Автореферат кваліфікаційної роботи магістра

"Проектування спеціалізованої комп'ютерної системи діагностики захворювань шлунково-кишкового тракту людини за зображеннями фіброгастродуоденоскопічного дослідження"

Вступ, обгрунтування актуальності

У сфері гастроентерології найбільш поширеним методом діагностики є езофагогастродуоденоскопія (ФГДС). Практика показує, що дана процедура є не лише найбільш безпечною, але і найбільш дієвою і показує найкращі результати в даній галузі досліджень.

Під час даного дослідження лікар ставить перед собою мету якомога швидше провести процедуру, тому що вона зазвичай супроводжується неприємними відчуттями у пацієнта. За короткий час (2-5 хвилин) лікар повинен не тільки уважно розглянути стінки досліджуваного органу, але і прийняти рішення про проведення можливих маніпуляцій. Таким чином, є актуальним завдання створення комп'ютерної системи діагностики захворювань шлунково-кишкового тракту (ШКТ) людини, яка б опрацьовувала зображення подібного дослідження на предмет патологій. Така система дозволить значно скоротити час дослідження в порівнянні з візуальною оцінкою і мінімізує ймовірність помилки, пов'язаної з людським фактором.

Цілі та задачі

Об'єктом дослідження в даній роботі є зображення поверхні шлунка, отримане в ході ФГДС-дослідження.

Основні вимоги до комп'ютерної системи обробки цих зображень - точність розпізнавання патології, швидкість роботи, адаптивність до обробки різних типів дефектів.

Рисунок 1 - Вихідне зображення, отримане в ході ФГДС-дослідження

Задачу дослідження поверхні шлунка по зображеннях, отриманих в ході дослідження, можна сформулювати наступним чином:

1. Сегментувати зображення.
2. Диференціювати сегменти на пов'язані з фону, тканини шлунка, патології.
3. Визначити ознаки областей, ідентифікованих, як патології.
4. За візуальними ознаками визначити тип патології

Наукова новизна

Наукова новизна дослідження полягає в:

• виборі методів обробки зображень ФГДС-дослідження для діагностики шлунково-кишкового тракту людини
• адаптації існуючих методів під конкретну галузь досліджень - гастроентерологію
• розробки відповідного програмного забезпечення

Огляд досліджень і розробок по темі

Існує система обробки медичних зображень Оптімед. Ця програма призначена для отримання, обробки та архівування інформації.

Джерелом даних служить стандартний аналоговий відеовихід ендоскопічної відеокамери, відеомагнітофона, відеоендоскопія тощо, а також цифрова фотокамера, що підтримує протокол PTP, будь-який TWAIN-сумісний сканер або фотоапарат.

Стандарти, що використовуються відеосигналу (PAL, SECAM, NTSC) і тип вхідного сигналу (VHS, S-VHS) визначаються можливостями використовуваної плати відеозахвату. Програма працює з будь-якими платами відео-захоплення і відеокамерами, що мають драйвери WDM для Windows, а також цифровими відеокамерами стандарту DV.

Новітня цифрова ендоскопічна система Pentax EPK-1000 з відеопроцесором дозволяє в режимі реального часу обробляти потокове відео отримане від ендоскопа, аналізувати та зберігати результат обробки на ПК з подальшою можливість запису на цифрові носії, наприклад на CD (подібна практика є загальноприйнятою у світовій медицині).

Програмно-апаратний комплекс U-PACS («МЕДСНАБ», Росія) дозволяє збирати, зберігати, обробляти дані ендоскопічних досліджень.

Комп'ютерна система Medical Vision використовується в медичній практиці для автоматизації роботи ендоскопічного відділення. Система підключається до стандартного відеовихід ендоскопічної відеокамери. Лікар-ендоскопіст може зберігати потрібні йому зображення. Збережені зображення потрапляють у комп'ютер і надалі їх можна обробляти, зберігати в базі даних, проводити пошук, перегляд та редагування, вставляти в звіт про проведене обстеження й друкувати. Також є можливість відеозаписи всього ендоскопічного дослідження на жорсткий диск комп'ютера з наступним записом отриманого фільму на CD або DVD.

На відміну від існуючих розробок, описаних вище, розробляється система буде мати можливість не тільки захоплення відео і його обробки з метою поліпшення якості, зберігання, але і виділяти на зображеннях можливі патології. Наукова новизна полягає в розробці комплексу методів роботи із зображеннями для певної галузі медицини - гастроентерології, з метою надання допомоги лікарю в постановці діагнозу.

