ДонНТУ   Портал магистров

Реферат по теме выпускной работы

Содержание

Введение

Ультразвуковое исследование – один из основных этапов лучевого обследования пациентов. Высокая доступность, полное отсутствие вредоносной лучевой нагрузки, неинвазивность, высокая информативность, достаточная оснащенность медицинских учреждений ультразвуковой аппаратурой обеспечивают ультразвуковому методу исследования широкое распространение.

В последние годы внедрение компьютеров в различные сферы жизни человека происходит все активнее. Медицина не стала исключением. Современные аппараты УЗИ оснащаются множеством дополнительных программ и режимов сканирования, которые открывают новые перспективы в диагностике различных заболеваний. Анализ снимков полученных с помощью аппарата УЗИ (далее УЗИ-снимки) и последующий программный анализ, позволяют получить наиболее полную информацию о состояниях печени, а также о наличии патологий. При наличии видоизменений возможно определение степени их однородности, локализации, размеров и площади.

1. Актуальность темы

Печень часто называют лабораторией человеческого организма. В этом органе происходит порядка 20 млн. химических реакций в минуту. Проблема поддержания здоровья печени стоит сегодня как никогда остро. Почти у половины населения наблюдаются те или иные изменения в печени [1]. Восстановление функций печени – занятие не только очень сложное, но и весьма дорогостоящее [2].

Для облегчения задачи диагностики врачам, а также для более ранней диагностики необходима компьютерная система диагностики со специальным программным обеспечением, которая позволит упростить процесс нахождения новообразований и определить необходимые параметры. Это предоставит возможность врачу точнее оценить размеры новообразований, ускорить процесс лечения.

2. Цель

Разработка компьютерной системы обработки УЗИ-снимков печени с целью нахождения новообразований, определение необходимых параметров, которые помогут более точно оценить сложившуюся клиническую ситуацию. На этапе применения инвазивных методов, таких как биопсия. И тем самым, снизить риск осложнений.

3. Основные задачи

Основные задачи, которые необходимо решить при разработке компьютерной системы диагностики патологий печени:

  1. Определение методов, и их параметров, для предварительной обработки снимков, с целью улучшения их качества.
  2. Выбор признаков, характеризующих состояние новообразований и позволяющих решить задачу автоматической классификации патологий.
  3. Выбор методов и разработка программного обеспечения для получения необходимых признаков.
  4. Выбор методов классификации выявленных патологий, по полученным признакам, а также, постановка предварительного диагноза.

Объект исследования: изображения печени, полученные при помощи аппарата УЗИ.

Предмет исследования: методы анализа УЗИ-снимков печени, позволяющие корректно поставить предварительный диагноз.

4. Обзор существующих методов

4.1 Линейное контрастирование

Изображения, вводимые в компьютер, часто являются малоконтрастными, то есть у них вариации функции яркости малы по сравнению с ее средним значением. Реальный динамический диапазон яркостей [fmin , fmax] для таких изображений оказывается намного меньше допустимого диапазона (шкалы яркости). Задача контрастирования заключается в «растягивании» реального динамического диапазона на всю шкалу. Контрастирование можно осуществить при помощи линейного поэлементного преобразования (1) [4]:

Формула 1 (1)

Параметры этого преобразования a, b нетрудно определить, исходя из требуемого изменения динамического диапазона (2)-(3).

Формула 2 (2)

Формула 3 (3)

Если в результате обработки нужно получить шкалу [gmin, gmax], то параметры расчитывают исходя из вышеописанных формул. При диалоговой обработке изображений иногда проще не определять параметры преобразования, а непосредственно строить его в табличной форме, ориентируясь на границы распределения вероятностей функции яркости.

4.2 Алгоритмы линейной фильтрации изображений

Рассмотрим схему искажения и фильтрации (восстановления) изображений, представленную на рис. 1.

