Автореферат квалификационной работы магистра

"Разработка специализированной компьютерной системы диагностики желудочно-кишечного тракта человека по изображениям ФГДС-исследования"

Введение, обоснование актуальности

В сфере гастроэнтерологии наиболее распространенным методом диагностики является эзофагогастродуоденоскопия (ФГДС). Практика показывает, что данная процедура является не только наиболее безопасной, но и наиболее действенной и показывающей наилучшие результаты в данной области исследований.

Во время данного исследования врач ставит перед собой цель как можно быстрее провести процедуру, т.к. она обычно сопровождается неприятными ощущениями у пациента. За короткое время (2-5 минут) врач должен не только внимательно рассмотреть стенки исследуемого органа, но и принять решение о проведении возможных манипуляций. Таким образом, является актуальной задача создания компьютерной системы диагностики заболеваний желудочно-кишечного тракта (ЖКТ) человека, которая бы обрабатывала изображения подобного исследования на предмет патологий. Такая система позволит значительно сократить время исследования по сравнению с визуальной оценкой и минимизирует вероятность ошибки, связанной с человеческим фактором.

Цели и задачи

Объектом исследования в данной работе является изображение поверхности желудка, полученное в ходе ФГДС-исследования.

Основные требования к компьютерной системе обработки этих изображений – точность распознавания патологии, скорость работы, адаптивность к обработке различных типов дефектов.

Рисунок 1 — Исходное изображение, полученное в ходе ФГДС-исследования

Задачу исследования поверхности желудка по изображениям, полученным в ходе исследования, можно сформулировать следующим образом:

1. Сегментировать изображение.
2. Дифференцировать сегменты на относящиеся к фону, ткани желудка, патологии.
3. Определить признаки областей, идентифицированных, как патологии.
4. По визуальным признакам определить тип патологии

Предполагаемая научная новизна

Научная новизна исследования заключается в:

• выборе методов обработки изображений ФГДС-исследования для диагностики желудочно-кишечного тракта человека
• адаптации существующих методов под конкретную область исследований – гастроэнтерологию
• разработке соответствующего программного обеспечения

Обзор исследований и разработок по теме

Существует система обработки медицинских изображений оптимед. Эта программа предназначена для получения, обработки и архивирования информации.

Источником данных служит стандартный аналоговый видеовыход эндоскопической видеокамеры, видеомагнитофона, видеоэндоскопа и т.п., а также цифровая фотокамера, поддерживающая протокол PTP, любой TWAIN-совместимый сканер или фотоаппарат.

Используемые стандарты видеосигнала (PAL, SECAM, NTSC) и тип входного сигнала (VHS, S-VHS) определяются возможностями используемой платы видеозахвата. Программа работает с любыми платами видео-захвата и видеокамерами, имеющими драйверы WDM для Windows, а также цифровыми видеокамерами стандарта DV.

Новейшая цифровая эндоскопическая система Pentax EPK-1000 с видеопроцессором позволяет в режиме реального времени обрабатывать потоковое видео полученное от эндоскопа, анализировать и сохранять результат обработки на ПК с последующей возможность записи на цифровые  носители, например на CD(подобная практика является общепринятой в мировой медицине).

Программно-аппаратный комплекс U-PACS («МЕДСНАБ», Россия) позволяет собирать, хранить, обрабатывать данные эндоскопических исследований.

Компьютерная система Medical Vision используется в медицинской практике для автоматизации работы эндоскопического отделения. Система подключается к стандартному видеовыходу эндоскопической видеокамеры. Врач-эндоскопист может сохранять нужные ему изображения. Сохранённые изображения попадают в компьютер и в дальнейшем их можно обрабатывать, сохранять в базе данных, производить поиск, просмотр и редактирование, вставлять в отчёт о проведенном обследовании и печатать. Также есть возможность видеозаписи всего эндоскопического исследования на жёсткий диск компьютера с последующей записью полученного фильма на CD или DVD.

В отличие от существующих разработок, описанных выше, разрабатываемая система будет иметь возможность не только захвата видео и его обработки с целью улучшения качества, хранения, но и выделять на изображениях возможные патологии. Научная новизна состоит в разработке комплекса методов работы с изображениями для определенной области медицины – гастроэнтерологии, с целью оказания помощи врачу в постановке диагноза.

