ДонНТУ   Портал магистров

Реферат по теме выпускной работы

Содержание

Введение

Телемедицина – это использование достижений телекоммуникационных технологий в здравоохранении. Телемедицина позволяет поднять эффективность лечения и диагностики на качественно новый уровень. С помощью телемедицинских технологий можно, например, удаленному больному, оказать высоко-квалифицированную медицинскую помощь. Врачи могут поставить диагноз, на основании полученных в реальном времени или через электронную почту изображений рентгеновских снимков, компьютерных томограмм и т. д. В связи с тем, что зачастую основная часть узких специалистов в различных областях медицины работает в специализированных медицинских центрах крупных городов, это привело к определенной централизации медицинской помощи. Достижения телемедицины устраняют необходимость в физическом присутствии специалиста на месте.

Телемедицина – это направление на стыке нескольких областей – медицины, телекоммуникаций, информационных технологий, образования. Направление это новое, но достаточно востребованное в последнее время.

Данная СКС поможет быстро и качественно обработать большое количество снимков и поставить предварительный диагноз. Затем полученные результаты передаются специалистам, которые в свою очередь принимают решение о дальнейшем лечении пациента.

1. Цель и задачи исследования

Целью работы является исследование и выбор методов обработки изображения костей для СКС. Разработка СКС диагностики переломов.

К основным задачам относятся:

1. Анализ существующих компьютерных систем диагностики переломов.

2. Исследование и выбор методов классификации обработки изображений переломов костей для СКС.

3. Экспериментальное исследование выбранных методов и адаптация их для СКС.

4. Разработка структуры СКС и математическое, программное, информационное обеспечения для СКС.

2. Характеристика существующих методов классификации обработки изображений

2.1 Метод сравнения эталонов

Сравнение эталонов заключается в выделении необходимых областей на изображении, и последующем сравнении этих областей для двух различных изображений. Каждая совпавшая область увеличивает меру сходства изображений. Это так же один из исторически первых методов распознавания изображения. Для сравнения областей используются простейшие алгоритмы, типа попиксельного сравнения.

Недостаток этого метода заключается в том, что он требует много ресурсов как для хранения участков, так и для их сравнения. В виду того, что используется простейший алгоритм сравнения, изображения должны быть сняты в строго установленных условиях: не допускается заметных изменений ракурса, освещения и пр.

2.2 Методы, основанные на геометрических характеристиках

Один из самых первых методов – это анализ геометрических характеристик. Изначально применялся в криминалистике и был там детально разработан. Потом появились компьютерные реализации этого метода. Суть его заключается в выделении набора ключевых точек (или областей) и последующем выделении набора признаков. Каждый признак является либо расстоянием между ключевыми точками, либо отношением таких расстояний. В отличие от метода сравнения эластичных графов, здесь расстояния выбираются не как дуги графов. Наборы наиболее информативных признаков выделяются экспериментально. В процессе распознавания сравниваются признаки неизвестного, например лица, с признаками, хранящимися в базе. Задача нахождения ключевых точек приближается к трудоёмкости непосредственно распознавания, и правильное нахождение ключевых точек на изображении во многом определяет успех распознавания. Поэтому изображение должно быть без помех, мешающих процессу поиска ключевых точек. Освещение желательно равномерное и одинаковое для всех изображений. Кроме того, должно иметь фронтальный ракурс, возможно с небольшими отклонениями.

Таким образом, данный метод предъявляет строгие требования к условиям съёмки, нуждается в надёжном механизме нахождения ключевых точек для общего случая. Кроме того, требуется применение более совершенных методов классификации или построения модели изменений.

В общем случае этот метод не самый оптимальный, однако для некоторых специфических задач перспективен. К таким задачам можно отнести документный контроль, когда требуется сравнить изображение лица, полученного в текущий момент с фотографией в документе. При этом других изображений этого человека не имеется, и следовательно механизмы классификации, основанные на анализе тренировочного набора, недоступны.

2.3 Методы оптического потока

Алгоритмы оптического потока используются в основном для анализа движения. Используя два или более последовательных кадра изображения, можно рассчитать двумерное векторное поле, называемое оптическим потоком, которое отражает актуальное или наиболее вероятное смещение точек изображения от кадра к кадру.

Оптический поток рассчитывался для двух произвольных изображений, для получения меры соответствия изображений. Эти два изображения считались последовательными кадрами. Затем вычислялось векторное поле, наилучшим образом отображающее одно изображение в другое, в смысле минимизации расстояния между изображениями и с учётом геометрических ограничений, таких как относительное расположение точек изображения.

