Архипов Дмитрий Сергеевич

Актуальность

Современные средства вычислительной техники предоставляют широкие функциональные возможности, что позволяет применять их в разных областях. Внедрение математических методов, средств вычислительной техники и новых информационных технологий, увеличивают возможности диагностики в медицине, где обработка полученных данных кое-где и до сих пор ведется вручную. Актуальной проблемой в области медицины является диагностика и лечение новообразований печени. В наше  время  компьютерная томография занимает одно из первых мест в области диагностики внутреннего состояния человека. Большая часть функциональных кабинетов больниц используют томографы, с помощью которых можно получить снимки внутренних органов. Последующую обработку этих снимков приходится выполнять высококвалифицированному медицинскому персоналу. Это влечет большие расходы времени и средств. Также не всегда обработка и анализ обследования выполняется в нужный срок по тем или иным причинам. Поэтому автоматизация процесса обработки таких исследований играет важную роль в клинической практике. В этом и заключается необходимость создания специализированной компьютерной системы.

Рис1. Процесс снятия томограммы с печени.

(Анимация, обьем: 34кб, кол-во циклов повторения: 7, размер: 200х164 рх)

Для облегчения задания врачам, а также для более ранней диагностики необходима компьъютерная система диагностики со специальным программным обеспечением, которая позволит определить тип новообразований, а также их размеры. Это предоставит возможность врачу точнее оценить размеры новообразований, ускорить процесс лечения. Система улучшит качество исследования, предоставит возможность быстро и удобно обрабатывать информацию, вести учет всех пациентов, хранить диагнозы, обработанные снимки, контролировать процесс даже не квалифицированному специалисту, и кроме того не требует больших экономических расходов. Таким образом, разработка СКС данного типа является актуальной задачей.

Цели и задачи работы

Обработка томограмм новообразований печени будет осуществляться с помощью математических методов. Программа должна будет осуществлять фильтрацию изображения, регулирование яркости и контрастности, а также оконтуривание и выделение объектов. Далее будет производиться расчет параметров объектов (их размеры, площадь, число объектов, их яркость) и предположить, являются ли эти объекты новообразованиями и если да то какими. Для определения типа новообразований, необходимо исследовать какую яркость имеют те или иные новообразования на томограмме. В этом вопросе требуется помощь врачей и инженеров, работающих с компьютерными томографами. Постановка диагноза будет осуществляться по результатам исследований и анализов.

Характеристика компьютерной томографии

1.Методика проведения компьютерной томографии. Получение компьютерной томограммы (среза) требуемого участка тела на выбранном уровне основывается на выполнении следующих операций: -формирование требуемой ширины рентгеновского луча (коллимирование); -сканирование требуемого участка тела пучком рентгеновского излучения, осуществляемого движением (вращательным и поступательным) вокруг неподвижного тела пациента устройства "излучатель — детекторы" -измерение излучения и определение его ослабления с последующим преобразованием результатов в цифровую форму; -машинный (компьютерный) синтез томограммы по совокупности данных измерения, относящихся к выбранному слою; -построение изображения исследуемого слоя на экране монитора.

2. Преимущества использования компьютерной томографии Компьютерная томография обладает рядом преимуществ перед обычным рентгенологическим исследованием: Высокой чувствительностью, что позволяет отдифференцировать отдельные органы и ткани друг от друга по плотности; Компьютерная томография позволяет получить изображение органов и патологических очагов только в плоскости исследуемого среза, что дает четкое изображение без наслоения выше и ниже лежащих образований; КТ дает возможность получить точную количественную информацию о размерах и плотности отдельных органов, тканей и патологических образований, что позволяет делать важные выводы относительно характера поражения; КТ позволяет судить не только о состоянии изучаемого органа, но и о взаимоотношении патологического процесса с окружающими органами и тканями, например инвазии опухоли в соседние органы, наличие других патологических изменений; КТ позволяет получить томограммы, т. е. продольное изображение исследуемой области наподобие рентгеновского снимка путем перемещения больного вдоль неподвижной трубки. Томограммы используются для установления протяженности патологического очага и определения количества срезов.

Обзор существующих методов обработки томограмм

Данное направление исследований является относительно новым и до конца не разработанным. В программных продуктах, разработанных на данный момент, выполняется только обработка изображения, которая ограничивается фильтрацией, регулированием яркости и контрастности. При этом данные программные продукты не осуществляют оконтуривание и выделение объектов. Все это врач вынужден осуществлять вручную, что влечет за собой увеличение времени обработки томограмм. Эту проблему я попытаюсь решить за счет создания программного продукта, способного с помощью математических методов выделить на имеющейся томограмме объекты, определить их параметры (размеры, площадь, число объектов, их яркость) и предположить, являются ли эти объекты новообразованиями и если да то какими.

