Реферат на тему випускної роботи
Зміст
- Вступ
- 1. Актуальність теми
- 2. Мета
- 3. Основні задачі
- 4. Огляд існуючих методів
- 4.1 Лінійне контрастування
- 4.2 Алгоритми лінійної фільтрації зображень
- 4.3 Сегментація
- 5. Математичні методи, що застосовуються в магістерській роботі
- 5.1 Фільтрація
- 5.2 Контрастування та бінаризація
- 5.3 Виділення контурів об’єктів
- Огляд результатів та висновки
- Список джерел
Вступ
Ультразвукове дослідження – один із основних етапів променевого обстеження пацієнтів. Висока доступність, повна відсутність шкідливого променевого навантаження, неінвазивність, висока інформативність, достатня оснащеність медичних закладів ультразвуковою апаратурою забезпечують ультразвуковому методу дослідження широке розповсюдження.
За останні роки впровадження комп'ютерів у різні сфери життя людини відбувається все активніше. Медицина не стала виключенням. Сучасні апарати УЗД оснащуються безліччю додаткових програм та режимів сканування, які відкривають нові перспективи у діагностиці різних захворювань. Аналіз знімків, отриманих за допомогою апарату УЗД (далі УЗД-знімки) та подальший програмний аналіз, дозволяють отримати найбільш повну інформацію про стан печінки, а також про наявність патологій. При наявності видозмін можливе визначення ступеня їхньої однорідності, локалізації, розмірів та площі.
1. Актуальність теми
Печінку часто називають лабораторією людського організму. цьому органі відбувається біля 20 млн. хімічних реакцій за хвилину. Проблема підтримання здоров’я печінки стоїть сьогодні як ніколи гостро. Майже у половини населення спостерігаються ті чи інші зміни в печінці [1]. Відновлення функцій печінки – заняття не тільки дуже складне, але і досить дороге [2]..
Для полегшення задачі діагностування лікарям, а також для більш раннього діагностування необхідна комп’ютерна система діагностування зі спеціальним програмним забезпеченням, яке дозволить спростити процес находження новоутворень та визначити необхідні параметри. Це надасть можливість лікарю точніше оцінити розміри новоутворень та прискорить процес лікування.
2. Мета
Розробка комп’ютерної системи обробки УЗД-знімків печінки з метою знаходження новоутворень, визначення необхідних параметрів, які допоможуть більш точно оцінити клінічну ситуацію, що склалася. На етапі застосування інвазивних методів, таких як біопсія. І таким чином, знизити ризик ускладнень.
3. Основні задачі
Основні задачі, які необхідно вирішити при розробці комп’ютерної системи діагностування патологій печінки:
- Визначення методів та їхніх параметрів для попередньої обробки знімків, з метою покращення їхньої якості.
- Вибір ознак, які характеризують стан новоутворень та дозволяють вирішити задачу автоматичної класифікації патологій.
- Вибір методів та розробка програмного забезпечення для отримання необхідних ознак.
- Вибір методів класифікації виявлених патологій, за отриманими ознаками, а також, постановка попереднього діагнозу.
Об’єкт дослідження: зображення печінки, отримані за допомогою апарата УЗД.
Предмет дослідження: методи аналізу УЗД-знімків печінки, які дозволяють коректно поставити попередній діагноз.
4. Огляд існуючих методів
4.1 Лінійне контрастування
Зображення, які вводяться у комп’ютер, часто є малоконтрастними, тобто у них варіації функції яскравості малі у порівнянні з її середнім значенням. Реальний динамічний діапазон яскравості [fmin , fmax] для таких зображень виявляється набагато меншим дозволеного діапазону (шкали яскравості). Задача контрастування полягає в «розтягуванні» реального динамічного діапазону на всю шкалу. Контрастування можна здійснювати за допомогою лінійного по-елементного перетворення (1) [4]:
 | (1) |
 | (2) |
 | (3) |
Якщо за результатами обробки необхідно отримати шкалу [gmin, gmax], то параметри описуються виходячи з вищевказаних формул. При діалоговій обробці зображень іноді простіше не визначати параметри перетворення, а безпосередньо будувати його в табличній формі, орієнтуючись на межі розподілення ймовірностей функції яскравості.
