Веселова Татьяна Николаевна

Факультет: КИТА

Специальность: Компьютерные системы медицинской и технической диагностики

Тема выпускной работы: Разработка специализированной компьютерной системы диагностики новообразований головного мозга

Руководитель: д.т.н., проф. Скобцов Ю.А.

e-mail: Tatyana_Veselova@mail.ru или Zirochka_T@mail.ru

Автореферат к магистерской
работе

1. ВВЕДЕНИЕ
   • 1.1 Актуальность
   • 1.2 Цели и задачи работы
   • 1.3 Научная новизна и практическая ценность
2. ОБЗОР ПО ТЕМЕ
   • 2.1 Локальный обзор
   • 2.2 Национальный обзор
   • 2.3 Мировой обзор
3. КРАТКИЙ ОБЗОР МЕТОДОВ
4. РЕЗУЛЬТАТЫ
5. ЗАКЛЮЧЕНИЕ И ВЫВОД
6. ЛИТЕРАТУРА

ВВЕДЕНИЕ

          Наступила эпоха стремительно развивающихся компьютерных и информационных технологий. Вычислительная техника проникла во все сферы деятельности человека: медицину, экономику, машиностроение и т.д. Говоря о медицинской диагностике, можно отметить что создано большое количество новых медицинских приборов, технологий и методик. В большинстве лечебных заведений открыты диагностические кабинеты, отделения и центры.
           Для создания новых программных продуктов, адаптированных под условия проведения диагностики, используются различные способы и методы. На базе таких методов производится, к примеру, цифровая обработка изображений. Также для специалистам предоставляется возможность использования нейронных сетей (сеть элементов, связанных между собой синаптическими соединениями) в качестве инструмента для обработки большого объема данных.
           В магистерской работе предполагается совместно использовать методы обработки изображения и алгоритма построения и обучения нейронной сети с целью получения программного продукта, который позволит производить диагностику новообразований головного мозга человека с локализацией в различных областях.

1.1 Актуальность

          Актуальность изучения темы новообразований головного мозга не вызывает сомнений. К сожалению, количество больных возрастает с каждым годом, выявляются новые разновидности опухолей, поэтому медицинские центры, где проводится подобного вида диагностика, нуждаются в программном обеспечении, которое позволит специалистам дифференцировать опухоли, оценивать и прогнозировать возможное состояние пациента. Из года в год количество раковых заболеваний неуклонно растет. В Украине ежегодно выявляют свыше 150 тысяч онкологических больных [1]. Среди первичных опухолей головного мозга у взрослых наиболее распространены глиомы (опухоли из клеток нейроглии, исходящие из мозгового вещества, чаще всего они характеризуются инфильтрирующим ростом). На их долю приходится более 50% первичных опухолей головного мозга у взрослых [2], [3]. Ведущую роль в клинической диагностике опухолей головного мозга играет магнитно-резонансная томография.

1.2 Цели и задачи работы

          Целью данной работы является автоматизация процесса анализа томограммы и вывода заключения о новообразовании с помощью применения инструментальной нейронной сети (рисунок 1.1).

          Задачи

Требования к программе
          Программа должна обладать возможностями производить следующие операции:
          по обработке изображения:
- изменение контрастности и яркости;
- фильтрация исходного изображения;
- выделения интересующей области;
- расчета параметров области (размер, плотность);
          по выводу результатов:
- формирование базы данных, в которую предполагается занести необходимую информацию о проведенном обследовании;
- обучение нейронной сети на предмет выявления патологии;
- вывод типа патологии в соответствие с классификацией новообразований.
          Для программной обработки используются изображения формата “*.jpg”. В качестве языка программирования выбран Microsoft Visual Basic 6.0.
          

Рисунок 1.1 – Анимация (нахождение опухоли)
на изображении
(11 кадров, 7 циклов повторения)

1.3 Научная новизна и практическая ценность

          Использование нейронных сетей при обработке компьютерных томограмм новообразований головного мозга позволит создать эффективную СКС. Программа, реализуемая в магистерской работе, уникальна в своем роде, поскольку на сегодняшний день не имеет аналогов.

ОБЗОР ПО ТЕМЕ

2.1 Локальный обзор

           Многие магистры ДонНТУ вели разработки по таким направлениям, как анализ методов выделения контуров, фильтрации, изменениям яркостных харатеристик изображения, обучение нейронных сетей и т.д.

