ДонНТУ   Портал магістрів

Реферат за темою випускної роботи

Зміст

Вступ

Телемедицина – це використання досягнень телекомунікаційних технологій в охороні здоров’я . Телемедицина дозволяє підняти ефективність лікування і діагностики на якісно новий рівень. За допомогою телемедичних технологій можна, наприклад, віддаленого хворому, надати високо-кваліфіковану медичну допомогу. Лікарі можуть поставити діагноз, на підставі отриманих в реальному часі або через електронну пошту зображень рентгенівських знімків, комп’ютерних томограм і т. д. У зв’язку з тим, що найчастіше основна частина вузьких фахівців у різних областях медицини працює в спеціалізованих медичних центрах великих міст, це привело до певної централізації медичної допомоги. Досягнення телемедицини усувають необхідність у фізичному присутності фахівця на місці.

Телемедицина – це напрям на стику декількох областей – медицини, телекомунікацій, інформаційних технологій, освіти.

Дана СКС допоможе швидко і якісно обробити велику кількість знімків і поставити попередній діагноз. Потім отримані результати передаються спеціалістам, які в свою чергу приймають рішення про подальше лікування пацієнта.

1. Мета та задачі дослідження

Метою роботи є дослідження та вибір методів обробки зображення кісток для СКС. Розробка СКС діагностики переломів.

До основних задач відносяться:

1. Аналіз існуючих комп’ютерних систем діагностики переломів;

2. Дослідження та вибір методів класифікації обробки зображень переломів кісток для СКС;.

3. Експериментальне дослідження обраних методів і адаптація їх для СКС;

4. Розробка структури СКС і МО, ПО, ІО для СКС.

2. Характеристика існуючих методів класифікації обробки зображень

2.1 Метод порівняння еталонів

Порівняння еталонів полягає у виділенні необхідних областей на зображенні, і подальшому порівнянні цих областей для двох різних зображень. Кожна співпала область збільшує міру схожості зображень. Це так само один з історично перших методів розпізнавання зображення. Для порівняння областей використовуються найпростіші алгоритми, типу попіксельного порівняння.

Недолік цього методу полягає в тому, що він вимагає багато ресурсів як для зберігання ділянок, так і для їх порівняння. З причини того, що використовується найпростіший алгоритм порівняння, зображення повинні бути зняті в строго встановлених умовах: не допускається помітних змін ракурсу, освітлення тощо.

2.2 Методи, засновані на геометричних характеристиках

Один з найперших методів – це аналіз геометричних характеристик. Спочатку застосовувався в криміналістиці і був там детально розроблений. Потім з’явилися комп’ютерні реалізації цього методу. Суть його полягає у виділенні набору ключових точок (або областей) і наступному виділенні набору ознак. Кожна ознака є або відстанню між ключовими точками, або відношенням таких відстаней. На відміну від методу порівняння еластичних графів, тут відстані вибираються не як дуги графів. Набори найбільш інформативних ознак виділяються експериментально. В процесі розпізнавання порівнюються ознаки невідомого, наприклад особи, з ознаками, що зберігаються в базі. Задача знаходження ключових точок наближається до трудомісткості безпосередньо розпізнавання, і правильне знаходження ключових точок на зображенні багато в чому визначає успіх розпізнавання. Тому зображення повинне бути без перешкод, що заважають процесу пошуку ключових точок. Освітлення бажано рівномірне і однакове для всіх зображень. Крім того, повинно мати фронтальний ракурс, можливо з невеликими відхиленнями.

Таким чином, даний метод пред’являє строгі вимоги до умов зйомки, потребує надійного механізмі знаходження ключових точок для загального випадку. Крім того, потрібне застосування більш досконалих методів класифікації або побудови моделі змін.

У загальному випадку цей метод не самий оптимальний, однак для деяких специфічних завдань перспективний. До таких завдань можна віднести документний контроль, коли потрібно порівняти зображення обличчя, отриманого в поточний момент з фотографією в документі. При цьому інших зображень цієї людини немає, і отже механізми класифікації, засновані на аналізі тренувального набору, недоступні.

2.3 Методи оптичного потоку

Алгоритми оптичного потоку використовуються в основному для аналізу руху. Використовуючи два або більше послідовних кадру зображення, можна розрахувати двовимірне векторное поле, зване оптичним потоком, яке відображає актуальне або найбільш ймовірне зміщення точок зображення від кадру до кадру.

Оптичний потік розраховувався для двох довільних зображень, для отримання заходи відповідності зображень. Ці два зображення вважалися послідовними кадрами. Потім обчислювалося векторне поле, найкращим чином відображає одне зображення в інше, в сенсі мінімізації відстані між зображеннями і з урахуванням геометричних обмежень, таких як відносне розташування точок зображення.

