Система автоматизированной обрботки и диагностики маммограмм
СИСТЕМА АВТОМАТИЗИРОВАННОЙ ОБРАБОТКИ
И ДИАГНОСТИКИ МАММОГРАММ.
В настоящее время взгляды многих исследователей обращены к проблеме авто-матического
анализа формы объектов, информация о которых представлена в виде изо-бражений.
Частным случаем являются полутоновые изображения. Так в настоящее время в медицине
поднимается вопрос автоматического определения патологических объектов на маммограммах.
Исходными данными для обработки являются пленочные изображения маммо-грамм. На
данном изображении можно выделить следующие области:
? Область вне снимка;
? Неинформативная часть снимка;
? Грудное поле;
? Объекты интереса (в дальнейшем ОИ);
? Артефакты - технические объекты.
Для обработки маммограммы, требуется представить исходные данные в цифро-вом
виде. С этой целью разработаны две установки: на базе сканера [3] и на базе циф-рового
фотоаппарата. В обеих установках используется внешний источник света для просвечивания
снимков. При сравнении результатов оцифровки выявлено, что изобра-жения, полученные
с помощью цифрового фотоаппарата, обладают лучшими статисти-ческими характеристиками.
Для улучшения статистических характеристик отсканиро-ванного изображения разработана
процедура <<восстановления>> снимков. Данная процедура основана на преобразовании
изображения с помощью корректирующей функции и позволяет устранить амплитудные
искажения. Дальнейшая обработка изо-бражения заключается в поиске объектов ОИ
(раковые опухоли, киста и т.д.) послеNOдовательным исключением <<неинтересных>>
для нас областей.
Поиск границы снимка осуществляется на основе резNOкого перепада яркости. Для
определения границы грудного поля используется метод контрастирования изображе-ния
с гамма-коррекцией. При контрастировании диапазон яркостей изображения пре-образуется
таким образом, чтобы исключить темные участки неинформативной облас-ти. Для этого
определяются по гистограмме изображения яркости, которые относятся к темным участкам
изображения снимка. Таким образом определяется нижний предел fmin для контрастирования.
Неинформативная область снимка (пиксели с низкой ярко-стью) затемненяется путем
<<вынесения>> ее за границы палитры при присвоении значе-нию fmin нижнего предела.
В результате контрастирования явно выделяется перепад между грудным полем и неинформативной
частью снимка. Граница грудного поля сглаживается медианным фильтром, а значению
яркости неинформативной области снимка присваивается нулевое значение (<<заливка
черным>>).
Поиск объектов заключается в определении областей интереса (область, которая
полностью содержит в себе объект интереса) и выделении в ней ОИ.
Зачастую на ранней стадии заболевания врачу-рентгеннологу сложно обнаруNOжить
на маммограмме очаги распространения опухоли. Это обусловлено однотонноNOстью
получаемого изображения, а также наличием большого числа молокотоков. Т.е. основной
задачей в данном случае является подчеркивание малозаметных ОИ. Для реNOшения
этой задачи мощным инструментом является вейвлет-преобразование [1].
Вейвлетами являются функции, имеющие вид коротких волновых пакетов с ну-левым
интегральным значением и с той или иной сложной формой, локализованные по оси
независимой переменной и способные к сдвигу по ней и масштабированию [2].
Вейвлетные методы используются для распознавания и обнаружения ключеNOвых диагностических
признаков, а также для сжатия изображений с минимальными потеNOрями диагностической
информации.
Выделение очага заболевания на маммограмме с помощью вейвлетов осущестNOвляется
в несколько этапов. Первым шагом цифровое изображение маммограммы подNOвергается
двумерному дискретному вейвлет-преобразованию, в результате чего полу-чаются
коэффициенты апNOпроксимации и детализирующие коэффициенты (вертикальная, горизонтальная
и диаNOгональная составляющие).
Одним из важных свойств вейвлет-преобразования является возможность обра-ботки
коэффициентов разложения и их последующая реконструкция. Возможно при-менение
различных законов при обработке полученных коэффициентов аппроксимации и детализации.
