Методы и алгоритмы обработки изображений бульбарной конъюнктивы для компьютерной системы анализа состояния сердечно сосудистой системы

Аннотация

Кошеверов А.С., Привалов М.В. Методы и алгоритмы обработки изображений бульбарной конъюнктивы для компьютерной системы анализа состояния сердечно сосудистой системы. Выполнен обзор и анализ итеративных и эволюционных алгоритмов, используемых для бинаризации и скелетизации изображения.

Общая постановка проблемы

Заболевания сердца и сосудов сегодня представляют собой настоящую угрозу человечеству. И это – не преувеличение. Они являются основной причиной смертности и инвалидности, опередив даже рак. Поэтому, своевременная постановка диагноза может значительно сократить угрозу здоровью.

Особое место в патогенезе многих патологических процессов занимают нарушения микроциркуляции. Поэтому при диагностике сердечно сосудистых расстройств данное звено кровообращения привлекает всё большее внимание, как с практической, так и с научной точки зрения.

Большинство современных методов для исследования микроциркуляции нуждаются в специальном оборудовании, которое является зачастую дорогостоящим. С развитием цифровой и аналоговой техники в настоящее время появились широкие возможности получения качественных изображений микроциркуляторного русла бульбарной конъюнктивы в цифровом виде. Использование компьютерных технологий фиксации и обработки изображений открывает перспективы количественной оценки статических и динамических характеристик микроциркуляции.

Кандидатами биологических наук Е.Э. Константиновой и Л.А. Ивановой был разработан метод количественной оценки изображений бульбарной конъюнктивы в диагностике состояния микроциркуляции при сердечно сосудистой патологии [1].

Данный метод предполагает расчет нескольких групп коэффициентов, которые рассчитываются на основе взаиморасположения, площади, размера и типа сосудов на изображении бульбарной конъюнктивы глаза площадью 1 мм2. Многие расчеты в данном методе предполагают представление изображения в виде скелета сосудистого русла.

Целью работы является увеличение точности и скорости постановки диагноза врачом кардиологом за счет автоматического расчета коэффициентов, что позволяет уделить врачу больше времени их анализу.

Основной задачей является выделение сосудистого русла на основе имеющегося изображения и построение модели скелета данного русла, по которой в следствии будут рассчитываться коэффициенты состояния микрососудистого русла и предоставляться совместно с нормативными значениями. Совокупность данных коэффициентов поможет врачу сделать выводы и принять решение о состоянии сердечно сосудистой системы пациента.

Поскольку оцениваются геометрические характеристики сосудов, то логично предположить, что в качестве исходных данных требуется представить изображение в виде скелета. Для получения представления сосудистого русла в таком виде данных, необходимо выполнить:

1. Бинаризацию изображения. На данном этапе исходное изображение преобразуется в бинарное: пиксели, принадлежащие сосудам, окрашиваются в цвет объекта, а остальные в цвет фона. Условно цветом объекта выбран черный цвет, а цветом фона – белый.
2. Скелетизацию бинарного изображения. Данный этап предполагает построение кривой, равноудаленной от границ сосудов.

Каждый этап имеет ряд возможных методов решения со своими достоинствами и недостатками.

В статье [2] описаны наиболее часто распространенные методы, которые используются для типичных задач и могут давать неплохие результаты, но для медицинских изображений перечисленные методы походят плохо, поскольку исходное изображение содержит как светлые, так и темные участки, что не дает возможность методам с глобальными порогами достичь хороших значений, поскольку часть информативной области принимается за фон и удаляется. Методы, основанные на локальных порогах, дают лучший результат, поскольку могут более точно оценивать информативность пикселя за счет работы в локальных областях, или «окнах».

