Цифровая обработка изображений микроциркуляторного русла

Введение

В области медицины цифровая обработка изображений стала ядром цифровых медицинских диагностических систем, позволяющих повысить качество диагностики. Медицина сегодня является высокотехнологичной отраслью. Одна из важнейших задач современной медицины является разработка эффективных методик ранней диагностики различных патологий. Инновационные медицинские разработки в целом характеризуют важную тенденцию, заключающуюся в изменении парадигмы современной медицины. Из лечебной она превратится в профилактическую и далее – прогностическую. Намечен переход от модели жалоба-диагноз-лечение к модели диагностика-прогноз-профилактика [1].

В Томском государственном университете систем управлении и радиоэлектроники, на кафедре телевидения и управления ведется работа по созданию цифровой медицинской диагностической системы для конъюнктивальной биомикроскопии. Оценка состояния микроциркуляторного русла по изображению бульбарной конъюнктивы (БК) является сегодня перспективным направлением в связи с неинвазивностью и оперативностью обследования [2].

Данная статья посвящена результатам работы по созданию программного обеспечения для цифровой медицинской диагностической системы, использующейся в данный момент в клинической практике ГУ НИИ кардиологии ТНЦ СО РАМН. Работа ведется коллективом аспирантов под руководством доцента Дементьева А.Н. и разделена на задачи. Первая задача заключается в том, что для изучения микроциркуляторного русла и определения параметров сосудов необходимо подготовить изображение сосудистой сети с помощью адаптивных алгоритмов, которые в данном случае являются наиболее перспективными. Вторая задача заключается в измерении параметров сосудов БК по изображению, прошедшему предварительную обработкуи реализации алгоритмов бинаризации и скелетизации.

Алгоритм предварительной обработки БК включают в себя следующие основные этапы:

• Регистрация изображения в формате *bmp.
• Преобразование цветного изображения в монохроматическое.
• Обработка сосудистой сети с помошью алгоритма с адаптивным порогом.
• Бинаризация изображения
• Обработка изображения БК адаптивным алгоритмом шумоподавления.

Для более детального изучения микроциркуляторного русла БК используется видеорегистрация с большим увеличением. Результатом видеорегистрации является изображение БК в *.BMP-формате.

Простейший из методов пороговой обработки состоит в автоматическом выборе порога по яркости (нахождении среднеарифметического значения яркости) изображения или в его определении его на основании визуального изучения гистограммы значений яркости изображения бульбарной конъюнктивы [3].

Анализ полученных результатов показал, что при выставлении глобального порога происходит достаточно большая потеря сосудов, остается фон – значения яркости, которые также удовлетворяют глобальному порогу. Оставшийся фон далее трудно обработать, т.к. он имеет схожие с сосудами значения яркости. При последующей бинаризации и скелетизации будет трудно получить правильный скелет сосудистой сети БК. Используя данный алгоритм невозможно эффективно обработать изображение с помощью единого глобального порога.

В такой ситуации необходимо применить подход, при котором исходное изображение разбивается на подобласти, в каждой из которых используется свое значение порога. Поскольку порог, применимый для пикселя, оказывается зависящим от характеристик подобласти изображения, содержащей данный пиксель, такое преобразование коэффициента фильтрации является адаптивным [3]. Разработанный алгоритм позволяет считать среднее значение яркости для каждой подобласти разбиения, которое далее задается как локальный порог. Данный алгоритм позволяет выделить все сосуды как те, которые имеют большое значение яркости и поэтому не могли быть выделены при обработке алгоритмом с глобальным порогом, так и те, которые имеют малое значение яркости (и были выделены при глобальном пороге) и выглядят черными на рисунке1 (а). Недостаток этого алгоритма заключается в том, что в подобластях, где обработка дала неверный результат, доля точек фона расположена группами пикселей с нулевым значением яркости. Для удаления больших групп пикселей используется адаптивный алгоритм шумоподавления, основанный на расширении маски фильтра, что позволяет работать с объектами разного размера. Результаты работы алгоритма с глобальным порогом по яркости и двух адаптивных алгоритмов представлены на рисунке 1.

Анализируя результаты работы двух адаптивных алгоритмов, видим, что сохранена целостность сосудов и сведена к минимуму потрея сосудов. Изображение бульбарной конъюнктивы подготовлено для скелетизации и измерения параметров сосудов. Адаптивный алгоритм позволил выделить сосуды, имеющие разные значения яркости за счет изменения параметров фильтра в зависимости от средних значений яркости областей.

На следующем этапе работы по проекту был разработан ряд алгоритмов, которые позволяют по подготовленному изображению (прошедшему процедуры адаптивной фильтрации) измерить параметры сосудов в пикселях цифрового изображения: длина, ширина, извитость, неравномерность и т.д. [4]. При известном масштабе фотоснимка есть возможность пересчитать значения параметров сосудов из пикселей в единицы системы СИ.