2.2 Национальный обзор

          Магнитно-резонансная томография (МРТ) - это метод отображения, используемый, главным образом, в медицинских установках, для получения высококачественных изображений органов человеческого тела. МРТ основана на принципах ядерно-магнитного резонанса (ЯМР), методе спектроскопии, используемом учеными для получения данных о химических и физических свойствах молекул. МРТ получила начало, как метод томографического отображения, дающий изображения ЯМР-сигнала из тонких срезов, проходящих через человеческое тело. МРТ развивалась от метода томографического отображения к методу объемного отображения [4].

           Разработки ведущих фирм

          Магнитно-резонансный томограф «Gyroscan Intera» фирмы «Philips» (на базе ДОКТМО) c напряженностью магнитного поля 1,0 Тесла. Данные с магнитно-резонансного томографа (снимки), могут сохраняться в формате DICOM, а также в формате JPG. Данные с томографа передаются на главный компьютер врача – диагноста, станцию Easy Vision (на базе Windows-совместимого персонального компьютера, операционная система Windows NT 4.0) [5].

          Система ЯМР-томографии GE Signa Profile 0.2T. ЯМР-томограф Signa Profile 0.2T - система высокого разрешения для обследования всего тела, использующая новейший открытый посоянный магнит напряженностью 0.2Т. Signa Profile 0.2 T сконструирована таким образом, чтобы обеспечить свободный доступ и удобство для пациента в ходе различных обследований и одновременно высокое качество диагностического изображения. Технические характеристики:

1. Резистивный магнит (0.2 Т)
2. Консоль оператора - монитор 19 дюймов
3. Экранное разрешение 1280 х 1024
4. Система обработки данных - рабочая станция Ultra SPARC, 64 разрядная. Оперативная память 256 Мб. Скорость реконструкции до 10 изображений 256 х 256 в секунду.

          Cистемa DiViSy

Система DiViSy IP21 обеспечивает ввод, оцифровку (с помощью специализированных плат) и отображение на экране монитора видеоинформации, поступающей с различных источников видеоввода, таких как видеокамеры, видеомагнитофоны, приборы ночного видения, тепловизоры, рентгеновские и ультразвуковые аппараты, и т.п., а также обработку этих изображений с целью повышения их качества и выявления трудно различимых деталей изображений. 
Входящая в комплект системы плата (платы для нескольких источников) видеоввода производит преобразование в цифровую форму аналогового сигнала для его последующей обработки. В зависимости от требований, предъявляемых к цифровому изображению, могут использоваться различные платы. Управление системой может производиться как с использованием клавиатуры, так и с использованием манипулятора «мышь». Для достижения наиболее высокой производительности работы пользователя системы предусмотрен набор комбинаций «горячих» клавиш для выполнения всех возможных операций.

Система DiViSy IP21 предоставляет пользователям следующие основные возможности:

1. Отображение видеоинформации на экране компьютерного монитора с частотой до 25 кадров в секунду. Для подключения источника видеосигнала на каждой плате имеются два видеовхода: один Composite-video, один S-video. 
2. Масштабирование изображения, как с увеличением его в 2, 4 раза, так и с уменьшением его в 2, 4 раза.
3. Интегрирование последовательности кадров видеосигнала для уменьшения шумов и повышения контрастности изображения. Количество интегрируемых кадров может изменяться в диапазоне от 2 до 300.
4. Изменение яркости и контрастности входного видеосигнала.
5. Изменение яркости и контрастности оцифрованного изображения, в том числе изображения, полученного в результате интегрирования.
6. Преобразование оцифрованного изображения с помощью одной или последовательности математических операций - фильтров. Фильтрация может быть применена как ко всему изображению, так и к произвольно выбранной прямоугольной области изображения.
7. Расчет и отображение гистограммы распределения яркости точек изображения или выбранной прямоугольной области.
8. Нормализация всего изображения или выбранной прямоугольной области.
9. Измерение линейных размеров элементов изображения.
10. Калибровка для последующих измерений.
11. Сохранение изображений в виде файла.
12. Копирование изображений в системный буфер для последующей их обработки другими программами.
13. Загрузка изображений из графического файла или системного буфера.

