Kategorija: Revijalni članki in konferenčni pripevki

Objavljeno v reviji Applied Sciences letnik 12, številka 3, januar 2022, DOI 10.3390/app12031246

Avtorja: Božidar Potočnik, Martin Šavc
Fakulteta za elektrotehniko, računalništvo in informatiko, Univerzav Mariboru, Slovenija

Povzetek: Automated detection of ovarian follicles in ultrasound images is much appreciated when its effectiveness is comparable with the experts’ annotations. Today’s best methods estimate follicles notably worse than the experts. This paper describes the development of two-stage deeply-supervised 3D Convolutional Neural Networks (CNN) based on the established U-Net. Either the entire U-Net or specific parts of the U-Net decoder were replicated in order to integrate the prior knowledge into the detection. Methods were trained end-to-end by follicle detection, while transfer learning was employed for ovary detection. The USOVA3D database of annotated ultrasound volumes, with its verification protocol, was used to verify the effectiveness. In follicle detection, the proposed methods estimate follicles up to 2.9% more accurately than the compared methods. With our two-stage CNNs trained by transfer learning, the effectiveness of ovary detection surpasses the up-to-date automated detection methods by about 7.6%. The obtained results demonstrated that our methods estimate follicles only slightly worse than the experts, while the ovaries are detected almost as accurately as by the experts. Statistical analysis of 50 repetitions of CNN model training proved that the training is stable, and that the effectiveness improvements are not only due to random initialisation. Our deeply-supervised 3D CNNs can be adapted easily to other problem domains.

Ključne besede: 3D Deep Neural Networks, 3D ultrasound images of ovaries, Deep supervision, Detection of follicles and ovaries, U-Net based architecture

Članek v odprtem dostopu ( CC BY )

Objavljeno v reviji Computer Methods and Programs in Biomedicine, Volume 196, November 2020, DOI 10.1016/j.cmpb.2020.105621

Avtorji: Božidar Potočnik^a, Jurij Munda^a, Milan Reljič^b, Ksenija Rakić^b, Jure Knez^b, Veljko Vlaisavljević^c, Gašper Sedej^a, Boris Cigale^d, Aleš Holobar^a, Damjan Zazula^a

^aFakulteta za elektrotehniko, računalniptvo in informatiko, Maribor
^bUniverzitetni klinični center Maribor
^cIVF ADRIA Consulting, Maribor
^dLogicData, Maribor

Povzetek: Background and objective: Automated follicle detection in ovarian ultrasound volumes remains a challenging task. An objective comparison of different follicle-detection approaches is only possible when all are tested on the same data. This paper describes the development and structure of the first publicly accessible USOVA3D database of annotated ultrasound volumes with ovarian follicles. Methods: The ovary and all follicles were annotated in each volume by two medical experts. The USOVA3D database is supplemented by a general verification protocol for unbiased assessment of detection algorithms that can be compared and ranked by scoring according to this protocol. This paper also introduces two baseline automated follicle-detection algorithms, the first based on Directional 3D Wavelet Transform (3D DWT) and the second based on Convolutional Neural Networks (CNN). Results: The USOVA3D testing data set was used to verify the variability and reliability of follicle annotations. The intra-rater overall score yielded around 83 (out of a maximum of 100), while both baseline algorithms pointed out just a slightly lower performance, with the 3D DWT-based algorithm being better, with an overall score around 78. Conclusions: On the other hand, the development of the CNN-based algorithm demonstrated that the USOVA3D database contains sufficient data for successful training without overfitting. The inter-rater reliability analysis and the obtained statistical metrics of effectiveness for both baseline algorithms confirmed that the USOVA3D database is a reliable source for developing new automated detection methods.

Ključne besede: 3D Ultrasound images of ovaries, Detection of ovarian follicles, Public database, Unbiased verification of detection algorithms, Web services.

Povdarki:

• Publishing of the USOVA3D public database of annotated 3D ovarian ultrasound images.
• Ovaries and follicles annotated by two gynaecologists.
• Design of a verification protocol for unbiased assessment of detection algorithms.
• Introduction of two advanced algorithms for follicle and ovary detection.
• Inter-rater variability and baseline performance assessed on this database.

Brezplačno dostopen članek (vsaj do 18. avgusta 2020)!