4.2 Алгоритми лінійної фільтрації зображень
Розглянемо схему викривлень та фільтрації (відновлення) зображень, яка представлена нижче на рис. 1.
 |
Рисунок 1 — Модель викривлення та відновлення зображень
Метою відновлення викривленого зображення y(n1 ,n2) є отримані з нього за допомогою деякої обробки зображення, яке близьке до ідеального зображення x(n1 ,n2) за заданим критерієм [4]. Зображення, отримане у результаті обробки, будемо називати оцінкою початкового (ідеального) зображення x(n1 ,n2). Визначимо помилку оцінювання у кожній точці зображення (4):
 | (4) |
а також середню квадратичну похибку (СКП) через її квадрат, тобто дисперсію похибки (5):
 | (5) |
Критерій мінімуму квадрата СКП є найбільш універсальним та розповсюдженим критерієм якості відновлення при проектуванні алгоритмів фільтрації зображень через математичну простоту. Проте цей критерій має недолік, який полягає в тому, що він не завжди узгоджується з суб’єктивним (психовізуальним) критерієм якості, який базується перважно на точності передачі контурів. Указаний критерій є конструктивним та дозволяє теоретично розраховувати оптимальні (які дають мінімуми квадрата СКП) алгоритми фільтрації при розглянутих моделях спостереження. Проте оптимальні алгоритми виявляються досить складними для розрахунку та реалізації. У автоматизованих системах обробки зображень перевага надається так званим квазіоптимальним алгоритмам, які дають мінімум квадрата СКП у деякому класі алгоритмів з заданою структурою та мало відрізняються від оптимальних за цим критерієм. Зазвичай спектр шуму містить більш високі просторові частоти, ніж спектр ідеального зображення. Цей факт наводить на думку, що проста низькочастотна фільтрація може служити ефективним засобом пригнічення шумів. Майже будь-який фільтр з незаперечними коефіцієнтами має згладжуючими властивостями. Можна запропонувати наступні згладжуючі маски (6):
 | (6) |
Коефіцієнти масок нормовані з тим, щоб процедура пригнічення перешкод не викликала переміщення яскравості вихідного зображення. Маски (6) відрізняються ступенем згладжування шумів (у маски A1 вона максимальна, у A3 - мінімальна). Вибір коефіцієнтів маски має відбуватися експериментально. При збільшенні ступеня згладжування шумів відбувається також пригнічення високочастотної складової корисного зображення, що викликає зникнення дрібних деталей та розмивання контурів. Якщо необхідна ступінь згладжування з використанням маски розміром 3х3 не досягається, то потрібно використовувати згладжуючі маски великих розмірів (5х5, 7х7).
4.3 Сегментація
Сегментація — це процес розділення цифрового зображення на декілька сегментів (множинність пікселів, або суперпікселі). Мета сегментації полягає в спрощенні та/або зміна подання зображення, щоб його було простіше та легше аналізувати. Сегментація зображень зазвичай використовується для того, щоб виділити об’єкти та межі (лінії, криві та ін.) на зображеннях. Якщо детальніше то, сегментація зображень — це процес присвоєння таких відміток з кожному пікселю зображення, що пікселі з однаковими відмітками зображення мають загальні візуальні характеристики [5]. Сегментація – це етап, на якому може виконуватися розширений набір операцій для виділення структур, які цікавлять дослідника чи лікаря, та їхні відгалуження від оточуючих тканин. Процес сегментації, який здається людині не трудомістким та швидким, може бути складною задачею для реалізації у вигляді комп’ютерних алгоритмів. Результатом сегментації зображення є множинність сегментів, які разом покривають усі зображення, або множинність контурів, які виокремлені з зображення. Усі пікселі у сегменті схожі за певними характеристиками або вирахованій властивості, наприклад, колір, яскравість або текстура. Сусідні сегменти значно відрізняються за цією характеристикою.