Алгоритм подсчета площади занимаемой сосудами.

Алгоритм подсчета площади занимаемой сосудами достаточно прост. После фильтрации на бинаризованном изображении все чёрные пиксели (пиксели с нулевой яркостью) принимаются за сосуды, а все белые (пиксели с максимальной яркостью) – за фон. Для того чтобы посчитать площадь всех сосудов в таком случае необходимо подсчитать количество пикселей с нулевой яркостью. Пример изображения, по которому измеряется площадь сосудов, представлен на рисунке 1 (б).

Алгоритм скелетизации изображения сосудистой сети бульбарной конъюнктивы.

Важным для практики является подход, в котором представление формы плоской области строится путем сведения ее к графу. Такое сокращенное представление можно получить, выделяя остов этой области с помощью алгоритма утончения (этот процесс иначе называют скелетизацией). Процедуры утончения занимают центральное место в широком классе прикладных задач обработки изображений, от автоматического контроля печатных плат до подсчета волокон асбеста в воздушных фильтрах [3].

На рисунке 2 (а) приведен результат работы алгоритма скелетизации сосудистой сети бульбарной конъюнктивы, полученный после обработки изображения, представленного на рисунке 1 (б).

На рис. 2 (б) представлена одна из областей элементов матрицы значений яркости. Значению «0» соответствует белый цвет (фон), а значению «1» – черный цвет (сосуды). Каждому сосуду с помощью алгоритма картирования скелетизованного изображения БК присваиваются индивидуальный номер, по которому его можно легко отследить, просматривая матрицу отсчетов яркости бинаризованного изображения. Все пиксели со значением «1» заменены на индивидуальные номера сосудов и представляют собой последовательности цифр на рис. 2 (б).

Алгоритмы измерения параметров сосудистой сети бульбарной конъюнктивы.

Измерение длины сосудов осуществляется по скелетизованному изображению БК (см. рис. 2(а)). Для того чтобы измерить общую длину сосудов, достаточно подсчитать количество ненулевых элементов на скелетизованном изображении БК.

Однако, для того, чтобы измерить длину отдельных сосудов, необходимо картировать скелет БК, т.е. присвоить каждому сосуду свой отличительный признак. Разработанный алгоритм измерения длины сосудов позволяет присвоить каждому сосуду свой номер и, фактически, сделать его уникальным (рис. 2(б)).

Алгоритм измерения ширины сосуда тесно связан с алгоритмом измерения длины сосудов, а точнее с алгоритмом предварительного картирования. Основная идея состоит в том, чтобы двигаясь по картированному скелетизованному изображению измерять ширину на нескелетизованном изображении.

Анализ полученных результатов обработки тестового изображения разработанными алгоритмами показал высокую точность измерения параметров сосудов. Погрешность измерения параметров сосудов зависит от исходного изображения (изображения после обработки алгоритмами фильтрации) и не превышает 3-5%.

В ходе проделанной работы были также разработаны алгоритмы, позволяющие измерить такие параметры изображения как общую площадь сосудов, количество сосудов, общую длину и среднюю для всего изображения ширину сосудов.

Для работы с алгоритмами и просмотра результатов создан пользовательский интерфейс в интегрированной программной среде Delphi 7.0 Studio, написанный на языке Object Pascal [5]. Программа внешне ничем не отличается от тех приложений, с которыми привык работать пользователь в Windows OS. Пользователь имеет возможность одновременно видеть исходное изображение бульбарной конъюнктивы и обработанное изображение, а также измеренные параметры сосудов и другие аналитические данные.

В качестве следующих шагов в рамках проводимой работы предполагается усовершенствование алгоритмов адаптивной фильтрации и картирования, обработка цветных изображений, увеличение скорости работы программы, переход к измерению параметров сосудов непосредственно в системе СИ, создание библиотеки с разработанными алгоритмами (для патентования), увеличение количества измеряемых параметров.

Список использованной литературы

1. Точное измерение жизни http://www.cbio.ru/modules/news/article.php?storyid=2832
2. Дементьев А.Н.
3. Гонсалес Р., Вудс Р. Цифровая обработка изображений. – М.: Техносфера, 2005 г. – 1072 с. ISBN 5-94836-028-8.
4. Е.Э. Константинова, Л.А. Иванова. Метод количественной и качественной оценки изображений бульбарной конъюнктивы в диагностике состояния микроциркуляции при сердечно-сосудистой патологии. Инструкция по применению. Республиканский научно-практический центр «Кардиология».
5. Архангельский А.Я. Программирование в Delphi 7. – М.: ООО «Бином-Пресс», 2003 г. – 1152 с.: ил.