Апробация

Результаты работы докладывались на I всеукраинской научно-технической конференции студентов, аспирантов и молодых ученых «Информационные управляющие системы и компьютерный мониторинг» (ИУС и КМ - 2010) и опубликованы в соответствующем сборнике (том 2, раздел 5 – Цифровая обработка сигналов и изображений).

Текущие и планируемые результаты

Анализ видео и фото изображений ФГДС-исследования показывает, что яркости точек патологий резко отличаются от яркостей точек фона и решение проблемы установления порога является несложной задачей. На практике это не так просто, поскольку исследуемое изображение подвергается воздействию шума и на нем допускается некоторый разброс значений яркости (в том числе, множество бликов от освещения эндоскопа). Известно несколько аналитических подходов к пороговому ограничению по яркости. Один из методов состоит в установлении порога на таком уровне, при котором общая сумма элементов с подпороговой яркостью согласована с априорными вероятностями этих значений яркости.
Наиболее простым видом сегментации является пороговая сегментация. Но чтобы использовать этот метод, нужно знать, что изображение состоит из одного объекта и фона, яркости которых находятся в строго известных диапазонах и не пересекаются между собой, что не характерно для изображений, полученных в результате ФГДС-исследования.

Также существует метод сегментации с использованием квадро-деревьев. [1] Суть метода заключается в том, что изображение разбивается на неперекрывающиеся блоки. Каждый блок с помощью некоторого критерия проверяется на однородность. Если блок неоднороден, то он разбивается на блоки меньшего размера, каждый из которых, в свою очередь, проверяется на однородность. Процесс завершается тогда, когда ни один из блоков не может быть разделен, т. е. либо блоки однородны, либо их размеры достигли предельно малых величин. В результате работы алгоритма получается набор однородных блоков различного размера.
Результаты, полученные с помощью применения данного метода представлены на рисунке 2.

Рисунок 2 — Применение алгоритма сегментации с помощью квадро-деревьев

Слева - исходное изображение, справа - сегментированное изображение

Анализируя результаты применения данного метода, можно сказать, что при таком подходе хорошо выделяются наибольшие перепады яркостей на изображении, что на нашем типе снимков соответствует не искомым объектам (патологиям), а границе изображения с фоном.

Более подробно был рассмотрен относительно новый метод сегментации изображений – метод маркерного водораздела. [2] Суть его в том, что предлагается рассматривать изображение как некоторую карту местности, где значения яркостей представляют собой значения высот относительно некоторого уровня. Если эту местность заполнять водой, тогда образуются бассейны. При дальнейшем заполнении водой, эти бассейны объединяются. Места объединения этих бассейнов отмечаются как линии водораздела.

Таким образом, при преобразованиях с помощью этого метода нужно определить "водосборные бассейны" и "линии водораздела" на изображении путем обработки локальных областей в зависимости от их яркостных характеристик.

Метод маркерного водораздела является одним из наиболее эффективных методов сегментации изображений. При реализации этого метода выполняются следующие основные процедуры:

1. Вычисляется функция сегментации. Она касается изображений, где объекты размещены в темных областях и являются трудно различимыми.
2. Вычисление маркеров переднего плана изображений. Они вычисляются на основании анализа связности пикселей каждого объекта.
3. Вычисление фоновых маркеров. Они представляют собой пиксели, которые не являются частями объектов.
4. Модификация функции сегментации на основании значений расположения маркеров фона и маркеров переднего плана.
5. Вычисления на основании модифицированной функции сегментации.

В качестве функции сегментации используется градиент изображения, вычисленный с помощью оператора Собеля. Это дискретный дифференциальный оператор, вычисляющий приближенное значение градиента яркости изображения. Формально, вычисления производятся по следующим формулам:

 

 

 

где * - двумерная операция свертки,
А – исходное изображение,
и - два изображения, где каждая точка содержит приближенные производные по x и по y.

Каждой точке изображения приближенное значение величины градиента можно вычислить, используя полученные приближенные значения производных:

Далее, вычислив значение градиента, был применен метод водораздела, который дал следующий результат:

Рисунок 3 — Применение метода водораздела с использованием градиента изображения (оператор Собеля).

Слева - исходное изображение, справа - сегментированное изображение.

Как видно из результата, сегментация очень поверхностная и требуется дополнительная предварительная обработка изображения для более эффективного использования метода.
Для маркировки объектов переднего плана были использованы различные варианты морфологических технологий, предложенные пакетом обработки изображений Matlab, а именно – раскрытие через восстановление и закрытие через восстановление. Далее следует избавиться от отдельных изолированных пикселей на изображении. Полученные результаты представлены на рисунке 4.

