WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     ||
|

Поэтому для улучшения работы систем анализа и обработки медицинских изображений, очевидно, необходим метод, обеспечивающий автоматизированный выбор преобразования изображения. В основе метода должен лежать объективный количественный критерий, определяющий последовательность анализа и обработки изображения, необходимую для достижения поставленной цели. Учитывая взаимосвязь эндогенных и экзогенных факторов зрительного восприятия, повышение эффективности обнаружения исследователем объектов интереса в результате анализа и обработки медицинского изображения будет обеспечено, если данный критерий отражает степень согласования пространственных и энергетических характеристик изображения на дисплее со свойствами зрительной системы исследователя.

Во второй главе сформулирован подход к анализу и обработке медицинских изображений, на основе которого предложен метод, позволяющий повысить эффективность обнаружения исследователем небольших малоконтрастных объектов интереса на этих изображениях.

Согласно сформулированному подходу (рисунок 1), выбор метода обработки изображения для достижения поставленной цели должен проводиться в результате анализа изображения и расчета критерия, отражающего степень согласования пространственных и энергетических характеристик изображения со свойствами зрительной системы исследователя. Критерий формируется, исходя из признаков медицинского изображения, соответствующих экзогенным факторам зрительного восприятия, и включает эндогенные факторы зрительного восприятия. Изменение значения критерия после обработки показывает, будет ли достигнута цель преобразования медицинского изображения, – повышение эффективности обнаружения исследователем интересующих объектов на изображении. Визуальный анализ медицинского изображения исследователем дополняет оценку результата преобразования.

Рис. 1. Схема анализа и обработки медицинских изображений

В качестве объективного количественного критерия согласования пространственных и энергетических характеристик медицинского изображения со свойствами зрительной системы исследователя предложена вероятность правильного обнаружения исследователем объектов интереса на изображении; разработана соответствующая математическая модель.

Математическая модель разработана для эталонного изображения, содержащего объект интереса малых размеров и низкого контраста, – представленного в градациях серого изображения круга на равномерном фоне (диаметр 0,3–1 мм, контраст объекта с фоном составляет 0,02–0,3), объект светлее фона (рисунок 4, «Круг»). Расчет производился согласно критерию Неймана-Пирсона в присутствии белого гауссова шума, обусловленного процессами в зрительной системе исследователя, при минимизации дополнительных искажений изображения (от других звеньев БТС медицинской визуализации). В результате для вероятности правильного обнаружения исследователем объекта интереса заданного размера на изображении получено следующее математическое выражение:

, где,

– интеграл вероятности; – контраст изображения, содержащего объект интереса; – контраст изображения, соответствующий порогу обнаружения объекта интереса по яркости;  – пороговый контраст зрительной системы (который зависит как от размера объекта, так и от яркости адаптации); – коэффициент, определяющийся условиями внутренней фильтрации в зрительной системе; – вероятность ложной тревоги.

На основе предложенного критерия разработан метод автоматизированного анализа и обработки медицинских изображений, содержащих небольшие малоконтрастные объекты интереса исследователя (рисунок 2). В соответствии с представленной математической моделью, в качестве методов обработки были выбраны контрастирование и масштабирование изображения, которые выполняются последовательно.

С учетом возможности задания параметров, контрастирование реализуется согласно выражению:, где и – яркость изображения до и после преобразования; и  – параметры преобразования;, и, – яркость фона, разность яркостей объекта интереса и фона изображения до и после преобразования.

Масштабирование реализуется согласно выражению:, где, – яркость объекта интереса на изображении до и после преобразования; – исходный угловой размер объекта интереса на изображении (пространственная частота в циклах на градус поля зрения наблюдателя);  – коэффициент масштабирования. Это эквивалентно переносу отсчета контраста малоконтрастного объекта интереса небольших размеров на изображении из области высоких пространственных частот в область средних пространственных частот, где пороговый контраст зрения минимален.

Рис. 2. Метод автоматизированного анализа и обработки медицинских изображений с малоконтрастными объектами

Результат обработки определяется требуемой величиной вероятности правильного обнаружения объектов интереса на изображении и контролируется исследователем. Расчет параметров выбранных методов производится в соответствии с зависимостями вероятности правильного обнаружения объекта на изображении от его контраста и размера для заданных условий наблюдения, полученными согласно представленной математической модели.