Еще одним важным направлением исследований в области обработки томограмм является создание автоматизированных систем получения диагноза на основании данных обследований и анализов. Проблема здесь в том, что алгоритмы диагностирования новообразований еще не автоматизированы.

Рассмотрим основные методы обработки изображний, используемые в существующих системах обработки томограмм.

Фильтрация изображения на основе вейвлет-преобразований

1.Селективная вейвелет реконструкция Вейвелет - теория была в значительной мере изучена в последние годы как многообещающий инструмент в сжатии изображения и сокращении шума. В их работах, Donoho и Johnstone развивали теоретическую структуру дискретного вейвелет - преобразования для оценки сигналов, искаженных аддитивным белым Гауссовским шумом. Принцип, называемый селективная вейвелет - реконструкция предложен, и показан для приведения к асимптотически оптимальным оценкам для широкого разнообразия сигналов. Предположим, что мы имеем искаженный сигнал yi=xi+ni Гауссовский шум N(0 σ2) Цель состоит в том, чтобы восстановить оптимальный оценщик xi для желательного сигнала xi, который приводит минимальное значение квадрата ошибки. Схема селективной вейвелет–реконструкции иллюстрирована на рис. 2. Рисунок 2: Блок-схема для схемы подавления шума, основанной на дискретном вейвелет – преобразовании. Искаженное изображение сначала преобразовано к ряду вейвелет - коэффициентов, то есть,w=W(y)=?+z., где ? и z - коэффициенты, соответствующие желаемому сигналу и шуму. Процесс пороговой обработки далее применен к вейвелет - коэффициентам, то есть ?=Тi(w) , где t – пороговое значение. Наконец, инверсное преобразование коэффициентов, подвергшихся пороговой обработке, приводящее оценщик x=W-1(?) Смысл этого подхода - то, что соседние пиксели показывают высокую корреляцию, которая переводится только в несколько больших вейвелет – коэффициентов. С другой стороны, шум равномерно распределен среди коэффициентов и вообще маленький. С правильно выбранным значением порога шум может быть эффективно подавлен. Оптимальное значение порога t=σ 2log(N) (1) где N - размер блока в вейвелет - преобразовании.

2. Избыточное дискретное вейвелет – преобразование Так как дискретное вейвелет – преобразование не постоянное изменение, работа по устранению шума могла бы значительно измениться, изменяя начальное перемещение, это также приводит к некоторым эффектам блоков в выходном изображении. Постоянство изменения, однако, может быть достигнуто вычислением вейвелет - преобразования всех изменений и выполнением порогового правила на каждом перемещенном блоке. Полученный метод называют избыточное дискретное вейвелет – преобразование. Алгоритм следующий: 1.Выполните устранение шума на блоке размера N на основе дискретного вейвелет – преобразования. 2.Добавьте данные без шума к соответствующему положению выходного изображения, и посчитайте число данных для каждого образца. 3.Переместите окно горизонтально и вертикально, повторите шаг 1 и 2, пока все блоки в изображении не исчерпаны. 4.Разделите каждый вход в выходное изображение на число повторений. В нашем алгоритме, мы выбираем N=8, и применяем, или преобразование Хаара (ПХ), или дискретное косинусное преобразование (ДКП) в качестве базы преобразования. Строго говоря, ДКП не вейвелет – преобразование, оно выбрано из-за его хорошего свойства уплотнения энергии так, чтобы желательный сигнал находится только в нескольких положениях в преобразованной области, таким образом, приводя к меньшим артефактам пороговой обработки. Эксперименты показывают, что эти два преобразования проводят сопоставимую работу. Твердое и мягкое пороговое правило оба применены. Отметим, что оптимальная величина порога для мягкого порогового правила получена согласно минимаксному критерию, который подразумевает, что возможность улучшения работы по устранению шума используя различные значения порога для специфических изображений и преобразований.

