Назад в библиотеку

Выбор методов обработки изображений фгдс-исследований для скс диагностики жкт

Автор: Цыбулька Е.С., Меркулова Е.В.

Источник: Цыбулька, Е.С. Выбор методов обработки изображений фгдс-исследований для скс диагностики жкт / Е.С. Цыбулька, Е.В. Меркулова. – ИУС и КМ – 2010, Сборник материалов I всеукраинской научно-технической конференции студентов, аспирантов и молодых ученых, том 2. – Донецк, ДонНТУ. – 2010, с. 56–60.

Аннотация

Цыбулька Е.С., Меркулова Е.В. Выбор методов обработки изображений фгдс-исследований для скс диагностики жкт. В статье сравниваются методы сегментации изображений применительно к снимкам фиброгастродуоденоскопического исследования, а также методы предварительной фильтрации изображений для использования алгоритмов сегментации.

Общая постановка проблемы

В сфере гастроэнтерологии наиболее распространенным методом диагностики является эзофагогастродуоденоскопия (ФГДС). Практика показывает, что данная процедура является не только наиболее безопасной, но и наиболее действенной и показывающей наилучшие результаты в данной области исследований.

Во время данного исследования врач ставит перед собой цель как можно быстрее провести процедуру, т.к. она обычно сопровождается неприятными ощущениями у пациента. За короткое время (2-5 минут) врач должен не только внимательно рассмотреть стенки исследуемого органа, но и принять решение о проведении возможных манипуляций. Таким образом, является актуальной задача создания компьютерной системы диагностики заболеваний желудочно-кишечного тракта (ЖКТ) человека, которая бы обрабатывала изображения подобного исследования на предмет патологий. Такая система позволит значительно сократить время исследования по сравнению с визуальной оценкой и минимизирует вероятность ошибки, связанной с человеческим фактором.

Постановка задач исследования

Объектом исследования в данной работе является изображение поверхности желудка, полученное в ходе ФГДС-исследования. Основные требования к компьютерной системе обработки этих изображений – точность распознавания патологии, скорость работы, адаптивность к обработке различных типов дефектов.

pic1

Рисунок 1 – Исходное изображение, полученное в ходе ФГДС-исследования 1 – язва, 2 – ткань желудка, 3 – фон, 4 – блики.

Задачу исследования поверхности желудка по изображениям, полученным в ходе исследования, можно сформулировать следующим образом:


1. Сегментировать изображение.
2. Дифференцировать сегменты на относящиеся к фону, ткани желудка, патологии.
3. Определить признаки областей, идентифицированных, как патологии.
4. По визуальным признакам определить тип патологии

Выбор методов решения задач и результаты исследования

Анализ видео и фото изображений ФГДС-исследования показывает, что яркости точек патологий резко отличаются от яркостей точек фона и решение проблемы установления порога является несложной задачей. На практике это не так просто, поскольку исследуемое изображение подвергается воздействию шума и на нем допускается некоторый разброс значений яркости (в том числе, множество бликов от освещения эндоскопа). Известно несколько аналитических подходов к пороговому ограничению по яркости. Один из методов состоит в установлении порога на таком уровне, при котором общая сумма элементов с подпороговой яркостью согласована с априорными вероятностями этих значений яркости.

Наиболее простым видом сегментации является пороговая сегментация. Но чтобы использовать этот метод, нужно знать, что изображение состоит из одного объекта и фона, яркости которых находятся в строго известных диапазонах и не пересекаются между собой, что не характерно для изображений, полученных в результате ФГДС-исследования

Также существует метод сегментации с использованием квадро-деревьев [1]. Суть метода заключается в том, что изображение разбивается на неперекрывающиеся блоки. Каждый блок с помощью некоторого критерия проверяется на однородность. Если блок неоднороден, то он разбивается на блоки меньшего размера, каждый из которых, в свою очередь, проверяется на однородность. Процесс завершается тогда, когда ни один из блоков не может быть разделен, т. е. либо блоки однородны, либо их размеры достигли предельно малых величин. В результате работы алгоритма получается набор однородных блоков различного размера.зует следующие режимы работы: моделирование, оптимизация, анализ, синтез ,контроль и управление.

Результаты, полученные с помощью применения данного метода представлены на рисунке 2.

pic1

Рисунок 2 – Применение алгоритма сегментации методом квадро-деревьев.
а) исходное изображение, б) сегментированное изображение.

