Українська   English
ДонНТУ   Портал магистров

Реферат по теме выпускной работы

Содержание

1. Актуальность темы

Заболевание сердца (болезни сердца) – нарушение нормального функционирования сердца. Включает в себя поражение эпикарда, перикарда, миокарда, эндокарда, клапанного аппарата сердца, сосудов сердца.

Заболевания сердца могут длительное время протекать в скрытой форме, клинически никак себя не проявляя. Наряду с различными опухолями именно эти болезни являются сегодня главной причиной преждевременной смерти людей в развитых странах.

Бесперебойная работа системы кровообращения, состоящей из сердца, как мышечного насоса и сети кровеносных сосудов, — необходимое условие нормального функционирования организма.

Заболевания сердца и сосудов сегодня представляют собой настоящую угрозу человечеству. И это – не преувеличение. Они являются основной причиной смертности и инвалидности, опередив даже рак. Если еще несколько десятилетий назад заболевания сердца были, в основном, уделом лиц преклонного возраста, то сегодня налицо их «омоложение» - все чаще они возникают в возрасте моложе 40 лет.

Лечение сердечно-сосудистых заболеваний представляет собой очень сложную проблему, для решения которой необходимы специальное дорогостоящее медицинское оборудование и медикаменты, высококвалифицированные специалисты, а самое главное – доступность этой помощи для населения. К сожалению, только в странах с развитой экономикой эта помощь доступна и эффективна – в Западной Европе, США, Израиле. Возможно ли предупреждение сердечно-сосудистых заболеваний? Медики всего мира, работающие над этой проблемой, заявляют, что профилактика не только возможна, но и необходима.

Существует возможность диагностировать ранние стадии сердечно-сосудистых заболеваний исходя из анализа микрососудов человека.

2. Цель и задачи исследования, планируемые результаты

Кандидатами биологических наук Е.Э. Константиновой и Л.А. Ивановой был разработан метод количественной оценки изображений бульбарной конъюнктивы в диагностике состояния микроциркуляции при сердечно сосудистой патологии [1].

Данный метод предполагает расчет нескольких групп коэффициентов, которые рассчитываются на основе взаиморасположения, площади, размера и типа сосудов на изображении бульбарной конъюнктивы глаза площадью 1 мм2. Многие расчеты в данном методе предполагают представление изображения в виде скелета сосудистого русла.

Целью работы является разработка системы оценки состояния сердечно-сосудистой системы для увеличение точности и скорости постановки диагноза врачом кардиологом за счет автоматического расчета коэффициентов, что позволяет врачу уделить больше времени их анализу.

Основной задачей является выделение сосудистого русла на основе имеющегося изображения и построение модели скелета данного русла, по которой в следствии будут рассчитываться коэффициенты состояния микрососудистого русла и предоставляться совместно с нормативными значениями. Совокупность данных коэффициентов поможет врачу сделать выводы и принять решение о состоянии сердечно сосудистой системы пациента.

Поскольку оцениваются геометрические характеристики сосудов, то логично предположить, что в качестве исходных данных требуется представить изображение в виде скелета. Для получения представления сосудистого русла в таком виде данных, необходимо выполнить:

  1. Бинаризацию изображения. На данном этапе исходное изображение преобразуется в бинарное: пиксели, принадлежащие сосудам, окрашиваются в цвет объекта, а остальные в цвет фона. Условно цветом объекта выбран черный цвет, а цветом фона – белый.
  2. Скелетизацию бинарного изображения. Данный этап предполагает построение кривой, равноудаленной от границ сосудов.

Объект исследования: процесс постановки диагноза состояния сердечно-сосудистой системы.

Предмет исследования: расчет параметров и анализ правильности постановки диагноза по этим параметрам.

В рамках магистерской работы планируется получение актуальных научных результатов по следующим направлениям:

  1. Оценка состояния сердечно-сосудистой системы по изображению бульбарной конъюнктивы, полученного без помощи специализированных приборов.
  2. Определение области применения метода [1].
  3. Модификация известных методов анализа изображения для повышения точности и уменьшения времени анализа.

Для экспериментальной оценки полученных теоретических результатов и формирования фундамента последующих исследований, в качестве практических результатов планируется разработка системы анализа состояния сердечно-сосудистой системы по изображению бульбарной конъюктивы со следующими свойствами:

  1. Наличие базы нормативных значений рассчитываемых параметров.
  2. Унифицированный подход к анализу изображения.
  3. Генерация отчета о рассчитанных параметров в сравнении с их нормативным интервалом.

3. Обзор исследований и разработок

Проблема сердечно-сосудистых заболеваний остро стоит во всем мире. В связи с этим и их диагностика широко распространена. Существует большое количество вариантов диагностики, которые применяются в современной медицине.

В зарубежных работах [2–4, 6] ведется речь о микрососудистой системе в целом и важности её исследования, в то время как в работе [5] упоминается непосредственно о возможности оценки состояния сердечно сосудистой системы по бульбарной конъюнктиве глаза.

