Alan W. Vespie - Обработка изображений и фильтрации статических и динамических изображений: обзор технолога

Введение

Технологи медицинской радиологии (TМР) обычно выполняют многочисленные манипуляции с компьютером для усовершенствования диагностических изображений, чтобы помочь в правильной интерпретации. Хотя опытные технологи, как правило, осведомлены о визуальных последствия своих манипуляций, они не могут в полной мере понять математические и научные принципы, положенные в действие одного нажатия мыши. Принципы могут быть сложными для всех, кроме наиболее технологически подкованных ТМР. По всей вероятности, математическая обработка изображений в учебниках и статьях запугивает, препятствует или, возможно, является неинтересной ТМР. Тем не менее, преодолевая сопротивление и понимая основные принципы, лежащие в обработке изображений, ТМР могут расширить их возможности для получения высокого качества диагностических изображений.

Нельзя исключать математику из обсуждения обработки изображений и фильтрации. В этой статье будут описаны принципы, лежащие в ряде общих процедур. Это описание должно быть приемлемым для технологов различных уровней математического знания. Первые процедуры, которые будут обсуждаться, простые процедуры, связанные со статическими изображениями. Далее, более сложные процедуры, связанные с динамическими изображениями. Значительная часть обработки изображений и фильтрации происходит с физиологически закрытыми изображениями и ОФЭКТ (однофотонной эмиссионной компьютерной томографии) изображений. К сожалению, сложность этих вопросов не дает подробное описание здесь.

Обработка статических изображений

Статические изображения, которые были перенесены непосредственно на пленку в режиме реального времени, представлены в аналоговом формате. Эти данные могут иметь бесконечный диапазон значений и могут создавать изображения, которые точно отражают распределение радионуклидов в органах и тканях. Хотя эти изображения могут быть очень высокого качества, если они получены правильно, в режиме реального времени сбор информации обеспечивает только одну возможность для приобретения данных. По причине человеческого фактора или других ошибок, может потребоваться повтор получения изображения и, в некоторых случаях, повтор целых исследований.

Статические изображения, переданные в компьютер для хранения или улучшения, представлены в цифровом формате. Это осуществляется в электронном виде с аналого-цифровым преобразователем. В старых камерах, это превращение происходило через ряд резисторных сетей, которые содержат силы сигнала, поступающего от нескольких фотоумножителей, и вырабатывали цифровой сигнал, пропорциональный энергии излучения событий.

Независимо от метода, используемого для оцифровки изображений, цифровой выход назначает дискретное значение обработанных аналоговых данных. В результате получаются изображения, которые могут храниться и обрабатываться. Тем не менее, эти образы являются только приближением оригинальных аналоговых данных. Как можно видеть на рисунке 1, цифровое представление имеет примерный вид, но не дублирует аналоговые сигналы.

Рисунок 1 – Аналоговая кривая и ее цифровое представление

Цифровые изображения радиологической медицины состоят из матрицы, выбранной технологом. Некоторые общие матрицы, используемые в радиологической медицине: 64х64, 128х128 и 256х256. В случае матрицы 64х64, экран компьютера делится на 64 ячейки по горизонтали и 64 по вертикали. Каждый квадрат в результате такого разделения называется пикселем. Каждый пиксель может содержать ограниченное количество данных. В 64х64 матрице, будет в общей сложности 4096 пикселей на экране компьютера, матрица 128х128 дает 16384 пикселя, а 256х256 – 65536 пикселей.

Изображения с большим количеством пикселей больше напоминают оригинальные аналоговые данные. Тем не менее, это означает, что компьютер должен хранить и обрабатывать больше данных, для чего необходимо больше места на жестком диске и предъявляются более высокие требования к оперативной памяти. Большинство статических изображений получены для визуального осмотра врачом радиологической медицины, поэтому они обычно не требуют значительного статистического или численного анализа. Ряд общих статических методов обработки изображений обычно используется для клинических целей. Эти методы не обязательно являются уникальными для статической обработки изображений, и могут применяться в некоторых приложениях для динамических, физиологически закрытых или ОФЭКТ-изображений. Это следующие методы:

- шкалирование изображений;

- вычитание фона;

- сглаживание / фильтрация;

- цифровое вычитание;

- нормализация;

- изображение профиля.

