ВСТУП

1 АКТУАЛЬНІСТЬ РОБОТИ

2 АНАЛІЗ ІСНУЮЧИХ IНСТРУМЕНТАЛЬНИХ ЗАСОБIВ

3 СЕГМЕНТАЦИЯ ЗОБРАЖЕНЬ

4 РЕЗУЛЬТАТИ СЕГМЕНТАЦIЇ

СПИСОК ЛІТЕРАТУРИ

ЗМІСТ

    Кожне новітнє відкриття у фізиці або техніці неминуче знаходить втілення в медицині; яскравим прикладом тому може служити відкриття Рентгена і блискуче його впровадження у лікарську практику. Комп'ютерну томографію (КТ) можна розглядати як новий виток у розвитку рентгенології, у свою чергу, принципи математичної обробки при побудові зображення при КТ лягли в основу останніх сучасних розробок.
    Дані КТ можуть бути використані для проведення діагностичної функції, і, що особливо важливо, вона може з успіхом застосовуватися не тільки для виявлення патологічних змін, але і для оцінки ефективності лікування, зокрема протипухлинної терапії, а також визначення рецидивів і супутніх ускладнень. Діагностика за допомогою КТ заснована на прямих рентгенологічних симптомах, тобто визначенні точної локалізації, форми, розмірів окремих органів і патологічного вогнища, і, що особливо істотно, на показниках щільності.
    У даній роботі проведено огляд методів для аналізу КТ-зображень черевної порожнини для оцінки операбельності пухлин і побудови 3D - моделей.

1 АКТУАЛЬНІСТЬ РОБОТИ

1.1 Актуальнiсть роботи

    З кожним роком ускладнюється в країні екологічна ситуація, що призвело до зростання кількості онкологічних захворювань серед населення. Особливу важливість в онкології має оцінка стану хворого, від якої залежить прийняття рішення про оперативне лікування. І, як показала лікувальна практика [1] [2], співвідношення обсягу метастатіческіх пухлин і обсягу первинної пухлини має дуже важливе значення для виконання оцінки результату операції. Як наслідок, від об'єктивності виконання цієї оцінки безпосередньо залежить якість і тривалість життя пацієнта. З'ясувати, операбелен пацієнт чи ні можна на підставі клінічної діагностики, яка проводиться з використанням сучасної медичної техніки. У лікарнях, а також в діагностичних і протипухлинних центрах одним з найважливіших способів такої діагностики є комп'ютерна томографія. При обстеженні людини з застосуванням комп'ютерного томографа виконується отримання серії зображень за допомогою одного або декількох рентгенівських випромінювачів і датчиків масиву. Томографія внутрішніх органів людини завоювала свою популярність завдяки високій точності, інформативності і досить низькою інвазивності.

1.2 Наукова новизна

    Більшість сучасних томографів, що є в медичних установах, оснащені програмним забезпеченням, що дозволяє виконувати елементарні операції з обробки зображень, проте наданих функцій не вистачає при проведенні досліджень. Оцінка форми і місткості для вибору стратегії лікування пухлин може бути виконана автоматизовано. Для цього необхідно виділити новоутворення і побудова його тривимірну геометричну модель. Як показує практика, така функція відсутня навіть в програмному забезпеченні сучасних томографів відомих фірм-виробників, таких як Siemens і General Electric, якими оснащені великі діагностичні та протипухлинні центри. Ця проблема може бути вирішена шляхом реалізації відсутньої функціональності і її впровадженням на робочих місцях лікарів, що досить актуально на сьогоднішній день.

1.3 Цілі та задачі розробки

     Для побудови тривимірної моделі первинної пухлини з метою подальшої оцінки її обсягу необхідно мати геометричні моделі всіх проекцій досліджуваного об'єкта на кожен зріз. Тому першочерговим завданням, яке необхідно вирішити, є сегментація зрізів з метою виділення на кожному з них досліджуваного об'єкта і визначення координат точок його контуру.

Рисунок 1.1 — Схема роботи підсистеми.

2 АНАЛІЗ ІСНУЮЧИХ IНСТРУМЕНТАЛЬНИХ ЗАСОБIВ

    Розглянемо функціональність систем, що дозволяють поглядати інформацію у вигляді DICOM-файла і аналізувати її.
    DICOM (англ. Digital Imaging and COmmunications in Medicine ) — Індустріальний Стандарт створення, зберігання, передачі та візуалізації медичних зображень і документів обстежених пацієнтів.
    Система Julius — комп'ютерна програма, що дозволяє працювати з DICOM файлами.
    Основні функції:

— читання DICOM-файлов/серіі файлів;
— збереження даних у DICOM / JPEG форматах;
— зміна кольору, яскравості, контрастності зображень;
— можливість побудова перетинів у трьох площинах.

Рисунок. 2.1 — Інтерфейс програми Julius.

— читання DICOM-зображень, серії зображень;
— масштабування, поворот, зміна параметрів зображення;
— зміна щільності, колірних параметрів зображення;
— пошук аномалій на знімку суглобів і кісток;
— сегментація зображень.