Алгоритм знаходив найбільш відповідні блоки. Пошук здійснювався ієрархічно, починаючи з великих блоків, і потім розбиваючи їх на менші блоки. Таким чином, будувалася піраміда відповідності зображень.

Використовуючи векторне поле оптичного потоку, будувалися різні заходи відповідності, за допомогою яких у базі знаходилося зображення, найближчим до невідомого.

До недоліків цього методу в першу чергу відноситься його обчислювальна трудомісткість. На спеціалізованому паралельному комп’ютері порівняння двох зображень займало більше хвилини. Метод нездатний витягувати компактний набір характеристик для зберігання і пошуку в базі.

3. Структура магістерської роботи

3.1 Вибір об’єкта діагностики

Об’єктом дослідження є зображення стегнової кістки (наприклад, рентгенограма).

Стегнова кістка – це сама велика, довга кістка в скелеті людини. Обидва кінця стегнової кістки беруть участь в утворенні великих суглобів – тазостегновому і колінному. За анатомічної локалізації бувають переломи: проксимального кінця, тіла (діафіза), дистального кінця. У даній роботі розглядаються переломи тіла стегнової кістки, тобто. діафіза.

Переломи діафіза діляться на прості – це просте кругове порушення цілісності діафіза, клиновидні – переломи з одним або декількома проміжними фрагментами, при якому після репозиції зберігається контакт між основними відломками, а також складні – це переломи з одним або декількома проміжними фрагментами, при якому після репозиції відсутній контакт між основними відломками.

Виходячи з представлених описів, можна виділити наступні характеристики для визначення типу перелому (табл.1):

Таблиця 1 – характеристики типу перелому

Простий Клиновидний Складний
Кількість частин 2 >2 >2
Форма і розмір частин 2 великі частини, які можна поєднати 2 великі частини, решта різних форм і розмірів. Можливо візуальне суміщення осколків. 2 великі частини, решта різних форм і розмірів. Візуальне суміщення осколків неможливе.

У свою чергу прості переломи бувають: спіральні, косі і поперечні. Клиновидні переломи діляться на спіральні, вигин клина і фрагментовані. Комплексні переломи: спіральні, сегментні і нерегулярні.

Види переломів стегна

Рисунок 1 – Види переломів стегна
(анімація: 5 кадрів, 5 циклів повторення, 115 кілобайт)

3.2 Вибір методів класифікації обробки зображення. Марківські моделі

Обрано основні методи, які буде використовуватися при обробці зображення в даній СКС. Методи засновані на Марковських моделях. Марківські моделі є потужним засобом моделювання різних процесів і розпізнавання образів. За своєю природою Марківські моделі дозволяють враховувати безпосередньо просторово-часові характеристики сигналів, і тому отримали широке застосування в розпізнаванні мовлення, а останнім часом – зображень.

Цифрове зображення – сутність випадковий двовимірний дискретний сигнал, який спостерігається системою. послідовність спостережень О=о1, о2, …, оT, де оt – сигнали, впорядковані по просторовим відносинам, може вилучатись з зображення різними способами. В силу цього описові здатності отриманих моделей можуть відрізнятися.

Кажна модель λ=(A, B, π) являє собою набір N станів S={S1, S2,…, SN}, між якими можливі переходи. У кожен момент часу система перебуває в строго визначеному стані. При переході в кожен стан генерується спостережуваний символ, який відповідає фізичному сигналу з виходу модельованої системи. Набір символів для кожного стану V={v1, v2,…, vM}, кількість символів M. Існують так само моделі, в яких набір символів для всіх станів однаковий.

Символ у стані qt=Sj в момент часу t генерується з імовірністю:

Набір всіх таких ймовірностей становить матрицю B={bj(k)}, де bj(k) – ймовірність випадання k-го значення параметра в j-му стані.

Матриця A={aij} визначає ймовірність переходу з одного стану в інший стан:

Вважається, що A не залежить від часу.

Так само модель має ймовірність початкових станів π=πi, де πi=P[q1=Si] – ймовірність того, що в початковий момент система опиниться в i-му стані.

Модель λ=(A, B, π) з налаштованими параметрами може бути використувано для генерування послідовності спостережень. Для цього випадково, відповідно до початковими імовірностями π вибирається початковий стан, потім на кожному кроці ймовірність B використовується для генерації спостережуваного символу, а ймовірність A – для вибору наступного стану. Ймовірність P генерування моделлю λ послідовності станів O:

де Q=q1, q2,…,qT – послідовність станів.