Рисунок 1

Рисунок 1 — Модель искажения и восстановления изображений

Целью восстановления искаженного изображения y(n1 ,n2) является получение из него при помощи некоторой обработки изображения, которое близко к идеальному изображению x(n1 ,n2) по заданному критерию [4]. Получающееся в результате обработки изображение будем называть оценкой исходного (идеального) изображения x(n1 ,n2). Определим ошибку оценивания в каждой точке изображения (4):

Формула 5 (4)

а также среднюю квадратичную ошибку (СКО) через ее квадрат, то есть дисперсию ошибки (5):

Формула 6 (5)

Критерий минимума квадрата СКО является наиболее универсальным и распространенным критерием качества восстановления при проектировании алгоритмов фильтрации изображений из-за математической простоты. Однако этот критерий имеет недостаток, заключающийся в том, что он не всегда согласуется с субъективным (психовизуальным) критерием качества, основанным в основном на точности передачи контуров. Указанный критерий является конструктивным и позволяет теоретически рассчитывать оптимальные (дающие минимумы квадрата СКО) алгоритмы фильтрации при рассмотренных моделях наблюдения. Однако оптимальные алгоритмы оказываются весьма сложными для расчета и реализации. В автоматизированных системах обработки изображений предпочтение отдается так называемым квазиоптимальным алгоритмам, которые дают минимум квадрата СКО в некотором классе алгоритмов с заданной структурой и незначительно отличаются от оптимальных по этому критерию. Обычно спектр шума содержит более высокие пространственные частоты, чем спектр идеального изображения. Этот факт наводит на мысль, что простая низкочастотная фильтрация может служить эффективным средством подавления шумов. В принципе любой фильтр с неотрицательными коэффициентами обладает сглаживающими свойствами. Можно предложить следующие сглаживающие маски (6):

Формула 7 (6)

Коэффициенты масок нормированы с тем чтобы процедура подавления помех не вызывала смещения яркости исходного изображения. Маски (6) отличаются степенью сглаживания шумов (у маски A1 она максимальная, у A3 – минимальная). Выбор коэффициентов маски должен производиться экспериментально. При увеличении степени сглаживания шумов происходит также подавление высокочастотной составляющей полезного изображения, что вызывает исчезновение мелких деталей и размазывание контуров. Если требуемая степень сглаживания с применением маски размера 3х3 не достигается, то следует использовать сглаживающие маски больших размеров (5х5, 7х7).

4.3 Сегментация

Сегментация — это процесс разделения цифрового изображения на несколько сегментов (множество пикселей, также называемых суперпикселями). Цель сегментации заключается в упрощении и/или изменении представления изображения, чтобы его было проще и легче анализировать. Сегментация изображений обычно используется для того, чтобы выделить объекты и границы (линии, кривые, и т. д.) на изображениях. Более точно, сегментация изображений — это процесс присвоения таких меток каждому пикселю изображения, что пиксели с одинаковыми метками имеют общие визуальные характеристики [5]. Сегментация – это этап, на котором может выполняться обширный набор операций для выделения интересующих исследователя или врача структур и их отделения от окружающих тканей. Процесс сегментации, который кажется человеку нетрудоемким и быстрым, может быть сложной задачей для реализации в виде компьютерных алгоритмов. Результатом сегментации изображения является множество сегментов, которые вместе покрывают всё изображение, или множество контуров, выделенных из изображения. Все пиксели в сегменте похожи по некоторой характеристике или вычисленному свойству, например по цвету, яркости или текстуре. Соседние сегменты значительно отличаются по этой характеристике.

Методы с использованием гистограммы
Методы с использованием гистограммы очень эффективны, когда сравниваются с другими методами сегментации изображений, потому что они требуют только один проход по пикселям. В этом методе гистограмма вычисляется по всем пикселям изображения и её минимумы и максимумы используются, чтобы найти кластеры на изображении. Цвет илияркость могут быть использованы при сравнении. Улучшение этого метода — рекурсивно применять его к кластерам на изображении для того, чтобы поделить их на более мелкие кластеры. Процесс повторяется со всё меньшими и меньшими кластерами до тех пор, когда перестанут появляться новые кластеры. Один недостаток этого метода — то, что ему может быть трудно найти значительные минимумы и максимумы на изображении. В этом методе классификации изображений похожи метрика расстояний и сопоставление интегрированных регионов.

