ДонНТУ Портал магистрів ДонНТУ DE RU

Біографія Бібліотека Посилання Звіт з пошуку Індивідуальне завдання

Реферат

Вступ. Обгрунтування актуальності теми

Хворі пухлинами головного мозку складають близько 4% серед хворих з органічними ураженнями нервової системи. Пухлини головного мозку по частоті займають п'яте місце серед пухлин інших локалізацій, поступаючись пухлинам шлунка, матки, легень та стравоходу. Зустрічаються пухлини головного мозку в будь-якому віці, проте відзначається деяка їх перевага в пубертатному періоді і у віці 45-50 років.

Доброякісні пухлини головного мозку характеризуються повільним клітинним зростанням без проростання в сусідні мозкові структури і відсутністю метастазів. Як правило, клітини цих новоутворень практично не відрізняються від нормальної тканини, проте їх прискорене зростання сприяє збільшенню обсягу вмісту порожнини черепа, тим самим створюючи підвищений внутрішньочерепний тиск і викликаючи відповідну симптоматику.

Комп'ютерна томографія є дуже точним методом діагностики пухлин головного мозку. Малюнок мозку виявляється на томограми у зв'язку з різною щільністю білого, сірого речовини, шлуночків мозку. Зміни щільності мозкової речовини при наявності пухлини (ділянки підвищеної щільності в місцях фокальній крововиливів і ділянки зниженої щільності в місцях некрозу) дозволяють побачити пухлину на томограмі.

Дана тема є актуальною, тому що у наш час комп’ютерні технології стрімко увійшли і продовжують розвиватися в області медицини. Тому існує необхідність у створенні спеціалізованих систем діагностики для допомоги і полегшення праці лікарям-діагностам. Система являє собою уніфіковану підказку для лікаря. Отримані дані зіставляють із результатами зовнішнього огляду, і на базі діагнозу системи лікар ставить остаточний діагноз.

Цілі і завдання

Метою даної роботи є розробка спеціалізованої комп'ютерної системи діагностики новоутворень головного мозку на основі аналізу КТ-зображень.

Для досягнення поставленої мети необхідно вирішити наступні завдання:

• Зібрати та проаналізувати існуючі методи для обробки знімків головного мозку;
• Розробка постановки задачі визначення патологічного вогнища на зображеннях головного мозку;
• Вибір методу для визначення і обробки вогнищ, які класифікуються як патологічні;
• Реалізація обраних методів на ЕОМ.

Метою створення автоматизованої системи діагностики новоутворень головного мозку є зменшення часу, затрачуваного лікарем на проведення діагностики, збільшення точності і допомоги у визначенні захворювання.

Об'єкт та предмет дослідження

Дослідження виконані в області обробки і розпізнавання зображень. Об'єктом дослідження є чорно-білі зображення головного мозку, отримані за допомогою КТ. Предметом дослідження є алгоритми сегментації, векторизації і виділення об'єктів на томографічних зображеннях.

Передбачувана практична цінність

Розроблене ПО передбачається використовувати в ДОКТМО в нейрохірургічному відділенні в кабінеті КТ для діагностування новоутворень головного мозку.

Постановка задачі

У головному мозку розвиваються пухлини різних гістологічних типів. Сучасні класифікації, призначені для практичної медицини, засновані більшою мірою на особливості гістологічної картини. У головному мозку лікарю буває досить складно провести розходження між доброякісними і злоякісними пухлинами. У цьому йому може допомогти автоматизована система підтримки прийняття рішень зі спеціальним програмним забезпеченням.

Для цього необхідно розробити програму, що дозволяє обробляти КТ зображення, що надходять безпосередньо з комп'ютерного томографа на ЕОМ, а також, при відсутності ЕОМ, копіювати їх за допомогою сканера зі знімків в пам'ять комп'ютера у форматіь .bmp.

Зображення пухлин головного мозку відрізняються складною просторово-яскравою організацією. В основі зорового сприйняття людиною зображень пухлин закладено ряд ознак, що базуються на аналізі кольору, форми, контрасту, текстури образів. В рамках даної роботи для розпізнавання пухлин головного мозку пропонується використовувати інформативність щільності пухлини.

Розроблене ПЗ дозволить проводити наступні операції по обробці зображень:

• зміна контрастності та яскравості;
• фільтрація вихідного зображення;
• Виділення потрібної області;
• розрахунку параметрів області (розмір, щільність);

щодо виводу результатів:

• формування бази даних, у яку передбачається внести необхідну інформацію про проведене обстеження;
• висновок типу патології у відповідність з класифікацією новоутворень.

Вибрані методи дослідження

Алгоритм відображення діапазону щільностей для візуалізації зображення на моніторі ПК

Комп’ютерний томограф СРТ-1010 дозволяє розрізняти щільності в діапазоні [-1024,+1024] одиниць Хаунсфілда з шагом, рівним одиниці. Значення нуль відповідає щільності дистильованої води.