Перед отображением на рабочем столе кадр может быть дополнительно обработан с помощью следующих средств, которые могут применяться по отдельности или в произвольных комбинациях:

1. Изменение яркости
2. Изменение контраста
3. Нормализация изображения в соответствии с гистограммой распределения яркости
4. Инверсия яркости (негатив – позитив)
5. Повышение резкости изображения (встроенный фильтр sharpen)
6. Окраска точек из выбранного диапазона уровней яркости псевдоцветом (красным, зеленым, синим)

          Все преобразования могут действовать как на весь кадр, так и на выделенную прямоугольную зону произвольного размера.
           В текущей версии системы реализованы следующие фильтры:
· Blur (сглаживание)
· Prewitt 3 x 3 vertical (выделение вертикальных границ)
· Prewitt 3 x 3 horizontal (выделение горизонтальных границ)
· Sobel 3 x 3 vertical / horizontal 
· Laplacian 3 x 3, 5 x 5
· Gaussian 3 x 3, 5 x 5

          В базовую версию системы встроено 20 различных фильтров. В зависимости от областей применения наборы фильтров могут меняться как количественно, так и качественно [7].

           Существует также система обработки медицинских изображений "ДиаМорф Объектив".

---

2.3 Мировой обзор

---

           Рабочая станция «Easy Vision»

           Получение всей информации содержащейся в медицинских изображениях требует прикладных программ для высококачественной заключительной обработки и анализа.
           Рабочая станция «Easy Vision» фирмы Philips имеет полный набор прикладных программ для всех видов исследований, которые не только обеспечивают высококачественную заключительную обработку и анализ изображений, но поднимают их до уровня будущих требований.
           Программное обеспечение стнции позволяет создавать отдельно объемные изображения объектов с равной или близкой плотностью, а затем совмещать их друг с другом или с соответствующим поперечным средам, используя цветное кодирование.
           Опыт ее использования в свидетельствует о том, что 3D реконструкции имеет перспективы клинического использования. Благодаря программному обеспечению становится возможной поверхностная реконструкция любого паренхиматозного органа или его части. Специальная программа дает возможность делать срезы полученного изображения, в частности фронтальные, или вычленять отдельные участки. Это позволяет, например, увидеть внутреннюю структуру паренхиматозного органа, просвет сосуда, а если внутри зоны интереса имеются очаговые образования, то эта часть программы позволяет, вычленяя участки паренхимы на необходимую глубину, увидеть внутриорганные образования.
           Необходимо отметить, что такие программы довольно трудоемки и требуют значительных затрат времени. Однако они позволяют создавать комплексные трехмерные реконструкции анатомических областей.

           Также в томографии широко используется рабочая станция “Leonardo”.

          Аппарат имеет широкий диапазон функций для клинической диагностики, таких, как:

1. компьютерная томоангиография,
2. многоплоскостная реконструкция трехмерных снимков,
3. трехмерное отображение объемов и поверхностей,
4. трехмерное отображение внутренних структур тела (Endo 3D) в интерактивном режиме.

Это позволяет с высокой степенью точности диагностировать:

1. воспалительные, неопластические и сосудистые заболевания головного мозга, позвоночника, печени, поджелудочной железы, селезенки, надпочечников, почек, органов малого таза;
2. дегенеративные, онкологические заболевания и травматические повреждения позвоночника, костей таза и тазобедренных суставов, а также уточнить распространенность патологических процессов [4],[ 8], [9].

---

КРАТКИЙ ОБЗОР МЕТОДОВ

---

          Так как исходное изображение наряду с полезной информацией может содержать различные помехи и шумы, то в программе предусматривается возможность фильтрации с использованием медианного фильтра. Медианная фильтрация – метод нелинейной обработки сигналов, разработанный Тьюки. Этот метод полезен при подавлении шума на изображении. Медианный фильтр представляет собой скользящее окно, охватывающее нечетное число элементов изображения. Центральный элемент заменяется медианой всех элементов изображения в окне. Медианой дискретной последовательности для нечетного N является тот ее элемент, для которого существует (N-1)/2 элементов, меньших или равных ему по величине, и (N-1)/2 элементов, больших или равных ему по величине. Разумеется, при медианной фильтрации может происходить искажение объекта на изображении, но только на границе или вблизи нее, если размеры объекта больше размеров маски. Медианная фильтрация эффективно подавляет разрозненные импульсные помехи, однако может привести к ослаблению сигнала [10, c. 342-346], [11, c. 123-128].

          В качестве инструментальной нейронной сети выбрана сеть с радиальными базисными функциями (рисунок 1.2).

Рисунок 1.2 — Структура RBF сети

           В роли компонентов обучающей выборки выступают:

- результаты анализа изображения: форма, размер, плотность и др.;
- данные анамнеза (жалобы пациента), например:

     
1. Головная боль;      
2. Головокружение;      
3. Изменение остроты зрения;      
4. Изменения пульса и дыхания;      
5. Расстройство психики;      
6. Слабость мышц и др.

- результаты других обследований и анализов в направлении выявления патологии.