Выделение краёв
Выделение краёв — это хорошо изученная область в обработке изображений. Границы и края областей сильно связаны, так как часто существует сильный перепад яркости на границах областей. Поэтому методы выделения краёв используются как основа для другого метода сегментации. Обнаруженные края часто бывают разорванными. Но чтобы выделить объект на изображении, нужны замкнутые границы области.

Методы разрастания областей
Первым был метод разрастания областей из семян. В качестве входных данных этот метод принимает изображений и набор семян. Семена отмечают объекты, которые нужно выделить. Области постепенно разрастаются, сравнивая все незанятые соседние пиксели с областью. Разность между яркостью пикселя и средней яркостью области используется как мера схожести. Пиксель с наименьшей такой разностью добавляется в соответствующую область. Процесс продолжается пока все пиксели не будут добавлены в один из регионов. Метод разрастания областей из семян требует дополнительного ввода. Результат сегментации зависит от выбора семян. Шум на изображении может вызвать то, что семена плохо размещены. Метод разрастания областей без использования семян — это изменённый алгоритм, который не требует явных семян. Он начинает с одной области — пиксель, выбранный здесь незначительно влияет на конечную сегментацию. На каждой итерации он рассматривает соседние пиксели так же, как метод разрастания областей с использованием семян. Но он отличается тем, что если минимальная не меньше, чем заданный порог , то он добавляется в соответствующую область . В противном случае пиксель считается сильно отличающимся от всех текущих областей и создаётся новая область , содержащая этот пиксель. Один из вариантов этого метода, предложенный Хараликом и Шапиро (1985), основан на использовании яркости пикселей. Среднее и дисперсия области и яркость пикселя-кандидата используется для построения тестовой статистики. Если тестовая статистика достаточна мала, то пиксель добавляется к области, и среднее и дисперсия области пересчитывается. Иначе, пиксель игнорируется и используется для создания новой области.

5. Математические методы, применяемые в магистерской работе

При цифровой обработке изображений обычно используется его представление в памяти в виде матрицы пикселей f(n1,n2), 1 <= m1 <= N1, 1<= m2 <= N2 [6]. Обработка изображения в общем случае заключается в выполнении какого-либо преобразования указанной матрицы, в результате которого формируется набор ее числовых характеристик или новое обработанное изображение. Преобразование может касаться значений элементов или их координат, выполняться над матрицей в целом, группой элементов или как каждым элементом в отдельности.

Простейший вид цифровой обработки изображений заключается в выполнении одного и того же функционального преобразования для каждого элемента матрицы вне зависимости от его положения и значений других (соседних) элементов. Такая обработка получила название поэлементного преобразования изображений. Она переводит значение каждого элемента f в новое значение g в соответствии с заданной функциональной зависимостью (7):

g = g(f ) (7)

5.1 Фильтрация

УЗИ-снимки являются двумерными сигналами с сильной аддитивной шумовой составляющей, определяемой наложением сигналов от различных структур тканей, через которые проходят ультразвуковые волны.

Лучшие результаты для сохранения перепадов оттенков, различных границ и локальных пиков яркости на искаженных импульсным шумом изображениях может дать применение медианного фильтра. Медианный фильтр представляет собой скользящее по полю изображения окно W , охватывающее нечетное число отсчетов. Центральный отсчет заменяется медианой всех элементов изображения, попавших в окно. Двумерный медианный фильтр с окном W определим по формуле (8):

Формула 8 (8)

где y(n1,n2) — значение яркости пикселя исходного изображения с координатами n1 и n2; х(n1,n2) — значение яркости пикселя отфильтрованного изображения с координатами n1 и n2.

5.2 Контрастирование и бинаризация

В данной работе используется линейный метод контрастирования описанный выше.

