Українська   English
ДонНТУ   Портал магистров

Реферат по теме выпускной работы

Содержание

Введение

Компьютерные технологии занимают все больше областей жизни современного человека, поэтому не удивительно, что современная медицина активно использует новейшие научные разработки и методы. Чем стремительнее развиваются технологии, тем больше времени мы проводим сидя за экраном монитора. Применение компьютеров в медицине позволяет существенно упростить работу врачей, а также повысить точность постановки диагноза и улучшить планирование лечения пациентов.

Опухоли – это патологические разрастания тканей, состоящие из качественно изменившихся клеток, ставших атипичными в отношении дифференцировки, характера роста и других процессов. Различают доброкачественные и злокачественные опухоли. Лечение опухолей осуществляют различными методами в зависимости от их вида, локализации, стадии развития, возраста больного и др. В современном мире все большее внимание уделяется применению радиотерапии для лечения злокачественных новообразований.

Лучевая терапия представляет собой комплекс мероприятий, которые включают не только лечение, но и предварительный расчет параметров лечения. Последовательные этапы применения лучевой терапии:

Важнейшим этапом лечения является клиническое планирование. На данном этапе определяется локализация и объем опухолей, производится их количественная и качественная оценка. На основании полученных данных разрабатывается план лечения, устанавливается необходимая экспозиционная доза облучения. В свою очередь, для разработки оптимального плана лечения необходимо правильно определить геометрические параметры новообразования.

1. Методы выделения границ объектов

Выделение краев играет важную роль в анализе изображений и распознавании образов при решении проблемы компьютерного зрения. Края являются точками перепада значений яркости в полутоновом изображении и поэтому важными характеристиками изображения. Эти резкие точки перехода указывают местоположения контуров объектов на изображениях. Представление краев объектов на изображении позволяет уменьшить количество данных, сохраняющих важную информацию о форме объектов в сцене. Выделение краев является наиболее используемой технологией в процессе обработки цифрового изображения. При определении границ объекта производится вычисление двумерного пространственного градиента на изображении, и выявляются области, соответствующие краям. При этом происходит оценка модуля градиента в каждой точке полутонового изображения.

Выделение краев – термин в теории обработки изображения и компьютерного зрения, частично из области поиска объектов и выделения объектов, основывается на алгоритмах, которые выделяют точки цифрового изображения, в которых резко изменяется яркость или есть другие виды неоднородностей. Результатом выделения границ является набор связанных кривых, обозначающих границы объектов, граней и оттисков на поверхности, а также кривые, которые отображают изменения положения поверхностей. Объекты состоят из многочисленных частей различных цветных уровней. Перепад яркости – это связное множество пикселей, лежащих на границе между двумя областями.

Рассмотрим некоторые наиболее популярные методы выделения границ.

1.1. Метод Собеля

Данный метод позволяет выделить границы изображения путем наложения двух масок вращения на каждый пиксел. Эти маски позволяют выявить горизонтальные и вертикальные границы объектов на изображении.

Маски оператора Собеля

Рисунок 1.1 – Маски оператора Собеля

При раздельном наложении этих масок на пиксел можно получить значение вертикального Gy и горизонтального Gx градиентов. Конечное значение определяется по формуле 2.1.

Формула оператора Собеля

Формула 1.1 – Оператор Собеля

1.2. Метод Лапласа

Для решения задачи выделения перепадов яркости можно применить дифференциальные операторы более высокого порядка, например оператор Лапласа (формула 1.2).

Формула оператора Лапласа

Формула 1.2 – Оператор Лапласа

В дискретном случае оператор Лапласа можно реализовать в виде процедуры линейной обработки изображения окном 3x3.

Маски оператора Лапласа

Рисунок 1.2 – Маски оператора Лапласа

Для фильтрования изображения достаточно применения одной из предложенных масок. Здесь значения градиента вычисляется сразу, а не как некое среднее после наложения двух матриц. Следовательно, данный метод имеет преимущество в относительной простоте расчетов, однако при этом ухудшается качество контурирования изображения.

1.3. Метод Робертса

В компьютерном зрении перекрёстный оператор Робертса – один из ранних алгоритмов выделения границ, который вычисляет сумму квадратов разниц между диагонально смежными пикселами. Это может быть выполнено сверткой изображения с двумя ядрами.

Иными словами, каждый пиксель получаемого изображения вычисляется по правилу:

tmp1 = absolute_value(input_image(x, y) − input_image(x+1,y+1))

tmp2 = absolute_value(input_image(x+1,y) − input_image(x, y+1))

output_image(x, y) = Sqrt(tmp12 + tmp22)

Преобразование каждого пиксела перекрёстным оператором Робертса может показать производную изображения вдоль ненулевой диагонали, и комбинация этих преобразованных изображений может также рассматриваться как градиент от двух верхних пикселов к двум нижним. Оператор Робертса всё ещё используется ради быстроты вычислений, но он проигрывает в сравнении с альтернативами с его значительной проблемой чувствительности к шуму. Он даёт линии тоньше, чем другие методы выделения границ. Иногда его называют фильтром Робертса.