Медианный фильтр

Медианный фильтр в отличие от сглаживающего фильтра реализует нелинейную процедуру подавления шумов. Медианный фильтр представляет собой скользящее по полю изображения окно W, охватывающее нечетное число отсчетов. Центральный отсчет заменяется медианой всех элементов изображения, попавших в окно. Медианой дискретной последовательности x1 , x2 , ..., xL для нечетного L называют такой ее элемент, для которого существуют (L - 1)/2 элементов, меньших или равных ему по величине, и (L - 1)/2 элементов, больших или равных ему по величине. Другими словами, медианой является средний по порядку член ряда, получающегося при упорядочении исходной последовательности. Двумерный медианный фильтр с окном W определим следующим образом:

Как и сглаживающий фильтр, медианный фильтр используется для подавления аддитивного и импульсного шумов на изображении. Характерной особенностью медианного фильтра, отличающей его от сглаживающего, является сохранение перепадов яркости (контуров). При этом если перепады яркости велики по сравнению с дисперсией аддитивного белого шума, то медианный фильтр дает меньшее значение СКО по сравнению с оптимальным линейным фильтром. Особенно эффективным медианный фильтр является в случае импульсного шума. Что касается импульсного шума, то, например, медианный фильтр с окном 3х3 полностью подавляет одиночные выбросы на равномерном фоне, а также группы из двух, трех и четырех импульсных выбросов. В общем случае для подавления группы импульсных помех размеры окна должны быть по меньшей мере вдвое больше размеров группы помех. Среди медианных фильтров с окном 3х3 наиболее распространены следующие:

Координаты представленных масок означают, сколько раз соответствующий пиксел входит в описанную выше упорядоченную последовательность. Разновидностью медианного фильтра является метод, подавляющий импульсный шум и в то же время минимально изменяющий значения яркости на исходном изображении, состоит в замене яркости пикселов локальных максимумов на локальное максимальное значение яркости между границами и замене пикселов локальных минимумов на локальное минимальное значение между границами:

здесь P(i) - исходная интенсивность пиксела i; P'(i) - новое значение интенсивности пиксела i. Уравнение (1) представляет минимум из k пикселов, уравнение (2) - максимум из k пикселов.[7]

Обнаружение контуров объекта

Для определения характеристик объектов изображения предварительно необходимо отделить их от фона, т.е. найти их границы. Эти границы представляют собой кривые на изображении, вдоль которых происходит резкое изменение яркости или ее производных по пространственным переменным. Нужно локализовать места разрывов яркости или ее производных, чтобы узнать нечто о вызвавших их свойствах изображаемого объекта. Краем называется граница между двумя областями, каждая из которых имеет равномерную яркость. Точка считается принадлежащей контуру, если одновременно выполняются два условия: 1. Эта точка принадлежит объекту; 2.Эта точка имеет хотя бы одну соседнюю точку, которая не принадлежит объекту.

Вывод

Обобщая работы исследователей, занимающихся обработкой томограмм, можно сказать, что на сегодняшний день основной упор делается на повышение качества изображения, а именно, фильтрации, контрастированию томограмм. Но при этом не уделяется внимание поиску объектов на изображении. Процесс ручной обработки томограмм в настоящее время является большой проблемой, так как приводит к большим затратам времени и соответственно снижает пропускную способность кабинетов компьютерной томографии. В своей работе я выбрал наиболее оптимальные методы контрастирования и фильтрации из тех, которые используются в уже существующих системах обработки томограмм. Используя методы бинаризации и оконтуривания, я выделяю на томограмме объекты, определяю их размеры и площадь. На основании данного подхода, разрабатывается компьютерная система, основанная на нейросетевом моделировании. Создана нейронная сеть, способная адекватно реагировать на входные воздействия и обеспечивать постановку диагноза новообразований печени, что доказывает правильность выбранного метода. Реализуемый программный продукт будет содержать в себе опыт и знания ведущих специалистов в этой области. Таким образом, использование нейронных сетей при обработке компьютерных томограмм новообразований желудка позволит создать эффективную СКС.

Список литературы

1. Габуния Р.И. «Компьютерная томография в клинической диагностике»

2. Бобровнік Ю. «Сучасні програми постпроцесінгу та їх можливості»

3. Zeyun Yu, Chandrajit Bajaj «A fast and adaptive method for image contrast enhancement»

Исходный URL: http://ccvweb.csres.utexas.edu/cvc/papers/ICIP04.pdf

4. Зонневельд Ф.В. «Общая характеристика компьютерной томографии»

5. Лекции по обработке изображений http://graphics.cs.msu.ru/courses/cg02b/lectures/lection5/sld019.htm

6. Воскобойников Ю.Е. Касьянова С.Н., Кисленко Н.П.,Трофимов О.Е. «Использование алгоритмов нелинейной фильтрации для улучшения качества восстановленных томографических изображений»

7. Жирнов В.Т., Смирнов К.К., Трофимов О.Е. «О численных методах решения задач томографии»

8. Воскобойников Ю.Е. Колкер А.Б. «Адаптивный алгоритм фильтрации изображений и преобразования их в векторный формат»

9. Колкер А.Б. «Взвешенные и рекурсивные алгоритмы векторной медианной фильтрации»