Prispevek objavljen na konferenci ROSUS 2019, DOI 10.18690/978-961-286-244-2.14

Avtorji: Jurij Munda, Božidar Potočnik, Milan Reljič, Ksenija Rakić, Jure Knez, Veljko Vlaisavljević, Gašper Sedej, Boris Cigale, Aleš Holobar in Damjan Zazula

Povzetek: V tem prispevku predstavljamo spletni sistem in javno podatkovno bazo USOVA3D, namenjena nepristranemu ocenjevanju uspešnosti algoritmov detektiranja mešičkov na 3D ultrazvočnih posnetkih jajčnikov. Podatkovna baza vsebuje 44 zapisov, pri čemer vsak zapis sestoji iz ultrazvočnega posnetka jajčnika pacientke ter volumenskih datotek z označbami jajčnika in mešičkov. Vsak posnetek sta ločeno označila dva neodvisna eksperta ginekologa. Vsi podatki so popolnoma anonimizirani ter so shranjeni v volumenskih datotekah v formatu VTK. Spletni sistem zagotavlja dostop do podatkovne baze USOVA3D, hkrati pa natančno predpisuje protokol validiranja in nudi programske rutine za nepristrano vrednotenje algoritmov detektiranja mešičkov. Ta sistem tudi beleži in omogoča vizualiziranje rezultatov validiranja.

Ključne besede: • 1. 3D ultrazvočni posnetki jajčnikov • 2. detektiranje jajčnih mešičkov • 3. javna podatkovna baza • 4. nepristrano validiranje algoritmov • 5. spletni sistem USOVA3D

1. UVOD

V lanskem letu je minilo 40 let, odkar se je rodil prvi otrok, ki ni bil spočet po naravni poti. Hiter razvoj postopka za oploditev z biomedicinsko pomočjo (OBMP) je posebej v preteklih dveh desetletjih omogočil tisočem neplodnih parov, da so postali starši svojim otrokom. Vse faze postopka so močno odvisne od ultrazvočnih pregledov ženskih jajčnikov, v katerih dozorevajo jajčni mešički z jajčeci, primernimi za oploditev.

Pravilno ovrednotenje jajčnih mešičkov je temeljni kamen za uspešno izpeljano OBMP. Jajčni mešički so sferične oblike in so napolnjeni s tekočino, ki ščiti jajčece. V jajčniku se razvijajo dalj časa, da s premerom 1 do 2 mm dosežejo t. i. antralno stopnjo. V naravnem ciklusu nato v nekaj dneh zrastejo do 5 mm in se prelevijo v dominante mešičke. Ti se povečujejo približno za 1 mm na dan in tik pred ovulacijo dosežejo velikost med 18 in 30 mm. Pri OBMP je običajno, da rast mešičkov stimulirajo s hormoni, kar povzroči hkratno zorenje več antralnih mešičkov.

Doziranje hormonov in spremljanje razvoja mešičkov je za OBMP ključnega pomena. Ultrazvočne preiskave opravljajo v razmikih od 1 do 3 dni in medicinski eksperti za ultrazvok morajo sproti analizirati množico ultrazvočnih posnetkov. Delo je zamudno in utrudljivo, saj traja vsaj 10 minut po opravljenem ultrazvočnem pregledu, pri 3D-ultrazvočnih posnetkih pa lahko še več.

Avtomatična detekcija jajčnih mešičkov v ultrazvočnih posnetkih je torej zelo dobrodošla, vendar pa mora biti po uspešnosti primerljiva z ekspertovimi odčitki. Avtomatični računalniški algoritmi se pojavljajo vzporedno z razvojem ultrazvočnih medicinskih snemalniki in izkoriščajo dejstvo, da se jajčni mešički pri delovanju naprav v B-načinu vidijo kot temna območja na svetlejši podlagi. Sprva so se avtomatične analize izvajale na ločenih računalnikih, danes pa so detekcijski programi praviloma vgrajeni že v ultrazvočne snemalnike.

