ДонНТУ   Портал магистров

Реферат по теме выпускной работы

Содержание

Введение

Компьютерная обработка медицинских изображений предполагает обработку цифровых изображений с помощью компьютеров или специализированных устройств, построенных на цифровых сигнальных процессорах.

Все медицинские изображения, независимо от способов их получения, принадлежат к одной из двух групп: аналоговые и цифровые изображения. Аналоговые изображения несут информацию непрерывного характера (например, рентгено- или кардиограммы). Цифровые изображения обычно получаются с помощью компьютера и имеют в своей основе матрицу, которая содержится в его памяти. Таким образом, цифровые изображения, в отличие от аналоговых, имеют дискретный характер.

При компьютерной обработке медицинских изображений решается широкий круг задач, таких как улучшение качества изображений; расчёт клинически важных количественных параметров; спектральный анализ многомерных сигналов; распознавание и сжатие изображений [1].

Оптико-топографические методы обследования позвоночника получили широкое распространение в 70-х годах прошлого века, особенно в области диагностики его искривлений. Все эти методы основаны на аналитической обработке фотографий спины пациента, сделанных под различным углом при специальном освещении. В дальнейшем для обработки снимков стали использоваться специальные компьютерные программы, что было положено в основу метода компьютерно-оптической диагностики (сокращенно – КОД). Для обработки используются фотографии спины пациента в нескольких позах, освещенной вертикальными полосами света под определенным углом. Компьютерная обработка этих снимков позволяет определить объем и напряженность мышц позвоночника, выявить отклонения в расположении костей, в частности, величину сколиотических дуг. Все эти данные в дальнейшем могут быть использованы специалистами для постановки точного диагноза и назначения соответствующего лечения. К основным преимуществам данного метода относятся, прежде всего, его полная безвредность (сопоставима с обычной фотографией), а также высокая точность и содержательность результатов (сопоставима с рентгеновским снимком).

При проведении обследования по методу компьютерно-оптической диагностики пациент помещается на установочную платформу спиной к фотокамере, при этом верхняя часть туловища должна быть обнажена. Затем производится несколько фотоснимков: в естественной позе (с расслабленной спиной), в «активной» позе (с «выпрямленной» усилием спиной), при необходимости специалисты могут сделать снимки и в других позах. После обработки данных в компьютере результаты выводятся в виде графического представления поверхности спины в соответствующих плоскостях [2].

1. Актуальность темы

При установлении диагноза и проведении лечения врачи все больше полагаются на медицинские изображения, которые дают основной объем информации о пациенте и его заболевании. Однако, их наличия еще недостаточно, поскольку требуется анализ и интерпретация, и полученные сведения используются, далее, для установки диагноза, при последующем лечении и планировании терапии.

Распознавание патологических процессов является одной из наиболее важных задач обработки медицинских изображений. Вместе с тем, задача автоматизированной диагностики патологических процессов по данным медицинских изображений пока еще далека от своего разрешения.

Магистерская работа посвящена актуальной научной задаче разработки структуры и реализации программной системы для анализа медицинских изображений и диагностики патологии осанки посредством теоритического анализа методов отображения результатов при исследовании изображений, включающего алгоритмические и оптимизационные приемы. Инструментальным средством исследования выступает среда разработки C#. NET.

2. Цель и задачи исследования, планируемые результаты

Целью работы является проведение теоретического анализа современных методов отображения информации при исследовании изображений и результатов их обработки, сопоставление основных алгоритмов сегментации и определение перспективных для их последующего использования при анализе медицинских изображений.

Основные задачи исследования:

  1. Обобщение литературных источников и проведение теоретического анализа методов отображения результатов при исследовании изображений и результатов их обработки, а также известных алгоритмов.
  2. Определение особенностей этих алгоритмов и выбор лучшего для использования при анализе медицинских изображений.
  3. Разработка программного обеспечения для автоматизированного определения патологии.
  4. Проведение вычислительных экспериментов, сравнительный анализ результатов, формулирование выводов.

Объект исследования: система анализа и обработки медицинских изображений.

Предмет исследования: информационное, методическое и прогараммно-алгоритмическое обеспечение этой системы.

