ІНФОРМАЦІЙНО-ТЕХНІЧНА СИСТЕМА АВТОМАТИЗОВАНОЇ ЛАПАРОСКОПІЧНОЇ ДІАГНОСТИКИВирішено завдання автоматизованого розпізнавання -діагностики циротичних змін та метастатичного ураження печінки за результатами аналізу лапароскопічних зображень. Об'єктом дослідження був процес побудови діагностичної системи автоматизованого розпізнавання лапароскопічних зображень. Предметом дослідження складали методи формування вихідних вибірок зображень для навчання каскадного класифікатора за ознаками Хаара. Метою роботи було створення інформаційної технології підтримки прийняття рішень при лапароскопічній діагностиці стану поверхні печінки на основі каскаду Хаара. Класифікацію зображень здійснювали з використанням методу каскадного класифікатора. При використанні для навчання 1000 зображень позитивного характеру та 500 негативних зображень показник чутливості діагностики цирозу печінки розробленої технології складав 68,8% і перевищував таку, яка мала місце при експертній діагностиці (31,0%) (P<0,01). При метастатичному уражені достовірні відмінності зазначеного показника складали 80,0% та 46,7% відповідно (P<0,02). Крім того, при метастатичному ураженні достовірно підвищувалась специфічність діагностики -з 52,5% при експертній діагностиці до 85,0% (P<0,01), а також спостерігалось зростання прогностичних показників -як позитивного (з 42,4% до 80,0%, P<0,01), так і негативного (з 56,8% до 87,2%, P<0,01). Згідно показникам тестування, показник AUC ROC для каскадного класифікатору склав 0,891, в той час як для експертної оцінки дорівнював 0,723, що свідчить про більшу ефективність застосування каскадного класифікатора. Розроблена технологія може бути рекомендована в клінічній практиці при виконанні лапароскопічних хірургічних втручань.Ключові слова: автоматизоване розпізнавання зображень, лапароскопічне відео зображення, ознаки Хаара.

Сomputer automatic diagnostic (CAD)/classification 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 classifiers -HAAR features cascade and AdaBoost for the detection of cirrhotic and metastatic damages of the liver.Materials and methods. The development of CAD was based on training of HAAR features cascade and AdaBoost classifiers 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 modified method of Local Binary Pattern (LBT), which includes data on color characteristics ("modified color LBT" -MCLBT) and textural ones for AdaBoost classifier 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 classifier. Test control sessions were performed with trained classifiers 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. 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. Results. Classification of test video-images revealed that the highest recall for cirrhosis diagnostics was achieved after trainingМета 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.Матеріали та методи. 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...

The evaluation of the effectiveness of the automatic computer diagnostic (ACD) systems developed based on two classifiers – HAAR features cascade and AdaBoost for the laparoscopic diagnostics of appendicitis and ovarian cysts in women with chronic pelvic pain is presented. The training of HAAR features cascade, and AdaBoost classifiers were performed with images/ frames, which have been extracted from video gained in laparoscopic diagnostics. Both gamma-corrected RGB and RGB converted into HSV frames were used for training. Descriptors were extracted from images with the method of Local Binary Pattern (LBP), which includes both data on color characteristics («modified color LBP» - MCLBP) and textural characteristics, which have been used later on for AdaBoost classifier training. Classification of test video images revealed that the highest recall for appendicitis diagnostics was achieved after training of AdaBoost with MCLBP descriptors extracted from RGB images – 0.708, and in the case of ovarian cysts diagnostics – for MCLBP gained from RGB images – 0.886. Developed AdaBoost-based ACD system achieved a 73.6% correct classification rate (accuracy) for appendicitis and 85.4% for ovarian cysts. The accuracy of the HAAR features classifier was highest in the case of ovarian cysts identification and achieved 0.653 (RGB) – 0.708 (HSV) values. It was concluded that the HAAR feature-based cascade classifier turned to be less effective when compared with the AdaBoost classifier trained with MCLBP descriptors. Ovarian cysts were better diagnosed when compared with appendicitis with the developed ACD.