Pred leti so ultrazvočne naprave omogočale le 2D-vpoglede v človeško telo, tako da so medicinskemu ekspertu prikazale ravninski presek skozi tkivo. Ultrazvočna sonda odda zvočno valovanje, ki se razširi kot ozek snop v smeri, ki jo določa usmerjenost sonde. Različna struktura tkiv bolj ali manj vsrka ali pa odbija zvočno energijo. Odbiti valovi se vrnejo do sonde, in ker poznamo hitrost potovanja zvoka, lahko izračunamo razdaljo od sonde do reflektorja, torej telesne strukture, ki je valovanje odbila. Običajno vidimo na ultrazvočnih snemalnikih strukture, ki močno reflektirajo zvok (hiper odmevne), kot svetle točke, tiste pa, ki zvočno energijo vsrkajo (hipo odmevne), kot temne točke.

Zaporedje več 2D-presekov lahko sestavimo v prostorsko predstavitev preiskovanca, vendar z ročnim premikanjem sonde v tretji prostorski dimenziji ne moremo zagotoviti enakomerne in popolnoma vzporedne lege nanizanih 2D-slik. Pravilne kartezične razmere dosežemo lahko le s 3D-sodno, ki oddaja in lovi zvok v pravilni 3D-mreži. Najnovejše ultrazvočne naprave so v celoti prilagojene 3D-snemanju in vsebujejo računalniške algoritme, ki ekspertom pomagajo razpoznati iskane 3D-strukture.

V klinični praksi se je najbolj uveljavil detekcijski program SonoAVC, ki je vgrajen v ultrazvočnih snemalnikih firme General Electric in v 3D-ultrazvočnih posnetkih jajčnikov segmentira jajčne mešičke. Njegovo delovanje ni čisto avtomatično, saj mora ekspert najprej omejiti območje, v katerem išče mešičke, nato pa mora ročno izločiti tista območja, ki jih je program napačno označil kot mešičke, in pokazati na mešičke, ki jih je program spregledal. Čeprav že to prinaša pomembno pomoč, je vendarle moči pričakovati od naprednejših algoritmov še večjo uspešnost in predvsem več avtonomije [1].

Zato se mnogi raziskovalci trudijo izboljšati računalniško detekcijo jajčnih mešičkov [1, 3]. Vsak zase si pridobijo nabor ultrazvočnih posnetkov jajčnikov, v katerih medicinski eksperti najprej ročno označijo območja mešičkov. Te segmentacije služijo kot referenca za dokazovanje, kako uspešna je razvita računalniška analiza. A pri takšnem pristopu se soočamo vsaj z dvema problemoma:

• detekcijski rezultati, dobljeni z različnimi računalniškimi algoritmi, niso primerljivi, ker ne izhajajo iz istega nabora ultrazvočnih posnetkov in ročno določenih referenc;
• uporabljene so različne metrike za ugotavljanje, kako uspešno in natančno je algoritem razpoznal območja, ki pomenijo referenčne odčitke mešičkov.

Če želimo zagotoviti objektivno primerjavo uspešnosti različnih računalniških postopkov za razpoznavanje jajčnih mešikov, morajo vsi uporabiti isto bazo anotiranih ulztrazvočnih posnetkov. Ker takšne baze doslej raziskovalci še niso javno ponudili, smo se na Fakulteti za elektrotehniko, računalništvo in informatiko (UM FERI) odločili, da z eksperti za OBMP v Univerzitetnem kliničnem centru (UKC) v Mariboru zasnujemo in realiziramo takšno podatkovno bazo.

O njej in o možnostih, da do nje dostopamo s spletnimi storitvami ter da na ta način preverjamo tudi rezultate svojih detekcijskih algoritmov, govorimo v tem prispevku. Baza je v fazi nastajanja in je sestavni del spletnega sistema za nepristrano validiranje algoritmov za detekcijo jajčnih mešičkov v 3D-ultrazvočnih posnetkih jajčnikov.

2. PODATKOVNA BAZA ULTRAZVOČNIH SLIK JAJČNIKOV Z MEŠIČKI – USOVA3D

Podatkovno bazo 3D ultrazvočnih slik jajčnikov z referenčnimi označbami jajčnikov oz. mešičkov (v nadaljevanju jo označujemo z USOVA3D) sta konstruirala in jo dopolnjujeta ter vzdržujeta ekipa ginekologov iz UKC Maribor ter raziskovalci iz Laboratorija za sistemsko programsko opremo (LSPO) iz UM FERI. UKC zagotavlja 3D ultrazvočne posnetke jajčnikov ter referenčne označbe, medtem ko LSPO zagotavlja infrastrukturo za hranjenje podatkovne baze ter orodja in protokol za označevanje jajčnikov in mešičkov.

