Система підтримки прийняття рішень з розпізнавання медичних патологій
DOI:
https://doi.org/10.18372/2310-5461.49.15287Ключові слова:
комп’ютерний зір, розпізнавання образів, системи підтримки прийняття рішеньАнотація
В даній публікації розглядається проблема автоматизації процесу розпізнавання хромосомних аномалій. Огляд існуючих публікацій за суміжними темами показав необхідність подальших досліджень через актуальність та недостатню вивченість теми.
Було розглянуто предмету область - як теоретичні засади розпізнавання хромосомних патологій, так і власне процес лабораторної діагностики хромосомних патологій. Була проведена класифікація основних видів хромосомних аномалій .
На основі огляду предметної області було виведено формальний алгоритм виявлення хромосомних аномалій. Версія алгоритму, наведена в публікації, є високорівневою та буде доповнюватися. Разом з алгоритмом розпізнавання хромосомних аномалій також були розроблені вимоги до прототипу системи підтримки прийняття рішень з розпізнавання медичних патологій. Вимоги та алгоритм було втілено в прототипі програмного засобу. Програмний засіб приймає каріограму людини в якості вхідних даних та дає інформацію про хромосомні аномалії в якості результату. Програмний засіб було реалізовано на мові програмування Python за допомогою бібліотеки для роботи з зображеннями OpenCV. Прототип виконано у вигляді програмної бібліотеки, що дозволяє використовувати його в різних контекстах: наприклад, є можливість працювати з такою бібліотекою через термінал, чи розробити навколо бібліотеки web-API. Прототип системи підтримки прийняття рішень з розпізнавання медичних патологій здатний розпізнавати кількісні хромосомні аномалії.
Результати, що були отримані в рамках даної роботи, підтверджують реалістичність концепції системи підтримки прийняття рішень розпізнавання хромосомних патологій, та дозволяють зосередитися на розширенні та покращенні окремих кроків алгоритму, що дасть можливість роботи з більшою кількістю видів вхідних даних та зробить можливим розпізнавання структурних аномалійПосилання
Boyle B., Addor M., Arriola L., et al. (2018). Estimating Global Burden of Disease due to congenital anomaly: an analysis of European data. Archives of Disease in Childhood - Fetal and Neonatal Edition. 103:F22-F28. doi.org/10.1136/archdischild-2016-311845 (eng)
Pal, A. K., Ambulkar, P. S., Waghmare, J. E., Wankhede, V., Shende, M. R., & Tarnekar, A. M. (2018). Chromosomal Aberrations in Couples with Pregnancy Loss: A Retrospective Study. Journal of human reproductive sciences, 11(3), 247–253. doi.org/10.4103/jhrs.JHRS_124_17/ (eng)
Riegel M. (2014). Human molecular cytogenetics: From cells to nucleotides. Genetics and molecular biology, 37(1 Suppl), 194–209. doi.org/10.1590/s1415-47572014000200006 (eng)
Lundsteen, C., Lind, A. M., & Granum, E. (1976). Visual classification of banded human chromosomes. I. Karyotyping compared with classification of isolated chromosomes. Annals of human genetics, 40(1), 87–97. doi.org/10.1111/j.1469-1809.1976.tb00167.x (eng)
Wang, X., Zheng, B., Wood, M., Li, S., Chen, W., & Liu, H. (2005). Development and evaluation of automated systems for detection and classification of banded chromosomes: current status and future perspectives. Journal of Physics D, 38, 2536-2542. doi.org/10.1088/0022-3727/38/15/003
Razzak M.I., Naz S., Zaib A. (2018) Deep Learning for Medical Image Processing: Overview, Challenges and the Future. In: Dey N., Ashour A., Borra S. (eds) Classification in BioApps. Lecture Notes in Computational Vision and Biomechanics, vol 26. Springer, Cham. doi.org/10.1007/978-3-319-65981-7_12
Y. Wu, Y. Yue, X. Tan, W. Wang and T. Lu, (2018). "End-To-End Chromosome Karyotyping with Data Augmentation Using GAN," 25th IEEE International Conference on Image Processing (ICIP), Athens, 2018, pp. 2456-2460, doi.org/10.1109/ICIP.2018.8451041