В рамках магистерской работы планируется получение актуальных научных результатов по следующим направлениям:

  1. Разработать метод автоматизированного анализа и обработки медицинских изображений, позволяющий выявлять пользователю объекты интереса.
  2. Разработать систему анализа и обработки медицинских изображений, обеспечивающую повышение эффективности обнаружения исследователем объектов патологии.
  3. Провести экспериментальную апробацию метода и ситемы автоматизированного анализа и обработки медицинских изображений.
  4. Разработать рекомендации по анализу и обработке медицинских изображений, содержащих объекты интереса, для повышения эффективности их обнаружения исследователем.

Для экспериментальной оценки полученных теоретических результатов и формирования фундамента последующих исследований, в качестве практических результатов планируется разработка программного обеспечения, реализующего автоматический анализ медицинских изображений и выявление объектов интереса.

3. Обзор исследований и разработок

3.1 Обзор международных источников

В 1895 году Рентген открыл Х-лучи, и это были впервые медицинские изображения. В первый разстало возможно визуализировать неинвазивно (то есть, не через операции) внутри человеческого тела. Это открытие получило широкую огласку в прессе, и "X - ray" мания сразу захватила Европу и США.

Сегодня рентгенографии являются обычной и неотъемлемой частью медицины. Патологии можно наблюдать непосредственно, а не выводится из симптомов.

Технология изображений значительно улучшилась с конца XIX века. Много различных методов визуализации были разработаны и используются в клинической практике. Потому что они основаны на различных физических принципах. Эти методы могут более или менее подходить для того или иного органа или патологии. На практике они взаимно дополняют друг друга.

С. Анжемент, Э. Пичон, А. Танненбаум и другие американские учёные используют математические методы для анализа и обработки медицинских изображений, в частности дифференциальные уравнения в частных производных [3].

Важной составляющей анализа медицинских изображений является сегментация. В общем, методы сегментация основаны на двух основных свойствах пикселей по отношению к их окрестности: разрыве и подобии. Испанские исследователи X.Cufi, X.Munoz, J.Freixenet, J.Marti предлагают синтезировать эти методы для получения оптимального результата [4].

В работах российских учёных для регистрации медицинских изображений используются эволюционные алгоритмы [5].

В Санкт-Петербургском государственном электротехническом университете «ЛЭТИ» им. В.И. Ульянова (Ленина) (СПбГЭТУ) на кафедре биотехнических систем кандидатом технических наук Виллевальде А. Ю. была разработана системы анализа и обработки медицинских изображений, обеспечивающая повышение эффективности обнаружения исследователем небольших малоконтрастных объектов на них за счет согласования пространственных и энергетических характеристик изображений со свойствами зрительной системы исследователя [6].

3.2 Обзор национальных и локальных источников

Донецком национальном техническом университете (кафедра автоматизированных систем управления) широко разрабатываются методы анализа медицинских изображений, основанные на алгоритме муравьинных колоний, нейронных сетях, метода маркертного водораздела и других.

Проведением научных исследований по данной тематике занимается профессор, доктор технических наук, заведующий кафедрой АСУ, Скобцов Ю. А., доцент кафедри АСУ Меркулова Е. В., а также другие сотрудники кафедры вместе с аспирантами и студентами [9].

4. Результаты, полученные на момент написания реферата

Обработка и анализ изображений состоит из следующих этапов.

  1. Предварительная обработка. Фаза предварительной обработки устраняет отклонения, связанные с системой генерации изображения, и уменьшает шумы.
  2. Изменение контрастности изображения. Расчёт гистограммы изображения создаёт представление количества пикселей для каждого уровня серого цвета в изображении.
  3. Сегментация. Эта фаза обработки изображения изолирует отдельные его элементы.
  4. Расчёт параметров. Расчёт линейных и объёмных параметров анатомических образований.
  5. Интерпритация изображений.Полученные структуры и параметры должны быть сопоставимы с известными структурами и классифицированы [10].

Первым этапом данной работы является создание программного продукта, позволяющего производить визуальную и, как следствие, приближенную оценку существующих патологий осанки. В программе предусмотрены следующие функции: возможность загрузки изображения, проведения прямых линий (вертикальных и горизонтальных), построения вертикальных средних линий, определения расстояний между линиями, изменения цвета или толщины линий, вычисления угла между линиями, масштабирования изображения, его копирование и работа с текстом.

