Мультифрактальний аналіз мамографічних зображень

Анотація

Розглядається проблема підвищення ефективності раннього виявлення пухлин молочної залози засобами комп’ютерного аналізу мамографічних зображень. Наголошується на обмеженнях традиційної мамографії, зумовлених щільністю тканин, артефактами зображення та суб’єктивністю інтерпретації, що обґрунтовує потребу в об’єктивних алгоритмах підтримки діагностичних рішень. Метою роботи є створення методики, яка поєднує мультифрактальний аналіз із сучасними підходами сегментації та забезпечує візуалізацію локальних структурних відмінностей у вигляді карт фрактальних розмірностей (heatmap). Описано клієнт-серверний прототип: серверна частина на Python виконує обчислення та обробку, клієнтська (HTML, CSS, JavaScript) забезпечує взаємодію з користувачем і керування даними. Попередня обробка включає медіанну та гаусівську фільтрацію й подальше порогування за Otsu для отримання стабільних бінарних масок грудної залози з мінімальною кількістю дрібних артефактів. Для сегментації застосовано U-Net, навчений на наборах MIAS і DDSM; комбінування маски нейромережі з маскою Otsu дозволило підвищити повноту виділення регіонів інтересу та стабільність контурів. Ключовим елементом є побудова карт локальних фрактальних розмірностей методом ковзного вікна. Локальна оцінка показника фрактальної розмірності у перекривних вікнах формує безперервну карту, що відображає просторові відхилення структури тканин. Показано, що у патологічних зонах спостерігаються відмінності D відносно суміжних ділянок паренхіми, що підвищує інтерпретованість і придатність до напівавтоматичного виявлення підозрілих ділянок. Окреслено обмеження класичного box-counting для градаційних зображень та аргументовано перехід до диференційного box-counting, який працює у просторі інтенсивностей і зменшує залежність від бінаризації, підвищуючи чутливість до тонких текстурних варіацій. Попередні експерименти на зображеннях MIAS і DDSM засвідчили життєздатність підходу: отримані heatmap є узгодженими зі структурними особливостями тканин і можуть слугувати основою для кількісного аналізу типу «всерединізовні» (ROI проти оточення), побудови профілів D через межу ураження та формування агрегованих метрик. Перспективи розвитку включають інтеграцію DICOM, автоматизоване виявлення ROI, оптимізацію параметрів ковзного вікна та рівнів квантування для DBC, а також розширену валідацію на додаткових клінічних наборах даних.