|
|
РЕФЕРАТ
Введение. Обоснование актуальности темы
Злокачественные новообразования являются одной из опаснейших медико-биологических и социально-экономических проблем.Заболеваемость и смертность от рака постоянно растут в связи с неблагоприятной экологической ситуацией и значительным старением населения.
В 2000 году в Украине зарегистрировано 156,6 тыс. первичных онкологических больных. Согласно с прогнозными оценками, их общее количество будет составлять до 2010 года 180 тыс., до 2020 года - свыше 200 тыс. лиц.Стойкие тенденции к росту заболеваемости и смертности от рака, возможность онкологических эффектов в результате аварии на Чернобыльской АЭС свидетельствуют о чрезвычайной остроте проблемы.
На современном этапе развития, в связи с усовершенствованием компьютерных технологий, широкое применение получило использование современных компьютерных систем (КС) в технике, авиации, банковской сфере, медицине... Особенное значение имеет использование КС в медицине. Данные КС с большой долей достоверности позволяют провести диагностирование болезни на раннем этапе ее развития, помогая врачам составить предварительный диагноз.
Основной проблемой при создании автоматизированной системы диагностики злокачественный новообразований головного мозга – является поиск эффективных, быстродействующих и надежных методов обработки изображений мозга, полученных с компьютерного томографа.
Несмотря на наличие программных продуктов и экспериментальных систем по обработке томографических изображений, круг решаемых в них задач весьма ограничен и не позволяет врачу, выделив участок головного мозга с подозрением на злокачественное новообразования, автоматически получить подтверждение или опровержение своего подозрения, ведь кроме явно выраженной опухоли на изображении могут присутствовать нечеткие, размытые, либо слишком мелкие образования (структуры), которые требуют для своей диагностики особого внимания.
Поэтому разработка такой КС, которая сможет помогать врачам в быстрой постановке максимального точного диагноза, сокращая при этом время, является важной и актуальной задачей.
Цели и задачи
Целью данной работы является разработка автоматизированной подсистемы диагностирования патологий развития головного мозга на снимках, полученных с компьютерного томографа .
Для достижения поставленной цели необходимо решить следующие задачи:
-
Собрать и проанализировать существующие методы для обработки снимков головного мозга;
-
Разработка постановки задачи определения патологического очага на изображениях головного мозга;
-
Выбор метода для определения и обработки очагов, которые классифицируются как патологические;
-
Реализация выбранных методов на ЭВМ.
Поиск алгоритмов для обработки томограмм производился среди методов сравнения с эталоном. При этом признаки эталонного изображения и признаки введенных изображений рассматриваются с точки зрения текстурного анализа, т.к. текстура является важной характеристикой, которая присутствует во всех изображениях, начиная с изображений, получаемых с помощью самолетных и спутниковых устройств и кончая микроскопическими изображениями в биомедицинских исследованиях.
Объект и предмет исследования
Исследования выполнены в области обработки и распознавания изображений. Объектом исследования являются черно – белые изображения головного мозга, полученных при помощи КТ. Предметом исследования являются алгоритмы сегментации, векторизации и выделения объектов на томографических изображениях.
Предпологаемая научная новизна
Использование предложенных в работе алгоритмов при обработке компьютерных томограмм новообразований головного мозга позволит создать эффективную СКС. Основным нововведением работы является использование для оценки выделенного очага головного мозга одновременно 2-х подходов: текстурного и контурного анализа. Сравнение полученных результатов позволит сделать вывод о состоянии выбранного участка и оценить точность и скорость каждого из подходов.
Предпологаемая практическая ценность
Разработанное ПО предполагается использовать в Донецком противоопухолевом центре в кабинете КТ для диагностирования новообразований головного мозга.
Обзор существующих систем и разработок
В рамках поставленной задачи, рассмотрим программные продукты для решения поставленной задачи.