Для реалізації розрізнювальної здатності томографа за щільністю в СРТ-1010 передбачається управління шириною вікна. Вікном називають визначену частину повного діапазону значень щільності, якій відповідає перепад яскравості екрана від білого до чорного.

Задача вибору діапазону складається з наступного: є квадратна матриця IM(I,J), I,J=1÷n, зі значеннями на деякому відрізку [A,B]. Необхідно за заданим числом c∈(A,B), центром вікна і заданим числом r – радіусом вікна, такими, що вибране вікно щільностей [c-r, c+r]∈(A,B), відобразити значення матриці IM(I,J)∈[A,B]; I,J∈[1,n] на відрізок [0,M]⊂[A,B]. Причому всі елементи даної матриці, які задовольняють співвідношенню IM(I,J)≤c-r; I,J∈[1,n]⊂N (1), де N – множина натуральних чисел, необхідно відобразити в нуль, а всі елементи, які задовольняють співвідношенню IM(I,J)≥c+r; I,J∈[1,n]⊂N (2) відобразити в М, тобто всі елементи, які менше або співпадають з нижньою границею вибраного вікна щільностей, відобразити в нуль, а всі елементи, які більше або співпадають з верхньою границею вікна щільностей, відобразити в точку М.

Для того, щоб взаємно-однозначно відобразити відрізок [c+r, c-r] на відрізок [0, M] (тобто установити ізоморфізм між цими відрізками), достатньо відрізок [c+r, c-r] стягнути на [0, 1] і після помножити на М. Таке відображення здійснюється за допомогою формули: MR(I,J)=(IM(I,J)-c+r)M/2r (3), де IM (I,J) - початкова матриця, MR (I,J) - матриця результату), такі, що IM(I,J)∈(c-r, c+r).

Даний метод використовується в підсистемі обробки комп’ютерних томограм для зіставлення діапазону [0, 255] одиниць яскравості зображення у відтінках сірого з діапазоном [-1024, +1024] одиниць Хаунсфілда щільності.

2 Алгоритм контрастування зображення

Для того, щоб підкреслити перепади яскравості на томограмах для більш чіткого виявлення контурів, використовується адаптивний алгоритм контрастування.

Контрастування перепадів відбувається в такий спосіб: якщо яскравість точки більше верхньої границі діапазону яскравостей, що визначає сіру речовину головного мозку (Y1 = 149 ум. од.), то точка робиться на 20 тонів світліше, якщо менше нижньої границі цього діапазону (Y2 = 112 ум. од.) – затемнюється на 20 тонів.

3 Вибір методу автоматичного обмеження областей на зображенні

При проектуванні СКС діагностики розглядалися такі методи обмеження: метод SUSAN, метод активних контурів, граничний метод.

Метод SUSAN (Smallest Univalue Segment Assimilating) заснований на факті, що сусіди кожної точки в однорідній області мають близьку до неї яскравість, а поблизу границі число сусідів з однаковою яскравістю зменшується. Навколо кожного піксела будується маска, центральний піксел якої називається ядром. Піксели в межах маски, що мають порівнянну з ядром яскравість, утворюють USAN - однорідний сегмент, що асимілюється ядром.

Площа USAN максимальна, коли ядро знаходиться в однорідній області зображення, зменшується до половини цього максимуму поблизу прямої границі, зменшується ще більше поблизу кута, і досягає локальних мінімумів точно на границі і у кутах. Це властивість площі USAN використовується як головний критерій присутності границь.

Яскравість кожного піксела в межах маски порівнюється з яскравістю ядра відповідно до вираження: c(r,r0)=EXP[-((Y(r)-Y(r0))/t)^6] (4), де r0 - положення ядра, r - положення будь-якої іншої точки в межах маски, Y(r) - яскравість піксела r, Y(r0) - яскравість піксела r0, t - заданий поріг, с – результат порівняння.

Результати порівняння для всіх пікселів у межах маски сумуються: n(r0)=∑(c[r,r0]). Отримана сума рівна площі USAN.

Потім ця сума порівнюється з фіксованим геометричним порогом g.

Початковий відгук границі утвориться за правилом: R(r0)=g-n(r0), якщо n(r0)<g чи R(r0)=0, якщо n(r0)≥g.

Після формування первинної картини границь (точок, у яких R не дорівнює 0), видаляються точки, що мають немаксимальні значення.

Недоліки методу: великі обчислювальні затрати, нераціональний аналіз пікселів зображення, ускладнення пошуку границь за рахунок близьких за яскравістю елементів головного мозку.