Среди отечественных исследований можно выделить работы [7–9], которые посвящены микроциркуляции, а также [1] и [10], посвященные исследуемой проблематике.

4. Получение сосудистого русла

4.1. Бинаризация изображения

Существует множество методов бинаризации изображения, которые в общем случае могут быть представлены в качестве методов сегментации, либо методов кластеризации (с количеством кластеров равным двум). Любая бинаризация производится над полутоновым изображением с глубиной цвета в 8 бит на пиксель, поэтому исходное изображение заранее преобразуется в полутоновое.

Есть две проблемные области в процессе бинаризации: правильное определение пикселей объекта пикселей фона, скорость бинаризации.

Обычные методы дают хороший показатель в плане времени, но в результате изображение получается очень «зашумленным», что в итоге может сказаться в дальнейшем, при построении скелета. Методы, основанные на генетических алгоритмах дают лучший результат, однако работают они медленно и сильно зависят от вычислительной мощности компьютера.

В качестве критерия оптимальности было использовано условие «Оставить как можно больше информации о сосудах, с наименьшем количеством шума». Были рассмотрены различные методы обычной бинаризации, и лучше всего под данный критерий подошел метод Sauvola, который является методом, основанным на локальных порогах, и рассчитывающий значения по формуле:

Метод Sauvola

где pixel – текущий пиксель, mean – среднее значение цвета по изображению, k – чувствительность, r – радиус окна, stdev – стандартное отклонение.

Среднее значение рассчитывается по следующей формуле:

Mean

где n – высота изображения, m – ширина изображения, pixelij – значение цвета пикселя.

Стандартное отклонение рассчитывается по следующей формуле:

Stdev

Был выбран данный метод, поскольку площадь изображения постоянна, поэтому при подборе размеров окна и других коэффициентов для метода, можно получить лучший результат, чем при использовании других подобных методов. Для подбора коэффициентов использовался генетический алгоритм, работающий с вещественными числами. Среди различных вариантов кроссинговера и мутации были опробованы 10 комбинаций. Результат работы представлен следующей таблицей:

Мутация
Неравномерная Случайная
Кроссинговер Арифметический неравномерный51234192
Арифметический равномерный32644218
Плоский45653924
Мин-максный33583065
Простейший46153788

Фитнесс функцией являлось условие максимальной похожести получаемого результата и желанного. Численным представлением послужило количество пикселей, не совпадающих с результатом, который был определен экспертным путем:

Исходное изображение и желаемый результат

Рисунок 1. Исходное изображение (слева) и желаемый результат (справа)

Процесс работы метода с мин-максным кроссинговером и случайной мутацией показан на рисунке 2.

Процесс достижения желаемого результата

Рисунок 2. Процесс достижения желаемого результата с мин-максным кроссинговером и случайной мутацией
(анимация: 36 кадров, зацикленная, 636 килобайт)

В результате оптимальными значениями коэффициентов для метода Sauvola яляются Size = 15; k = 0,051; r = 503. Именно при данных значениях метод максимально точно, на сколько это возможно, создает бинарное изображение.

Однако, за счет светлой области на изображении, в результате проявляется шум. Для того чтобы уменьшить уровень шума среди методов бинаризации был выбран такой, который наиболее точно бы определял светлые области. Таковым оказался метод Benrsen, который работает по следующей формуле:

Метод Benrsen

где lc – локальное значение контраста, ct – пороговое значение контраста, midgray – среднее значение серого цвета по изображению.

Значение L рассчитывается исходя из формулы:

Порог для метода Benrsen

где p – глубина цвета. Поскольку ведется обработка полутонового изображения с глубиной цвета 8 бит, то в данном случае L=28-1=128.

Аналогично, как и для метода Sauvola, был подобран метод кроссинговера и мутации:

Мутация
Неравномерная Случайная
Кроссинговер Арифметический неравномерный14021597
Арифметический равномерный1110663
Плоский1773678
Мин-максный12561090
Простейший13691836
Ожидаемый и полученный результат

Рисунок 3. Ожидаемый (слева) и полученный (справа) результат

Оптимальными значениями коэффициентов для метода Benrsen являются Size = 7, ct = 76, midgray = 132.

Применив в качестве маски к первому полученному изображению результат работы метода Benrsen, получим конечный результат:

Бинарное изображение

Рисунок 4. Бинарное изображение

4.2. Скелетизация изображения

Процесс скелетизации заключается в том, что необходимо сосуды на полученном бинарном изображении представить в виде логической структуры.

Существует несколько методов скелетизации, каждый из которых имеет ряд положительных и отрицательных факторов.

