на основі AdaBoost класифікатора дає можливість ефективно діагностувати циротичні зміни в 69,0 % та метастатичне ураження – в 92,7 % випадків. Коректна діагностика за допомогою класифікатора на основі ознак Хаара була найвищою у випадку діагностики метастатичного ураження та становила 0,701 та 0,717 під час навчання з використанням RGB і HSV форматів зображень відповідно. Класифікатор на основі ознак Хаара є менш ефективним порівняно з класифікатором AdaBoost, що навчений за MCLBT-дескрипторами під час вирішення питань автоматизованої діагностики стану печінки. За допомогою класифікаторів, котрі застосовані, метастатичне ураження діагностується ефективніше порівняно з циротичними змінами печінки.
Компьютерная автоматизированная диагностика (КАД)/классификация видеоизображений является актуальной в лапароскопической хирургии. Подобные КАД используются интраоперационно во время лапароскопического вмешательства для поддержки принятия решений хирургом.
Цель работы – оценить эффективность КАД, созданных на базе двух классификаторов: каскадного классификатора признаков Хаара и AdaBoost при диагностике цирротических изменений печени и её метастатического поражения. Создание КАД проводилось путём обучения каскадного классификатора признаков Хаара и AdaBoost изображениями/кадрами, которые были получены из видеоряда, зарегистрированного во время лапароскопической диагностической процедуры. Кадры, полученные в RGB формате шкалы цветности обрабатывали путём гамма-коррекции и трансформировали в шкалу HSV, после чего оба типа кадров применяли для обучения. С помощью модифицированного метода локальных бинарных паттернов (LBT), который включал показатели цветности («модифицированный по цветности LBT» – MCLBT), а также характеристики текстуры, определяли дескрипторы, которыми проводили обучение AdaBoost классификатора. В целом для обучения каждого классификатора использовали 1000 изображений с подтверждёнными диагнозами и 500 – с их отсутствием для каждой формы патологии печени. После окончания обучения проводили контрольное тестирование и определяли эффективность диагностики применённых классификаторов. При этом для тестирования использовали изображения, которые не применялись во время обучения: 319 изображений цирротично изменённой и 253 изображения метастатических изменений поверхности печени, а также 365 изображений печени без патологических изменений. Результаты. Контрольное тестирование показало, что наиболее высоким показатель полноты диагностики цирроза печени был при использовании AdaBoost классификатора, который обучен с помощью MCLBT-дескрипторов, полученных при обработке кадров в HSV формате – 0,655, a также при диагностике метастатического поражения печени – при использовании MCLBT-дескрипторов, полученных при обработке кадров в RGB формате – 0,925. Таким образом, КАД на основе AdaBoost классификатора позволяет эффективно диагностировать цирротические изменения в 69,0 % и метастатические поражения – в 92,7 % случаев. Корректная диагностика с применением классификатора на основе признаков Хаара была наиболее высокой в случае диагностики метастазов и составляла 0,701 и 0,717 при обучении с применением RGB и HSV форматов изображений соответственно. Классификатор на основе признаков Хаара менее эффективен в сравнении с классификатором AdaBoost, который обучали с помощью MCLBT-дескрипторов при решении вопросов автоматизированной диагностики состояния печени. С помощью применённых классификаторов метастатические изменения диагностируются более эффективно в сравнении с циррозом печени.
