Русский   English
ДонНТУ   Портал магістрів

Реферат з теми випускної роботи

Зміст

1. Актуальність теми

ЗЗахворювання серця (хвороби серця) – порушення нормального функціонування серця. Включає в себе поразка епікарду, перикарда, міокарда, ендокарда, клапанного апарату серця, судин серця.

Захворювання серця можуть тривалий час протікати у прихованій формі, клінічно ніяк себе не проявляючи. Поряд з різними пухлинами саме ці хвороби є сьогодні головною причиною передчасної смерті людей у ??розвинених країнах.

Безперебійна робота системи кровообігу, що складається з серця, як м'язового насоса та мережі кровоносних судин, - необхідна умова нормального функціонування організму.

Захворювання серця і судин сьогодні представляють собою справжню загрозу людству. І це - не перебільшення. Вони є основною причиною смертності та інвалідності, випередивши навіть рак. Якщо ще кілька десятиліть тому захворювання серця були, в основному, долею осіб похилого віку, то сьогодні в наявності їх «омолодження» - все частіше вони виникають у віці молодше 40 років.

Лікування серцево-судинних захворювань представляє собою дуже складну проблему, для вирішення якої необхідні спеціальне дороге медичне обладнання та медикаменти, висококваліфіковані фахівці, а найголовніше - доступність цієї допомоги для населення. На жаль, тільки в країнах з розвиненою економікою ця допомога доступна і ефективна - у Західній Європі, США, Ізраїлі. Чи можливо попередження серцево-судинних захворювань? Медики всього світу, що працюють над цією проблемою, заявляють, що профілактика не тільки можлива, а й необхідна.

Існує можливість діагностувати ранні стадії серцево-судинних захворювань виходячи з аналізу мікросудин людини.

2. Мета і завдання дослідження, плановані результати

Кандидатами біологічних наук Є.Е. Константиновою та Л.А. Івановою був розроблений метод кількісної оцінки зображень бульбарной кон'юнктиви в діагностиці стану мікроциркуляції при серцево судинної патології [1].

Даний метод передбачає розрахунок кількох груп коефіцієнтів, які розраховуються на основі взаиморасположения, площі, розміру і типу судин на зображенні бульбарной кон'юнктиви ока площею 1 мм2. Багато розрахунки в даному методі припускають представлення зображення у вигляді скелета судинного русла.

Метою роботи є розробка системи оцінки стану серцево-судинної системи для збільшення точності і швидкості постановки діагнозу лікарем кардіологом за рахунок автоматичного розрахунку коефіцієнтів, що дозволяє лікарю приділити більше часу їх аналізу.

Основним завданням є виділення судинного русла на основі наявного зображення і побудова моделі скелета даного русла, по якій в слідстві будуть розраховуватися коефіцієнти стану мікросудинного русла і надаватися спільно з нормативними значеннями. Сукупність даних коефіцієнтів допоможе лікарю зробити висновки і прийняти рішення про стан серцево судинної системи пацієнта.

Оскільки оцінюються геометричні характеристики судин, то логічно припустити, що в якості вихідних даних потрібно представити зображення у вигляді скелета. Для отримання уявлення судинного русла в такому вигляді даних, необхідно виконати:

  1. Бінаризацію зображення. На даному етапі вихідне зображення перетворюється в бінарне: пікселі, що належать до судин, фарбуються в колір об'єкта, а інші в колір фону. Умовно кольором об'єкта обраний чорний колір, а кольором фону – білий.
  2. Скелетизацію бінарного зображення. Даний етап передбачає побудову кривої, рівновіддаленої від кордонів судин.

Об'єкт дослідження: процес постановки діагнозу стану серцево-судинної системи.

Предмет дослідження: розрахунок параметрів і аналіз правильності постановки діагнозу за цими параметрами.

У рамках магістерської роботи планується отримання актуальних наукових результатів за наступними напрямками:

  1. Оцінка стану серцево-судинної системи по зображенню бульбарной кон'юнктиви, отриманого без допомоги спеціалізованих приладів.
  2. Визначення області застосування методу [1].
  3. Модифікація відомих методів аналізу зображення для підвищення точності та зменшення часу аналізу.

