Clarification of oncological diagnosis using modern image recognition technologies

Abstract

Рак молочной железы сегодня является одним из самых распространенных видов онкологии в мире; ранняя диагностика заболевания значительно увеличивает шансы на полное восстановление. Чаще всего для такой диагностики врачи используют маммографические снимки, позволяющие анализировать текстуру ткани груди, однако по статистике радиологи не обнаруживают значительную часть аномалий по различным причинам. В связи с этим получает широкое распространение разработка систем компьютерного обнаружения и диагностики для повышения точности работы врачей, что требует реализации извлечения текстурных, статистических и структурных признаков из областей изображения и обработки этих признаков с помощью алгоритмов машинного обучения. В данной работе представлена система, использующая несколько методов извлечения текстурных признаков и методы извлечения моментов, характеризующих форму объектов на изображении. Каждый вектор признаков пропускается через несколько классификаторов, затем решение принимается на основе их голосования. В результате экспериментов была достигнута точность 86,6%, что сопоставимо или превышает точность диагностики радиологами.

Breast cancer is one of the most common types of cancer in the world today; early diagnosis of this disease greatly increases the chances of a full recovery. Most often, for such a diagnosis, doctors use mammography images that allow them to analyze the texture of breast tissue, but according to statistics, radiologists do not detect a significant part of the anomalies for various reasons. In this regard, the development of computer detection and diagnostic systems to improve the accuracy of doctors' work is becoming widespread; this requires the implementation of the extraction of textural, statistical and structural features from image areas and the processing of these features using machine learning algorithms. This paper presents a system that uses several methods for extracting texture features and methods for extracting moments that characterize the shape of objects in an image. Each feature vector is passed through several classifiers, then a decision is made based on their vote. As a result of the experiments, an accuracy of 86.6% was achieved, which is comparable to or exceeds the accuracy of diagnostics by radiologists.