Метод распространения волны [11] является простейшим методом скелетизации, поскольку для его работы нет нужды в уменьшении толщины сосуда до 1го пикселя, но при этом необходимо задать начальную точку, от которой данный метод будет «распространять волну». Положительным фактором также является скорость работы, которая не требует частого обращения к изображению. Минусом метода является то, что в результате будет обнаружен только один замкнутый сосуд, что является неприемлемым в текущей работе.

Метод Зонга-Суня [12] основан на шаблонном удалении пикселей, которые не принадлежат скелету. Данный алгоритм выполняется до тех пор, пока в результате не будет удалено ни одного пикселя, что подразумевает многократный проход по изображению, но в результате получается скелет сосудистого русла толщиной в 1 пиксель, что и требовалось. Дальнейшее преобразование в логическую структуру ведется по полученному скелету.

Метод шаблонов является расширением метода Зонга-Суня, дополняя алгоритм своими «шаблонами», на основании которых будут удаляться пиксели. Решение методом шаблонов представлено на рисунке 5. Как видим, в результате был получен скелет сосудистого русла с «шумом». Для его устранения необходимо провести исследования и дополнить список шаблонов, которые бы позволили заметно улучшить качество процесса.

Скелет изображения

Рисунок 5. Скелет изображения

Выводы

В работе рассмотрена актуальность задачи диагностики сердечнососудистых заболеваний по изображениям бульбарной конъюнктивы, на основании методики [1]. Показано, что для её применения требуется решить такие задачи цифровой обработки изображений как бинаризация и скелетизация. Выполнен анализ итеративных и эволюционных методов бинаризации и скелетизации, выявивший наилучшее на данный момент решение бинаризации (Sauvola и Benrsen) и скелетизации (метод шаблонов). Для бинаризации изображений экспериментально определены значения параметров метода Sauvola. Однако выяснено, что в результате содержится много шума, который устраняется с помощью постобработки. Экспериментальный анализ показал, что для этого целесообразно использовать метод Benrsen, что дало приемлемый результат. Для каждого из методов с помощью генетического алгоритма были подобраны наилучшие параметры.

Рассмотрено решение задачи получения топологического скелета полученного бинарного изображения. Показано, что хороших результатов удается добиться за счет применения метода шаблонов. Таким образом, полученные результаты позволяют в дальнейшем выполнить расчет значений коэффициентов, необходимых для принятия решения.

Направлением дальнейшей работы является создание системы автоматического расчета параметров состояния сердечно-сосудистой системы на основании рассмотренных выше методов.

Список источников

  1. Е.Э. Константинова, Л.А. Иванова, Метод количественной оценки изображений бульбарной конъюнктивы в диагностике состояния микроциркуляции при сердечно сосудистой патологии, Беларусь, 2004 г., 10 с.
  2. Wells R., Goldstone J. Rheology of the cell and capillary flow.– In: Rheology of biological systems.— Gabeknik, 1973.– P. 186.
  3. Yvonne-Tee G.B., Ghulam Rasool A.H., Sukari Halim A. et al. Noninvasive assessment of cutaneous vascular function in vivo using capillaroscopy, plethysmography and laser-Doppler instruments: Its strengths and weaknesses. // Clinical Hemorheology and Microcirculation, 2006.– N 34 (2006).– P. 473–457.
  4. Maggio E. Microhaemocirculation: observable variables and their biological control. Springfield, Thomas, 1965.– 194 p.
  5. Bloch E. Microscopic observation of the circulation blood in the bulbar conjunctiva in man in health and disease // Ergebn. Anat. Entwikl.,– Gesch., 1956.– N 35.– P. 1–98.
  6. Knisely M.H. Intravascular erythrocyte aggregation (blood sludge) // Handb. of physiology, Sect. 2: Circulation.– London, 1965.– Vol. III.– P. 2249–2292.
  7. Чернух А.М., Александров П.Н., Алексеев О.В. Микроциркуляция.– М.: Медицина, 1984.– С. 421–447.
  8. Орлова А.Н. Вклад А.И. Нестерова в учение о микроциркуляции (к 85-летию со дня рождения) // Вопр. ревматизма, 1981.– № 1.– С. 58–61.
  9. Люсов В.А., Белоусов Ю.Б. Гемостаз и микроциркуляция при сердечно-сосудистых заболеваниях // Терапевт. архив, 1980.– Т. 52.– С. 5–14.
  10. Богоявленский В.Ф. Значение биомикроскопии сосудов конъюнктивы для диагностики прогрессирующего атеросклероза // Казанский медицинский журнал, 1969.– № 3.– С. 65–70.
  11. Применение волнового алгоритма для нахождения скелета растрового изображения [Электронный ресурс] // Режим доступа: http://ocrai.narod.ru/vectory.html
  12. Weian Deng, S. Sitharama Iyengar and Nathan E. Brener, A Fast Parallel Thinning Algorithm for the Binary Image Skeletonization, International Journal of High Performance Computing Applications [Электронный ресурс] // Режим доступа:http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.226.2059&rep=rep1&type=pdf