Так в разработанном методе используется метод умножения детализи-рующих коэффициентов
на константу. Если эта константа принадлежит диапазону от 0 до 1, то влияние
детализирующих коэффициентов понижается и результирующее изо-бражение теряет
резкость. Для подчеркивания высокочастотной составляющей изобра-жения, которая
в нашем случае несет информацию о границах объектов, требуется ум-ножить детализирующие
коэффициенты на константу превышающую по значению 1. При выборе значения константы
необходимо руководствоваться исходными данными. В нашем случае исходным (обрабатываемым)
изображением является снимок маммо-граммы. Основная специфика данного изображения
заключается в том, что на нем при-сутствует большое количество мелких, в большей
части хаотически расположенных, объектов (молокотоки, кровотоки и т.п.). Данные
типы объектов в большей степени проявляются в диагональной составляющей детализирующих
коэффициентов. Искомые объекты патологий отображаются на снимке в виде пятен.
Границы объектов патологий можно подчеркнуть с помощью горизонтальной и вертикальной
составляющих детали-зирующих коэффициентов.
В итоге приходим к выводу, что для выделения мелких объектов необходимо по-высить
вес горизонтальной и вертикальной составляющих, а диагональную состав-ляющую
либо подавить, либо оставить без изменений. Значение масштабирующих ко-эффициентов
для подчеркивания объектов должно лежать в пределах от 1.5 до 3. Если значение
масштабирующих коэффициентов сделать выше, то высокочастотная состав-ляющая вейвлет
разложения при восстановлении подавит коэффициенты аппроксима-ции. Это приведет
к потере четкости контура объектов, а также появляется шум на ре-зультирующем
изображении.
После обработки детализирующих коэффициентов осуществляется обратное двумерное
дискретное вейвлет-преобразование аппроксимации и детализации. На основе сопоставления
исходного изображения и результата обработки вейвлетом выде-ляются ОИ.
Разработанная процедура обработки изображения на основе вейвлет-преобразования
позволяет выделить малозаметные пятна - зарождающиеся очаги забо-леваний. Данная
возможность помогает выявить заболевания на ранней стадии.
Выделенные объекты классифицируются. Для этого вычисляются геометричеNOские характеристики:
площадь ОИ, контур, положение центра тяжести, минимальное и максимальное расстояния
от центра тяжести до границы сглаженного объекта, главные моменты сглаженного
объекта, длины максимальной и минимальной осей инерции, эксцентриситет. По геометрическим
и яркостным характеристикам осуществляется анализ ОИ по следующим признакам:
кривизна границы объекта, коэффициент яркости объекта, вытянутость объекта вдоль
его главной оси, компактность или рыхлость фор-мы объекта, близость формы объекта
к кругу.
По данным признакам объекты относятся к классам: очаг, объект распростраNOнения
болезни, артефакт (технологические объекты, царапины и т.п.). Для классифика-ции
объектов предполагается использовать метод, основанный на нейронных сетях. На
основе признаков большого числа экспериментальных объектов сеть тренируется и
в дальнейшем самостоятельно распределяет объекты по классам.
Разработка данной системы позволит на ранней стадии предупредить заболева-ние
или остановить его развитие; избавит врача рентгенолога от монотонного и утоми-тельного
просмотра всего потока маммограмм путем автоматического распределения снимков
на классы: <<норма>> и <<патология>>.
Литература:
1. Т. Ламброу, А. Линней, Р. Спеллер. Применение вейвлет-преобразования к обраNOботке
медицинских сигналов и изображений // журнал <<Компьютера>>, 2003г, No8
2. Дьяконов В.П. Вейвлеты. От теории к практике.
3. Апанасевич В.И., Невожай Д.В., Птух Е.Я., Гридина Е.С. Аппарат для сканирования
рентгеновских снимков. Материалы 4-ой Дальневосточной онкологической конференции.
Владивосток, 2002 г
Завершение пересылаемого сообщения --
Яндекс.Почта - Проверьте почту с мобильного устройства: http://mail.ya.ru