Рисунок. 2.2 — Інтерфейс програми Jivex.

    Однак більшість систем обробки КТ-зображень надають лише мінімальні можливості роботи з даними.
    При комп'ютерній томографії черевної порожнини складно відокремити пухлина від органу, а також провести розрахунок її об'ємних характеристик. Для прийняття рішення про операбельності пухлини необхідно мати чітку 3D-модель.
    Функція побудови геометричної моделі відсутня навіть в програмному забезпеченні сучасних томографів відомих фірм-виробників, таких як Siemens і General Electric, якими оснащені великі діагностичні та протипухлинні центри.

3 СЕГМЕНТАЦИЯ ЗОБРАЖЕНЬ

3.1 Загальні поняття про сегментацію

    Задача сегментації зображень є досить поширеною, так як розпізнаванням різних видів зображень займається багато вітчизняних і зарубіжних вчених. Сегментації зображень, отриманих методом комп'ютерної томографії (далі по тексту КТ-зображень), присвячено безліч статей, наукових праць і книг, а також проведено велику кількість досліджень. Є безліч розробок, заснованих на градієнтних методах з пороговим обмеженням, найчастіше зустрічаються роботи, засновані на методі вододілу [3], на використанні деформаційних моделей [4], зокрема, метод активних контурів.
    Проте всі ці методи враховують тільки здатність тканин поглинати рентгенівське випромінювання, так як вони засновані на аналізі яскравості точок зображення. При цьому вони дуже чутливі до контрасту і не враховують відмінності в структурі тканин, які можуть бути корисні для відділення на зображенні пухлини від здорових тканин органу при частковому заміщенні або від інших органів.

3.2 Сегментація за допомогою вейвлет-перетворення

    Вейвлет-аналіз дозволяє добре враховувати локальні особливості зображення [5] [6], тому пропонується виконати сегментацію КТ-зображень з його допомогою. Для цього потрібно:

— вибрати тип перетворення;
— визначити параметри перетворення, такі як тип базисної функції, розмір апертури і необхідну кількість рівнів розкладання;
— визначити безліч ознак текстури для подальшого виконання класифікації;
— оцінити ефективність сегментації.

    Існує кілька видів вейвлет-перетворення: безперервне, дискретне, діадне (dyadic) і пакетне перетворення. Кожен вид перетворення має ряд особливостей, що визначають його область застосування. Діадне вейвлет-перетворення, вперше запропоноване Маллатом [8], є більш швидким варіантом дискретного перетворення і може бути застосоване для аналізу зображень. Розглянемо більш детально, яким чином це може бути застосовано для виділення контурів об `єктів на зображенні.
    Як показано в [9], будь-яка функція s (t) може бути представлена у вигляді ряду:

де проекції сигналу на ортогональний базис функцій розкладання обчислюються як скалярний добуток

Позначаючи a і b коефіцієнти масштабу і зсуву, для ψab(t) = |а|^-1/2ψ [(t-b)/a] маємо:

    Формула (3) представляє безперервне вейвлет-перетворення, а ψ(t) — його базис. У разі дискретного сигналу формула (3) має вигляд

де ψ_mk(t) = |а0|^m/2ψ(а^m₀t-k), m — параметр масштабу, k — параметр зсуву. У випадку, коли a ₀ вибирається рівним 2, отримуємо діадне вейвлет-перетворення.
    Як показано в роботі [7] саме алгоритм обчислення діадного вейвлет-перетворення, запропонований Маллатом може застосовуватися для пошуку меж об'єктів на зображенні. Такий підхід обгрунтований такими міркуваннями:

— діадне вейвлет-перетворення дозволяє виділити достатньо інформації в галузі високих частот, і при цьому не володіє надмірністю безперервного перетворення;
— вейвлет-перетворення дозволяє виконувати пошук меж з використанням великомасштабної подання дискретного сигналу.

    Для пошуку кордону пропонується використовувати вейвлет Маллата та згладжування результату за допомогою гауссіана для боротьби з дрібномасштабні шумом. Базисні функції вейвлет-перетворення мають вигляд, показаний у формулі (4).

    Для пошуку межі пропонується використовувати окреме перетворення рядків і стовпців зображення в декількох масштабах. Їх кількість l визначається як l = [log2 (N)], де N — розмір оброблюваного зображення. На кожному кроці алгоритму вейвлет-перетворення застосовується окремо до рядків і стовпців зображення, за аналогією з обчисленням градієнта у вертикальному та горизонтальному напрямку. У результаті отримаємо два відфільтрованих зображення за якими можна розрахувати простір модулів перетворення

    Крапку пропонується вважати належить кордоні об'єкта, якщо відповідне їй значення з простору модулів (6) більше двох інших значень у напрямку градієнта, яке можна визначити виходячи з розрахованого простору фаз (7). У даній роботі пропонується комбінувати пошук максимуму модуля на необхідному рівні декомпозиції з відсіканням зайвих кордонів по порогу, який визначається як

де M — розмір простору модулів по горизонталі й вертикалі. При цьому пропонується для визначення порогу включити тільки околицю зображення, в яку потрапляє об'єкт, щоб не враховувати при розрахунку контур, отриманий за рахунок відбиття рентгенівського випромінювання від столу. Це не становить особливих труднощів, особливо при обробці зображень, отриманих від одного і того ж апарату, так як положення столу буде практично фіксованим.

