Реферат по теме выпускной работы
Содержание
- Введение
- Ортопантомография как метод рентгенодиагностики
- Объект исследования
- Анализ современных рентгенометрических методов
- Контрастирование изображений
- Выводы
- Список источников
Введение
Высокая распространенность болезней зубов, тканей пародонта и их осложнений, аномалии и деформации челюстно-лицевой области объясняют высокий процент нуждающихся в ортопедическом, ортодонтическоми и комплексном методах лечения. При их лечении рентгенологическое исследование используется не только с целью первичной диагностики, но и в помощь врачу-стоматологу при осуществлении ряда лечебных мероприятий и контроля за их качеством.
Ортопантомография (панорамная зонография) за последние 30 лет стала основной методикой рентгенологического исследования зубо-челюстной системы. Этому способствовало не только широта обзора, объективность и хорошее качество изображения зубных рядов и челюстей, но и сокращение времени исследования, низкие дозы облучения пациентов и высокая информативность.
Диагностические возможности ортопантомографии достаточно широки, однако, до настоящего времени оценка ортопантомограмм (ОПТГ) осуществляется визуально, без количественного анализа, а значит, в определенной степени субъективно. Оценку получаемой информации стоматологи производят самостоятельно, полагаясь на свой опыт. Врач может не заметить мелких деталей в изображении, которые система разрешает, или пропустить слабоконтрастную структуру, видимую на фоне шумов изображения, из-за сложного строения окружающих (или сверхлежащих) тканей. На сегодняшнее время не созданы такие программные продукты, которые бы выполняли автоматизированную обработку изображений ортопантомограмм и, основываясь на полученных результатах выставляли бы предварительный диагноз.
Ортопантомография как метод рентгенодиагностики
Ортопантомография (рентген зубов) является новым методом рентгенодиагностики, при котором делается панорамный снимок зубов. Это очень важный инструмент для стоматолога. Бывают случаи, когда только с помощью ортопантомографии можно выявить изменения в тканях зуба.
В клиниках используются пленочные и цифровые ортопантомографы. Цифровые являются более современными и удобным в использовании. Они выводят результаты обследования на экран монитора. Таким образом, цифровая ортопантомография позволяет врачу сразу поставить правильный диагноз.
На панорамных снимках получают развернутое плоскостное изображение тела и альвеолярного отростка челюсти со всеми зубами. В терапевтической стоматологии панорамную рентгенографию используют и как основной и как дополнительный метод обследования. За короткое время при небольшой радиации можно получить сведения о состоянии всех зубов и окружающих их тканей, о структуре кости на всем протяжении, обнаружить скрытые кариозные полости.
Ортопантомография позволяет оценить состояние зубов:
• прилегание коронок
• состояние костной перегородки
• костной ткани челюстей
• наличие периапикальных изменений
• расположение зубов мудрости
• состояние зачатков постоянных зубов
Среди преимуществ ортопантомографии выделяют большую информативность. Уже на ранней стадии можно выявить воспалительный процесс костной ткани. К недостаткам ортопантомографии относят наслоение (в трети случаев) друг на друга теней коронок нижних и верхних премоляров.
Ортопантомография незаменима, если планируется терапевтическое, хирургическое и ортопедическое лечение. Также она позволяет осуществлять контроль качества пломбирования зубов.
Объект исследования
Пародонт – единый морфофункциональный комплекс, включающий десну, периодонт, альвеолярный отросток и ткани зуба. В пародонте могут протекать различные патологические процессы: воспалительные, дистрофические и опухолеподобные.
Заболевания тканей пародонта по распространенности занимают второе место после кариеса, причем после 40 лет они превалируют. Начиная с 12-летнего возраста наблюдали единичные случаи пародонтита, в 19–20 лет его диагностируют у 32% обследованных и к 60-летнему возрасту поражаемость достигает 70–80%.
Самыми распрастраненными заболеваниями пародонта являются гингивит, пародонтоз и пародонтит.
Для корректной постановки диагноза необходимо учитывать как клинические, так и рентгенологические данные состояния пародонта. На рис.1 представлен диагностический алгоритм, используемый стоматологами для определения типа заболевания пародонта.
Рисунок 1 – Диагностический алгоритм
(анимация: 4 кадра, 5 циклов повторения, 32,9 килобайт)
Из рисунка 1 следует, что с помощью рентгенологических исследований, которые основаны на визуальной оценке панорамных снимков, полученных с помощью ортопантомографа стоматолог делает вывод о состоянии уровня костной ткани пациента. Только после этого проводятся клинические исследования и в результате ставится окончательный диагноз.