В качестве противовеса обычным методам существуют также эволюционные методы, которые в отдельных случаях дают сравнительно лучший результат. Примерами данных методов являются: муравьиный алгоритм для сегментации изображения с последующим слиянием сегментов, содержащих сосуды, воедино; алгоритм роя частиц, который может быть применен для нахождения границ элементов; алгоритм роя пчел и алгоритм стрекоз. Все алгоритмы основаны на поведении насекомых в реальной среде обитания и предполагают нахождение оптимального бинарного изображения путем установления сосудов в качестве «пищи» для алгоритма. Таким образом, основной целью алгоритма будет выделения как можно большего количества сосудов, не затрагивая при этом фон. Основной недостаток состоит в том, что в зависимости от количества особей в начальной популяции, выбранных операторов кроссинговера, мутации и редукции, выбранного критерия остановки и т.д. может варьироваться скорость работы алгоритма. Соответственно, качество находимого результата также от этого зависит.

Итерационные методы скелетизации рассмотрены ниже. Эволюционных методов скелетизации на момент написания статьи не было обнаружено, но стандартные методы можно применить для решения данной задачи, определившись с фитнесс функцией, а также со структурой гена, методами кроссинговера, мутации и редукции для соответствующей структуры данных.

Решение задачи бинаризации

Существует множество методов бинаризации изображения, которые в общем случае могут быть представлены в качестве методов сегментации, либо методов кластеризации (с количеством кластеров равным двум) [2]. Любая бинаризация производится над полутоновым изображением с глубиной цвета в 8 бит на пиксель, поэтому исходное изображение заранее преобразуется в полутоновое [3].

Есть две проблемные области в процессе бинаризации: правильное определение пикселей объекта пикселей фона, скорость бинаризации.

Обычные методы дают хороший показатель в плане времени, но в результате изображение получается очень «зашумленным», что в итоге может сказаться в дальнейшем, при построении скелета.

В качестве критерия оптимальности было использовано условие «Оставить как можно больше информации о сосудах, с наименьшем количеством шума». Были рассмотрены различные методы обычной бинаризации, и лучше всего под данный критерий подошел метод Sauvola [4], который является методом, основанным на локальных порогах, и рассчитывающий значения по формуле:

где pixel – текущий пиксель, mean – среднее значение цвета по изображению, k – чувствительность, r – радиус окна, stdev – стандартное отклонение.

Среднее значение считается по следующей формуле:

где n – высота изображения, m – ширина изображения, pixel_ij – значение цвета пикселя.

Стандартное отклонение считается по следующей формуле:

Был выбран данный метод, поскольку площадь изображения постоянна, поэтому при подборе размеров окна и других коэффициентов для метода, можно получить лучший результат, чем при использовании других подобных методов. В ходе ряда экспериментов, путем перебора, были подобраны соответствующие коэффициенты, которые дали оптимальный результат работы данного метода: ws = 15; k = 0.05; r = 256.

Исходное изображение (рис. 1а) бинаризируется, но остается небольшой шум (рис. 1б). Критерий оптимальности достигнут, поскольку при других коэффициентах метод дает меньше информации о сосудах, при этом количество шума либо остается неизменным, либо возрастает.

Больше всего шума на изображении находится на месте белого пятна. Для того чтобы уменьшить уровень шума среди методов бинаризации был выбран такой, который наиболее точно бы определял светлые области. Таковым оказался метод Benrsen [5], результаты которого показаны на рисунке 2а. Применив его в качестве маски к изображению 1б, получим результат, показанный на изображении 2б.

Подобно методу Sauvola, метод Benrsen вычисляется на основе локальных порогов по следующей формуле:

где lc – локальное значение контраста, ct – пороговое значение контраста, midgray – среднее значение серого цвета по изображению.

Значение L рассчитывается исходя из формулы:

где p – глубина цвета. Поскольку ведется обработка полутонового изображения с глубиной цвета 8 бит, то в данном случае L=2^8-1=128.

На рисунке заметно убавилось «шума», но часть все же остается и решение данной проблемы обычными методами в дальнейшем представляется затруднительным, поскольку столь интенсивная работа с изображениями может привести к длительной работе алгоритма.