Алгоритм находил наиболее соответствующие блоки. Поиск осуществлялся иерархически, начиная с больших блоков, и затем разбивая их на меньшие блоки. Таким образом, строилась пирамида соответствия изображений.

Используя векторное поле оптического потока, строились различные меры соответствия, с помощью которых в базе находилось изображение, ближайшее к неизвестному.

К недостаткам этого метода в первую очередь относится его вычислительная трудоёмкость. На специализированном параллельном компьютере сравнение двух изображений занимало больше минуты. Метод неспособен извлекать компактный набор характеристик для хранения и поиска в базе.

3. Структура магистерской работы

3.1 Выбор объекта диагностики

Объектом исследования является изображение бедренной кости (например, рентгенограмма).

Бедренная кость – это самая крупная, длинная кость в скелете человека. Оба конца бедренной кости участвуют в образовании крупных суставов - тазобедренном и коленном. По анатомической локализации бывают переломы: проксимального конца, тела (диафиза), дистального конца. В данной работе рассматриваются переломы тела бедренной кости, т. е. диафиза.

Переломы диафиза делятся на простые – это простое круговое нарушение целостности диафиза, клиновидные – переломы с одним или несколькими промежуточными фрагментами, при котором после репозиции сохраняется контакт между основными отломками, а также сложные – это переломы с одним или несколькими промежуточными фрагментами, при котором после репозиции отсутствует контакт между основными отломками. Исходя из представленных описаний, можно выделить следующие характеристики для определения типа перелома (табл.1):

Таблица 1 – характеристики типа перелома

Простой Клиновидный Сложный
Количество частей 2 >2 >2
Форма и размер частей 2 крупные части, которые можно совместить 2 крупные части, остальные разных форм и размеров. Возможно визуальное совмещение осколков. 2 крупные части, остальные разных форм и размеров. Визуальное совмещение осколков невозможно.

В свою очередь простые переломы бывают: спиральные, косые и поперечные. Клиновидные переломы делятся на спиральные, изгиб клина и фрагментированные. Комплексные переломы: спиральные, сегментные и нерегулярные.

Виды переломов бедра

Рисунок 1 – Виды переломов бедра
(анимация: 5 кадров, 5 циклов повторения, 115 килобайт)

3.2 Выбор методов классификации обработки изображения. Марковские модели

Выбраны основные методы, которые будет использоваться при обработке изображения в данной СКС. Методы основаны на Марковских моделях. Марковские модели являются мощным средством моделирования различных процессов и распознавания образов. По своей природе Марковские модели позволяют учитывать непосредственно пространственно-временные характеристики сигналов, и поэтому получили широкое применение в распознавании речи, а в последнее время – изображений.

Цифровое изображение – суть случайный двумерный дискретный сигнал, который наблюдается системой. Последовательность наблюдений О=о1, о2, …, оT, где оt – сигналы, упорядоченные по пространственным отношениям, может извлекаться из изображения различными способами. В силу этого описательные способности полученных моделей могут различаться.

Каждая модель λ=(A, B, π) представляет собой набор N состояний S={S1, S2,…, SN}, между которыми возможны переходы. В каждый момент времени система находится в строго определённом состоянии. При переходе в каждое состояние генерируется наблюдаемый символ, который соответствует физическому сигналу с выхода моделируемой системы. Набор символов для каждого состояния V={v1, v2,…, vM}, количество символов M. Существуют так же модели, в которых набор символов для всех состояний одинаков.

Символ в состоянии qt=Sj в момент времени t генерируется с вероятностью:

Набор всех таких вероятностей составляет матрицу B={bj(k)}, где bj(k) – вероятность выпадения k-го значения параметра в j-м состоянии.

Матрица A={aij} определяет вероятность перехода из одного состояния в другое состояние:

Считается, что A не зависит от времени.

Также модель имеет вероятность начальных состояний π=πi, где πi=P[q1=Si] – вероятность того, что в начальный момент система окажется в i-м состоянии.

Модель λ=(A, B, π) с настроенными параметрами может быть использована для генерирования последовательности наблюдений. Для этого случайно, в соответствии с начальными вероятностями π выбирается начальное состояние, затем на каждом шаге вероятность B используется для генерации наблюдаемого символа, а вероятность A – для выбора следующего состояния. Вероятность P генерирования моделью λ последовательности состояний O:

где Q=q1, q2,…,qT – последовательность состояний.

