ВЫБОР РАЦИОНАЛЬНЫХ ПАРАМЕТРОВ ДЛЯ РАСЧЕТА ПРИЗНАКОВ В ТЕКСТУРНОЙ СЕГМЕНТАЦИИ
Анастасия Корсакова, магистрант
факультет КИТА, группа КСД 98а
Текстурная сегментация ультразвуковых эхограмм применяется в системах диагностики, использующих в качестве исходной информации медицинские изображения, в частности ультразвуковые снимки внутренних органов.
Textural ultrasonic segmentation is applied in the systems of diagnostics using as the initial information medical images, in particular ultrasonic pictures of internal bodies.
Введение
В настоящее время в большинстве систем диагностики для исследования внутренних органов используются снимки, полученные различными способами. К ним относят рентгеновские снимки, магниторезонансные снимки и ультразвуковые эхограммы. Различают два вида патологий внутренних органов: очаговые и структурные. Очаговые представляют собой различные образования, а структурные выражаются в изменении ткани всего органа. Для облегчения работы врача-диагноста и улучшения качества диагностирования патологий, особенно структурных, необходимо выполнить анализ текстуры ультразвуковых эхограмм, который включает сегментацию и классификацию текстур. Выполнение сегментации и классификации текстур эхографического изображения предоставляет значительное количество дополнительной информации при дальнейшем формировании заключения.
При текстурном анализе производится разделение исходного изображения на области с однородным свойством - текстурой, затем определяются основные параметры этих областей, необходимые для принятия решения. Текстура объектов представляет собой некоторый повторяющийся рисунок, из которого формируются различные участки объекта.
Анализ текстуры, как правило, выполняется по определенному набору признаков. Эти признаки могут быть получены различными способами. Используются статистики, рассчитываемые по изображению, такие как признаки микротекстуры Лоза, статистики, рассчитываемые по разностной гистограмме второго порядка, признаки, рассчитываемые с помощью представления текстуры в виде фрактальной поверхности и другие.
Для качественного проведения анализа текстуры УЗ эхограмм необходимо выбрать набор признаков, которые наиболее эффективно описывают текстуру данных снимков.
В работе[1] показано, что наиболее приемлемым при решении данной задачи является использование в качестве признаков текстуры статистик, рассчитываемых по гистограмме второго порядка, статистик GLDS (Gray Level Difference Statistics) и SGLD (Spatial Gray Level Dependence) [2]. К этим признакам относятся: математическое ожидание (1), контраст (2), второй угловой момент (3) и энтропия (4):
Здесь в (1) - (4) -номер элемента вектора , - размерность этого вектора, равная количеству уровней серого, представляемых на данном изображении, - вектор, представляющий собой разностную гистограмму второго порядка, где -й элемент этого вектора представляет собой количество пикселей на анализируемом изображении, абсолютная разница яркостей которых равна и отстоящих друг от друга на вектор , где - расстояние между пикселями по горизонтали, а - по вертикали.
В дальнейших исследованиях, проведенных в работе [3], показали, что для уменьшения объема вычислений и повышения быстродействия можно ограничиться следующим набором признаков: контраст, второй угловой момент и энтропия. При этом качество не пострадает.
Наибольшее влияние на качество описания текстур оказывает величина вектора смещения. Поэтому для обеспечения эффективной обработки УЗ изображения нам необходимо определить его величину. Его размер должен быть соизмерим с размером текстурообразующего элемента - элементарного участка, из которого формируется текстура. В противном случае при использовании вектора смещения малой длины по сравнению с размером текстурообразующего элемента, значения яркостей пикселей, разделенных таким вектором, будут всегда очень близки друг к другу. Это выразится в том, что элементы вектора GLDS будут сосредоточены в окрестности нуля, то есть будет большим для малых значений и малым (стремиться к нулю) для больших значений . Для обеспечения качественного описания текстур необходимо, чтобы элементы вектора GLDS были распределены более регулярно. В связи с этим необходимо выполнить экспериментальный выбор величины вектора смещения .
Для выбора рациональной величины вектора смещения выполнялось следующее:
1) был выбран размер окна для расчета признаков. Этот размер составил 15х15 пикселей.
2) при вычислении разностной гистограммы второго порядка использовались фазы .
3) производился расчет признаков для реального УЗ изображения, с изменением величины d в диапазоне от 3 до 7.
4) строились гистограммы вектора GLDS для каждой величины вектора смещения.
Выбор фаз указанных выше обусловлен тем, что матрица яркостей исходного изображения дискретна и вектор GLDS должен рассчитываться при любой величине вектора смещения. Эти фазы соответствуют векторам смещения и .
При расчетах были использованы фрагменты реальных ультразвуковых снимков печени размером 128х128 с глубиной цвета 8 бит на пиксель (полутоновые изображения с 256 градациями яркости). По значениям вектора строится гистограмма этого вектора. Частота каждого интервала Ni[k]:
Ni[k] = pd(k)/256,
где 256 - число градаций серого.
В результате эксперимента получили следующие гистограммы:
d=3
d=4
d=5
d=6
d=7
Из гистограмм видно, что наиболее регулярно вектор распределен при d=5.
При анализе текстур целесообразно использовать вектор смещения d=5, так как при таком векторе обеспечивается наиболее эффективное описание текстур.
1. Адамов В.Г., Привалов М.В., Текстурная сегментация ультразвуковых эхограмм с применением сглаживания статистик различия уровней серого. // Наукові праці Донецького державного технічного університету. Серія: Обчислювальна техніка та автоматизація, випуск 20: - Донецьк: ДонДТУ, 2000р.
2. Dhawan, Yateen Chitre, Analysis of mammographic microcalcifications using gray-level image structure features, IEEE Transactions on medical imaging, vol. 15, no. 3, June 1996
3. Привалов М.В., Корсакова А. ВЫБОР РАЦИОНАЛЬНОГО НАБОРА ПРИЗНАКОВ ТЕКСТУРЫ ДЛЯ СЕГМЕНТАЦИИ УЛЬТРАЗВУКОВЫХ ЭХОГРАММ, //ЛЬВІВСЬКА ПОЛІТЕХНІКА, 2003