Основной целью процесса сегментации является разделение изображения на однородные области на основе одного или более свойства или характеристики. Под однородностью может пониматься то, что пикселы имеют близкие значения интенсивности (уровень серого), формируют текстуру, формируют линию, образуют некоторую геометрическую форму и т.д. Однако не существует одного универсального метода сегментации, который может дать удовлетворительные результаты для всех приложений этого метода [7].

Один из основных и простых способов — это построение сегментации (9) с помощью порога яркости. Операция порогового разделения заключается в сопоставлении значения яркости каждого пикселя изображения с заданным значением порога f0.

Формула 9 (9)

где f0 - некоторое «пороговое» значение яркости. При выполнении пороговой обработки основной вопрос состоит в выборе порога f0. Пусть полутоновое изображение содержит интересующие нас объекты одной яркости на фоне другой яркости (типичные примеры: машинописный текст, чертежи, медицинские пробы под микроскопом). Тогда в идеале плотность распределения яркостей должна выглядеть как две дельта-функции. В данном случае задача установления порога тривиальна: в качестве f0 можно взять любое значение между «пиками». На практике встречаются определенные трудности, связанные с тем, что, во-первых, изображение искажено шумом и, во-вторых, как для объектов, так и для фона характерен некоторый разброс яркостей. В результате пики функции плотности распределения «расплываются», хотя обычно ее бимодальность сохраняется. В такой ситуации можно выбрать порог f0, соответствующий положению минимума между модами.

5.3 Выделение контуров объектов

После применения вшеописанных методов производится операция выделения контуров на изображении. В частности, для распознавания применяется метод Робертса. Апертура 2х2 имеет вид (рис 2.), и для нее применяется преобразование следующего вида (11):

Рисунок 2

Рисунок 2 — Апертура, используемая в методе Робертса

Формула 11 (11)

где – A' новое значение яркости, которое необходимо переприсвоить точке А, исходной аппертуры. Апертуру необходимо перемещать по изображению слева – направо и сверху – вниз.

Обзор результатов и выводы

После применение всех методов, описанных в работе, а также, при соответствующих коэффициентах формы получим результат (рис.3).

Результат работы

Рисунок 3 — Результат работы
(анимация: 5 кадров, 5 циклов повторения, 129 килобайт)

В своей работе я постарался выбрать наиболее оптимальные методы контрастирования и фильтрации из тех, которые используются в уже существующих системах обработки УЗИ - снимков. Используя методы бинаризации и оконтуривания, я выделяю на изображении объекты.

В результате написания магистерской работы планируется разработать ПО, которое поможет врачам при постановке диагноза о наличии или отсутствии новообразования печени.

При написании данного реферата магистерская работа еще не завершена. Окончательное завершение: декабрь 2013 года. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.

Список источников

  1. В.В. Митькова, Клиническое руководство по ультразвуковой диагностике. Том 1 //под ред. Митькова В.В. - М.: Видар, 1996
  2. К.П. Майер Гепатит и последствия гепатита: практическое руководство. - М., 2000
  3. Миллер Р. Теория переключательных схем / Р. Миллер. – М.: Наука, 1971. – Том 2: Последовательностные схемы и машины. – 304 с.
  4. В.А. Сойфер Компьютерная обработка изображений. Часть 1. Математические модели // Соросовский образовательный журнал, 1996, №2
  5. В.А. Сойфер Компьютерная обработка изображений. Часть 2. Методы и алгоритмы // Соросовский образовательный журнал, 1996, №3
  6. У.Л. Прэтт Цифровая обработка изображений. Кн.2. - М.: Мир, 1982
  7. Hamarneh G., Gustavsson T. Combining Snakes and Active Shape modles for Segmenting the Human Left Ventricle in Echocardiographic Images. IEEE Com-puters in Cardiology 2000; vol 27
  8. Hiransakolwong N., Windyga P.S., Kien A. Hua FASU: A Full Automatic Segmenting System for Ultrasound Images. School of Electrical Engineering and Computer Science University of Central Florida 1998