2. Методы определения объема объекта по серии изображений

Определение объема объекта – задание достаточно распространенное и имеющее множество реализаций в различных языках программирования. В случае, если мы имеем дело с правильной геометрической фигурой, данная задача решается достаточно легко по известным математическим формулам. Однако в случае, если фигура неправильной формы, то возникает ряд сложностей в оценке ее объема.

Существует достаточно много методов оценки геометрических параметров объекта по его плоским снимкам. Основным различием данных методов является то, какие снимки используются для определения геометрических параметров и таким образом построения трехмерного изображения.

Рассмотрим различные способы определения геометрических параметров объекта в зависимости от комплекса фотографий объекта.

2.1. Определение геометрических размеров объекта по перспективным снимкам

Перспективная проекция

Рисунок 2.1 – Перспективное проектирование объекта W на плоскость P

Как видно из представленной на рис. 2.1 ситуации, имеется 2 изображения объекта W1 и W2, полученных из точек a1 и a2 соответственно. При решении данной задачи полагается, что известно положение ЛА относительно объекта. Далее с помощью методов контурного анализа определяются сопряженные точки в проекциях W1 и W2, производится разметка контура проекции и рассчитываются линейные параметры объекта. Далее, применяя векторное преобразование, возможно построение 3D изображения объекта и расчет его объема.

2.2. Расчет геометрических параметров по параллельным проекциям

Современные медицинские диагностические аппараты типа МРТ и КТ производят сканирование пациентов и получают некоторое количество параллельных снимков срезов тела.

Задача определения объема органа будет разбиваться на ряд подзадач. Главной и наиболее трудоемкой будет определение площади поперечного сечения органа (опухоли). Данная задача, в свою очередь, является трудоемкой и ресурсоемкой, так как органы и ткани имеют неправильные формы, и расчет их площадей будет производится методом программного интегрирования. Так как полученные результаты будут измеряться в пикселах, то для получения реальных размеров органов необходимо осуществить перевод их к линейным величинам. Для этого воспользуемся преимуществами стандарта DICOM.

МРТ снимки головного мозга

Рисунок 2.2 – Продольные срезы головного мозга

Как известно из геометрии, объем фигуры определяется как произведение площади ее поперечного сечения на высоту. Тогда определить объем опухоли или органа можно путем умножения площади их поперечного среза на расстояние между последовательными срезами. Данный метод не исключает возникновения погрешностей измерений и приводит к погрешностям в расчетах, однако большое количество срезов ведет к тому, что уменьшается погрешность расчетов. Современные компьютерные МРТ и КТ сканеры позволяют получать снимки с толщиной среза от 1 до 4 мм, что не влияет существенно на результат.

3. Программы для клинического применения

Как отмечалось ранее, DICOM – это медицинский формат изображений. Разработка и внедрение данного типа файлов осуществлялась с целью упрощения работы врачей‑рентгенологов и радиологов.

Программы, используемые в медицинских учреждениях, зачастую являются специфическими, и применяются в конкретных областях медицины. Так как в дальнейшем планируется разработка программного обеспечения для анализа снимков больных с онкологическими заболеваниями, то рассмотрим несколько пакетов программ, которые одобрены для клинического применения в онкоцентрах. Дополнительной опцией таких программных продуктов является возможность планирования радиологического лечения.

3.1. Система Тонкий луч

Система Тонкий луч для планирования дистанционной лучевой терапии с источником 60Co была разработана в начале 90‑х годов и ориентирована на технические возможности того времени. В частности, она работала под операционной системой MS DOS и имела ограниченные возможности коммуникации с другими программными средствами. В настоящее время Тонкий луч хотя и удовлетворяет по своим возможностям значительной доле рутинных задач планирования на одиночном поперечном срезе пациента, представляется крайне бедным с точки зрения открытости системы, поддержки информационных потоков и эффективного использования мощности современных вычислительных средств и многозадачных операционных систем. Его, к сожалению, до сих пор используют в ряде национальных клиник ввиду того, что нет финансовой возможности приобретения нового современного оборудования и программного обеспечения. Данная система на сегодняшний день уже морально устарела.

3.2. Планирующая система Nucletron

Преимущества данной планирующей системы:

  1. Простота в использовании.
  2. Относительно быстрый расчет дозного распределения.
  3. Возможность вывода на экран изодозы любой величины.

К недостаткам можно отнести следующее:

  1. Работа под ОС MS‑DOS.
  2. Ввод поперечного среза вручную, по шаблону, что может не соответствовать структуре внутренних органов пациента.
  3. Отсутствие БД, что делает невозможным сохранение плана облучения.
  4. Просчет времени сеанса облучения вручную.