Vsaka pacientka, vključena v raziskavo, je s pisnim privoljenjem dovolila uporabo in dodajanje njenih ultrazvočnih posnetkov v podatkovno bazo USOVA3D. Vsi podatki v bazi so popolnoma anonimizirani. Opisana raziskava ima vsa potrebna dovoljenja Komisije za medicinsko etiko, UKC Maribor.

Trenutna različica podatkovne baze USOVA3D vsebuje 44 označenih 3D ultrazvočnih posnetkov. Večina ultrazvočnih posnetkov je bila zajeta z ultrazvočno napravo Volusonom 730, nekaj z napravo Medison Accuvix XQ, novejši posnetki pa so zajeti z napravo Voluson 630. Vsi 3D ultrazvočni posnetki imajo prostorsko ločljivost 0,2 mm po vsaki osi oz. velikost voksla je 0,2 mm x 0,2 mm x 0,2 mm, se pa posnetki razlikujejo po velikosti. V podatkovni bazi so posnetki od velikosti 149 x 103 x 115 vokslov pa vse do 185 x 193 x 223 vokslov. Velikost posnetkov je po osi x med 101 in 229, po osi y med 89 in 193, medtem ko je velikost po osi z med 115 in 247.

En zapis v podatkovni bazi USOVA3D sestoji iz ultrazvočnega posnetka, označbe jajčnika ter označb jajčnih mešičkov. Vsak 3D ultrazvočni posnetek sta vedno ločeno obdelala ter označila dva neodvisna eksperta ginekologa iz UKC. LSPO je vzpostavil protokol in orodja za označevanje posnetkov. Vsa označevanja so potekala z orodjem ITK-SNAP, ki bere in izpisuje podatke v formatu VTK. Vse označbe so tvorjene volumsko in so shranjene v dveh ločenih volumskih datotekah tipa VTK. V prvi datoteki so voksli oštevilčeni z 0 za ozadje in z zaporednimi številkami za ločene mešičke (od 1 do števila mešičkov), v drugi pa imajo voksli ozadja vrednost 0, medtem ko so voksli, ki pripadajo jajčniku, vpisani z 1. Oba volumna se po velikosti popolnoma ujemata z originalnim volumnom oz. 3D ultrazvočnim posnetkom jajčnika.

Podatkovna baza USOVA3D trenutno vsebuje 44 zapisov. Vsak zapis torej sestoji iz petih datotek, in sicer: 3D ultrazvočnega posnetka, dveh datotek z označbami jajčnika (ena datoteka za vsakega označevalca) ter dveh datotek z označbami jajčnih mešičkov (ena datoteka za vsakega označevalca). Vse datoteke so shranjene volumensko v formatu VTK.

Zavedamo se, da 44 zapisov za podatkovno bazo ni veliko, a ker je raziskava še v teku, pričakujemo, da bo velikost baze narasla vsaj na 100 zapisov.

3. SPLETNI SISTEM USOVA3D

Razvijamo spletni portal, ki bo sprva omogočal dostop do podatkovne baze s podatki o jajčnikih in mešičkih, kasneje pa bo nadgrajen z možnostjo nepristranskega validiranja uspešnosti postopkov za detektiranje jajčnih mešičkov. Portal bo omogočal rangiranje rezultatov validiranih postopkov, s čimer bo omogočena direktna primerjava med različnimi detekcijskimi postopki.

Prototipna verzija portala teče v okolju linux, a je načeloma neodvisna od operacijskega sistema in arhitekture. Uporabljena je kombinacija strežnika Apache, podatkovne baze SQL in sistema za upravljanje z vsebinami WordPress. Za validiranje se trenutno uporablja modificiran sistem za obdelavo posnetkov v oblaku [4].

3.1 Dostop do podatkovne baze

Dostop do podatkovne baze bo omogočen zgolj avtoriziranim uporabnikom. Uporabniki se v spletni portal prijavijo s pomočjo storitve Google Sign-On, lahko pa zaprosijo tudi za lokalno geslo. V razvoju je še dodatna možnost prijave preko Arnes AAI.

