В статье рассматриваются различные искажающие факторы, которые могут иметь место при получении медицинских изображений а также при их предварительной обработке. Рассматривается работа алгоритмов оконтуривания изображений в условиях действия искажающих факторов с целью выявления наиболее оптимального. Приведены графики сравнения качества работы алгоритмов.
Выделение контуров на медицинских изображениях является актуальной задачей в современной области обработки изображений. Разработка и усовершенствование подобных методов имеет большое значение в развитии информационных технологий медицины. Автоматизация процессов диагностирования патологий в существенной степени позволит увеличить объем обслуживаемых пациентов, а с развитием методов автоматизированной диагностики это позволит сделать процесс постановки диагноза более точным. Автоматизированная диагностика может применяться при диагностировании патологий внутренних органов, системы пищеварения, различных патологий глаза и пр. Медицинские снимки, которые анализируются различными алгоритмами оконтуривания подвержены влиянию искажающих факторов, таких как шумы, расфокусировка, различного рода помехи. Это может быть вызвано шумами оборудования или их частей, недостаточной освещенностью, особенно в условиях диагностики патологий внутренних органов, различного рода дефектов и артефактов на рентгеновских пленках при введении изображений в компьютер и тд. Для того, чтобы максимально точно определить границы объектов на медицинских изображениях и вместе с тем степень патологии, если она имеет место быть, необходимо в соответствии с условиями проведения диагностики выбрать наиболее оптимальный для этого метод оконтуривания.
Существует достаточно большое количество методов оконтуривания, на основе которых созданы алгоритмы для обработки изображений.[1]
Комплексным показателем качества работы алгоритмов выделения определим критерий минимума среднеквадратической ошибки оконтуривания, а также критерий битовой ошибки с учетом количества полностью потерянных пикселей изображения, описанных в [3].
Следует также отметить необходимость проведения сравнительных оценок в одинаковых условиях. Каждый из алгоритмов имеет в своем составе некоторый набор предустановок, в том числе установки порога чувствительности. Большая часть алгоритмов имеют в своем составе только установки верхнего порога чувствительности, однако существуют алгоритмы, в частности это алгоритм Canny, у которого имеется возможность конфигурирования как верхней так и нижней границы порога чувствительности. Данные установки для каждого алгоритма различны. Т.е. при одних и тех же численных значениях порога чувствительности визуально результаты обработки изображений могут сильно различаться. Для проведения экспериментов необходимо создать одинаковые начальные условия.
На рис. 1 представлено типовое изображение после обработки одним из алгоритмов оконтуривания, на нем отмечены некоторые, важные для рассмотрения, области. Область 3 – это область, где практически отсутствует всякая информация, имеющая значение с медицинской точки зрения, область 2 –это непосредственно сам объект, а область 1 – это пространство пикселей, которые окружают объект и при этом препятствуют его более качественному обнаружению. Пиксели из этой области можно назвать шумом, поскольку нужной нам информации они не несут.
Рис. 1.
Эта область фильтруется на этапе наложения маски [3]. Предлагается по данным об уровне этого шума калибровать алгоритмы поиска контуров. На этапе масочной фильтрации, область 1 удаляется из изображения, однако внутри этой области проводится подсчет количества шумовых пикселей. Уровень шума можно определить следующим образом:
где Pij - это шумовые пиксели, значение яркости которых внутри области определенной маской принимают не нулевое значение, begin – локальная координата левой границы маски, end – локальная координата правой границы маски, top – локальная верхняя граница маски, bottom – локальная нижняя граница маски, S – общая площадь маски.
В рассмотрении будут участвовать наиболее распространенные алгоритмы оконтуривания, имеющие четкое математическое описание. Это алгоритмы Prewitt, Canny, Roberts и алгоритм свертки с лапласианом гауссиана – LOG. Моделирование работы этих алгоритмов будет проводиться в системе MatLab, поскольку данная система имеет весьма широкие возможности для моделирования различных процессов в том числе и в области обработки изображений. Кроме этого, для моделирования условий препятствующих процессу оконтуривания используется программа Photoshop, имеющая в своем наборе широкий спектр фильтров для изображений. С учетом предварительной калибровки алгоритмов рассмотрим наиболее типовые ситуации, когда на изображение действует нормальный шум с гауссовым распределением, и ситуацию с расфокусированным изображением.