Для експериментальної оцінки отриманих теоретичних результатів і формування фундаменту наступних досліджень, в якості практичних результатів планується розробка системи аналізу стану серцево-судинної системи по зображенню бульбарной кон'юктіви з наступними властивостями:

  1. Наявність бази нормативних значень параметрів, що розраховуються.
  2. Уніфікований підхід до аналізу зображення.
  3. Генерація звіту з розрахованими параметрами у порівнянні з їх нормативним інтервалом.

3. Огляд досліджень і розробок

Проблема серцево-судинних захворювань гостро стоїть у всьому світі. У зв'язку з цим і їх діагностика широко поширена. Існує велика кількість варіантів діагностики, які застосовуються в сучасній медицині.

У зарубіжних роботах [2–4, 6] ведеться мова про мікросудинної системі в цілому і важливості її дослідження, в той час як в роботі [5] згадується безпосередньо про можливість оцінки стану серцево судинної системи по бульбарной кон'юнктиві очі.

Серед вітчизняних досліджень можна виділити роботи [7–9], які присвячені мікроциркуляції, а також [1] та [10], присвячені досліджуваної проблематики.

4. Отримання судинного русла

4.1. Бінаризація зображення

Існує безліч методів бінаризації зображення, які в загальному випадку можуть бути представлені в якості методів сегментації, або методів кластеризації (з кількістю кластерів рівним двом). Будь бінаризація проводиться над напівтоновим зображенням з глибиною кольору в 8 біт на піксель, тому вихідне зображення заздалегідь перетвориться в півтонове.

Є дві проблемні області в процесі бінаризації: правильне визначення пікселів об'єкта пікселів фону, швидкість бінаризації.

Звичайні методи дають хороший показник в плані часу, але в результаті зображення виходить дуже «зашумленним», що в підсумку може позначитися в подальшому, при побудові скелета. Методи, засновані на генетичних алгоритмах дають кращий результат, однак працюють вони повільно і сильно залежать від обчислювальної потужності комп'ютера.

В якості критерію оптимальності була використана умова «Залишити якомога більше інформації про судини, з найменшому кількістю шуму». Були розглянуті різні методи звичайної бінаризації, і краще всього під даний критерій підійшов метод Sauvola, який є методом, заснованим на локальних порогах, і розраховує значення за формулою:

Метод Sauvola

де pixel – поточний піксель, mean – середнє значення кольору по зображенню, k – чутливість, r – радіус вікна, stdev – стандартне відхилення.

Середнє значення розраховується за такою формулою:

Mean

де n – висота зображення, m – ширина зображення, pixelij – значення кольору пікселя.

Стандартне відхилення розраховується за такою формулою:

Stdev

Був обраний даний метод, оскільки площа зображення постійна, тому при підборі розмірів вікна та інших коефіцієнтів для методу, можна отримати кращий результат, ніж при використанні інших подібних методів. Для підбору коефіцієнтів використовувався генетичний алгоритм, що працює з речовими числами. Серед різних варіантів кросинговеру і мутації були випробувані 10 комбінацій. Результат роботи наведено у таблиці:

Мутація
Нерівномірна Випадкова
Кроссинговер Арифметичний нерівномірний51234192
Арифметичний рівномірний32644218
Плоский45653924
Мін-максний33583065
Найпростіший46153788

Фітнес функцією була умова максимальної схожості одержуваного результату і бажаного. Чисельним уявленням послужило кількість пікселів, що не збігаються з результатом, який був визначений експертним шляхом:

Початкове зображення і бажаний результат

Малюнок 1. Початкове зображення (ліворуч) і бажаний результат (праворуч)

Процес роботи методу з мін-максним кросинговером і випадковою мутацією наведено на малюнку 2.

Процес досягнення бажаного результату

Малюнок 2. Процес досягнення бажаного результату мін-максним кросинговером і випадковою мутацією
(анімація: 36 кадрів, зациклена, 636 кілобайт)

Внаслідок оптимальними значеннями коефіцієнтів для методу Sauvola яляются Size = 15; k = 0,051; r = 503. Саме за даних значеннях метод максимально точно, на скільки це можливо, створює бінарне зображення.