Предполагается, что наблюдения статистически независимы.

В распознавании образов скрытые Марковские модели применяются следующим образом. Каждому классу i соответствует своя модель λ. Распознаваемый образ (изображение) представляется в виде последовательности наблюдений O. Затем для каждой модели λ вычисляется вероятность того, что эта последовательность могла быть сгенерирована именно этой моделью. Модель λj, получившая наибольшую вероятность, считается наиболее подходящей, и образ относят к классу j.

3.3 Структура СКС

Основная последовательность операций автоматической классификации представлена на рисунке 2:

Рисунок 2 – Автоматическая классификация

В большинстве случаев процесс автоматической классификации проводится в три этапа:

1. Этап подготовки изображения включает в себя непосредственный ввод изображения с камеры и предварительную обработку. Предварительная обработка, состоящая в максимальном приближении исследуемого изображения к эталонному или нормализованному. Чаще всего для медицинских изображений это пространственно инвариантные операции, сдвиг, изменение яркости, изменение контраста, квантование и геометрические преобразования (изменение масштаба, поворот оси). Теория этих преобразований хорошо разработана и, как правило, не вызывает трудностей при использовании современных ЭВМ.

2. Выделение признаков, при которых функция, представляющее обработанное изображение, подвергается функциональному преобразованию, выделяющему ряд наиболее существенных признаков, которые кодируются действительными числами. Выделение признаков заключается в математических преобразованиях изображения в зависимости от задачи анализа. Это может быть вычитание из эталона, вычитание постоянной составляющей для исключения мешающих теней, дифференцирование или автокорреляция для выделения контура, частотная фильтрация и многие другие. Правильный выбор алгоритма обработки имеет решающее значение для следующего этапа преобразования и представляет наибольшую трудность.

3. Классификация признаков. Полученные в результате предыдущей операции наборы действительных чисел, описывающие выделенные признаки, сравниваются с эталонными числами, заложенными в память машины. ЭВМ на основании такого сравнения классифицирует изображение, т. е. относит его к одному из известных видов, например, норма или патология.

Выводы

В сфере современных информационных технологий большое внимание уделяется повышению качества рентгеновских снимков для улучшенной работы с ними, также проводится всевозможная автоматизация процессов обработки медицинских изображений с целью более точного определения параметров и характеристик.

Выбран объект диагностики, изучены материалы по теме диагностики переломов, классификации переломов, проанализированы существующие методы обработки изображений, их достоинства и недостатки, выбраны оптимальные методы обработки изображений для СКС.

Перечень ссылок

  1. Телемедицина в России [Электронный ресурс]. – Режим доступа: http://www.cplire.ru/mac/telemed/index.htm .
  2. Кулешов, С. В. Применение СММ для распознавания лиц [Электронный ресурс]. – Режим доступа: http://exos.org.ru/download/frbook.pdf .
  3. Компьютерная графика и мультимедиа [Электронный ресурс]. – Режим доступа: http://cgm.computergraphics.ru/ .
  4. Перелом проксимального отдела бедренной кости [Электронный ресурс]. – Режим доступа: http://www.eurolab.ua/diseases/1456/ .
  5. Учебно-методическое пособие [Электронный ресурс]. – Режим доступа: http://www.argo-shop.com.ua/article-4366.html.
  6. Перелом бедренной кости [Электронный ресурс]. – Режим доступа: http://www.vrach-travmatolog.ru/perelom-bedrennoy-kosti.htm.
  7. Перелом костей [Электронный ресурс]. – Режим доступа: http://www.vrach-travmatolog.ru/perelomy-kostey.htm.
  8. Моделирование. Вероятностные методы диагностики [Электронный ресурс]. – Режим доступа: http://www.omsk-osma.ru/img_pulpit/mbf/lec_21.Modelirovanie.pdf.
  9. Сектор лучевой диагностики и медицинской визуализации [Электронный ресурс]. – Режим доступа: http://www.arcerm.ru/clinicldiag.html.
  10. Медицинские изображения и их обработка [Электронный ресурс]. – Режим доступа: http://gridclub.ru/library/publication....
  11. Стоматологический блог врача-стоматолога [Электронный ресурс]. – Режим доступа: http://stomklin.ru....
  12. Распознавание изображений [Электронный ресурс]. – Режим доступа: http://dima78.livejournal.com/42168.html.
  13. Цифровые рентгенографические системы [Электронный ресурс]. – Режим доступа: http://stomfak.ru/rentgenodiagnostika-v-stomatologii....