          В сетях с радиальными базисными функциями в качестве базисных выбираются функции расстояния между векторами. В качестве меры близости весов применяется евклидова метрика. Нейронная сеть состоит из трех слоев: входной, скрытый, выходной. Сеть характеризуют три типа параметров:

- линейные весовые параметры выходного слоя w_ij; компонентам весового вектора присваиваются случайные начальные значения.
- центры с_j – параметры скрытого слоя, входят в описание нелинейно;
- отклонения (радиусы базисных функций) – нелинейные параметры скрытого слоя.

          На вход m-базисных функций скрытого слоя подается каждый из n-компонентов обучающей выборки. Каждый нейрон скрытого слоя вычисляет гауссову функцию преобразования (формула 1.1).

                                                                                                                             (1.1)

           Величина сигнала j-го нейрона выходного слоя зависит от того, насколько близок предъявленный входной сигнал х запомненному этим нейроном центру с_j. Центры определяют точки, через которые должна проходить функция. Используется кластеризация образов, то есть, схожие векторы объединяются в кластеры, которые далее представляются одним вектором.

          Нейронные сети с радиальными базисными функциями – это нейросетевая реализация аппроксимируемой функции, при которой каждому предъявленному образу соответствует свой нейрон скрытого (шаблонного) слоя. Выход сети представляет собой линейную комбинацию некоторого набора базисных функций (формула1.2).

                                                                                                                                  (1.2)

          Преимущество нейронных сетей данного вида заключается в их быстром обучении по сравнению с обычными многослойными сетями. Сложности же возникают в поиске числа скрытых нейронов и применении обучения без учителя для предварительной кластеризации [12].

---

РЕЗУЛЬТАТЫ

---

           Для реализации магистерской работы выбраны наиболее оптимальные методы по обработке медицинского изображения. На томограмме область интереса оконтуривается врачом, а затем автоматически определяются размер и площадь области. Разрабатываемая компьютерная система основанна на нейросетевом моделировании. Строится нейронная сеть, которая обладает способностью адекватно реагировать на входные данные и обеспечивать постановку диагноза новообразований головного мозга в соответствие с их классификацией.
           На данный момент программа находится в стадии разработки. Завершение планируется на декабрь 2007г.

---

ЗАКЛЮЧЕНИЕ И ВЫВОД

---

           На основании анализа информации для выполнения магистерской работы сделаны следующие выводы:

1. Существует множество систем обработки изображений.
2. Среди рассмотренных систем наиболее информативной для диагностики новообразований является магнитно-резонансная томография.
3. На рабочей станции «Easy Vision» системы МРТ производится работа по выделению контура и расчету параметров интересующей области.
4. В магистерской работе производиться обработка оцифрованной томограммы.
5. Существует возможность создания новой усовершенствованной системы вывода предварительного диагноза на этапе диагностики с целью направления знаний и опыта врача-специалиста в конкретную область. Советующая система постановки диагноза, разрабатываемая в работе, основывается на обучении нейронной сети с использованием радиальных базисных функций.

           В Донецком диагностическом центре подобной компьютерной программы оценки новообразований головного мозга с постановкой предварительного диагноза в соответствие с классификацией нет. Поэтому предполагается, что данная разработка найдет применение в отделе компьютерной и магнитно-резонансной томографии.

---

ЛИТЕРАТУРА

---

1. Журнал "Здоров'я України" http://www.health-ua.com/
2. Электронная библиотека http://lib.chistopol.ru
3. http://www.elinahealthandbeauty.com/
4. Сайт о магнитно-резонансной томографии http://www.cis.rit.edu/htbooks/mri/contents-r.htm
5. EasyVision, Philips Medical Systems, release 5.x, Nederland. – 2001
6. Страница о разновидностях томографов http://www.stormoff.com/foreign/yamr.htm
7. Группа компаний DiViSy является разработчиком и производителем профессиональных видеоконференций DiViSy для дистанционной работы в различных областях бизнеса, образования, медицины, экологии, производства, науки и т.д. http://www.divisy.ru/
8. Современное медицинское оборудование http://www.med-invest.ru/main/catalog/144/145/146/
9. Сайт Донецкого диагностического центра (ДОКТМО) http://www.doktmo.donetsk.ua/ds/ds_01_kt.html
10. William K. Pratt Digital image processing. – A Wiley-Interscience Publication, 1978
11. Gonzalez, Rafael C. Digital image processing. – Prentice Hall, 2002
12. Страница о нейронных сетях с радиальными базисными функциями http://www.basegroup.ru/neural/rbf.htm

---

На начало страницы