Апробація

Результати роботи доповідалися на I всеукраїнської науково-технічної конференції студентів, аспірантів та молодих вчених «Інформаційні управляючі системи та комп'ютерний моніторинг» (ІУС і КМ - 2010) та опубліковані у відповідному збірнику (том 2, розділ 5 - Цифрова обробка сигналів та зображень).

Поточні і плановані результати

Аналіз відео та фото зображень ФГДС-дослідження показує, що яскравості точок патологій різко відрізняються від яркостей точок фону і вирішення проблеми встановлення порогу є нескладним завданням. На практиці це не так просто, оскільки досліджуване зображення піддається впливу шуму і на ньому допускається деякий розкид значень яскравості (у тому числі, безліч відблисків від освітлення ендоскопа). Відомо кілька аналітичних підходів до пороговому обмеження по яскравості. Один з методів полягає у встановленні порогу на такому рівні, при якому загальна сума елементів з подпороговой яскравістю узгоджена з апріорними ймовірностями цих значень яскравості.

Найбільш простим видом сегментації є порогова сегментація.Але щоб використовувати цей метод, треба знати, що зображення складається з одного об'єкта і фону, яскравості яких знаходяться в строго відомих діапазонах і не перетинаються між собою, що не характерно для зображень, отриманих в результаті ФГДС-дослідження.

Також існує метод сегментації з використанням квадро-дерев. [1] Суть методу полягає в тому, що зображення розбивається на неперекривающіеся блоки.Кожен блок за допомогою деякого критерію перевіряється на однорідність.Якщо блок неоднорідний, то він розбивається на блоки меншого розміру, кожен з яких, у свою чергу, перевіряється на однорідність. Процес завершується тоді, коли жоден з блоків не може бути розділений, тобто або блоки однорідні, або їх розміри досягли гранично малих величин. В результаті роботи алгоритму виходить набір однорідних блоків різного розміру.
Результати, отримані за допомогою застосування даного методу представлені на рисунку 2.

Рисунок 2 - Застосування алгоритму сегментації за допомогою квадро-дерев

Ліворуч - вихідне зображення, праворуч - сегментоване зображення

Аналізуючи результати застосування даного методу, можна сказати, що при такому підході добре виділяються найбільші перепади яскравостей на зображенні, що на нашому типі знімків відповідає не шуканим об'єктам (патологій), а кордоні зображення з фоном.

Більш докладно було розглянуто відносно новий метод сегментації зображень - метод маркерного вододілу. [2] Суть його в тому, що пропонується розглядати зображення як деяку карту місцевості, де значення яркостей представляють собою значення висот щодо деякого рівня.Якщо цю місцевість заповнювати водою, тоді утворюються басейни. При подальшому заповненні водою, ці басейни об'єднуються. Місця об'єднання цих басейнів відзначаються як лінії вододілу.

Таким чином, при перетвореннях за допомогою цього методу потрібно визначити "водозбірні басейни" і "лінії вододілу" на зображенні шляхом обробки локальних областей в залежності від їх яскравості характеристик.

Метод маркерного вододілу є одним з найбільш ефективних методів сегментації зображень. При реалізації цього методу виконуються наступні основні процедури:

1. Обчислюється функція сегментації. Вона стосується зображень, де об'єкти розміщені в темних областях і є важко помітними.
2. Обчислення маркерів переднього плану зображень. Вони обчислюються на підставі аналізу зв'язності пікселів кожного об'єкта.
3. Обчислення фонових маркерів. Вони представляють собою пікселі, які не є частинами об'єктів.
4. Модифікація функції сегментації на підставі значень розташування маркерів фону і маркерів переднього плану.
5. Обчислення на підставі модифікованої функції сегментації.

В якості функції сегментації використовується градієнт зображення, обчислений за допомогою оператора Собеля. Це дискретний диференціальний оператор, який обчислює наближене значення градієнта яскравості зображення. Формально, обчислення проводяться за такими формулами:

 

 

 

де * - двовимірна операція згортки,
А - вихідне зображення,
та - два зображення, де кожна точка містить наближені похідні по x та по y.

Кожній точці зображення наближене значення величини градієнта можна обчислити, використовуючи отримані наближені значення похідних:

Далі, обчисливши значення градієнта, був застосований метод вододілу, який дав наступний результат:

Рисунок 3 - Застосування методу вододілу з використанням градієнту зображення (оператор Собеля).