Hesperus - Программа позволяет обрабатывать 2D и 3D визуализации матриц данных (цифровых изображений). Может использоваться для обработки полученных медицинских, географических, геологических и оптических данных. Программа имеет следующие оссобенности: работает с матрицами данных любого типа (целое число, комплексное или с фиксированной точкой), быстро обрабатывая и визуализируя большие файлы данных (до 2 Гбайт), поддерживает каналы RGB.
Hesperus позволяет также осуществлять фильтрацию, растяжение и поворот, текстурный анализ, вычисление спектра, классификация и т.д. Кроме того поддерживает многозадачность и одновременную обработку нескольких изображений. Основные недостатки заключаются в том, что данный продукт не является автоматизированным и все действия должен выполнять оператор. Пользоваться данной программой может специалист со знанием математики для расшифровки полученных данных.
ScanEx NeRIS version 4.0 - Программа NeRIS (Нейросетевая растровая интерпретационная система) позволяет применять при обработке изображений как традиционные методы обработки (визуализация, фильтрация), так и новые методы, использующие адаптивные алгоритмы на основе искусственных нейронных сетей.
Автоматическая классификация изображения по спектральным
и текстурным признакам на основе многомерной гистограммы -
Программа разработана в лаборатории Обработки Изображений Института Вычислительной Математики и Математической геофизики Сибирского отделения Российской Академии Наук. Предназначена для автоматической классификации многоспектральных и текстурных изображений.
Статистические текстурные признаки вычисляются в одном из каналов как дополнение к спектральным, в частных случаях могут быть заданы лишь спектральные, или только текстурные. В программе реализованы две системы текстурных признаков статистик Харалика: по матрице совместного появления и по модулю разностей уровней серого в паре соседних точек. Изображение предварительно эквализуется. Текстурные признаки вычисляются в окрестности каждой точки изображения и дополняют многомерный вектор признаков. Окрестностью является квадратное окно одного размера для всех точек. Размер окна автоматически вычисляется.
Полученное пространство векторов классифицируется методом кластерного анализа с применением оценок качества классификации.
Постановка задачи
В головном мозге развиваются опухоли различных гистологических типов. Современные классификации, предназначенные для практической медицины, основаны в большей степени на особенностях гистологической картины. В головном мозге врачу бывает довольно сложно провести различия между доброкачественными и злокачественными опухолями. В этом ему может помочь автоматизированная система поддержки принятия решений со специальным программным обеспечением.
Для этого необходимо разработать программу, позволяющую обрабатывать КТ изображения, поступающие непосредственно с компьютерного томографа на ЭВМ, а также, при отсутствии ЭВМ, копировать их с помощью сканера со снимков в память компьютера в формате .bmp.
Изображения опухолей головного мозга отличаются сложной пространственно-яркостной организацией. В основе зрительного восприятия человеком изображений опухолей заложен ряд признаков, основанных на анализе цвета, формы, контраста, текстуры образов. В рамках данной работы для распознавания опухолей головного мозга предлагается использовать информативность текстурных признаков. При формировании признакового пространства будут использоваться следующие текстурные признаки, основанные на нормированной матрице пространственной смежности (НМПС): энергия, момент инерции, энтропия, локальная однородность и максимальная вероятность.
Разработанное ПО позволит:
1.Вычислить текстурные характеристики изображения или любого его фрагмента, выделенного вручную врачом.
2.Cохранить в файле совокупность значений текстурных признаков для изображения и наименование гистологического класса, к которому относится изображение по данным врача.
3.Визуализировать НМПС с возможностью сохранить их в виде растровых изображений.
4.Сравнить текстурные признаки изображения с текстурными признаками эталонного изображения и исследовать диапазоны изменения признаков для различных классов изображений.
Основными этапами при построении системы обработки, анализа изображений являются: предварительная обработка, получение информативных признаков выделенной области изображения, сравнение векторов признаков с набором эталонных признаков.
