ДонНТУ Портал магистров ДонНТУ DE UA

Биография Библиотека Ссылки Отчет о поиске Индивидуальное задание

Реферат

Введение. Обоснование актуальности темы

Больные опухолями головного мозга составляют около 4 % среди больных с органическими поражениями нервной системы. Опухоли головного мозга по частоте занимают пятое место среди опухолей других локализаций, уступая опухолям желудка, матки, легких и пищевода. Встречаются опухоли головного мозга в любом возрасте, однако отмечается некоторое их преобладание в пубертатном периоде и в возрасте 45—50 лет.

Доброкачественные опухоли головного мозга характеризуются медленным клеточным ростом без прорастания в соседние мозговые структуры и отсутствием метастазов. Как правило, клетки этих новообразований практически не отличаются от таковых в нормальной ткани, однако их ускоренный рост способствует увеличению объёма содержимого полости черепа, тем самым создавая повышенное внутричерепное давление и вызывая соответствующую симптоматику.

Компьютерная томография является очень точным методом диагностики опухолей головного мозга. Рисунок мозга выявляется на томограмме в связи с различной плотностью белого, серого вещества, желудочков мозга. Изменения плотности мозгового вещества при наличии опухоли (участки повышенной плотности в местах фокальных кровоизлияний и участки пониженной плотности в местах некроза) позволяют увидеть опухоль на томограмме.

Данная тема является актуальной, потому что в наше время компьютерные технологии стремительно вошли и продолжают развиваться в области медицины. Поэтому существует необходимость в создании специализированных систем диагностики для помощи и облегчения труда врачам-диагностам. Система представляет собой унифицированную подсказку для врача. Полученные данные сопоставляют с результатами внешнего обзора, и на базе диагноза системы врач ставит окончательный диагноз.

Цели и задачи

Целью данной работы является разработка специализированной компьютерной системы диагностики новообразований головного мозга на основе анализа КТ-изображений.

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.

Целью создания автоматизированной системы диагностики новообразований головного мозга является уменьшение времени, затрачиваемого врачом на проведение диагностики, увеличения точности и помощь в определении заболевания.

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.

Предполагаемая практическая ценность

Разработанное ПО предполагается использовать в ДОКТМО в нейрохирургическом отделении в кабинете КТ для диагностирования новообразований головного мозга.

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 плотности опухоли.

Разработанное ПО позволит производить следующие операции по обработке изображений:

• изменение контрастности и яркости;
• фильтрация исходного изображения;
• выделения интересующей области;
• расчета параметров области (размер, плотность);

по выводу результатов:

• формирование базы данных, в которую предполагается занести необходимую информацию о проведенном обследовании;
• вывод типа патологии в соответствие с классификацией новообразований.

Выбранные методы исследования

1 Алгоритм отображения диапазона плотностей для визуализации изображения на мониторе компьютера

Компьютерный томограф СРТ-1010 позволяет различать плотности в диапазоне [-1024, 1024] единиц Хаунсфилда с шагом, равным единице. Значение ноль соответствует плотности дистиллированной воды.

Для реализации распознавающей способности томографа по плотности в СРТ-1010 предполагается управления шириной окна. Окном называют определенную часть полного диапазона значений плотности, которой соответствует перепад яркости экрана от белого до черного.

Задача выбора диапазона состоит из следующего: есть квадратная матрица IM(I,J), I,J=1÷n, со значениями на некотором отрезке [A, B]. Необходимо по заданному числу c ∈(A,B), центром окна и заданным числом r - радиусом окна, такими, что избранное окно плотностей [c-r, c+r]∈(A,B), отразить значения матрицы IM(I,J)∈[A,B]; I,J∈[1,n] на отрезок [0,M]⊂[A,B]. Причем все элементы данной матрицы, которые удовлетворяют соотношению IM(I,J)≤c-r; I,J∈[1,n]⊂N (1), где N - множество натуральных чисел, необходимо отразить в ноль, а все элементы, которые удовлетворяют соотношению IM(I,J)≥c+r; I,J∈[1,n]⊂N (2) отразить в М, т.е. все элементы, которые меньше или совпадают с нижним пределом выбранного окна плотностей, отразить в ноль, а все элементы, которые больше или совпадают с верхним пределом окна плотностей, отразить в точку М.