Шкалирование изображений

При просмотре цифровых изображений для визуального контроля или для записи изображений, технологу необходимо выбрать правильное шкалирование изображения. Шкалирование изображения может происходить либо в черно-белом формате с промежуточными оттенками серого или в цветном формате. Самой простой серой шкалой будет шкала с двумя оттенками серого, а именно белым и черным. В этом случае, если значение пикселя превышает заданное пользователем значение, на экране будет появляться черная точка, если значение окажется меньше, то белая (или прозрачная в случае с рентгеновскими изображениями). Эта шкала может быть инвертирована на усмотрение пользователя.

Чаще всего используется шкала из 16, 32 или 64 оттенков серого. В этих случаях пиксели, содержащих наиболее полную информацию выглядят как темные тени (черные). Пиксели, содержащие минимум информации выглядят как самые светлые оттенки (прозрачные). Все остальные пиксели будут выглядеть как оттенки серого, основанные на количестве информации, которую они содержат. Взаимосвязь между количеством точек и оттенков серого может быть определена линейно, логарифмически, или экспоненциально. Важно выбрать правильный оттенок серого. Если слишком много оттенков серого цвета выбрано, изображение может выглядеть размытым. Если слишком мало – изображение может выглядеть слишком темными (рис. 2).

Рисунок 2 – (A) изображения с большим количеством оттенков серого цвета, (В) изображение с малым количеством оттенков серого, (C) изображение с правильными градациями серого

Цветовой формат может быть использован для шкалирования изображения, и в этом случае процесс совпадает с серой шкалой манипуляций. Однако, вместо отображения данных в оттенки серого, данные отображаются в разные цвета в зависимости от количества информации, содержащейся в пикселе. Хотя цветные изображения являются привлекательными для начинающих и более наглядными для целей общественного отношения, цветные изображения мало что добавляют к интерпретируемости фильма. Таким образом, многие врачи по-прежнему предпочитают просматривать изображения в градациях серого.

Вычитание фона

Существуют многочисленные нежелательные факторы в изображениях радиологической медицины: фон, Комптоновский разброс, и шум. Эти факторы являются необычными для радиологической медицины по отношению к локализации радиофармпрепаратов в пределах одного органа или ткани.

Такие аномальные значения (отсчеты) вносят существенный вклад в ухудшение изображения. Отсчеты, собранные из лежащих и перекрывающихся источников являются фоном. Комптоновский разброс обусловлен фотоном, отклонившимся от своего пути. Если фотон был отклонен от гамма-камеры, или потерял достаточно энергии, чтобы быть отличимым камерой электроники, это не столь важно. Тем не менее, бывают случаи, когда фотон отклоняется в сторону камеры и его потеря энергии может быть достаточно большой для камеры, чтобы определить его как разброс. В этих условиях, Комптоновский разброс может регистрироваться камерой, который произошел от других источников, помимо областей, представляющих интерес. Шум представляет собой случайные флуктуации в электронной системе. При нормальных обстоятельствах, шум не способствует нежелательным выбросам в той же степени как фон и комптоновское рассеяние. Однако, как фон и комптоновское рассеяние, шум может способствовать ухудшению качества изображения. Это может быть особенно проблематичным для исследований, в которых количественный анализ играет важную роль в окончательной интерпретации исследования. Проблемы фона, Комптоновский разброс, и шум могут быть сведены к минимуму с помощью процесса, известного как вычитания фона. Как правило, технолог привлекает область интереса (ROI), пригодную для вычитания фона, но в некоторых случаях, область интереса генерируется компьютером (рис. 3).

Рисунок 3 – Изображение сердца. Демонстрация правильного размещения вычитание фона ROI (стрелка)

Независимо от способа, за правильное размещение фона ROI ответственность несет технолог. Фон регионов с более высоким количеством областей может снимать слишком много параметров с органа или ткани в области интереса. С другой стороны, фон регионов с исключительно низкими количеством областей снимет слишком мало параметров с изображения. Обе ошибки могут привести к неправильной интерпретации исследования.