Математическая модель

Для реализации функций программы, связанных с расчётом расстояний и углов, прямая представлена двумя точками: началом и концом. Соответственно, каждая точка имеет координату по оси Х и У. Это позволяет использовать стандартные формулы и методы для работы с координатами на плоскости.

Расстояние между двумя равными вертикальными параллельными прямыми равно модулю разности их координат по оси Х.

Координаты для построения средней линии вычисляются по формуле середины отрезка.

Определение угла между линиями осуществляется согласно известной формуле нахождения угла между векторами, причем каждый из них задан своей начальной и конечной точкой.

Программная реализация

Исполняемый файл программы был разработан средствами Microsoft Visual Studio 2008, с использованием языка программирования прикладного уровня C#. Интерфейс программы, в настоящее время, является составным и состоит из главного окна и ряда элементов управления. Он выполнен в стандартном для windows-приложений стиле, что облегчает его восприятие.

Опишем, как программно реализуются основные функции данного приложения.

Определение расстояния между линиями осуществляется в несколько этапов.

Вначале получаем координаты начальных и конечных точек последовательно выделенных прямых.

Стандартное разрешение рабочей области формы составляет 100 пикселей на дюйм. Соответственно 1 дюйм = 25,4 мм = 2,54 см. Таким образом, в 1 пиксель приходится 0,0254 см, что соответствует реальному расстоянию на экране.

Т.к. определяем расстояние между параллельными вертикальными прямыми, то расчетная формула будет равна:

distance = Math.Abs((p1[0].X + p1[1].X)/2 - (p2[0].X + p2[1].X)/2)*0.0254, где

p1 – массив, содержащий координаты точек первой прямой,

p2 – массив, содержащий координаты точек второй прямой,

Math.Abs – функция взятия модуля.

По условию задачи, шаг сетки составляет 5 сантиметров. Округленное расстояние между линиями сетки составляет 25 пикселей. Значит 25 пикселей = 5 см, следовательно, 5 пикселей = 1 см.

distance2 = Math.Abs((p1[0].X + p1[1].X) / 2 - (p2[0].X + p2[1].X) / 2) /5 – расстояние между прямыми с учетом шага сетки.

Определение угла между линиями выглядит следующим образом:

double abcd = (p1[1].X - p1[0].X) * (p2[1].X - p2[0].X) + (p1[1].Y - p1[0].Y) * (p2[1].Y - p2[0].Y) – вычисление скалярного произведения.

double ab = Math.Sqrt((p1[1].X - p1[0].X) * (p1[1].X - p1[0].X) + (p1[1].Y - p1[0].Y) * (p1[1].Y - p1[0].Y)) – нахождение длины первой линии (вектора).

double cd = Math.Sqrt((p2[1].X - p2[0].X) * (p2[1].X - p2[0].X) + (p2[1].Y - p2[0].Y) * (p2[1].Y - p2[0].Y)) – нахождение длины второй линии(вектора).

double angle = Math.Round(rad * Math.Acos(abcd / (ab * cd)),2) – вычисление угла между векторами и перевод меры этого угла из радиан в градусы.

if (angle > 90.0) { angle = 180 - angle; } – вывод только острого или прямого угла.

Построение средней линии между двумя маркерными линиями реализуется следующим образом:

this.s.addLine(Math.Abs(p1[0].X + p2[0].X)/2, p1[0].Y, Math.Abs(p1[1].X + p2[1].X)/2, p2[1].Y, this.CreationPenColor, CreationPenWidth).

Этапы взаимодействия пользователя с программой

Этапы и порядок взаимодействия пользователя с программой следующие:

1. Загружаются фотографии в формате JPEG (пациент на фоне калибровочного экрана) (рисунок 1).

Рисунок 1 – Исходные изображения: фото 1, фото 2Рисунок 1 – Исходные изображения: фото 1, фото 2

Рисунок 1 – Исходные изображения: фото 1, фото 2

2. На изображениях, показанных на фото 1 и 2, проводится построение трех параллельных линий. На калибровочном экране справа, – это 3 красные линии – рисунок 2 и 3.

