This article discusses the use of texture analysis methods to obtain informative features that describe the texture of liver ultrasound images. In total, 317 liver ultrasound images were analyzed, which were provided by the Institute of Nuclear Medicine and Radiation Diagnostics of NAMS of Ukraine. The images were taken by three different sensors (convex, linear, and linear sensor in increased signal level mode). Both images of patients with a normal liver condition and patients with specific liver disease (there were diseases such as: autoimmune hepatitis, Wilson's disease, hepatitis B and C, steatosis, and cirrhosis) were present in the database. Texture analysis was used for “Feature Construction”, which resulted in more than a hundred different informative features that made up a common stack. Among them, there are such features as: three authors’ patented features derived from the grey level co-occurrence matrix; features, obtained with the help of spatial sweep method (working by the principle of group method of data handling), which was applied to ultrasound images; statistical features, calculated on the images, brought to one scale with the help of differential horizontal and vertical matrices, which are proposed by the authors; greyscale pairs ensembles (found using the genetic algorithm), which identify liver pathology on images, transformed with the help of horizontal and vertical differentiations, in the best possible way. The resulting trait stack was used to solve the problem of binary classification (“norma-pathology”) of ultrasound liver images. A Machine Learning method, namely “Random Forest”, was used for this purpose. Before the classification, in order to obtain objective results, the total samples were divided into training (70 %), testing (20 %), and examining (10 %). The result was the best three Random Forest models separately for each sensor, which gave the following recognition rates: 93.4 % for the convex sensor, 92.9 % for the linear sensor, and 92 % for the reinforced linear sensor
В даній статті розглянуто використання методів текстурного аналізу для отримання інформативних ознак, які описують текстуру ультразвукових зображень печінки. Всього для дослідження було проаналізовано 317 знімків ультразвукового дослідження печінки, які були надані Інститутом ядерної медицини та променевої діагностики НАМН України. Знімки були взяті трьома різними датчиками (конвексним, лінійним, і лінійним датчиком в режимі підвищеного рівня сигналу). У базі присутні як знімки пацієнтів з печінкою в нормальному стані, так і пацієнтів з певною хворобою печінки (були в наявності такі хвороби, як: аутоімунний гепатит, хвороба Вільсона, гепатит B і C, стеатоз і цироз). За допомогою текстурного аналізу було зроблено «конструювання ознак», що в підсумку дало більше ста різних інформативних ознак, які склали загальний стек. Серед них різняться такі ознаки, як: три запатентованих авторами ознаки, отриманих з матриці суміжності відтінків сірого; ознаки, отримані за допомогою методу просторової розгортки (що працює за принципом методу групового урахування аргументів), який був застосований на ультразвукових зображеннях; статистичні ознаки, пораховані на зображеннях, приведених до єдиної шкали за допомогою запропонованих авторами матриць горизонтальної і вертикальної диференціацій; знайдені за допомогою генетичного алгоритму ансамблі пар градацій сірого, які найкращим чином розрізняють патологію печінки на зображеннях, трансформованих за допомогою горизонтальної і вертикальної диференціацій. Отриманий стек ознак був використаний для вирішення завдання бінарної класифікації («норма-патологія») ультразвукових зображень печінки. Для цього був використаний метод машинного навчання, а саме – «випадковий ліс». Перед виконанням класифікації, для отримання об'єктивних результатів загальні вибірки були поділені на: навчальну (70 %), тестову (20 %) і екзаменаційну (10 %). В результаті були отримані три найкращих моделі випадкового лісу окремо під кожен датчик, які дали такі показники розпізнавання: на конвексному датчику точність розпізнавання дорівнювала 93.4 %, на лінійному датчику – 92.9 %, на лінійному датчику в посиленому режимі – 92 %.
В данной статье рассмотрено использование методов текстурного анализа для получения информативных признаков, которые описывают текстуру ультразвуковых изображений печени. Всего для исследования было проанализировано 317 снимков ультразвукового исследования печени, которые были предоставлены Институтом ядерной медицины и лучевой диагностики НАМН Украины. Снимки были взяты тремя различными датчиками (конвексным, линейным, и линейным датчиком в режиме повышенного уровня сигнала). В базе присутствовали как снимки пациентов с печенью в нормальном состоянии, так и пациентов с определенной болезнью печени (были в наличии такие болезни, как: аутоиммунный гепатит, болезнь Вильсона, гепатит B и C, стеатоз и цирроз). С помощью текстурного анализа было произведено «конструирование признаков», что в итоге дало больше ста различных информативных признаков, которые составили общий стек. Среди них разнятся такие признаки, как: три запатентованных авторами признака, полученных с матрицы смежности оттенков серого; признаки, полученные с помощью метода пространственной развёртки (работающий по принципу метода группового учёта аргументов), который был применен на ультразвуковых изображениях; статистические признаки, посчитанные на изображениях, приведенных к единой шкале с помощью предложенных авторами матриц горизонтальной и вертикальной дифференциаций; найденные с помощью генетического алгоритма ансамбли пар градаций серого, которые наилучшим образом различают патологию печени на изображениях, трансформированных с помощью горизонтальной и вертикальной дифференциаций. Полученный стек признаков был использован для решения задачи бинарной классификации («нормапатология») ультразвуковых изображений печени. Для этого был использован метод машинного обучения, а именно – «cлучайный лес». Перед произведением классификации, для получения объективных результатов общие выборки были поделены на: обучающую (70 %), тестовую (20 %) и экзаменационную (10 %). В результате были получены три наилучших модели случайного леса отдельно под каждый датчик, которые дали следующие показатели распознавания: на конвексном датчике точность распознавания равнялась 93.4 %, на линейном датчике – 92.9 %, на линейном датчике в усиленном режиме – 92 %.