Вычитание фона определяется путем сложения числа отсчетов в фоновом режиме ROI и деления на количество пикселей, которые содержатся в фоне ROI. После этого полученное число вычитается из каждого пикселя в органе или ткани. Например, предположим, что фон ROI составил 45 пикселей и содержит 630 отсчетов. Среднее число фоне:

630 отсчетов/45 пикселей = 14 отсчетов/пиксель

Таким образом, 14 будет вычитаться из каждого пикселя в органе или ткани в области интереса.

Сглаживание / фильтрация

Целью сглаживания является снижение шума и улучшение визуального качества изображения. Часто, сглаживание называется фильтрацией. Есть два типа фильтров, которые могут быть полезны в области радиационной медицины: пространственные и временные. Пространственные фильтры применяются как для статических, так и для динамических изображений, тогда как временные применяются только для динамических изображений.

В самом простом методе сглаживания используется квадрат 3-х-3 пикселей (всего девять), а также определяется значение в каждом пикселе. Значения пикселей в квадрате усредняются, и это значение присваивается центральному пикселю (рис. 4). По усмотрению технолога, эта же операция может быть повторена для всего экрана компьютера или ограниченной зоны. Подобные операции могут быть выполнены с 5-х-5 или 7-х-7 квадратов.

Рисунок 4 – 9-типиксельная простая схема сглаживания

Аналогичная, но более сложная операция предполагает создание ядра фильтра путем взвешивания значений пикселей, окружающих центральный пиксель. Каждый пиксель умножается на соответствующие взвешенные значения. Далее, значения ядра фильтра суммируются. Наконец, сумма значений ядра фильтра делится на сумму взвешенных значений и значение присваивается центральному пикселю (рис. 5).

Рисунок 5 – 9-типиксельная схема сглаживания со взвешенным ядром фильтра

Недостатком является то, что при сглаживании, хотя образ может быть более привлекательным визуально, изображение может быть размытым, и есть потеря в разрешении изображения. Конечное использование ядра фильтра включает в себя взвешивание с отрицательными значениями вдоль периферических пикселей с положительным значением в центре пикселя. Этот метод взвешивания имеет тенденцию к активизации количества расхождений между соседними пикселями и может быть использован для повышения вероятности обнаружения границ органов или тканей.

Цифровое вычитание и нормализация

Обычная проблема в радиологической медицине предотвращать происходящую активность от сокрытия или маскировки аномальных участков накопления индикатора. Многие из этих трудностей были преодолены за счет применения ОФЭКТ технологии. Тем не менее, необходимы более умные методы, чтобы получить соответствующую информацию из плоского изображения. Одним из таких методов является цифровое вычитание. Цифровое вычитание включает вычитание одного изображения из другого. Оно основано на предпосылке, что некоторые радиофармпрепараты локализованы в нормальных и патологических тканях, что делает правильность интерпретации трудной для врача. Чтобы помочь в дифференциации между нормальной и патологической тканями, второй радиофармпрепарат вводится только в пределах здоровых тканей. Изображение распределения второго радиофармпрепарата вычитается из образа первого, оставив только изображение аномальной ткани. Крайне важно, чтобы пациент оставался неподвижным между первым и вторым введением.

Когда технолог вычитает высококоличественное второе изображение из низкоколичественного первого изображения, можно удалить достаточные значения из аномальной ткани, что сделает вид «нормальной» (рис. 6).

