ПРИМЕНЕНИЕ ПАРАМЕТРОВ ШЕРОХОВАТОСТИ ДЛЯ ХАРАКТЕРИСТИКИ НЕОДНОРОДНОСТЕЙ ИЗОБРАЖЕНИЙ УЛЬТРАЗВУКОВОЙ МЕДИЦИНСКОЙ ДИАГНОСТИКИ

A. I. Bazhenova; V. N. Milich; O. V. Muravyeva; E. P. Kuznetsov; Yu. S. Gulyaeva

doi:10.22213/2410-9304-2019-3-4-13

Authors

A. I. Bazhenova Удмуртский федеральный исследовательский центр Уральского отделения Российской академии наук
V. N. Milich Удмуртский федеральный исследовательский центр Уральского отделения Российской академии наук
O. V. Muravyeva Удмуртский федеральный исследовательский центр Уральского отделения Российской академии наук; ИжГТУ имени М. Т. Калашникова
E. P. Kuznetsov городская клиническая больница № 2 Министерства здравоохранения Удмуртской Республики
Y. S. Gulyaeva ИжГТУ имени М. Т. Калашникова

DOI:

https://doi.org/10.22213/2410-9304-2019-3-4-13

Keywords:

ultrasound images, digital processing, roughness parameters, structure homogeneity, pathology detection

Abstract

The study results of the possibilities of the surface roughness parameters application in order to solve the problems of analyzing the structural heterogeneity of ultrasound (US) images are presented. The roughness parameters are adapted for the two-dimensional discrete signal and calculated for the fragments of two types of ultrasound images of the thyroid: US image with pathological and US image with healthy structures. Fragment sizes are 20*20, 40*40, 70*70 pixels. Roughness parameters are investigated from the point of view of their separating ability. Analysis of the roughness parameters revealed two of the most informative parameters: the modified altitude parameter, as the arithmetic average of the absolute values of ledges deviations, and the step parameter, as relative supporting lengths of the profile at different section levels. The study results allow us to conclude that the application of roughness parameters for analyzing structural heterogeneity of ultrasound images is promising. Investigation of the roughness parameters on a larger set of ultrasound medical images with different fragment sizes is required in order to increase the reliability of the proposed parameters.

References

Ультразвук в медицине. Физические основы применения / Хилл К. [и др.] ; пер. Л. Р. Гаврилов, В. А. Хохлова, О. А. Сапожников. М. : Физматлит, 2008. С. 544. ISBN: 978-5-9221-0894-2.

Осипов Л. В. Ультразвуковые диагностические приборы: режимы, методы и технологии. М. : Изо-Мед, 2011. С. 316. ISBN: 978-5-9903157-1-6.

Программно-инструментальный комплекс высокопроизводительной обработки изображений медицинского и промышленного назначения / В. Ф. Заднепровский, А. А. Талалаев, И. П. Тищенко, В. П. Фраленко, В. М. Хачумов // Информационные технологии и вычислительные системы. 2014. № 1. С. 61–72. [Integrated development environment for high-performance medical and industrial purpose images processing].

Tiran E., Deffieux T., Correia M., Maresca D. Multiplane wave imaging increases signal-to-noise ratio in ultrafast ultrasound imaging // Physics in Medicine and Biology, Vol. 60, October 2015, pр. 8549–8566. DOI: 10.1088/0031-9155/60/21/8549.

Ковалев В. А. Распознавание опухолей на ультразвуковых изображениях печени с использованием решающих правил // Информатика. 2016. № 2. С. 59–70. [A rule-based method for tumor recognition in liver ultrasound images].

Турлапов В. Е., Гаврилов Н. И. Технологии трехмерной научной визуализации и геометрического моделирования в цифровой биомедицине // Научная визуализация. 2015. Т. 7. № 4. С. 27–43. [3D sci-entific visualization and geometric modeling in digital biomedicine].

Shina T., Nightingale K.R., Palmeri M.L., Hall T.J., Bamber J.C. et al. WFUMB guidelines and recom-mendations for clinical use of ultrasound elastography: Part 1: Basic principles and terminology // Ultrasound in Medicine & Biology, Vol. 41, No. 5, 2015. P. 1126-1147. DOI: 10.1016/j.ultrasmedbio.2015.03.009.