Ker gre za medicinske podatke, ki so bili zbrani v raziskovalnih projektih, morajo uporabniki najprej sprejeti raziskovalno licenco. Ker obstaja možnost za zlorabo uporabniških imen in s tem neupravičenega dostopa do podatkovne baze, želimo hraniti podatke o prijavah v portal ter prenosih vsebine, za kar v skladu z uredbo GDPR potrebujemo uporabnikovo privolitev. Pričakujemo, da portal vsaj na začetku ne bo beležil velikega obiska. Obstaja pa verjetnost, da bo obisk čez čas poskočil, zato želimo tudi statistično spremljati obisk avtoriziranih uporabnikov na naši spletni strani, da bomo lahko ustrezno uravnavali sistemske vire za portal.

Uporabniki bodo bazo videli razdeljeno na dva dela. Prvi bo predstavljal t. i. učno množico, ki bo nudila dostop do vseh petih datotek, torej do 3D ultrazvočnega posnetka, dveh datotek z označbami jajčnika in dveh datotek z označbami jajčnih mešičkov (po ena datoteka za vsakega označevalca). Drugi del baze bo vseboval testno množico posnetkov, od katerih bo uporabnikom omogočen dostop le do 3D ultrazvočnih posnetkov, referenčne anotacije pa bodo služile za validiranaje rezultatov, ki jih bodo uporabniki pošiljali v preverjanje. Uporabniki bodo tako lahko svoje algoritme za razpoznavanje jajčnih mešičkov razvijali s pomočjo učnega dela podatkovne baze, njihovo uspešnost pa bodo potem potrjevali z zapisi v testnem delu baze. Obseg obeh delov bomo z rastjo baze prilagajali glede na njeno velikost in vsebino.

3.2 Validiranje rezultatov

Portal bo sprva omogočal zgolj validiranje podatkov na naši strani (uporabniki bodo morali naložiti na portal rezultate algoritmov v predpisani obliki), za kar bo uporabljal že obstoječo infrastrukturo [4]. V kasnejšem razvoju bi radi implementirali še t. i. “prenosni” validacijski sistem, ki ga bi uporabnik prenesel na svoje računalnike, v njem zagnal validacijske teste, sistem bi rezultate digitalno podpisal, uporabnik pa bi jih nato naložil na naš portal.

3.3 Beleženje rezultatov

Pričakujemo, da se bo podatkovna baza občasno dopolnjevala z novimi podatki, zato se bodo rezultati validacijskih testov rangirali za vsako verzijo podatkovne baze posebej. Načrtujemo, da bo podatkovna baza dopolnjena približno enkrat letno.

V tabeli rezultatov bodo zbrani podatki o detekcijskem postopku (avtorji, ime postopka, DOI, če obstaja) ter njegovi uspešnosti. Objavili bomo vse merjene metrike. Postopki bodo razvrščeni glede na skupno uspešnost postopka.

4. PROTOKOL ZA VALIDIRANJE REZULTATOV

Kadar skuša več neodvisnih opazovalcev opisati dogodke ali stvari samo z dvema nasprotnima pojmoma, lahko ujemanje njihovih ugotovitev dobro kvantificiramo z uveljavljenimi statističnimi indeksi. S tem pa seveda še ne izvemo, kdo od opazovalcev se moti in kdo ne. Če hočemo preveriti pravilnost njihovih zaznav, moramo poznati dejansko stanje oziroma t. i. absolutno resnico.

Pri razpoznavanju jajčnih mešičkov v ultrazvočnih posnetkih se srečamo s prav takšno situacijo. Opazujemo lahko le slike, na katerih se mešički pojavljajo praviloma kot temnejša območja na svetlejšem ozadju. Ultrazvočni posnetki vsebujejo celo vrsto različnih motilnih pojavov, ki lahko močno zabrišejo jasne meje med mešički in okolico. Njihove dejanske oblike, velikosti in položaja torej na ta način ne moremo določiti absolutno natančno, ampak jih lahko opredelimo le s subjektivno oceno. To velja seveda tako za medicinskega strokovnjaka, ki označi vsebino ultrazvočnega posnetka, kot za vsak računalniški razpoznavalni postopek.