Однак, за рахунок світлої області на зображенні, в результаті проявляється шум. Для того щоб зменшити рівень шуму серед методів бінаризації був обраний такий, який найбільш точно би визначав світлі області. Таким виявився метод Benrsen, який працює за наступною формулою:

Метод Benrsen

де lc – локальне значення контрасту, ct – порогове значення контрасту, midgray – середнє значення сірого кольору по зображенню.

Значення L розраховується за формулою:

Поріг для методу Benrsen

де p – глибина кольору. Оскільки ведеться обробка півтонування з глибиною кольору 8 біт, то в даному випадку L=28-1=128.

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

Мутація
Нерівномірна Випадкова
Кроссинговер Арифметичний нерівномірний14021597
Арифметичний рівномірний1110663
Плоский1773678
Мін-максний12561090
Найпростіший13691836
Очікуваний і отриманий результат

Малюнок 3. Очікуваний (ліворуч) і отриманий (праворуч) результат

Оптимальними значеннями коефіцієнтів для методу Benrsen є Size = 7, ct = 76, midgray = 132.

Застосувавши в якості маски до першого отриманому зображенню результат роботи методу Benrsen, отримаємо кінцевий результат:

Бінарне зображення

Малюнок 4. Бінарне зображення

4.2. Скелетизація зображення

Процес скелетизації полягає в тому, що необхідно судини на отриманому бінарному зображенні представити у вигляді логічної структури.

Існує кілька методів скелетизації, кожен з яких має ряд позитивних і негативних факторів.

Метод поширення хвилі [11] є найпростішим методом скелетизації, оскільки для його роботи немає потреби у зменшенні товщини судини до 1го пікселя, але при цьому необхідно задати початкову точку, від якої даний метод буде «поширювати хвилю». Позитивним фактором також є швидкість роботи, яка не вимагає частого звернення до зображення. Мінусом методу є те, що в результаті буде виявлений тільки один замкнутий посудину, що є неприйнятним в поточній роботі.

Метод Зонга-Суня [12] заснований на шаблонному видаленні пікселів, що не належать до скелету. Даний алгоритм виконується до тих пір, поки в результаті не буде видалено жодного пікселя, що має на увазі багаторазовий прохід по зображенню, але в результаті виходить скелет судинного русла товщиною в 1 піксель, що і було потрібно. Подальше перетворення в логічну структуру ведеться за отриманим скелету.

Метод шаблонів є розширенням методу Зонга-Суня, доповнюючи алгоритм своїми «шаблонами», на підставі яких будуть видалятися пікселі. Рішення методом шаблонів представлено на малюнку 5. Як бачимо, в результаті був отриманий скелет судинного русла з «шумом». Для його усунення необхідно провести дослідження та доповнити список шаблонів, які б дозволили помітно поліпшити якість процесу.

Скелет зображення

Малюнок 5. Скелет зображення

Висновки

У роботі розглянута актуальність завдання діагностики серцево-судинних захворювань по зображеннях бульбарной кон'юнктиви, на підставі методики [ 1]. Показано, що для її застосування потрібно вирішити такі завдання цифрової обробки зображень як бінаризація і скелетизація. Виконано аналіз ітеративних і еволюційних методів бінаризації і скелетизації, що виявив найкращі на даний момент рішення бінаризації (Sauvola і Benrsen) і скелетизації (метод шаблонів). Для бінаризації зображень експериментально визначені значення параметрів методу Sauvola. Однак з'ясовано, що в результаті міститься багато шуму, який усувається за допомогою постобробки. Експериментальний аналіз показав, що для цього доцільно використовувати метод Benrsen, що дав прийнятний результат. Для кожного з методів за допомогою генетичного алгоритму були підібрані найкращі параметри.

Розглянуто вирішення задачі отримання топологічного скелета отриманого бінарного зображення. Показано, що хороших результатів вдається добитися за рахунок застосування методу шаблонів. Таким чином, отримані результати дозволяють надалі виконати розрахунок значень коефіцієнтів, необхідних для прийняття рішення.

Напрямком подальшої роботи є створення системи автоматичного розрахунку параметрів стану серцево-судинної системи на підставі розглянутих вище методів.

Список джерел

  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