ВВЕДЕНИЕ

1 АКТУАЛЬНОСТЬ РАБОТЫ

2 АНАЛИЗ СУЩЕСТВУЮЩИХ ИНСТРУМЕНТАЛЬНЫХ СРЕДСТВ

3 СЕГМЕНТАЦИЯ ИЗОБРАЖЕНИЙ

4 РЕЗУЛЬТАТЫ СЕГМЕНТАЦИИ

СПИСОК ЛИТЕРАТУРЫ

ВВЕДЕНИЕ

    Каждое новейшее открытие в физике или технике неминуемо находит воплощение в медицине; ярким примером тому может служить открытие Рентгена и блистательное его внедрение во врачебную практику. Компьютерную томографию (КТ) можно рассматривать как новый виток в развитии рентгенологии, в свою очередь, принципы математической обработки при построении изображения при КТ легли в основу последних современных разработок.
    Данные КТ могут быть использованы для проведения диагностической функции, и, что особенно важно, она может с успехом применяться не только для выявления патологических изменений, но и для оценки эффективности лечения, в частности противоопухолевой терапии, а также определения рецидивов и сопутствующих осложнений. Диагностика с помощью КТ основана на прямых рентгенологических симптомах, т.е. определении точной локализации, формы, размеров отдельных органов и патологического очага, и, что особенно существенно, на показателях плотности.
    В данной работе будет проведён обзор методов для анализа КТ-изображений брюшной полости для оценки операбельности опухолей и построения 3D - моделей.

1 АКТУАЛЬНОСТЬ РАБОТЫ

1.1 Актуальность работы

    С каждым годом усложняющаяся в стране, а в особенности в промышленных регионах, экологическая ситуация привела к росту количества онкологических заболеваний среди населения. Особую важность в онкологии имеет оценка состояния больного, от которой зависит принятие решения об оперативном лечении. И, как показала лечебная практика [1] [2], соотношение объема метастатических опухолей и объема первичной опухоли имеет очень важное значение для выполнения оценки исхода операции. Как следствие, от объективности выполнения этой оценки напрямую зависит качество и продолжительность жизни пациента. Выяснить, операбелен пациент или нет можно на основании клинической диагностики, которая проводится с использованием современной медицинской техники. В больницах, а также в диагностических и противоопухолевых центрах одним из важнейших способов такой диагностики является компьютерная томография. При обследовании человека с применением компьютерного томографа выполняется получение серии изображений с помощью одного или нескольких рентгеновских излучателей и массива датчиков. Томография внутренних органов человека завоевала свою популярность благодаря высокой точности, информативности и довольно низкой инвазивности.

1.2 Научная новизна

    Большинство современных томографов, имеющихся в медицинских учреждениях, оснащены программным обеспечением, позволяющим выполнять элементарные операции по обработке изображений, однако предоставляемых функций не хватает при проведении исследований. Оценка формы и объема для выбора стратегии лечения опухолей может быть выполнена автоматизировано. Для этого необходимо выделить новообразование и построение его трехмерную геометрическую модель. Как показывает практика, такая функция отсутствует даже в программном обеспечении современных томографов известных фирм-производителей, таких как Siemens и General Electric, которыми оснащены крупные диагностические и противоопухолевые центры. Данная проблема может быть решена путем реализации недостающей функциональности и её внедрением на рабочих местах врачей, что достаточно актуально на сегодняшний день.

1.3 Цели и задачи разработки

    Для построения трёхмерной модели первичной опухоли с целью дальнейшей оценки её объёма необходимо иметь геометрические модели всех проекций исследуемого объекта на каждый срез. Поэтому первостепенной задачей, которую необходимо решить, является сегментация срезов с целью выделения на каждом из них исследуемого объекта и определение координат точек его контура.       

Рисунок 1.1 – Схема работы подсистемы.

2 АНАЛИЗ СУЩЕСТВУЮЩИХ ИНСТРУМЕНТАЛЬНЫХ СРЕДСТВ

    Рассмотрим функциональность систем, позволяющих посматривать информацию в виде DICOM-файла и анализировать её.
    DICOM (англ. Digital Imaging and COmmunications in Medicine) — Индустриальный Стандарт создания, хранения, передачи и визуализации медицинских изображений и документов обследованных пациентов.
    Система Julius — компьютерная программа, позволяющая работать с DICOM файлами.
    Основные функции:

— чтение DICOM-файлов/серии файлов;
— сохранение данных в DICOM/JPEG форматах;
— изменение цвета, яркости, контрастности изображений;
— возможность построение сечений в трёх плоскостях.

Рисунок. 2.1 — Интерфейс программы Julius.

— чтение DICOM-изображений, серии изображений;
— масштабирование, поворот, изменение параметров изображения;
— изменение плотности, цветовых параметров изображения;
— поиск аномалий на снимке суставов и костей;
— сегментация изображений.

Рисунок. 2.2 — Интерфейс программы Jivex.