Метод активних контурів базується на тому, що активний контур визначається як енергійно мінімальний сплайн, що навчається шляхом введення зовнішніх змушених потенціалів, які притягають його до границі, і впливом потенціалів зображення, які “натягують” його на елемент, що обмежується, на основі характеристик ліній і країв. Контури фіксуються на найближчих краях, більш точно локалізуючись в подальшому. Задається деяке початкове наближення до границі об’єкта у вигляді замкненої кривої, яка не обов’язково відповідає дійсному положенню границі, але близька до неї. Тому, що контур є енергійно мінімальним сплайном, необхідно досліджувати потенціальні функції, які в першу чергу включають локальні мінімуми. Точки в контурі тяжіють до границі об’єкту при мінімізації енергії контуру. Зовнішня сила, під дією якої лінія деформується і зміщується, залежить від початкового зображення. Внутрішня сила, перешкоджаюча дуже різким вигинам лінії, визначається властивостями моделі.

Для кожної відмітки в округах точки первісної границі Pi, значення енергії знаходиться як E_i=α*E_int(ν_i)+β*E_ext(ν_i) (5), де E_int(ν_i) - функція енергії, що залежить від форми контуру, E_ext(ν_i) - функція енергії, що залежить від властивостей зображення і типу градіенту в окрузі точки ν_i, α і β - константи, що забезпечують відносну корекцію величин енергії.

E_i, E_ext(ν_i), E_int(ν_i) - матриці. Значення в центрі кожної матриці відповідає енергії контуру у відмітці ν_i. Інші значення в матрицях відповідають енергії в кожній відмітці в окрузі ν_i. Кожна відмітка ν_i тяжіє до ν_i', яка відповідає стану мінімального значення E_i.

Якщо функції енергії обрані правильно, то контур V має наблизитися і зупинитися на границі об’єкта.

Недоліки методу: необхідність знання початкового наближення до шуканої границі і великі обчислювальні затрати, тим більші, чим менше точність цього початкового наближення. Має місце проблема передчасної зупинки процесу припасування на локальних мінімумах у випадках, коли початкове наближення задано не дуже точно.

Граничний метод – найбільш простий метод обмежування. В основі методу лежить той факт, що різкі перепади (розриви) яскравості, є важливими найпростішими ознаками, оскільки вони визначають обриси зображених об'єктів. Для виявлення локальних розривів значень яскравості (перепадів яскравості) зазвичай спочатку використовується контрастування перепадів, а потім застосовується граничний детектор.

Виділення границі об'єкта зводиться до аналізу пікселів об'єкта, що робиться за принципом 8-мизв’язності. Якщо різниця між значеннями яскравостей протилежних точок вище заданого порога, то точка P_ij є граничною.

Вибір порога є одним із ключових питань виділення перепадів. При занадто високому рівні порога не будуть виявлені структурні елементи з низьким контрастом. Навпаки, занадто низький рівень порога з'явиться причиною того, що шум буде помилково прийнятий за перепад. Зазвичай використовується введення декількох порогів - у такий спосіб замість одного граничного значення береться діапазон граничних значень D, і перевіряється влучення різниці яскравостей протилежних точок у цей діапазон.

Недоліки методу: складність визначення порогу яскравості.

Заплановані результати

В результаті написання магістерської роботи планується розробити ПЗ, яке допоможе лікарям при постановці діагнозу про наявність чи відсутність новоутворення головного мозку.

Висновок

Таким чином, використання сучасних КС в галузі медицини є перспективним і потрібним напрямком в наш час. Розробка та застосування в діагностичних системах нових алгоритмів роботи дозволить підвищити швидкість і точністьобробки інформації в таких системах на кілька порядків.

Література

1. Терновой К.С. Введение в современную томографию. - К., 1983. - 231 с.
2. А. Н. Тихонов, В. Я. Арсенин, А. А. Тимонов Математические задачи компьютерной томографии. –М.: Наука. Гл. ред. физ-мат. лит., 1987. – 160 с.
3. Левин А. Самоучитель полезных программ. 3-е изд. - СПб.: Питер, 2002. - 704 с.
4. Павлидис Т. Алгоритмы машинной графики и обработки изображений. - М.: Радио и связь, 1986. - 400 с.
5. Пономаренко Л.А., Щелкунов В.И., Скляров А.Я. Инструментальные средства проектирования, имитационного моделирования и анализа компьютерных сетей: Учебное пособие. – К.: Наук. думка, 2002. - 508 с.
6. Прэтт У. Цифровая обработка изображений. Кн.2. - М.: Мир, 1982.- 784 с.
7. «Томограф вычислительный рентгеновский СРТ – 1010. Инструкция по эксплуатации. С61.620.069 ИЭ», кн. № 2, 121 с.
8. Компьютерная томография ru.wikipedia.org/wiki/Компьютерная_томография
9. Компьютерная томография http://xray.rusmedserv.com/tomograf/computer
10. Возможности цифровой обработки изображений в Matlab http://matlab.exponenta.ru/imageprocess/book2/80.php

Вгору