Ліворуч - вихідне зображення, праворуч - сегментоване зображення

Як видно з результату, сегментація дуже поверхнева та потрібна додаткова попередня обробка зображення для більш ефективного використання методу. 
Для маркування об'єктів переднього плану були використані різні варіанти морфологічних технологій, запропоновані пакетом обробки зображень Matlab, а саме - розкриття через відновлення та закриття через відновлення. Далі слід позбавитися від окремих ізольованих пікселів на зображенні.Отримані результати представлені на рисунку 4.

Рисунок 4 - Застосування морфологічних технологій розкриття та закриття через відновлення.

Зліва направо: вихідне зображення, морфологічне розкриття, морфологічне закриття.

Аналізуючи результати, відзначимо, що застосування цих методів дало можливість позбутися від відблисків і зробити кордону шуканого об'єкта більш гладкими.
Далі, обчисливши локальні максимуми, отримаємо маркери переднього плану. Щоб обчислити маркери фону, достатньо провести операцію порогової обробки зображення [3]:

де - піскель зображення, а k - рівень сірого, по якому зображення переводиться в чорно-біле.

Для точного визначення локальних мінімумів зображення, проведемо перетворення яркостей отриманого зображення з використанням методу морфологічного відновлення таким чином, щоб всі локальні мінімуми зображення, отриманого після порогової обробки, були відмінні від нуля. 
Обчисливши маркери переднього плану, маркери фону і перетворивши зображення по викладеному вище алгоритмом, можемо застосувати метод маркерного вододілу.Результати його роботи представлені на рисунку 5.

Рисунок 5 - Результати застосування модифікованого алгоритму маркерного вододілу.

Ліворуч - маркери і межі об'єктів, праворуч - отримане сегментоване зображення.

Таким чином, результати експериментів довели, що даний метод показує гарні результати при попередній обробці зображень. Найсвітліше ділянку на сегментованої зображенні (ріс.5.б) - виділена шукана патологія. Кількість сегментів на зображенні без урахування фону - 4, що свідчить про істотне поліпшення якості сегментації в порівнянні з результатами, представленими на малюнку 3 (без попередніх обчислень).

Рисунок 6 - Етапи попередньої обробки і сегментації зображення

(Анімація: об'єм - 120 КБ; розмір - 285x280; кількість кадрів - 8;
затримка між кадрами - 100 мс; затримка між останнім і першим кадрами - 150 мс;
кількість циклів повторення - нескінченна.)

Далі планується провести додаткові модифікації методу маркерного вододілу, які б дали можливість адаптивно обробляти кожне з вхідних зображень, а також планується досліджувати зображення на предмет інших патологій шлунково-кишкового тракту (зараз - тільки виразки). 
Планується написання відповідного програмного забезпечення, що реалізовує вищеописаний метод.

Висновок

Грунтуючись на результатах експериментів, найбільш ефективним методом сегментації, стосовно до поставленого завдання, є модифікований метод маркерного вододілу. Але для його успішної роботи слід проводити додаткові обчислення, а саме - отримати маркери переднього плану, маркери фону, а також модифіковані функцію сегментації на підставі отриманих даних.

Література

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 [Електронний ресурс] / И.М.Журавель "Краткий курс теории обработки изображений" / - Режим доступу до статті: http://matlab.exponenta.ru/imageprocess/book2/48.php
5. Консультационный центр MATLAB, Раздел "Обработка сигналов и изображений\Image Processing Toolbox" [Електронний ресурс] - Режим доступу до статті: http://rrc.dgu.ru/res/matlab/imageprocess/book3/index.html
6. Проблема подавления шума на изображениях и видео и различные подходы к ее решению [Електронний ресурс] - Режим доступу до статті: http://cgm.computergraphics.ru/content/view/74
7. Методы сегментации изображений: автоматическая сегментация [Електронний ресурс] - Режим доступу до статті: http://cgm.computergraphics.ru/content/view/147
8. Компьютерное зрение [Електронний ресурс] - Режим доступу до статті: 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 [Електронний ресурс] - Режим доступу до статті: http://graphics.cs.msu.ru/courses/cg02b/lectures/lection5/sld019.htm

Примітка

При написанні даного автореферату магістерська робота ще не завершена.>Остаточне завершення - грудень 2010 р. Повний текст роботи та матеріали по темі можуть бути отримані у автора або його керівника після зазначеної дати.