Рисунок 6 – Цифровое вычитание без нормализации

Чтобы избежать ложно-отрицательных результатов исследования, изображения должны быть нормализованы. Нормализация представляет собой математический процесс, в котором разрозненные отсчеты между двумя изображениями согласовываются. Для нормализации изображения, технологу необходимо выделить небольшую области интереса возле ткани, которая считается нормальной. Число отсчетов в регионе в первом изображении (с низким кол-вом) разделена на графы в такой же области второго (с высоким кол-вом). Это даст коэффициент умножения, подсчета всех пикселей, составляющих первое изображение. На рисунке 7, «нормальная зона», в расчете это будет верхний левый пиксель. Это число в «нормальной области» (2), разделенное на соответствующий пиксель второго изображения (40), дает коэффициент умножения 20. Все пиксели в первом изображении, затем умножается на коэффициент 20. Наконец, второе изображение будет вычитаться из количества на первом изображении.

Рисунок 7 – Вычитание фона с нормализацией

Изображение профилирования

Изображение профилирования простая процедура, которая используется для количественной оценки различных параметров на статическом изображении. Для профилирования изображения, технолог открывает соответствующее приложение на компьютере, и позиционирует линию по экрану компьютера. Компьютер будет рассматривать пиксели, указанные линией и построит график зависимости числа отсчетов, содержащихся в пикселях. Изображение профиля имеет несколько применений. Для статического исследования перфузии миокарда, профиль берется через миокард для оказания помощи в определении степени перфузии миокарда (рис. 8). В случае исследования крестцово-подвздошной области, профиль используется с целью оценки однородности костного поглощения агента крестцово-подвздошных суставов на изображении. Наконец, изображение профилей могут быть использованы в качестве контроля для анализа контраста камеры.

Рисунок 8 – Изображение профиля миокарда

Обработка динамических изображений

Динамическое изображение – это набор статических изображений, полученных последовательно. Таким образом, предыдущее обсуждение о составе аналоговых и цифровых статических изображений применимо к динамическим изображениям. Динамические изображения, полученные в цифровом формате, состоят из матриц, выбранных технологом, но, как правило, это матрицы размера 64-х-64 или 128-х-128. Хотя эти матрицы могут поставить под угрозу разрешение изображения, они требуют значительно меньше памяти для хранения и оперативной памяти, чем матрицы 256-х-256.

Динамические изображения, используемые для оценки скорости накопления и / или скорости выведения РФП из органов и тканей. Некоторые процедуры, например, трехфазное сканирование кости и желудочно-кишечных кровотечений, требуют только визуального осмотра врача, чтобы сделать диагностическое заключения. Другие исследования, такие как нефрограмма (рис. 9), желудочные исследования опорожнения и гепатобилиарной фракции выброса, требует количественной оценки, как части диагноза врача.

В этом разделе обсуждается ряд общих методы для динамической обработки изображений, применяемых в клинической практике. Эти методы не обязательно являются уникальными для динамической обработки изображений, а некоторые будут иметь применение для физиологически закрытых или ОФЭКТ изображений. Это методы:

- суммирования / дополнения изображений;

- временной фильтр;

- кривые времени активности;

Суммирование изображений / дополнение

Суммирование изображений и дополнение являются взаимозаменяемыми терминами, которые относятся к одному процессу. В этой статье будет использоваться термин суммирование изображений. Суммирование изображений – процесс суммирования значений нескольких изображений. Хотя могут возникнуть обстоятельства, при которых суммированные изображения будут количественными, но это больше исключение, чем правило. Потому что причина суммирования изображения редко используется для количественных целей, не стоит выполнять нормализацию суммированием изображений.

Изображения исследования могут быть суммированы либо частично, либо полностью, чтобы получить одно изображение. Альтернативный метод включает в себя сжатие динамического изображения в меньшее количество кадров. Независимо от используемого метода, главным преимуществом суммирования изображения является косметический характер. Например, последовательные изображения с низким количеством исследований будут суммироваться, чтобы визуализировать изучаемый орган или ткань. Очевидно, дальнейшей обработке изображений визуализации органов и тканей будет способствовать технолог, что поможет врачу в визуальной интерпретации результатов исследования (рис. 9).

Рисунок 9 – (A) нефрограмма до и (B) после суммирования

Временная фильтрация

Цель фильтрации – снижение шума и улучшение визуального качества изображения. Пространственная фильтрация, часто известная как сглаживание, применяется к статическим изображениям. Однако, поскольку динамические изображения – последовательно расположенные статические изображения, целесообразно применять пространственные фильтры, и для динамических.