3.3 Сегментація на основі методу вододілів

    Пропонується розглядати зображення як деяку карту місцевості, де значення яркостей представляють собою значення висот відносно 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.
    Поділ дотичних предметів на зображенні є однією з важливих задач обробки зображень. Часто для вирішення цього завдання використовується так званий метод маркерного вододілу. При перетвореннях за допомогою цього методу потрібно визначити водозбірні «басейни» і «лінії вододілу» на зображенні обробки шляхом 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:

— обчислюється функція сегментації. Вона стосується зображень, де об'єкти розміщені в темних областях і є важко помітними.
— обчислення маркерів переднього плану зображень. Вони обчислюються на підставі аналізу зв'язності пікселів кожного об'єкта.
— обчислення фонових маркерів. Вони представляють собою пікселі, які не є частинами об'єктів.
— модифікація функції сегментації на підставі значень розташування маркерів фону і маркерів переднього плану.
— обчислення на підставі модифікованої функції сегментації.

— застосування градієнта Собеля для знаходження меж контурів;
— застосування морфологічних технологій для маркування об'єктів переднього плану;
— обчислення локальних максимумів для визначення маркерів об'єктів переднього плану;
— накладення маркерів на вихідне зображення.

4 РЕЗУЛЬТАТи СЕГМЕНТАЦІЇ

     Розглянемо КТ-зображення зрізу черевної порожнини пацієнта, що має ракове ураження лівої нирки і опрацюємо його двома методами.

    Рисунок. 4.1 — Сегментація на основі вейвлет-перетворень. з використанням класифікатора евклідових відстаней і повного набору ознак і тільки математичного очікування НЧ-простору другого рівня (Анімація: обсяг — 14,6 КБ; розмір — 158x153; кількість кадрів — 4; затримка між кадрами — 2000 мс; затримка між останнім і першим кадрами — 0 мс; кількість циклів повторення — нескінченно).

    Рисунок. 4.2 — Сегментація на основі методу вододілів (Анімація: обсяг — 20,3 КБ; розмір — 164x164; кількість кадрів — 3; затримка між кадрами — 1500 мс; затримка між останнім і першим кадрами — 0 мс; кількість циклів повторення — нескінченно)

СПИСОК ЛІТЕРАТУРИ

1. Привалов М.В., Скобцов Ю.А., Кудряшов А.Г., Сегментация компьютерных томограмм на основе вейвлет-преобразования.

2. Бондарь Г. В., Кудряшов А. Г., Борота А. В., Анищенко А. А., Осипенков Р. А. Расширение показаний к оперативному лечению больних раком почки // 5 съезд онкологов и радиологов СНГ. Материалы съезда. 14-16 мая 2008г. Ташкент. — С. 358.

4. Pil Un Kim, Yun jung Lee, Youngjin Jung, Jin Ho Cho, Myoung Nam Kim, Liver extraction in the abdominal CT image by watershed segmentation algorithm // World Congress on Medical Physics and Biomedical Engineering 2006: IFMBE Proc. — 2007. — Vol. 14. — pp. 2563-2566.

5. M.S. Atkins and B. Mackiewich. Automatic Segmentation of the Brain in MRI. Conference on Visualisation in Biomedical Computing 96, Springer-Verlag Lecture Notes in Computer Science, 1131:210-216, Sept. 1996.

6. Haralick R.M., Shamnmugan K., Dinstein I.H. Texture features for image classification // IEEE Trans. Syst., Man. Cyber. — 1973. — Vol. SMC-3. — P. 610.

7. Atam P.D., Yateen C., Kaiser-Bonasso C. Analysis of Mammografic Microcalcifications Using Grey-Level Image Structure Features // IEEE Trans. on Medical Imaging. — 1996. — Vol. 15, № 3. — P. 2.

8. И.М.Журавель. Image Processing Toolbox. Краткий курс теории обработки изображений. [Электронный ресурс]: Режим доступа: URL: http://matlab.exponenta.ru/imageprocess/book2/48.php

9. Watershed Segmentation Algorithm for Medical Confocal Image Analyses Towards In Vivo Early Cancer Detection. Man Kin Derek Ho. Department of Biology, Johns Hopkins University. [Электронный ресур]: Режим доступа: URL: http://www.nnin.org/doc/2007nninREUHo.pdf

10. Сирота А.А., Соломатин А.И. Статистические алгоритмы обнаружения границ объектов на изображениях. — Воронеж: Вестник ВГУ, № 1, 2008. [Электронный ресур]: Режим доступа: URL: http://www.vestnik.vsu.ru/pdf/analiz/2008/01/sirota_2.pdf

При написанні даного Реферату магістерська робота ще не завершена. Дата остаточного завершення роботи: 1 грудня 2010 Повний текст роботи та матеріали по темі можуть бути отримані у автора або його наукового керівника після зазначеної дати.