Для реализации указанных выше задач на всех этапах использовались различные методы и алгоритмы, включая: вейвлет – преобразования, корелляционные методы, алгоритм вычисления оценок, алгоритм на основе НМПС.
Схема разрабатываемой СКС представлена на рис. 1.
Рисунок 1. Схема разрабатываемой СКС
(Анимация, созданная в EasyGifAnimator. Анимация повторяется 9 раз. Состоит из 11 кадров. Для отображения анимации обновите страницу.)
Выбранные методы исследования
Текстуры являются важной характеристикой изображений естественных объектов и важным элементом зрительного восприятия. В настоящее время текстурная информация широко применятся в алгоритмах обработки изображения и машинной графики.
Решение задачи классификации текстур томографического изображения предоставляет значительное количество дополнительной информации при дальнейшем формировании заключения (так, например, по текстуре можно распознать изменение структуры тканей, которое очень проблематично локализовать при использовании других методов).
Для описания текстур могут использоваться такие алгоритмы:
метод, использующий матрицу смежности значений яркости (с ростом расстояния между оцениваемыми точками, в крупнозернистых текстурах изменение распределения яркости происходит значительно медленнее чем в мелкозернистых);
метод, описывающий текстуры длинами серий (строки с постоянной яркостью точек, на крупнозернистых текстурах эти серии длиннее чем на мелкозернистых);
авторегрессионые методы для описания текстуры используют коэффициенты линейных оценок яркости точечного элемента изображения по заданным значениям элементов некоторой его окрестности (эти коэффициенты почти одинаковы для крупнозернистых и существенно различны для мелкозернистых текстур);
метод, основанные на гистограмме пространственной разности яркостей;
метод представления текстуры в виде фрактальной поверхности;
метод Лоза.
В магистерской работе для выделения текстурных признаков будут использованы следующие методы:
Метод для выделения текстурных признаков, основанный на
использовании матрицы смежности значений яркости
Один из аспектов текстуры связан с пространственным распределением и пространственной взаимозависимостью значений яркости локальной области изображения. Статистики пространственной взаимозависимости значений яркости вычисляются по матрицам переходов значений яркости между ближайшими соседними точками.
Матрица смежности (или матрица совместной встречаемости) уровней яркости представляет собой оценку плотности распределения вероятностей второго порядка, полученную по изображению в предположений, что плотность вероятности зависит лишь от расположения двух пикселей. Обозначим эту матрицу  , где i и j – яркости соседних точек на изображении, расположенных на расстоянии d друг от друга, при угловом направлении  . Поскольку число таких матриц может
быть очень большим, то обычно ограничиваются лишь рассмотрением пикселей, находящиеся в непосредственной близости либо усредняют матрицы, составленные для различных ориентаций . Совершенно очевидно, что такие матрицы содержат информацию характеризующую текстуру. По матрице совместной встречаемости вычисляется около двадцати признаков, ниже приведены наиболее употребимые из них:
степень однородности или энергия 
энтропия 
максимальная вероятность 
контраст 
обратный момент разности 
коэффициент корреляции 
Метод для выделения текстурных признаков, основанный на
использовании гистограмм пространственной разности яркостей.
Для анализа текстур гистограмма рассматривается не как плотность вероятности уровней яркости, измеренных в каждом элементе рассматриваемого фрагмента, а как плотность вероятности разности уровней яркости между точками каждой пары элементов, разделенных заданным расстоянием  , то есть строится  , где  (x, y – координаты элемента
изображения). Поведение гораздо ярче характеризует текстуру, чем обычная гистограмма. Для крупнозернистой текстуры (если  много меньше размеров текстуры) большинство разностей  малы, а для мелкозернистой текстуры (когда сравнима с размерами элемента) – велики. Для оценки поведения текстуры могут использоваться следующие величины, вычисляемые на основе построенной гистограммы:
контраст 
второй угловой момент 
среднее 
Таким образом можно акцентировать различные свойства текстуры и использовать их в качестве признаков текстуры. Например, если текстура направленная, степень разброса значений  изменяется с направлением , так как направленность текстуры означает разную степень грубости в различных направлениях.