    Однако большинство систем обработки КТ-изображений предоставляют лишь минимальные возможности работы с данными.
    При компьютерной томографии брюшной полости сложно отделить опухоль от органа, а также произвести расчёт её объёмных характеристик. Для принятия решения об операбельности опухоли необходимо иметь чёткую 3D-модель.
    Функция построения геометрической модели отсутствует даже в программном обеспечении современных томографов известных фирм-производителей, таких как Siemens и General Electric, которыми оснащены крупные диагностические и противоопухолевые центры.

3 СЕГМЕНТАЦИЯ ИЗОБРАЖЕНИЙ

3.1 Общие понятия о сегментации

    Задача сегментации изображений является достаточно распространенной, так как распознаванием различных видов изображений занимается много отечественных и зарубежных ученых. Сегментации изображений, полученных методом компьютерной томографии (далее по тексту КТ-изображений), посвящено множество статей, научных работ и книг, а также проведено большое количество исследований. Имеется множество разработок, основанных на градиентных методах с пороговым ограничением, чаще всего встречаются работы, основанные на методе водораздела [3], на использовании деформационных моделей [4], в частности, методе активных контуров.
    Однако все эти методы учитывают только способность тканей поглощать рентгеновское излучение, так как они основаны на анализе яркости точек изображения. При этом они очень чувствительны к контрасту и не учитывают отличия в структуре тканей, которые могут быть полезны для отделения на изображении опухоли от здоровых тканей органа при частичном замещении или от других органов.

3.2 Сегментация с помощью вейвлет-преобразования

    Вейвлет-анализ позволяет хорошо учитывать локальные особенности изображения [5] [6], поэтому предлагается выполнить сегментацию КТ-изображений с его помощью. Для этого требуется:

— выбрать тип преобразования;
— определить параметры преобразования, такие как тип базисной функции, размер апертуры и требуемое количество уровней разложения;
— определить множество признаков текстуры для дальнейшего выполнения классификации;
— оценить эффективность сегментации.

    Существует несколько видов вейвлет-преобразования: непрерывное, дискретное, диадное (dyadic) и пакетное преобразование. Каждый вид преобразования имеет ряд особенностей, определяющих его область применения. Диадное вейвлет-преобразование, впервые предложенное Маллатом [8], является более быстрым вариантом дискретного преобразования и может быть применено для анализа изображений. Рассмотрим боле подробно, каким образом это может быть применено для выделения контуров объектов на изображении.
    Как показано в [9], любая функция s(t) может быть представлена в виде ряда:

где проекции сигнала на ортогональный базис функций разложения вычисляются как скалярное произведение

Обозначая a и b коэффициенты масштаба и сдвига, для ψab(t) = |а|^-1/2ψ [(t-b)/a] имеем:

    Формула (3) представляет непрерывное вейвлет-преобразование, а ψ(t) — его базис. В случае дискретного сигнала формула (3) имеет вид

где ψ_mk(t) = |а0|^m/2ψ(а^m₀t-k), m — параметр масштаба, k — параметр сдвига. В случае, когда a₀ выбирается равным 2, получаем диадное вейвлет-преобразование.
    Как показано в работе [7] именно алгоритм вычисления диадного вейвлет-преобразования, предложенный Маллатом может применяться для поиска границ объектов на изображении. Такой подход обоснован следующими соображениями:

— диадное вейвлет-преобразование позволяет выделить достаточно информации из области высоких частот, и при этом не обладает избыточностью непрерывного преобразования;
— вейвлет-преобразование позволяет выполнять поиск границ с использованием многомасштабного представления дискретного сигнала.

    Для поиска границы предлагается использовать вейвлет Маллата и сглаживание результата с помощью гауссиана для борьбы с мелкомасштабным шумом. Базисные функции вейвлет-преобразования имеют вид, показанный в формуле (4).

    Для поиска границы предлагается использовать отдельное преобразование строк и столбцов изображения в нескольких масштабах. Их количество l определяется как l=[log2(N)], где N — размер обрабатываемого изображения. На каждом шаге алгоритма вейвлет-преобразование применяется отдельно к строкам и столбцам изображения, по аналогии с вычислением градиента в вертикальном и горизонтальном направлении. В результате получим два отфильтрованных изображения по которым можно рассчитать пространство модулей преобразования

    Точку предлагается считать принадлежащей границе объекта, если соответствующее ей значение из пространства модулей (6) больше двух других значений в направлении градиента, которое можно определить исходя из рассчитанного пространства фаз (7). В данной работе предлагается комбинировать поиск максимума модуля на требуемом уровне декомпозиции с отсечением лишних границ по порогу, определяемому как

где M — размер пространства модулей по горизонтали и вертикали. При этом предлагается для определения порога включить только окрестность изображения, в которую попадает объект, чтобы не учитывать при расчете контур, полученный за счет отражения рентгеновского излучения от стола. Это не составляет особого труда, в особенности при обработке изображений, полученных от одного и того же аппарата, так как положение стола будет практически фиксированным.