На рисунке 2 показаны условные линии уровня костной ткани в норме и линия уровня костной ткани при пародонтите (черным и белым цветом соответственно).
Рисунок 2 – Уровни костной ткани в норме и при пародонтите
Процесс определения отклонения уровня костной ткани от нормы может быть автоматизирован с помощью компьютерной обработки изображения.
Анализ современных рентгенометрических методов
Правильный выбор алгоритма обработки имеет решающее значение для всех этапов преобразования исходного изображения и представляет наибольшую трудность.
Предварительная обработка, состоящая в максимальном приближении исследуемого изображения к эталонному или нормализованному. Чаще всего для медицинских изображений это пространственно инвариантные операции, сдвиг, изменение яркости, изменение контраста, квантование и геометрические преобразования (изменение масштаба, поворот оси). Теория этих преобразований хорошо разработана и, как правило, не вызывает трудностей при использовании современных ЭВМ.
Выделение признаков, при которых функция, представляющее обработанное изображение, подвергается функциональному преобразованию, выделяющему ряд наиболее существенных признаков, которые кодируются действительными числами. Выделение признаков заключается в математических преобразованиях изображения в зависимости от задачи анализа. Это может быть вычитание из эталона, вычитание постоянной составляющей для исключения мешающих теней, дифференцирование или автокорреляция для выделения контура, частотная фильтрация и многие другие.
Классификация признаков. Полученные в результате предыдущей операции наборы действительных чисел, описывающие выделенные признаки, сравниваются с эталонными числами, заложенными в память машины. ЭВМ на основании такого сравнения классифицирует изображение, т. е. относит его к одному из известных видов, например, норма или патология. Набор действительных чисел, характеризующих выделенные признаки, при этом можно рассматривать как точку в n-мерном пространстве. Если в это пространство предварительно введены области, занимаемые тем или иным классом в пространстве, называемом пространством признаков, либо, что случается чаще, задана плотность вероятности для каждого класса, появляется возможность с известной вероятностью отнести данное изображение к определенному классу.
Медицинские изображения, получаемые при рентгеновской, изотопной либо ультразвуковой диагностики различны как по характеру их сложности, так и по виду заложенной в них информации, определяемой механизмом взаимодействия используемого вида излучения с органами и тканями. Однако они обладают общих признаков, важных для проблемы автоматической классификации. Это, прежде всего, отсутствие:
1) эталона нормы из-за индивидуальных особенностей каждого организма;
2) эталона патологии при огромном разнообразии ее форм.
Таким образом полная автоматическая классификация при дифференциальной диагностике пока еще невозможна.
Контрастирование изображений
Свойство контрастности изображений является не менее важным, чем свойство яркости, поскольку при незначительных вариациях яркости уровни контрастности неизменны.
Методы сегментации изображений (границ изображений) по контрастности основаны на использовании порогового детектора, применяемого для идентификации неконтрастных (контрастных) пикселей внутренности (границы) изображения, с последующим применением специальных методов, например, волнового метода, для получения связных областей (границ) . Используемый при этом пороговый детектор имеет вид:
где а – заданная пороговая величина, которая используется для классификации пикселей изображения на неконтрастные пиксели внутренности и контрастные пиксели границы.
Для оценивания контраста используют дискретную аппроксимацию значения градиента в окрестности рассматриваемого пикселя вида:
где Mx*N[x,y], My*N[x,y] – скалярное произведение маски весовых коэффициентов M на матрицу яркостей пикселей окрестности N.
При этом для оценки направления градиента используется следующее соотношение :
Для оценивания градиента функции в настоя-щее время применяется довольно широкий спектр функций, основанный на использовании масок Робертса, Собеля, Превитта и ряда иных. Так, например, при использовании масок Превитта(рис.3.а) оценка градиента (2) примет вид :
Использование рассмотренной оценки градиента характеризуется теми же недостатками и достоинствами, что и использование направленных масок; кроме того, оценка (2) производится с привязкой к направлениям по осям. Для устранения этого недостатка мы можем пойти двумя путями.
Во-первых, мы можем использовать технологию вращения пары масок (рис. 3.б) с оценкой градиента по критерию максимума, типа g(i,j)=g*=max{ g(ξ)}.