Baza USOVA3D z zbirkami ultrazvočnih posnetkov in njihovih anotacij je zasnovana dinamično. Sčasoma se bo število posnetkov v njej večalo. Tako bodo statistične primerjave, ki bodo temeljile na vpisih v bazi, postajale bolj nepristranske. Ne glede na to pa seveda ne bomo mogli vedeti, kako dobro se kakšna ocena ujema z absolutno resnico, ker te pri medicinskih ultrazvočnih posnetkih nikoli ni mogoče poznati brez invazivnih posegov, tj. biopsije.

Trenutno še vedno velja, da je medicinski izvedenec uspešnejši ocenjevalec struktur v ultrazvočnih posnetkih kot doslej znani računalniški algoritmi. Zato jemljemo ročne anotacije jajčnih mešičkov kot približke absolutni resnici: s primerjavo ocen več neodvisnih označevalcev izboljšamo statistično pomembnost in znižamo pristranskost. V bazi USOVA3D sta za vsak ultrazvočni posnetek jajčnika prisotni po dve neodvisni oznaki mešičkov in jajčnikov. Oznake se lahko razlikujejo tako po številu razpoznanih mešičkov kot po njihovi označeni obliki oz. velikosti. Ker gre za neodvisne oznake medicinskih izvedencev, jim lahko zaupamo tem bolj, čim bolj se med seboj statistično ujemajo. Istočasno pa se lahko primerjava z njimi uporabi tudi za ugotavljanje uspešnosti računalniških postopkov, s katerimi želimo avtomatično odkrivati mešičke v ultrazvočnih posnetkih jajčnikov.

Predstavljamo merila, s katerimi bomo ugotavljali ujemanje anotacij vzporednih označevalcev ali detekcij iz računalniških postopkov z anotacijami označevalcev. Oboje bo vključevalo statistične indikatorje uspešnosti in točnosti razpoznav.

Ujemanje anotacij dveh neodvisnih označevalcev bo uporabljeno kot ocena za kakovost anotacij v podatkovni bazi. Ocena bo objavljena in se bo spreminjala z vsako spremembo v bazi, sestavljena pa bo iz statističnih meril za ujemanje anotacij in mer za ugotavljanje geometrijskih razlik med njimi.

Pri statistiki smo delno omejeni, ker ne moremo priti do podatkov o pravilno negativnih odločitvah, kar pomeni, da ne moremo ugotoviti, katere strukture v ultrazvočnem posnetku bi označevalec lahko napačno razpoznal kot mešiček, pa jih ni. Odvisni smo torej le od primerjav označenih območij dveh označevalcev, pri čemer enega izberemo za referenčnega, ali razpoznav računalniškega postopka z enim od označevalcev oz. s presekom oznak obeh označevalcev, kar se jemlje kot referenca.

Če se primerjano območje vsaj nekoliko ujema z enim samim referenčnim, to poveča število pravilno pozitivnih izidov (PP). Če primerjano območje ne sovpada z nobenim referenčnim, s tem poveča število lažno negativno odločitev (LN). Kadar primerjano območje prekriva več referenčnih, štejemo največje med referenčnimi k PP, ostale pa k LN. In nazadnje, če referenčno območje pokriva več primerjanih območij, štejemo največje med njimi kot PP za dano referenco, vse ostale pa kot lažno pozitivne (LP).

Iz danih vrednosti lahko izračunamo občutljivost O in natančnost N:

$$O={{PP}\over{PP+LN}}, N={{PP}\over{PP+LP}}$$

(1)

Gotovo pa ni pomembno samo, da so mešički zaznani, ampak da so območja, ki jih predstavljajo, čim točneje orisana. Primerno informacijo o tem posreduje produkt \(\rho_1\rho_2\), uveden v [2]. Dobimo ga tako, da primerjamo volumne, ki ustrezajo hkrati primerjanemu in referenčnemu mešičku. Vrednost \(\rho_1\) primerja volumen preseka med označenima območjema istega mešička z volumnom referenčnega območja, \(\rho_2\) pa volumen preseka z volumnom primerjanega območja oz. mešička. Čim bolj se njun produkt približa 1, tem bolj se ujemata območji dveh oznak istih mešičkov. Vrednost \(\rho_1\rho_2= 0,65\), recimo, pomeni 80-odstotno, vrednost \(\rho_1\rho_2= 0,86\) pa že 93-odstotno ujemanje območij.

