Повышение качества узи изображения зоны атеросклеротического поражения сонной артерии

Авторы: И. В. Боровцова, Н. В. Стуликова

Источник: Материалы Всеукраинской научно-практической конференции «Проблемы информатики и компьютерной техники». – Черновцы, 2013. – С. 123–124.

Аннотация

В данной работе проведено исследование методов повышения качества изображений результатов ультразвукового исследования сонной артерии для оценки состояния атеросклеротической бляшки.

Постановка задачи. При установлении диагноза и проведении лечения врачи все больше полагаются на медицинские изображения. Объекты на данных изображениях обладают большой сложностью и многофакторностью, что обусловливает высокие требования к надёжности, точности и достоверности результатов исследований.

Цереброваскулярные заболевания являются одной из наиболее актуальных медико-социальных проблем в Украине. Значимость проблемы обусловлена тем, что данная группа заболеваний относится к одной из главных причин смертности и инвалидности взрослого населения страны.

В настоящее время при стенозе сонной артерии более 70 % рекомендуется оперативное лечение. Инсульты в таких случаях развиваются в результате артерио-артериальной эмболии из распадающейся атеросклеротической бляшки в устье внутренних сонных артерий. Соответственно актуальным вопросом является точная и своевременная диагностика источника таких эмболий – оценка состояния атеросклеротической бляшки [1].

Целью работы является выбор методов обработки изображений УЗИ снимков для усиления диагностических возможностей врача и повышения точности диагностических решений. Предложенные методы облегчают анализ изображений и могут помочь в решении сложных диагностических задач. В соответствии с целью было поставлено две задачи, а именно устранение оптических иллюзий, связанных с восприятием цвета человека, при помощи усиления границ и улучшение визуального восприятия в результате подавления шума, контрастирования и преобразования в псевдоцвета.

Основные результаты исследований. Использование цвета в обработке изображений обусловлено двумя основными причинами. Во-первых, цвет является тем важным признаком, который часто облегчает распознавание и выделение объекта на изображении. Во-вторых, человек в состоянии различать тысячи различных оттенков цвета, и всего лишь порядка двух десятков оттенков серого. Второе обстоятельство особенно важно при визуальном анализе изображений.

В данной работе выбран стигмаобразный алгоритм преобразования цвета [2]. Он решает существенный недостаток многих алгоритмов: они не учитывают различия в яркости чистых спектральных цветов и, как следствие, в яркости первичных составляющих RGB. Это делает обработанное изображение не похожим на оригинал в отношении его яркостной структуры и может создать проблемы в восприятии.

Рисунок 1 – Схематическая модель работы стигмаобразного алгоритма

Также появляются ошибки зрения или иллюзии. Во-первых, иногда о насыщенности цвета объекта мы ошибочно судим по яркости фона или по цвету других, окружающих его предметов. В этом случае действуют также закономерности контраста яркостей: цвет светлеет на темном фоне и темнеет на светлом. Во-вторых, существует понятие собственно цветовых или хроматических контрастов, когда цвет наблюдаемого нами объекта изменяется в зависимости от того, на каком фоне мы его наблюдаем.

Устранение иллюзии решается при помощи выделения контуров. Был проведен анализ существующих методов для решения данной проблемы и в качестве оптимального выбран алгоритм Canny [3], поскольку он удовлетворяет следующим критериям. Первым и наиболее очевидным является низкий уровень ошибок. Очень важно, чтобы присутствующие на изображении границы не были пропущены, и не было ложных обнаружений. Вторым критерием является хорошая локализованность краевых точек. Другими словами, расстояние между обнаруженными краевыми точками и фактическими точками границы должно быть минимальным. Третий критерий – одно обнаружение на одну границу. Он был введен так как первые два не могли полностью исключить возможность неоднократного обнаружения одних и тех же краев.

Алгоритм состоит из пяти отдельных шагов: сглаживание – размытие изображения для удаления шума; поиск градиентов – границы отмечаются там, где градиент изображения приобретает максимальное значение; подавление не-максимумов – только локальные максимумы отмечаются как границы; двойная пороговая фильтрация – потенциальные границы определяются порогами; трассировка области неоднозначности – итоговые границы определяются путем подавления всех краев, несвязанных с определенными (сильными) границами.

Алгоритм детектора границ Canny не ограничивается вычислением градиента сглаженного изображения. В контуре границы оставляются только точки максимума градиента изображения, а не максимальные точки, лежащие рядом с границей, удаляются. Здесь также используется информация о направлении границы для того, чтобы удалять точки именно рядом с границей и не разрывать саму границу вблизи локальных максимумов градиента. Затем с помощью двух порогов удаляются слабые границы. Фрагмент границы при этом обрабатывается как целое. Если значение градиента где-нибудь на прослеживаемом фрагменте превысит верхний порог, то этот фрагмент остается также "допустимой" границей и в тех местах, где значение градиента падает ниже этого порога, до тех пор пока она не станет ниже нижнего порога. Если же на всем фрагменте нет ни одной точки со значением большим верхнего порога, то он удаляется. Такой гистерезис позволяет снизить число разрывов в выходных границах. Включение в алгоритм Canny шумоподавления повышает устойчивость результатов.

Выводы. Из существующих методов обработки изображений в ходе исследования выбраны те, которые максимально улучшают визуальное восприятие зоны атеросклеротического поражения и тем самым позволяют уверенно различать на УЗИ изображениях признаки, характерные для злокачественных и доброкачественных образований, помогая обратить внимание на малозаметные участки.

СПИСОК ЛИТЕРАТУРЫ

1. Скобцов Ю.А., Оверко В.С., Родин Ю.В. Моделирование и визуализация поведения потоков крови при патологических процессах. – Донецк: Издатель Заславский А.Ю., 2008. – 212 с.

2. J.R. Parker, Algorithms for image processing and computer vision, second edition. – Canada: Wiley Publishing, 2011. – 480 c.

3. Власюк И.В., Врагова М.В., Исследование обработки изображений в псевдоцветах. – Москва, 2010. – 15 с.