Рисунок 3 – Направленные маски Преввита(а), вращение пары масок(б)
Во-вторых, для распределения яркости в рассматриваемой окрестности (в предположении линейного характера этого распределения), мы можем оценить коэффициенты линейной регрессии вида:
и в качестве оценки контрастности центрального пикселя окрестности рассматривать норму градиента вида:
Для оценивания контраста предложена следующая численная аппроксимация нормы градиента вида:
где f(i,j) – яркость оцениваемого пикселя, совмещенного с центром маски, а f(ξ,μ)– яркости пикселей окрестности, определяемые положением маски. В отличие от классического подхода маска при этом определяется не в виде матрицы весовых коэффициентов, а геометрически (рис. 4). На базовом уровне маска определяется в виде образа окружности (рис. 4, а), а составная маска – в виде образа окружности дополненного следом окружности до 8-связной линии.
Рисунок 4 – Образ окружности радиуса 2 (а), след окружности радиуса sqrt(2)(б), и построенная их объединением составная маска радиуса 2 (в)
За счет преодоления тени изображения (с применением маски предложенного типа не минимального радиуса) и использования оценки (8), при совмещении центра маски с пикселем границы изображения теперь мы можем оценивать его контрастность относительно пикселя фона, а не тени изображения; базовой в этом отношении считается маска радиуса 2 (рис. 4, а).
Кроме того, для нас теперь не важна степень кривизны границы. Важно лишь, чтобы при совме-щении центра маски с пикселем границы изображения, среди пикселей, определяемых положением маски, был хотя бы один пиксель фона. С целью использования маски для дифференциальной обработки изображений по направлениям, параметризуем пиксели маски полярным углом α, с использованием параметрического представления окружности радиуса ρ с центром в пикселе (i,j):
и представим полученные результаты – направления
на пиксели
маски матрицей-строкой направлений A.
Метод сегментации изображения по контрастности в дальнейшем будет использован для определения уровня костной ткани при патологии и уровня при норме.
Выводы
Панорамные рентгенографы с компьютерным обеспечением представляют разнообразные возможности для проведения функциональной диагностики на четких высокоинформативных изображениях. Однако расшифровка ортопантомограмм осуществляется довольно субъективно, поскольку производится лишь визуальная оценка снимков. В результате поставленный диагноз будет зависеть от опыта врача и от его умения читать ортопантомограммы.
Была рассмотрена возможность создания СКС диагностики заболеваний пародонта по ортопантомограммам, которая будет автоматически выполнять рентгенологический этап в диагностическом алгоритме, а именно находить степень отклонения уровня костной ткани от нормы, с помощью компьютерной обработки изображений. В качестве метода обработки выбрана сегментация изображения по контрастности.
Список источников
1. Описание компьютерной программы для стоматологов Дентал-Софт [Электронный ресурс]. – Режим доступа: http://www.dental-soft.ru
2. Ортопантомография [Электронный ресурс]. – Режим доступа: http://med-dovidka.com.ua
3. Цифровые рентгенографические системы [Электронный ресурс]. – Режим доступа: http://http://stomfak.ru
4. Выбор протезирования при пародонтите [Электронный ресурс]. – Режим доступа: http://www.zub-zub.ru
5. Пародонтит – диагностика [Электронный ресурс]. – Режим доступа: http://zdravoe.com;
6. Пародонтит. Основные признаки пародонтита [Электронный ресурс]. – Режим доступа: http://zubki.kiev.ua
7. Лечение заболеваний дёсен (пародонтит, пародонтоз) [Электронный ресурс]. – Режим доступа: http://stomatolog.com.ua
8. Рабухина Н.А., Аржанцев А.П. – Рентгенодиагностика в стоматологии [Электронный ресурс]. – Режим доступа: http://dental-ss.org.ua;
9. Внутриротовой снимок. Классическая рентгенография в стоматологии [Электронный ресурс]. – Режим доступа: http://stomfak.ru
10. Мухаметшина, Л.И. Метод определения плотности костной ткани в норме, патологии и при пародонтологических операциях с применением биоматериалов
серии «Аллоплант» / Л.И. Мухаметшина, Л.Р. Хусаинова, В.Г. Гафаров: Сборник статей III республиканской конференции частно практикующих врачей-стоматологов. – Уфа: 2007. – С. 87–89.
11. Семенов, С.И. Теория неадаптивных масок для обработки изображений / С.И. Семенов / Биомедицинские технологии и радиоэлектроника. – 2002. – № 13. – С. 33–40.
12. Шапиро, Л. Компьютерное зрение: пер. с англ. / Л. Шапиро, Дж. Стокман. – М.: БИНОМ, 2006. – 752 с.
13. Аржанцев, А.П. Диагностические возможности компьютерной ортопантомографии,учебно-методические рекомендации / А.П. Аржанцев, В.В. Свирин. – Перемена, 2006. – 20с.