Вычисляя признаки для различных расстояний и углов, можно получить многомерный вектор признаков текстур.
Для оценки полученных текстурных признаков и текстурных признаков эталонного изображения используются метод АВО и вейвлет - преобразований.
Алгоритм вычисления оценок для сравнения изображения с эталонным
по текстурным признакам (АВО).
Входными для распознавания являются изображения, выделенные в результате сегментации и, частично, отреставрированные. Они отличаются от эталонных геометрическими и яркостными искажениями, а также сохранившимися шумами.
Принцип действия алгоритмов вычисления оценок (АВО) состоит в вычислении приоритете (оценок сходства), характеризующих “близость” распознаваемого и эталонных объектов по системе ансамблей признаков, представляющей собой систему подмножеств заданного множества признаков. Для сопоставлении объектов будем рассматривать выделенные, с помощью выше описанных методов, текстурные признаки описания изображений. Используемые сочетания признаков (подпространства) называются опорными множествами или множествами частичных описаний объектов.
Вводится понятие обобщенной близости между распознаваемым объектом и объектами обучающей выборки (с известной классификацией), которые называют эталонными объектами. Эта близость представляется комбинацией близостей распознаваемого объекта с эталонными объектами, вычисленных на множествах частичных описаний. При предъявлении системе незнакомых (новых) образов она последовательно сравнивает их с хранящимися в ее памяти и относит новый образ к тому классу, к которому принадлежал находящийся в памяти системы образ, совпавший с новым Несомненно, это несложный метод, однако он позволяет строить недорогие системы распознавания, которые в отдельных прикладных областях вполне справляются со своими задачами. Метод перечислеиия членов класса работает удовлетворительно, если выборка образов близка к идеальной . Процедура сопоставления с эталоном, с другой стороны, не допускает существенных вариаций характеристик отдельных образов.
Таким образом, АВО является расширением метода k-ближайших соседей, в котором близость объектов рассматривается только в одном заданном пространстве признаков.
Еще одним расширением АВО является то, что в данных алгоритмах задача определения сходства и различия объектов формулируется как параметрическая и выделен этап настройки АВО по обучающей выборке, на котором подбираются оптимальные значения введенных параметров. Критерием качества служит ошибка распознавания, а параметризуется:
- правила вычисления близости объектов по отдельным признакам (текстурным в данном случае);
- степень важности того или иного эталонного объекта как диагностического прецедента.
В зависимости от поставленной цели (например, достижения заданной точности) выполняется корреляционная обработка признаков, полученных от эталона и входного изображения как с использованием порогов по величине сходства, так и без установления порога (когда ищется максимум сходства). Метод АВО можно рассматривать в параметрическом виде и свести задачу к поиску взвешенной метрики выбранного типа. В то же время уже здесь для высокоразмерных задач возникают сложные теоретические вопросы и проблемы, связанные с организацией эффективного вычислительном процесса. Для АВО, если попытаться использовать потенциальные возможности данных алгоритмов в полном объеме, указанные трудности возрастают многократно.
Отмеченные проблемы объясняют то, что на практике применение АВО для решения высокоразмерных задач сопровождается введением каких-либо эвристических ограничений и допущений.
Метод для сравнения с эталоном по текстурным признакам,основанный на использовании вейвлет - преобразований.
Основным элементом любой задачи распознавания изображений является ответ на вопрос: относятся ли данные (входные) изображения к классу изображений, который представляет данный эталон? Казалось бы, ответ можно получить, сравнивая непосредственно изображение с эталонами (или их признаки). Однако возникает ряд трудностей и проблем:
1. Изображения предъявляются на сложном фоне.
2.Входные изображения не совпадают с эталонами за счет случайных помех.