3.3. Планирующая система Eclipse фирмы Varian

Планирующая система Eclipse фирмы Varian – это всесторонняя система, которая упрощает сложность современной лучевой терапии, рассчитывая дозное распределение не на одном поперечном срезе, а в объемной среде используя несколько снимков. В Eclipse физики и врачи тщательно создают, выбирают и проверяют лучшие планы облучения для больных.

Продвинутые алгоритмы в Eclipse точно и быстро высчитывают распределение дозы для фотонов, электронов и протонов. С комбинацией модульных алгоритмов и гибкой архитектурой Eclipse, врач может выбрать оптимальный алгоритм для каждого отдельного лечения.

Исходя из вышесказанного, видны следующие факты: дешевые отечественные планирующие системы являются морально устаревшими и не удовлетворяют современных потребностей врачей, а зарубежные разработки являются очень дорогостоящими и требуют постоянного финансирования и обновления оборудования. Также следует отметить, что даже в самых современных планирующих системах выделение границ пораженных тканей осуществляется вручную.

Выводы

Различные методы контурирования объектов имеют в своей основе по‑пикселные операции, то есть последовательно наложение различных фильтрующих масок на каждую точку изображения. Далее производился расчет новых значений цвета пиксела и, таким образом, на изображении оставались только границы объектов. Следует также отметить, что данные операции производятся на изображении в градациях серого.

После сравнения результатов работы приведенных методов и оценки трудности реализации был выбран метод выделения границ Робертса. Данный метод имеет самую простую математическую модель и, что более важно, получает тонкие четкие границы объектов. Также данный метод является однопроходным, что позволяет сократить время обработки одного изображения.

Анализ существующих медицинских приложений. Рассмотренные приложения относятся к системам планирования лучевой терапии. Современные системы планирования позволяют построить трехмерное изображение, рассчитать размеры пораженных тканей и необходимые параметры лечения. Однако такие системы являются очень дорогостоящими, что существенно сужает круг пользователей. Также данные системы не поддерживают национальные языки, что может негативно сказаться на процессе планирования нестандартных случаев лечения.

Отечественные системы, к сожалению, являются на сегодняшний день уже морально устаревшими, однако такие планирующие системы все еще используются на территории стран бывшего СССР, так как материально‑техническая оснащенность местных больниц не позволяет внедрять современные технически требовательные системы.

Основным заданием магистерской работы будем считать создание приложения, которое позволяет создавать трехмерное изображение органа, выделять его пораженную часть, рассчитывать геометрические и относительные параметры пораженной части. Для корректного использования данного приложения необходимо разработать проектную документацию. Также необходимым является составление рекомендаций по охране труда на рабочем месте медицинского физика. Возможно дополнение магистерской работы расширенными исследованиями в различных областях.

При написании данного реферата магистерская работа еще не завершена. Окончательное завершение: декабрь 2014 года. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.

Список источников

  1. Анализ методов выделения краев на цифровых изображениях // Интернет ресурс – режим доступа: http://masters.donntu.ru.
  2. Н. А. Чернухин, Комбинированный метод детектирования границ на рентгенографических медицинских изображениях, использующий методику активных контуров/ Научный журнал КубГАУ, №88(04), 2013 года // Интернет ресурс – режим доступа:http://ej.kubagro.ru.
  3. И.О.Титов, Г.М.Емельянов, Выделение контуров изображения движущегося объекта/ Вестник Новгородского государственного университета №55, 2010 // Интернет ресурс – режим доступа: http://www.novsu.ru.
  4. На заметку: Оператор Кэнни // Интернет ресурс – режим доступа: http://nitkl.blogspot.com.
  5. Выделение краёв. Сегментация изображений.// Интернет ресурс – режим доступа: http://courses.graphicon.ru.
  6. Я. А. Фурман, Е. А. Попов, Р. В. Ерусланов Восстановление изображения 3d‑объекта по его перспективным проекциям на плоскую горизонтальную поверхность / 2010г.
  7. М. Г. Персова Зондирование становлением поля трехмерных сред и проблемы интерпретации / Сибирский журнал индустриальной математики апрель – июнь, 2009. Том XII, № 2(38).
  8. Eclipse | Planning Technology // Интернет ресурс – режим доступа: http://www.varian.com.
  9. 3DSlicer // Интернет ресурс – режим доступа: http://en.wikipedia.org.
  10. Oncentra External Beam // Интернет ресурс – режим доступа: http://www.nucletron.com.
  11. Алгоритм Робертса // Интернет ресурс – режим доступа: http://program.rin.ru.
  12. Linear Contrast Stretch of Grayscale Images // Интернет ресурс – режим доступа: http://www.codeproject.com.