Исследование статической эластографии методом математического моделирования / О. В. Мура-вьева, Д. С. Мурашова, С. А. Мурашов, О. П. Богдан // Медицинская техника. 2014. № 3. С. 31–34. [Mura-vieva O.V., Murashova D.S., Murashov S.A., Bogdan O.P. Mathematical modeling of static elastography. Biomedical Engineering. 2014. Т. 48. № 3. С. 148–152. DOI: 10.1007/s10527-014-9440-3].

Разработка методики визуализации упругих свойств ткани с использованием ультразвуковой допплерографии / О. В. Коробейникова, Е. П. Кузнецов, О. П. Богдан, Е. А. Фостик // Вестник ИжГТУ имени М. Т. Калашникова. 2010. № 2 (45). С. 97–100. [Development of environment elastic properties estimation technique by using ultrasonic dopplerography].

Муллахметова Д. Р., Окунева И. В. Эластография в диагностике доброкачественных и злокачественных новообразований щитовидной железы // Modern Science. 2019. № 4-1. С. 232–235. [Elastography in diagnostics of beneficial and malignant nu-clear formations of the thyroid gland].

Борсуков А. В. Комментарии и обсуждение всемирных рекомендаций 2015 года по эластографии щитовидной железы // Эндокринная хирургия. 2017. Т. 11. № 2. С. 61–69. [Comments and discussion on the thyroid gland elastography World Recommendations 2015].

Митьков В. В., Иванишина Т. В., Митькова М. Д. Эластография сдвиговой волной в мультипараметрической ультразвуковой диагностике рака щитовидной железы // Ультразвуковая и функциональная диагностика. 2016. № 1. С. 13–28. [Shear wave elastography in multiparametric ultrasound of malignant thyroid nodules].

Митьков В. В., Иванишина Т. В. Ультразвуковая эластография в дифференциальной диагностике узловых образований щитовидной железы // Ультразвуковая и функциональная диагностика. 2015. № 5S. С. 116b. [Ultrasound elastography in differential diagnostics of node forms of the thyroid gland].

Применение arfi-эластографии для оценки жесткости паренхимы щитовидной железы у детей, подростков и молодых взрослых / В. М. Делягин, Е. В. Феоктистова, О. Ю. Изотова, А. Уразбагамбетов // Медицинская визуализация. 2014. № 5. С. 130–133. [Application arfi-elastography to assess stiffness thyroid parenchyma in children, adolescents and young adults].

Hacini M., Hachouf F., Djemal K. A new speckle filtering method for ultrasound images based on a weighted multiplicative total variation // Signal Processing, Vol. 103, October 2014, P. 214-229. DOI: 10.1016/j.sigpro.2013.12.008.

Yang J., Fan J., Ai D., Wang X., Zheng Y., Tang S., Wang Y. Local statistics and non-local mean filter for speckle noise reduction in medical ultrasound image // Neurocomputing, Vol. 195, June 2016, P. 88-95. DOI: 10.1016/j.neucom.2015.05.140.

Zhang J., Lin G., Wu L., Wang C., Cheng Y. Wavelet and fast bilateral filter based de-speckling method for medical ultrasound images // Bio-medical Signal Processing and Control, Vol. 18, April 2015. P. 1-10. DOI: 10.1016/j.bspc.2014.11.010.

Gungor M. A., Karagoz I. The homogeneity map method for speckle reduction in diagnostic ultra-sound images // Measurement, Vol. 68, May 2015. P. 100-110. DOI: 10.1016/j.measurement.2015.02.047.

Хвостиков А. В., Крылов А. С., Камалов Ю.Р. Текстурный анализ ультразвуковых изображений для диагностирования фиброза печени // Программирование. 2015. № 5. С. 39–46. [Kvostikov A.V., Krylov A.S., Kamalov U.R. Ultrasound image texture analysis for liver fibrosis stage diagnostics. Programming and Computer Software. 2015. Т. 41. № 5. С. 273-278. DOI: 10.1134/S0361768815050059].