Анализируя результаты применения данного метода, можно сказать, что при таком подходе хорошо выделяются наибольшие перепады яркостей на изображении, что на нашем типе снимков соответствует не искомым объектам (патологиям), а границе изображения с фоном.

Более подробно в данной работе рассмотрен относительно новый метод сегментации изображений – метод маркерного водораздела [2]. Суть его в том, что 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.

Таким образом, 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:


1 Вычисляется функция сегментации. Она касается изображений, где объекты размещены в темных областях и являются трудно различимыми.
2 Вычисление маркеров переднего плана изображений. Они вычисляются на основании анализа связности пикселей каждого объекта.
3 Вычисление фоновых маркеров. Они представляют собой пиксели, которые не являются частями объектов.
4 Модификация функции сегментации на основании значений расположения маркеров фона и маркеров переднего плана.
5 Вычисления на основании модифицированной функции сегментации

В качестве функции сегментации используется градиент изображения, вычисленный с помощью оператора Собеля. Это дискретный дифференциальный оператор, вычисляющий приближенное значение градиента яркости изображения. Формально, вычисления производятся по следующим формулам:

pic1

где * – двумерная операция свертки, А – исходное изображение,

Каждой точке изображения приближенное значение величины градиента можно вычислить, используя полученные приближенные значения производных:

pic1

Далее, вычислив значение градиента, был применен метод водораздела, который дал следующий результат:

pic1

Рисунок 3 – Применение метода водораздела с использованием градиента изображения (оператор Собеля).
а) исходное изображение; б) сегментированное изображение.

Как видно из результата, сегментация очень поверхностная и требуется дополнительная предварительная обработка изображения для более эффективного использования метода.

Для маркировки объектов переднего плана были использованы различные варианты морфологических технологий, предложенные пакетом обработки изображений Matlab, а именно – раскрытие через восстановление и закрытие через восстановление. Далее следует избавиться от отдельных изолированных пикселей на изображении. Полученные результаты представлены на рисунке 4.

pic1

Рисунок 4 – Применение морфологических технологий раскрытия и закрытия через восстановление.
а) исходное изображение; б) раскрытие; в) закрытие.

Анализируя результаты, отметим, что применение этих методов дало возможность избавиться от бликов и сделать границы искомого объекта более гладкими.

Далее, вычислив локальные максимумы, получим маркеры переднего плана. Чтобы вычислить маркеры фона, достаточно провести операцию пороговой обработки изображения [3]:

pic1

где Ai – пискель изображения, а k – уровень серого, по которому изображение переводится в черно-белое.

Для точного определения локальных минимумов изображения, проведем преобразование яркостей полученного изображения с использованием метода морфологического восстановления таким образом, чтобы все локальные минимумы изображения, полученного после пороговой обработки, были отличны от нуля.

Вычислив маркеры переднего плана, маркеры фона и преобразовав изображение по изложенному выше алгоритму, можем применить метод маркерного водораздела. Результаты его работы представлены на рисунке 5.

pic1

Рисунок 5 – Результаты модифицированного алгоритма маркерного водораздела.
а) маркеры и границы объектов; б) полученные сегменты.

Таким образом, результаты экспериментов доказали, что данный метод показывает хорошие результаты при предварительной обработке изображений. Самый светлый участок на сегментированном изображении (рис.5.б) – выделенная искомая патология. Количество сегментов на изображении без учета фона – 4, что свидетельствует о существенном улучшении качества сегментации по сравнению с результатами, представленными на рисунке 3 (без предварительных вычислений).

Выводы

Основываясь на результатах экспериментов, наиболее эффективным методом сегментации, применительно к поставленной задаче, является модифицированный метод маркерного водораздела. Но для его успешной работы следует производить дополнительные вычисления, а именно – получить маркеры переднего плана, маркеры фона, а также модифицировать функцию сегментации на основании полученных данных.

Литература


1. Павлидис, Т. Алгоритмы машинной графики и обработки изображений / Т. Павлидис. – М.:Радио и связь, 1986. – 406 с.
2. Прэтт, У.К. Цифровая обработка изображений / У.К. Прэтт. – М.: Мир, 1982. – 792 с.
3. Сойфер, В.А. Компьютерная обработка изображений. Часть 2. Методы и алгоритмы / В.А. Сойфер. – Соросовский образовательный журнал №3, 1996.