3.Отличия входных и эталонных изображений возникает за счет изменения освещенности, подсветки, локальных помех.
4.Эталоны и изображения могут отличать геометрические преобразования, включая такие сложные как аффинные и проективные.
Для решения задачи в целом и на отдельных ее этапах применяются различные методы сегментации, нормализации и распознавания. Один из таких методов – вейвлет – преобразования.
Берем 2 изображения – входное и эталонное. Необходимо найти совпадения с эталоном в пространстве вейвлет-образов. Разложение по вейвлет-базису дает некоторую матрицу. Затем необходимо эту матрицу М1 исходного изображению сравнить с матрицей эталона Мэ. Можно искать по минимуму  , где X1, Xэ - векторы средних для матриц М1 и Мэ, S - обобщенная ковариационная матрица, inv - операция обращения матриц.
Это так называемое расстояние Махаланобиса, выбранное в качестве метрики
Для выделения контуров на исходном томографическом изображении используется метод пофрагментного дискретного преобразования Гильберта.
Метод для выделения контурных признаков изображения, основанный на использовании пофрагментного дискретного преобразования Гильберта (ДПГ).
В основном методы, осуществляющие превращения полутонового изображения в контурный препарат, используют “плавающую” обработку, то есть после обработки текущего фрагмента осуществляется сдвиг на 1 пиксель и обработка повторяется.В данной работе будет использоватья вместо "плавающей" обработки - групповая. т.е. сдвиг осуществляется сразу на один фрагмент. Вместо традиционной двухмерной обработки осуществляется одномерная по строкам и столбцам, что также позволяет повысить производительность операции выделения контуров. Объем фрагмента, который обрабатывается, равняется 4. При подчеркивании контуров используется пофрагментное дискретное превращение Гильберта (ДПГ), потому что оно достаточно эффективно подчеркивает контуры и имеет высокую, в сравнении с операцией дифференцирования, помехоустойчивость.
Пофрагментное ДПГ - линейное сжатие фрагмента, которое обрабатывается с матрицей  где m=6. Для фрагмента n=4 возможны следующие варианты формы перепада интенсивности. 
Теория статистических решений позволила получить следующее решающее правило:  . Здесь  - энергия строки изображения объекта в пространстве ДПГ; , - плотность энергетического спектра белого шума.-ДПГ обрабатываемого фрагмента, - ДПГ эталонных перепадов,  -коэффициент, который определяется критерием выявления. Поскольку нет априорной информации о вероятности появления объекта в строке и о цене ошибочной тревоги и верного выявления, потому в качестве критерия дальше будет использоваться максимум апостериорной вероятности. При этом  . Решающее правило примет вид -  .Условие выбора решения -  ,где  -решения про наличие на входе сигнала  , -значение порога в i-том канале, -значение z в i-том канале, который настроен на сигнал  .
Помехоустойчивость операции выделения контуров определяется по критерию Претта  где  -число точек перепадов в идеальном и реальном контурных перепадах, -масштабный множитель  - расстояние между точкой действительного перепада и линией, которая состоит из точек идеального перепада, который измерялся по нормали к этой линии. Значение критерия нормализовано так, что R = 1 для точно выделенного перепада. Множитель 1/I обеспечивает штраф за смазанных и разбиты контуры.
Планируемые результаты
В результате написания магистерской работы планируется разработать ПО, которое поможет врачам-онкологам и радиологам при постановке диагноза о наличии или отсутствии новообразования головного мозга.
Заключение
Таким образом, использование современных КС в области медицины является перспективным и нужным направлением в наше время. Разработка и применение в диагностических системах новых алгоритмов работы позволит повысить скорость и точность обработки информации в таких системах на несколько порядков.
Источники
Книга в формате .pdf А.Н.Яковлева "Введение в вейвлет-преобразования".
Книга в электронном варианте Малинина В.В. по распознованию изображений на ЭВМ.
© ДонНТУ 2008г. Кривопуск Т.И.
|