Для того, чтобы взаимно-однозначно отобразить отрезок [c+r, c-r] на отрезок [0, M] (т.е. установить изоморфизм между этими отрезками), достаточно отрезок [c+r, c-r] стянуть на [0, 1] и после умножить на М. Такое отображение осуществляется с помощью формулы: MR(I,J)=(IM(I,J)-c+r)M/2r (3), где IM (I,J) - начальная матрица, MR (I,J) - матрица результата), такие, что IM(I,J)∈(c-r, c+r).

Данный метод используется в подсистеме обработки компьютерных томограммы для сопоставления диапазона [0, 255] единиц яркости изображения в оттенках серого с диапазоном [-1024, 1024] единиц Хаунсфилда плотности.

2 Алгоритм контрастирования изображения

Для того, чтобы подчеркнуть перепады яркости на томограмме для более четкого выявления контуров, используется адаптивный алгоритм контрастирования.

Контрастирование перепадов происходит следующим образом: если яркость точки больше верхней границы диапазона яркости, определяющей серое вещество головного мозга (Y1 = 149 усл. ед.), то точка осветляется на 20 тонов, если меньше нижней границы этого диапазона (Y2 = 112 усл. ед.) - затемняется на 20 тонов.

3 Выбор метода автоматического ограничения областей на изображении

При проектировании СКС диагностики рассматривались такие методы ограничения: метод SUSAN, метод активных контуров, предельный метод.

Метод SUSAN (Smallest Univalue Segment Assimilating) основан на факте, что соседи каждой точки в однородной области имеют близкую к ней яркость, а вблизи границы число соседей с одинаковой яркостью уменьшается. Вокруг каждого пикселя строится маска, центральный пиксел которой называется ядром. Точки в пределах маски, имеющие сравнимую с ядром яркость, образуют USAN - однородный сегмент, что асимилируется ядром.

Площадь USAN максимальная, когда ядро находится в однородной области изображения, уменьшается до половины этого максимума вблизи прямой границы, уменьшается еще больше вблизи угла и достигает локальных минимумов точно на границе и в углах. Это свойство площади USAN используется как главный критерий присутствия границ.

Яркость каждого пикселя в пределах маски сравнивается с яркостью ядра соответственно выражения: c(r,r0)=EXP[-((Y(r)-Y(r0))/t)^6] (4), где r0 - положение ядра, r - положение любой другой точки в пределах маски, Y(r) - яркость пикселя r, Y(r0) - яркость пикселя r0, t - заданный порог, с - результат сравнения.

Результаты сравнения для всех пикселей в пределах маски суммируются: n(r0)=∑(c[r,r0]). Полученная сумма равна площади USAN.

Затем эта сумма сравнима с фиксированным геометрическим порогом g.

Первоначальный отзыв границе образуется по правилу: R(r0)=g-n(r0), если n(r0)<g или R(r0)=0, если n(r0)≥g.

После формирования первичной картины границ (точек, в которых R не равен 0), удаляются точки, имеющие немаксимальное значение.

Недостатки метода: большие вычислительные затраты, нерациональным анализ пикселей изображения, затруднение поиска границ за счет близких по яркости элементов головного мозга.

Метод активных контуров основывается на том, что активный контур определяется как энергично минимальный cплайн, который учится путем введения внешних вынужденных потенциалов, которые притягивают его к границе и влиянием потенциалов изображения, которые "натягивают" его на элемент, ограничивается, на основе характеристик линий и краев. Контуры фиксируются на ближайших краях, более точно локализуясь в дальнейшем. Задается некоторое начальное приближение к границе объекта в виде запертой кривой, которая не обязательно соответствует действительному положению границы, но близка к ней. Потому что контур является энергично минимальным сплайном, необходимо исследовать потенциальные функции, которые в первую очередь включают локальные минимумы. Точки в контуре тяготеют к границе объекта при минимизации энергии контура. Внешняя сила, под действием которой линия деформируется и смещается, зависит от исходного изображения. Внутренняя сила, препятствующаяся очень резким изгибами линии, определяется свойствами модели.