3.3 Сегментация на основе метода водоразделов

    Предлагается рассматривать изображение как некоторую карту местности, где значения яркостей представляют собой значения высот относительно некоторого уровня. Если эту местность заполнять водой, тогда образуются бассейны. При дальнейшем заполнении водой, эти бассейны объединяются. Места объединения этих бассейнов отмечаются как линии водораздела.
    Разделение соприкасающихся предметов на изображении является одной из важных задач обработки изображений. Часто для решения этой задачи используется так называемый метод маркерного водораздела. При преобразованиях с помощью этого метода нужно определить водосборные «бассейны» и «линии водораздела» на изображении путем обработки локальных областей в зависимости от их яркостных характеристик.
    Метод маркерного водораздела является одним из наиболее эффективных методов сегментации изображений. При реализации этого метода выполняются следующие основные процедуры:

— вычисляется функция сегментации. Она касается изображений, где объекты размещены в темных областях и являются трудно различимыми.
— вычисление маркеров переднего плана изображений. Они вычисляются на основании анализа связности пикселей каждого объекта.
— вычисление фоновых маркеров. Они представляют собой пиксели, которые не являются частями объектов.
— модификация функции сегментации на основании значений расположения маркеров фона и маркеров переднего плана.
— вычисления на основании модифицированной функции сегментации.

— применение градиента Собеля для нахождения границ контуров;
— применение морфологических технологий для маркировки объектов переднего плана;
— вычисление локальных максимумов для определения маркеров объектов переднего плана;
— наложение маркеров на исходное изображение.

4 РЕЗУЛЬТАТЫ СЕГМЕНТАЦИИ

     Рассмотрим КТ-изображение среза брюшной полости пациента, имеющего раковое поражение левой почки и обработаем его двумя методами.

    Рисунок. 4.1 — Сегментация на основе вейвлет-преобразований. с использованием классификатора Евклидовых расстояний и полного набора признаков и только математического ожидания НЧ-пространства второго уровня (Анимация: объём &mdash 14,6 КБ; размер — 158x153; количество кадров — 4; задержка между кадрами — 2000 мс; задержка между последним и первым кадрами — 0 мс; количество циклов повторения — бесконечно).

    Рисунок. 4.2 — Сегментация на основе метода водоразделов (Анимация: объём — 20,3 КБ; размер — 164x164; количество кадров — 3; задержка между кадрами — 1500 мс; задержка между последним и первым кадрами — 0 мс; количество циклов повторения — бесконечно).

СПИСОК ЛИТЕРАТУРЫ

1. Привалов М.В., Скобцов Ю.А., Кудряшов А.Г., Сегментация компьютерных томограмм на основе вейвлет-преобразования.

2. Бондарь Г. В., Кудряшов А. Г., Борота А. В., Анищенко А. А., Осипенков Р. А. Расширение показаний к оперативному лечению больних раком почки // 5 съезд онкологов и радиологов СНГ. Материалы съезда. 14-16 мая 2008г. Ташкент. — С. 358.

4. Pil Un Kim, Yun jung Lee, Youngjin Jung, Jin Ho Cho, Myoung Nam Kim, Liver extraction in the abdominal CT image by watershed segmentation algorithm // World Congress on Medical Physics and Biomedical Engineering 2006: IFMBE Proc. — 2007. — Vol. 14. — pp. 2563-2566.

5. M.S. Atkins and B. Mackiewich. Automatic Segmentation of the Brain in MRI. Conference on Visualisation in Biomedical Computing 96, Springer-Verlag Lecture Notes in Computer Science, 1131:210-216, Sept. 1996.

6. Haralick R.M., Shamnmugan K., Dinstein I.H. Texture features for image classification // IEEE Trans. Syst., Man. Cyber. — 1973. — Vol. SMC-3. — P. 610.

7. Atam P.D., Yateen C., Kaiser-Bonasso C. Analysis of Mammografic Microcalcifications Using Grey-Level Image Structure Features // IEEE Trans. on Medical Imaging. — 1996. — Vol. 15, № 3. — P. 2.

8. И.М.Журавель. Image Processing Toolbox. Краткий курс теории обработки изображений. [Электронный ресурс]: Режим доступа: URL: http://matlab.exponenta.ru/imageprocess/book2/48.php

9. Watershed Segmentation Algorithm for Medical Confocal Image Analyses Towards In Vivo Early Cancer Detection. Man Kin Derek Ho. Department of Biology, Johns Hopkins University. [Электронный ресур]: Режим доступа: URL: http://www.nnin.org/doc/2007nninREUHo.pdf

10. Сирота А.А., Соломатин А.И. Статистические алгоритмы обнаружения границ объектов на изображениях. — Воронеж: Вестник ВГУ, № 1, 2008. [Электронный ресур]: Режим доступа: URL: http://www.vestnik.vsu.ru/pdf/analiz/2008/01/sirota_2.pdf

При написании данного Реферата магистерская работа еще не завершена. Дата окончательного завершения работы: 1 декабря 2010 г. Полный текст работы и материалы по теме могут быть получены у автора или его научного руководителя после указанной даты.