Решение задачи скелетизации

Процесс скелетизации заключается в том, что необходимо сосуды на полученном бинарном изображении представить в виде логической структуры.

Существует несколько методов скелетизации, каждый из которых имеет ряд положительных и отрицательных факторов.

Метод распространения волны [6] является простейшим методом скелетизации, поскольку для его работы нет нужды в уменьшении толщины сосуда до 1го пикселя, но при этом необходимо задать начальную точку, от которой данный метод будет «распространять волну». Положительным фактором также является скорость работы, которая не требует частого обращения к изображению. Минусом метода является то, что в результате будет обнаружен только один замкнутый сосуд, что является неприемлемым в текущей работе.

Метод Зонга-Суня [7] основан на шаблонном удалении пикселей, которые не принадлежат скелету. Данный алгоритм выполняется до тех пор, пока в результате не будет удалено ни одного пикселя, что подразумевает многократный проход по изображению, но в результате получается скелет сосудистого русла толщиной в 1 пиксель, что и требовалось. Дальнейшее преобразование в логическую структуру ведется по полученному скелету.

Метод шаблонов является расширением метода Зонга-Суня, дополняя алгоритм своими «шаблонами», на основании которых будут удаляться пиксели. Решение методом шаблонов представлено на рисунке 3. Как видим, в результате был получен скелет сосудистого русла с «шумом». Для его устранения необходимо провести исследования и дополнить список шаблонов, которые бы позволили заметно улучшить качество процесса.

Выводы

В статье показана актуальность задачи диагностики сердечнососудистых заболеваний по изображениям бульбарной конъюнктивы, на основании методики [1]. Показано, что для её применения требуется решить такие задачи цифровой обработки изображений как бинаризация и скелетизация. Выполнен анализ итеративных и эволюционных методов бинаризации и скелетизации, выявивший наилучшее на данный момент решение бинаризации (Sauvola и Benrsen) и скелетизации (метод шаблонов). Для бинаризации изображений экспериментально определены значения параметров метода Sauvola. Однако выяснено, что в результате содержится много шума, который устраняется с помощью постобработки. Экспериментальный анализ показал, что для этого целесообразно использовать метод Benrsen, что дало приемлемый результат.

Рассмотрено решение задачи получения топологического скелета полученного бинарного изображения. Показано, что хороших результатов удается добиться за счет применения метода шаблонов. Таким образом, полученные результаты позволяют в дальнейшем выполнить расчет значений коэффициентов, необходимых для принятия решения.

Направлением дальнейшей работы является создание алгоритма автоматического выбора коэффициентов методов, а также создание системы поддержки принятия решений при диагностике сердечнососудистых заболеваний на основании изображений бульбарной конъюнктивы.

Список использованной литературы

1. Е.Э. Константинова, Л.А. Иванова, Метод количественной оценки изображений бульбарной конъюнктивы в диагностике состояния микроциркуляции при сердечно сосудистой патологии, Беларусь, 2004 г., 10 с.
2. Сегментация изображения http://habrahabr.ru/post/128768/
3. Grayscale http://en.wikipedia.org/wiki/Grayscale
4. J. Sauvola, , M. Pietikainen, Adaptive document image binarization. Machine Vision and Media Processing Group, Infotech Oulu, University of Oulu, P.O. BOX 4500, FIN-90401 Oulu, Finland. 12 p. http://www.mediateam.oulu.fi/publications/pdf/24.p
5. Bernsen J., Dynamic thresholding of grey-level images, Proceedings 8th International Conference on Pattern Recognition, Paris, pp. 1251-1255, 1986.
6. Применение волнового алгоритма для нахождения скелета растрового изображения http://ocrai.narod.ru/vectory.html
7. Weian Deng, S. Sitharama Iyengar and Nathan E. Brener, A Fast Parallel Thinning Algorithm for the Binary Image Skeletonization, International Journal of High Performance Computing Applications http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.226.2059&rep=rep1&type=pdf