Для каждой отметки вокруг точки первоначальной границы Pi, значение энергии находится как E_i=α*E_int(ν_i)+β*E_ext(ν_i) (5), где E_int(ν_i) - функция энергии, которая зависит от формы контура, E_ext(ν_i) - функция энергии, которая зависит от свойств изображения и типа градиента вокруг точки ν_i, α и β - константы, которые обеспечивают относительную коррекцию величин энергии.

E_i, E_ext(ν_i), E_int(ν_i) - матрицы. Значение в центре каждой матрицы соответствует энергии контура отметки ν_i. Другие значения в матрицах соответствуют энергии в каждой отметке вокруг ν_i. Каждая отметка ν_i тяготеет к ν_i', которая соответствует состоянию минимального значения E_i.

Если функции энергии выбраны правильно, то контур V должен приблизиться и остановиться на границе объекта.

Недостатки метода: необходимость знания начального приближения к запрашиваемой границе и большие вычислительные затраты, тем большие, чем меньше точность этого начального приближения. Имеет место проблема преждевременной остановки процесса изменения на локальных минимумах в случаях, когда начальное приближение задано не очень точно.

Предельный метод - самый простой метод ограничения. В основе метода лежит тот факт, что резкие перепады (разрывы) яркости, являются важными простейшими признаками, поскольку они определяют очертания изображенных объектов. Для выявления локальных разрывов значений яркости (перепадов яркости) обычно сначала используется контрастирование перепадов, а затем применяется предельный детектор.

Выделение границы объекта сводится к анализу точек объекта, которые опредеются по принципу 8-мисвязности. Если разница между значениями яркости противоположных точек выше заданного порога, то точка P_ij является предельной.

Выбор порога является одним из ключевых вопросов выделения перепадов. При слишком высоком уровне порога не будут выявлены структурные элементы с низким контрастом. Наоборот, слишком низкий уровень порога станет причиной того, что шум будет ошибочно принят за перепад. Обычно используется введение нескольких порогов - таким образом вместо одного предельного значения берется диапазон предельных значений D и проверяется попадание разницы яркости противоположных точек в этот диапазон.

Недостатки метода: сложность определения порога яркости.

Планируемые результаты

В результате написания магистерской работы планируется разработать ПО, которое поможет врачам 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.

Литература

1. Терновой К.С. Введение в современную томографию. - К., 1983. - 231 с.
2. А. Н. Тихонов, В. Я. Арсенин, А. А. Тимонов Математические задачи компьютерной томографии. –М.: Наука. Гл. ред. физ-мат. лит., 1987. – 160 с.
3. Левин А. Самоучитель полезных программ. 3-е изд. - СПб.: Питер, 2002. - 704 с.
4. Павлидис Т. Алгоритмы машинной графики и обработки изображений. - М.: Радио и связь, 1986. - 400 с.
5. Пономаренко Л.А., Щелкунов В.И., Скляров А.Я. Инструментальные средства проектирования, имитационного моделирования и анализа компьютерных сетей: Учебное пособие. – К.: Наук. думка, 2002. - 508 с.
6. Прэтт У. Цифровая обработка изображений. Кн.2. - М.: Мир, 1982.- 784 с.
7. «Томограф вычислительный рентгеновский СРТ – 1010. Инструкция по эксплуатации. С61.620.069 ИЭ», кн. № 2, 121 с.
8. Компьютерная томография ru.wikipedia.org/wiki/Компьютерная_томография
9. Компьютерная томография http://xray.rusmedserv.com/tomograf/computer
10. Возможности цифровой обработки изображений в Matlab http://matlab.exponenta.ru/imageprocess/book2/80.php

Наверх