Рисунок 2 – Вертикальные маркерные линии на фото 1

Рисунок 2 – Вертикальные маркерные линии на фото 1

Рисунок 3 – Вертикальные маркерные линии на фото 2

Рисунок 3 – Вертикальные маркерные линии на фото 2

3. Проводится горизонтальная реберная линия (она проходит через наивысшую точку, образованную реберной дугой, параллельно калибровочным линиям) – рисунок 5.

4. Рассчитываются отклонения:

Фото 1:

Рисунок 4 – Определение расстояний

Рисунок 4 – Определение расстояний

Фото 2:

Рисунок 5 – Требуемые построенияРисунок 5 – Требуемые построения

Рисунок 5 – Требуемые построения

Поэтапная работа программы для фото 1

Рисунок 6 – Поэтапная работа программы для фото 1
(анимация: 10 кадров, 5 циклов повторения, 173 килобайта)

Таким образом, с помощью имеющегося в программе инструментария, можно произвести автоматизированную оценку существующей у пациента патологии.

Поскольку метод абсолютно безвреден, то он может применяться при обследованиях для оценки патологии, и, как следствие, для определения профессиональной пригодности или индивидуального планирования обучения, в зависимости от того в какой сфере и к какой возрастной категории будет применён.

При написании данного реферата магистерская работа еще не завершена. Окончательное завершение: декабрь 2012 года. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.

Список источников

  1. Панина А. И., Беловодский В. Н. Обработка медицинских изображений в среде разработки C#. NET.//Інформаційні управляючі системи та комп’ютерний моніторинг (КСМ, ІУС-2012) / Матерiали III мiжнародної науково-технiчної конференцiї студентiв, аспiрантiв та молодих вчених. — Донецьк, ДонНТУ — 2012.
  2. Панина А. И., Беловодский В. Н., Владзимирский А. В. Анализ медицинских изображений и диагностика патологии осанки в среде моделирования C#. NET.//Український журнал телемедицини та медичної телематики. — Донецьк, ДонНМУ ім. М. Горького, Науково-дослідний інститут травмотології та ортопедії — 2012, Том 10, № 1, с. 104-105.
  3. Sigurd Angenent, Eric Pichon, Allen Tannenbaum. Mathematical methods in medical image processing. – Bulletin (New Series) of the american mathematical society.
  4. Cufi X., Munoz X., Freixenet J., Marti J.A Review on Image Segmentation Techniques Integrating Region and Boundary Information [Электронный ресурс]. – Режим доступа: http://eia.udg.es/....
  5. Деткова Ю.Д.Обработка медицинских изображений с применением эволюционных алгоритмов в задачах биоинформатики. [Электронный ресурс]. – Режим доступа: http://img.avalon.ru....
  6. Виллевальде А. Ю. Система анализа и обработки медицинских изображений с малоконтрастными объектами : диссертация кандидата технических наук: 05.11.17 / Виллевальде Анна Юрьевна; [Место защиты: С.-Петерб. гос. электротехн. ун-т (ЛЭТИ)].– Санкт-Петербург, 2008. – 143 с.: ил. РГБ ОД, 61 09-5/297.
  7. Близкая О. В. Разработка методов и алгоритмов обработки медицинских изображений с использованием методов искусственного интеллекта. [Электронный ресурс]. – Режим доступа: http://masters.donntu.ru ....
  8. Белявцев А. А. Разработка специализированной компьютерной системы диагностики клеток на основе анализа изображений. [Электронный ресурс]. – Режим доступа: http://www.uran.donetsk.ua ....
  9. Эль-Хатиб Самер Аднан. Компьютерная система сегментации медицинских изображений на основе алгоритма муравьиных колоний. [Электронный ресурс]. – Режим доступа: http://masters.donntu.ru ....
  10. Теоретический материал для подготовки к практическим занятиям и итоговому модульному контролю. Учебно-методическое пособие для студентов 2 курса медицинских вузов специальностей «Лечебное дело», «Педиатрия», «Стоматология». Под редакцией П.Е. Григорьева, Н.М. Овсянниковой. Авторы-составители: Овсянникова Н.М., Григорьев П.Е., Соколова Т.А., Ческая Т.Ю., Щеголева М.Г., Ислямов Р.И.[Электронный ресурс]. – Режим доступа: http://http://dmfi.info....