Методи з використанням гістограми
Методи з використанням гістограми дуже ефективні, коли порівнюються з іншими методами сегментації зображень, тому що вони потребують тільки один прохід по пікселям. У цьому методі гістограма вираховується за всіма пікселями зображення та її мінімуми та максимуми використовуються, щоб знайти кластери на зображенні. Колір або яскравість можуть бути використані для порівняння.
Покращення цього методу – застосувати його рекурсивно до кластерів на зображенні для того, щоб поділити їх на більш дрібні кластери. Процес повторюється з усе меншими та меншими кластерами до тих пір, поки перестануть з’являтися нові кластери.
Один недолік цього методу – те, що йому може бути важко знайти значні мінімуми та максимуми на зображенні. У цьому методі класифікації зображень схожі метрика відстаней та співвідношення інтегрованих регіонів.
Виділення меж
Виділення меж — це добре вивчена область в обробці зображень. Межі та краї областей сильно пов’язані, так як часто існує сильний перепад яскравості на межах областей. Тому методи виокремлення меж використовуються як основа для іншого методу сегментації.
Знайдені краї часто бувають розірваними. Проте для того, аби виділити об’єкт на зображенні, потрібні замкнені межі області.
Методи розростання областей
Першим був метод розростання областей з насіння. У якості вихідних даних цей метод приймає зображення та набір насіння. Насіння відмічають об’єкти, які необхідно виділити. Області поступово розростаються, вирівнюючи усі незайняті сусідні пікселі з областю. Різниця між яскравістю області використовується як міра схожості. Піксель з найменшою такою різницею додається до відповідної області. Процес продовжується поки всі пікселі не будуть додані в один із регіонів.
Метод розростання областей з насіння вимагає додаткового вводу. Результат сегментації залежить від вибору насіння. Шум на зображенні може викликати те, що насіння погано змішане. Метод розростання областей без використання насіння – це змінений алгоритм, який не потребує явного насіння. Він починає з однієї області - піксель, вибраний тут несуттєво впливає на кінцеву сегментацію. На кожній ітерації він розглядає сусідні пікселі так само, як метод розростання областей використання насіння. Проте він відрізняється тим, що, якщо мінімальна не менше, ніж заданий граничний , то він додається до відповідної області . В протилежному випадку піксель вважається сильно відмінним від усіх поточних областей та створюється нова область , яка вміщує цей піксель.
Один із варіантів цього методу, запропонований Хараліком і Шапіро (1985), базується на використанні яскравості пікселів. Середнє та дисперсія області та яскравість пікселя-кандидата використовується для побудови тестової статистики. Якщо тестова статистика достатньо мала, то піксель додається до області, та середнє і дисперсія перераховуються. Інакше - піксель ігнорується та використовується для створення нової області.
5. Математичні методи,які застосовуються в магістерській роботі
При цифровій обробці зображень зазвичай використовується його уявлення у пам’яті у вигляді матриці пікселів f(n1,n2), 1 <= m1 <= N1, 1<= m2 <= N2 [6]. Обробка зображень узагалі полягає у виконані якого-небудь перетворення вказаної матриці, у результаті якого формується набір її числових характеристик або нове оброблене зображення. Перетворення може стосуватися значень елементів або їх координат, які виконуються над матрицею вцілому, групою елементів або як кожним елементом окремо.
Найпростіший вид цифрової обробки зображень полягає у виконанні одного й того ж функціонального перетворення для кожного елемента матриці поза залежності його положення та значень інших (сусідніх) елементів. Така обробка отримала назву по елементного перетворення зображень. Вона приводить значення кожного елемента f у нове значення g у відповідності до заданої функціональної залежності
| g = g(f ) | (7) |
5.1 Фільтрація
УЗД-знімки є двохмірними сигналами з сильною адитивною шумовою складовою, яка визначається накладенням сигналів від різних структур тканин, що проходять ультразвукові хвилі.
Медіальний фільтр являє собою вікно W, яке ковзає по полю зображення та охоплює непарне число відліків. Центральний відлік замінюється медіаною усіх елементів зображення, які потрапили до вікна. Двохмірний медіальний фільтр з вікном W визначаємо за формулою (8):
 | (8) |
де y(n1,n2) — значення яскравості пікселя вихідного зображення з координатами n1 та n2; х(n1,n2) — значення яскравості пікселя відфільтрованого зображення з координатами n1 та n2.