Передбачається, що спостереження статистично незалежні.

В розпізнаванні образів приховані Марківські моделі застосовуються таким чином. Кожному класу i відповідає своя модель λ. Розпізнаваний образ (зображення) представляється у вигляді послідовності спостережень O. Потім для кожної моделі λ згенерована саме цією моделлю. Модель λj, що отримала найбільшу ймовірність, вважається найбільш придатною, і образ відносять до класу j.

3.3 Структура СКС

Основна послідовність операцій автоматичної класифікації представлена на рисунку 2:

Рисунок 2 – Автоматична класифікація

У більшості випадків процес автоматичної класифікації проводиться в три етапи:

1. Етап підготовки зображення включає в себе безпосереднє введення зображення з камери і попередню обробку. Попередня обробка, що складається в максимальному наближенні досліджуваного зображення до еталонного або нормалізованого. Найчастіше для медичних зображень це просторово інваріантні операції, зсув, зміна яскравості, зміна контрасту, квантування та геометричні перетворення (зміна масштабу, поворот осі). Теорія цих перетворень добре розроблена і, як правило, не викликає труднощів при використанні сучасних ЕОМ.

2. Виділення ознак, при яких функція, що представляє оброблене зображення, піддається функціональному перетворенню, виділяють ряд найбільш суттєвих ознак, які кодуються дійсними числами. Виділення ознак полягає в математичних перетвореннях зображення залежно від задачі аналізу. Це може бути віднімання з еталона, віднімання постійної складової для виключення заважають тіней, диференціювання або автокорреляція для виділення контуру, частотна фільтрація та багато інших. Правильний вибір алгоритму обробки має вирішальне значення для наступного етапу перетворення і представляє найбільшу складність.

3. Класифікація ознак. Отримані в результаті попередньої операції набори дійсних чисел, що описують виділені ознаки, порівнюються з еталонними числами, закладеними в пам’ять машини. ЕОМ на підставі такого порівняння класифікує зображення, тобто відносить його до одного з відомих видів, наприклад, норма або патологія.

Висновки

У сфері сучасних інформаційних технологій велика увага приділяється підвищенню якості рентгенівських знімків для поліпшеної роботи з ними, також проводиться всіляка автоматизація процесів обробки медичних зображень з метою більш точного визначення параметрів і характеристик.

Обрано об’єкт діагностики, вивчені матеріали по темі діагностики переломів, класифікації переломів, проаналізовано існуючі методи обробки зображень, їх переваги і недоліки, обрані оптимальні методи обробки зображень для СКС.

Перелік посилань

  1. Телемедицина в России [Електронний ресурс]. – Режим доступу: http://www.cplire.ru/mac/telemed/index.htm .
  2. Кулешов, С. В. Применение СММ для распознавания лиц [Електронний ресурс]. – Режим доступу: http://exos.org.ru/download/frbook.pdf .
  3. Компьютерная графика и мультимедиа [Електронний ресурс]. – Режим доступу: http://cgm.computergraphics.ru/ .
  4. Перелом проксимального отдела бедренной кости [Електронний ресурс]. – Режим доступу: http://www.eurolab.ua/diseases/1456/ .
  5. Учебно-методическое пособие [Електронний ресурс]. – Режим доступу: http://www.argo-shop.com.ua/article-4366.html.
  6. Перелом бедренной кости [Електронний ресурс]. – Режим доступу: http://www.vrach-travmatolog.ru/perelom-bedrennoy-kosti.htm.
  7. Перелом костей [Електронний ресурс]. – Режим доступу: http://www.vrach-travmatolog.ru/perelomy-kostey.htm.
  8. Моделирование. Вероятностные методы диагностики [Електронний ресурс]. – Режим доступу: http://www.omsk-osma.ru/img_pulpit/mbf/lec_21.Modelirovanie.pdf.
  9. Сектор лучевой диагностики и медицинской визуализации [Електронний ресурс]. – Режим доступу: http://www.arcerm.ru/clinicldiag.html.
  10. Медицинские изображения и их обработка [Електронний ресурс]. – Режим доступу: http://gridclub.ru/library/publication....
  11. Стоматологический блог врача-стоматолога [Електронний ресурс]. – Режим доступу: http://stomklin.ru....
  12. Распознавание изображений [Електронний ресурс]. – Режим доступу: http://dima78.livejournal.com/42168.html.
  13. Цифровые рентгенографические системы [Електронний ресурс]. – Режим доступу: http://stomfak.ru/rentgenodiagnostika-v-stomatologii....