Рисунок 4 — Применение морфологических технологий раскрытия и закрытия через восстановление.

Слева направо: исходное изображение, морфологическое раскрытие, морфологическое закрытие.

Анализируя результаты, отметим, что применение этих методов дало возможность избавиться от бликов и сделать границы искомого объекта более гладкими.
Далее, вычислив локальные максимумы, получим маркеры переднего плана. Чтобы вычислить маркеры фона, достаточно провести операцию пороговой обработки изображения [3]:

где - пискель изображения, а k – уровень серого, по которому изображение переводится в черно-белое.

Для точного определения локальных минимумов изображения, проведем преобразование яркостей полученного изображения с использованием метода морфологического восстановления таким образом, чтобы все локальные минимумы изображения, полученного после пороговой обработки, были отличны от нуля.
Вычислив маркеры переднего плана, маркеры фона и преобразовав изображение по изложенному выше алгоритму, можем применить метод маркерного водораздела. Результаты его работы представлены на рисунке 5.

Рисунок 5 — Результаты применения модифицированного алгоритма маркерного водораздела.

Слева - маркеры и границы объектов, справа - полученное сегментированное изображение.

Таким образом, результаты экспериментов доказали, что данный метод показывает хорошие результаты при предварительной обработке изображений. Самый светлый участок на сегментированном изображении (рис.5.б) - выделенная искомая патология. Количество сегментов на изображении без учета фона – 4, что свидетельствует о существенном улучшении качества сегментации по сравнению с результатами, представленными на рисунке 3 (без предварительных вычислений).

Рисунок 6 — Этапы предварительной обработки и сегментации изображения

(анимация: объем - 120 КБ; размер - 285x280; количество кадров - 8;
задержка между кадрами - 100 мс; задержка между последним и первым кадрами - 150 мс;
количество циклов повторения - бесконечное.)

Далее планируется провести дополнительные модификации метода маркерного водораздела, которые бы дали возможность адаптивно обрабатывать каждое из входных изображений, а также планируется исследовать изображения на предмет других патологий желудочно-кишечного тракта (сейчас – только язвы).
Планируется написание соответствующего программного обеспечения, реализующего вышеописанный метод.

Заключение

Основываясь на результатах экспериментов, наиболее эффективным методом сегментации, применительно к поставленной задаче, является модифицированный метод маркерного водораздела. Но для его успешной работы следует производить дополнительные вычисления, а именно – получить маркеры переднего плана, маркеры фона, а также модифицировать функцию сегментации на основании полученных данных.

Литература

1. Павлидис Т. Алгоритмы машинной графики и обработки изображений. М. Радио и связь, 1986, 406 с.
2. Прэтт У.К. Цифровая обработка изображений. – М.: Мир, 1982. Т.I.-2. 792 с.
3. Сойфер В.А. Компьютерная обработка изображений. Часть 2. Методы и алгоритмы. – Соросовский образовательный журнал, №3, 1996.
4. Сегментация методом управляемого водораздела [Электронный ресурс] / И.М.Журавель "Краткий курс теории обработки изображений" / - Режим доступа к статье: http://matlab.exponenta.ru/imageprocess/book2/48.php
5. Консультационный центр MATLAB, Раздел "Обработка сигналов и изображений\Image Processing Toolbox" [Электронный ресурс] - Режим доступа к статье: http://rrc.dgu.ru/res/matlab/imageprocess/book3/index.html
6. Проблема подавления шума на изображениях и видео и различные подходы к ее решению [Электронный ресурс] - Режим доступа к статье: http://cgm.computergraphics.ru/content/view/74
7. Методы сегментации изображений: автоматическая сегментация [Электронный ресурс] - Режим доступа к статье: http://cgm.computergraphics.ru/content/view/147
8. Компьютерное зрение [Электронный ресурс] - Режим доступа к статье: http://ru.wikipedia.org/wiki/Компьютерное_зрение
9. 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.
10. Лекции по обработке изображений [Электронный ресурс] - Режим доступа к статье: http://graphics.cs.msu.ru/courses/cg02b/lectures/lection5/sld019.htm

Примечание

При написании данного автореферата магистерская работа еще не завершена. Окончательное завершение - декабрь 2010 г. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.