На рис. 2 показана зашумленная модель медицинского изображения, с уровнем шума 5% и нормальным гауссовым распределением.
Рис.2. Зашумленная модель медицинского изображения
Влияние шума сильно сказывается на визуальном восприятии изображения. Значение битовой ошибки достаточно велико, однако при увеличении уровня чувствительности ее значение несколько понижается. Однако это не является значимым фактом и может быть объяснено тем, что в некоторых точках, где алгоритмы обнаружения краев не обнаружили реальный контур объекта, при добавлении шумовой составляющей, контур объекта стал более четко выражен.
Рис.3. Среднеквадратическая ошибка в условиях зашумленного изображения
Интерес представляет поведение битовой ошибки алгоритма LoG (рис. 4), ее значение сильно превышает значение битовой ошибки других алгоритмов и ее уменьшение с увеличением чувствительности происходит не линейно.
Графики рис. 3 показывают, что наименьшим значением среднеквадратической ошибки определения контура обладает алгоритм Canny. При низком пороге чувствительности, наилучший результат имеет алгоритм Canny с уменьшенной шириной пороговых уровней, однако при средней и высокой чувствительности, стандартное значение имеет лучшие показатели. По данному критерию наихудшими результатами обладает алгоритм LoG.
Рис.4. Уровень битовой ошибки в условиях зашумленного изображения
Обратимся к рассмотрению работы алгоритмов в условиях расфокусировки.
Для всех типов линз, используемых в камерах того или иного вида характерно только одно фокусное расстояние, на котором объект проецируется на фотоматрицу без искажений, для любой другой дистанции изображение будет размытым. Гиперфокальная дистанция может быть рассчитана следующим образом:H≈f2÷NC
где f – фокусное расстояние, N – диаметр линзы, с - диаметр круга размытия.
Изображение расфокусированного изображения приведено на рис. 5. С точки зрения визуального восприятия, каждый из алгоритмов достаточно неплохо выделяет объект на фоне окружающего поля пикселей, но обратимся к количественным оценкам.
Рис.5. Модель расфокусированного медицинского изображения
По результатам оценки значения среднеквадратической ошибки определения контура (рис. 6) наихудшие результаты у алгоритма Prewitt, также алгоритм LoG имеет не высокие показатели качества работы. Наилучший результат показал алгоритм Canny с уменьшенной шириной пороговых уровней.
Рис.6. Среднеквадратическая ошибка в условиях расфокусированного изображения
Но при стандартных настройках порога чувствительности ошибка нахождения контура не на много превышает значение ошибки при работе алгоритма с уменьшенной пороговой границей. Значение битовой ошибки у всех алгоритмов примерно одинаковое, рис. 7, за исключением алгоритма LoG. У него битовая ошибка превышает все остальные алгоритмы и ее значение не уменьшается с увеличением чувствительности.
Рис.7. Уровень битовой ошибки в условиях расфокусированного изображения
Резюмируя полученные результаты работы алгоритмов оконтуривания, в различных условиях, искажающих изображение, можно отметить что наиболее устойчивым является алгоритм Canny. Его следует рекомендовать для использования в системах, где изображение может подвергаться воздействию шумов а также негативных эффектов размытия. Дефекты на фотографической рентгеновской пленке также можно отнести к воздействию шумов, поэтому в этом случае алгоритм Canny также будет более предпочтителен. При отсутствии негативных воздействий или в случае их минимального действия возможно использование других методов оконтуривания. Их выбор должен производится, исходя из условий проведения диагностических процедур иногда из соображений быстродействия.
Литература
- Форсайт, Дэвид А., Понс,Жан - Компьютерное зрение. Современный подход.-М.: Издательский дом «Вильямс», 2004.
- Никитин О.Р., Агеев А.В. Обработка изображений для последующей сегментации. Проектирование и технология радиоэлектронных средств №4, 2003, с.55-59.
- Никитин О.Р., Пасечник А.С. Сравнительная оценка качества работы алгоритмов оконтуривания медицинских изображений Методы и устройства передачи и обра- ботки информации вып. 8 Межв.сб. научн. тр./ под ред. В.В. Ромашова.-М.: «Радио- техника», 2007.-186с, с. 137-142.