Uvajamo še tri mere točnosti, in sicer i) razmerje med skupnim volumnom primerjanih mešičkov (V_p) in skupnim volumnom vseh referenčnih mešičkov (V_r):

$$r_V = {V_p \over V_r},$$

(2)

ii) povprečno evklidsko razdaljo med površinami primerjanih in referenčnih mešičkov:

$$\overline{e}={1 \over M} \sum \mathop{}_{\mkern-5mu i \in (vsi\ površinski\ voksli)} E \left( \mathbf{p}_p(i)-\mathbf{p}_r(i) \right),$$

(3)

pri čemer pomeni M število vseh ujemajočih se površinskih vokslov na ujemajočih se mešičkih, E operator za računanje evklidske razdalje, p_p(i) koordinate primerjanega in p_r(i) koordinate referenčnega i-tega voksla, ter iii) povprečno absolutno razliko med premeri ekvivalentnih sfer, ki volumsko ustrezajo primerjanim in referenčnim mešičkom:

$$\overline{d}={1 \over N} \sum \mathop{}_{\mkern-5mu i \in (vsi\ mešički)} \left| d_p(i)-d_r(i) \right|,$$

(4)

pri čemer pomeni N število vseh ujemajočih se mešičkov, d_p(i) ekvivalentni premer primerjanega, d_r(i) pa ekvivalentni premer referenčnega i-tega mešička.

Površinske voksle na mešičkih določimo tako, da od celotnega območja mešička odštejemo morfološko skrčeno območje tega mešička. Potem jih uparimo, tako da se vsak iz površine primerjanega mešička poveže z najbližjim referenčnim vokslom.

5. SKLEP

V prispevku smo predstavili spletni sistem in javno podatkovno bazo USOVA3D, ki sta namenjena nepristranemu ocenjevanju uspešnosti algoritmov detektiranja mešičkov na 3D ultrazvočnih posnetkih jajčnikov. Pri razvoju spletnega sistema smo se zgledovali po uveljavljenih, javno dostopnih podatkovnih bazah s področja prepoznavanja obraznih značilnosti in človeških emocij. Natančno smo predpisali protokol za validiranje rezultatov, s čimer omogočamo “pošteno” in nepristrano medsebojno primerjavo detekcijskih algoritmov. Spletni sistem je v fazi prototipiranja, zato še pričakujemo določene spremembe v implementaciji.

Podatkovna baza USOVA3D je zasnova tako, da jo je mogoče enostavno periodično dopolnjevati z novimi posnetki in označbami. Načrtujemo, da bomo do dvakrat letno podatkovno bazo dopolnili z novimi podatki iz UKC. Vzpostavljamo še protokol za dopolnjevanje podatkovne baze USOVA3D s podatki (tj. posnetki in označbami) drugih raziskovalnih skupin. Pri tem bomo zahtevali, da bodo nove označbe lahko dodajali zgolj relevantni eksperti. Pred dodajanjem podatkov v bazo USOVA3D bodo posnetke in označbe potrdili eksperti iz UKC.

V prihodnosti želimo spletni sistem nadgraditi in uporabiti tudi za tekmovanje algoritmov detektiranja mešičkov na 3D ultrazvočnih posnetkih jajčnikov.

LITERATURA

1. B. Cigale, D. Zazula (2019), Directional 3D Wavelet Transform Based on Gaussian Mixtures for the Analysis of 3D Ultrasound Ovarian Volumes, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 41, št. 1, str. 64-77, DOI 10.1109/TPAMI.2017.2780248.
2. B. Potočnik, D. Zazula (2001), Assessing the Efficiency of Segmentation Algorithms for Ultrasound Images, Electrotech. Rev., vol. 68, št. 2-3, str. 97-104.
3. B. Potočnik, B. Cigale, D. Zazula (2012), Computerized detection and recognition of follicles in ovarian ultrasound images: a review, Medical & biological engineering & computing, vol. 50, št. 12, str. 1201-1212, DOI 10.1007/s11517-012-0956-y.
4. S. Šinjur, J. Munda (2014), Iskanje podobnih video posnetkov kot spletna storitev v oblaku, Zbornik triindvajsete mednarodne Elektrotehniške in računalniške konference ERK 2014, Zv. B, str. 64-67.