5.2 Контрастування та бінаризація
У даній роботі використовується лінійний метод контрастування, що описаний вище.
Основною метою процесу сегментації є розділення зображення на однорідні області на основі одного і більше властивостей або характеристик. Під однорідністю маємо на увазі, що пікселі мають близькі значення інтенсивності (рівень сірого), формують текстуру, формують лінію, утворюють певну геометричну форму та ін. Проте не існує одного універсального методу сегментації, яким можна визначити задовільні результати для всіх додатків цього методу [7].
Один із основних та простих способів – це побудова сегментації (9) за допомогою межі яскравості. Операція межового розділення полягає у співвідношенні значень яскравості кожного пікселя зображення з заданим значенням межі f0.
 | (9) |
де f0 - певне «межове» значення яскравості. При виконанні межової обробки основне питання полягає у виборі межі f0. Нехай напівтонове зображення включає цікаві нам об’єкти однієї яскравості на фоні іншої яскравості (типові приклади: машинописний текст, креслення, медичні проби під мікроскопом). Тоді в ідеалі щільність розподілення яскравості має виглядати як дві дельта-функції. У даному випадку задача встановлення межі тривіальна: у якості f0 можна взяти будь-яке значення між «піками». На практиці зустрічаються деякі проблеми, пов’язані з тим, що, по-перше, зображення викривлене шумом і, по-друге, як для об’єктів, так і для фона характерне певне розкидання яскравостей. У результаті піки функції щільності розподілення «розпливаються», хоча звичайно її бімодальність зберігається. У такому випадку можна вибрати межу f0, відповідну положенню мінімуму між модами.
5.3 Виділення контурів об’єктів
Після застосування вищезазначених методів відбувається операція виділення контурів на зображенні. Зокрема, для розпізнання застосовуються метод Робертса. Апертура 2х2 має вигляд (рис. 2) і для неї застосовується перетворення наступного вигляду (11):
 |
Рисунок 2 — Апертура, яка використовується в методі Робертса
 | (11) |
де – A' нове значення яскравості, яке необхідне перенадати точці А, вихідної апертури. Апертуру необхідно переміщати по зображенню зліва – направо та зверху – вниз.і
Огляд результатів та висновки
Після застосування усіх методів, перерахованих у роботі, а також при відповідних коефіцієнтах форми, отримаємо результат (рис.3).
Рисунок 3 — Результат роботи
(анімація: 5 кадрів, 5 циклів повторення, 129 кілобайт)
У своїй роботі я намагався вибрати найбільш оптимальні методи контрастування та фільтрації з тих, що використовуються у вже існуючих системах обробки УЗД-знімків. Використовуючи методи бінаризації та оконтурювання, я виокремлюю на зображенні об’єкти.
У результаті написання магістерської роботи планується розробка ПЗ, яке допоможе лікарям при визначенні діагнозу про наявність або відсутність новоутворень печінки.
При написанні даного реферату магістерська робота ще незавершена. Кінцевий результат – грудень 2013 року. Повний текст роботи та матеріали з теми можуть бути отримані у автора та його керівника після вказаної дати.
Список джерел
- В.В. Митькова, Клиническое руководство по ультразвуковой диагностике. Том 1 //под ред. Митькова В.В. - М.: Видар, 1996
- К.П. Майер Гепатит и последствия гепатита: практическое руководство. - М., 2000
- Миллер Р. Теория переключательных схем / Р. Миллер. – М.: Наука, 1971. – Том 2: Последовательностные схемы и машины. – 304 с.
- В.А. Сойфер Компьютерная обработка изображений. Часть 1. Математические модели // Соросовский образовательный журнал, 1996, №2
- В.А. Сойфер Компьютерная обработка изображений. Часть 2. Методы и алгоритмы // Соросовский образовательный журнал, 1996, №3
- У.Л. Прэтт Цифровая обработка изображений. Кн.2. - М.: Мир, 1982
- 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
- 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