Различные типы фильтров, временной фильтр, применяется для динамических исследований. Пиксели в последовательных кадрах динамического анализа вряд ли испытывают огромные колебания накопленных отсчетов. Тем не менее, небольшие изменения в одном кадре от предыдущего могут приводить к «мерцанию». Временные фильтры успешно сокращают мерцания, одновременно минимизируя значительные статистические флуктуаций данных. Эти фильтры используют технику среднего взвешенного, при которой пикселю присваивается средневзвешенное значение идентичных пикселей предыдущего и последующего кадров.

Кривые времени активности

Количественное использование динамических изображений для оценки скорости накопления и / или скорости выведения РФП из органов или тканей, в конечном счете связаны с кривой времени активности. Кривые времени активности используются для демонстрации того, как отсчеты в интересующей нас области будут меняться с течением времени. Врачи могут быть заинтересованы в скорости накопления и выведения отсчетов (например, нефрограмма), скорость выделения (например, гепатобилиарной фракции выброса, опорожнение желудка), или просто изменение рассчитываемое в течение долгого времени (например, радиоизотопная вентрикулография).

Независимо от процедуры, кривые времени активности начнаются с определения ROI вокруг органа или ткани. Технолог может использовать световое перо или мышь для рисования ROI. Тем не менее, есть некоторые компьютерные программы, которые автоматически делают выделение путем контурного анализа. Низкое количество исследований могут стать проблемой для технологов, так как органы и ткани могут быть трудным для понимания. Надлежащего выделение ROI может потребовать от технолога, суммирования или сжимания до тех пор, пока границы органа или ткани не будут легко различимы. Для некоторых исследований, ROI останется той же на протяжении всех исследований (например, нефрограмма), тогда как в других исследованиях ROI может иметь разный размер, форму и расположение (например, опорожнение желудка). В количественных исследованиях, крайне важно, чтобы был откорректирован фон.

После подсчета в ROI определяется для каждого кадра и фон вычитается из каждого изображения, обычно для построения данных во времени вдоль оси X и рассчитывает по оси Y (рис. 10).

Рисунок 10 – Имитация кривой времени активности

В результате кривая времени будет визуально и численно сравнима с устоявшейся нормой для каждого конкретного исследования. Почти во всех случаях, скорость накопления или выделения, а также общей формы кривой от нормального исследования, используются для сравнения, чтобы определить окончательные интерпретации результатов исследования.

Заключение

Количество процедур, которые применяются для статического изображения, также могут быть применены к динамической визуализации. Сходство обусловлено тем, что динамические изображения – последовательный ряд статических изображений. Тем не менее, количество динамических процедур не имеет статические эквиваленты. Некоторые манипуляции статических и динамических изображений не имеют количественных результатов. Многие процедуры направлены на улучшение изображения изображение. Тем не менее, отсутствие количественных результатов не делает процедуру менее важной. Это говорит о том, что картинка стоит тысячи слов. Кроме того, высокое качество, компьютерное улучшение диагностических изображений, благодаря правильной интерпретации, может иметь значение в повышении качества жизни человека.

Список использованной литературы

1. Bernier D, Christian P, Langan J. Nuclear Medicine: Technology and Techniques. 4th ed. St. Louis, Missouri: Mosby; 1997: 69.
2. Early P, Sodee D. Principles and Practices of Nuclear Medicine. St. Louis, Missouri: Mosby; 1995: 231.
3. Mettler F, Guiberteau M. Essentials of Nuclear Medicine Imaging, 3rd ed. Philadelphia, Penn: W.B. Saunders; 1991: 49.
4. Powsner R, Powsner E. Essentials of Nuclear Medicine Physics. Malden, Mass.: Blackwell Science; 1998: 118-120.
5. Faber T, Folks R. Computer processing methods for nuclear medicine images. J Nucl Med Technol. 1994;22:145-62.
6. Madsen M. Computer acquisition of nuclear medicine images. J Nucl Med Technol. 1994;30:3-12.