Так, параметры контрастирования и, определяются через соответствующее значение контраста объекта интереса на изображении, :,, где – требуемый уровень вероятности правильного обнаружения исследователем объектов интереса на изображении. Требуемая яркость фона изображения,, задается в соответствии с зависимостью порогового контраста зрительной системы от уровня яркости адаптации.

Необходимый коэффициент масштабирования объекта интереса на изображении,, определяется из выражения:.

Действие контрастирования и масштабирования на изображение, содержащее небольшой объект интереса низкого контраста, иллюстрирует рисунок 3.

Рис. 3. Зависимость порогового контраста от размера наблюдаемого объекта на изображении,, и изменение отсчета контраста объекта интереса на изображении,, под действием контрастирования,, и масштабирования,

Третья глава диссертации посвящена исследованию характеристик обнаружения исследователем объектов интереса на изображениях в целях подтверждения представленной математической модели. Для этого предложено использовать эталонные изображения (рисунок 4), синтезированные с учетом выделенных особенностей медицинских изображений для ранней диагностики.

На основе проведенных расчетов определены следующие характеристики обнаружения (рисунок 5): зависимости вероятности правильного обнаружения исследователем объектов интереса на эталонных изображениях от их контраста и размеров в заданных условиях наблюдения.

«Круг»

«Мира»

«Синусоидальная решетка»

Рис. 4. Примеры эталонных изображений

а) б)

в)

Рис. 5. Зависимости вероятности правильного обнаружения объекта на изображении,, в заданных условиях наблюдения: а) от контраста объекта,, для четырех значений вероятности ложной тревоги, ; б) от размера объекта, (в циклах на градус поля зрения), для трех значений контраста, вероятность ложной тревоги 10-5; в) от контраста объекта,, для пяти размеров объекта, (в циклах на градус поля зрения), вероятность ложной тревоги 10-2

Результаты экспериментальных исследований этих зависимостей, проведенных на эталонных изображениях (рисунок 6), а также сравнение полученных зависимостей с данными, представленными в литературных источниках, дают основание считать предложенную математическую модель и основанный на ней метод автоматизированного анализа и обработки медицинских изображений обоснованными.

Для повышения точности результатов экспериментальных исследований, в них принимали участие 10 наблюдателей с хорошим зрением (Vis = 1), каждому из которых без предварительной тренировки по 20 раз предъявлялось эталонное изображение с заданными параметрами. Согласно результатам статистической обработки полученных данных, величина доверительных интервалов для экспериментальных значений на рисунке 6 составляет ±7 % при доверительной вероятности 0,95.

а) б)

Рис. 6. Примеры результатов экспериментов по определению зависимостей вероятности правильного обнаружения объекта на изображении,, в заданных условиях наблюдения а) от размера объекта, (в циклах на градус поля зрения), для трех значений контраста; б) от контраста объекта,, для трех размеров объекта, (в пикселях при разрешении 96 точек на дюйм); вероятность ложной тревоги 10-5; расстояние наблюдения 50 см; и соответствующие расчетные кривые

Вследствие необходимости применения сжатия изображений в современных системах медицинской визуализации, выявлена потребность в исследованиях влияния сжатия на зрительное восприятие изображений, содержащих небольшие малоконтрастные объекты интереса, и выработке соответствующих рекомендаций. В результате проведенных на эталонных изображениях экспериментальных исследований, описаны особенности искажений, возникающих при сжатии-восстановлении изображений методом JPEG, проанализированы различные критерии оценки качества изображений и сформулированы следующие рекомендации:

– Для сжатия медицинских изображений данным методом не следует применять большие степени компрессии, то есть коэффициенты сжатия менее 35.

– Для сжатия методом JPEG медицинских изображений с минимальными потерями диагностической информации, то есть при минимальном искажении небольших малоконтрастных объектов в изображении, рекомендуется использовать коэффициенты сжатия не менее 80.

Согласно результатам экспериментальных исследований, при соблюдении предложенных рекомендаций вероятность правильного обнаружения небольших малоконтрастных объектов интереса на подвергнутых сжатию изображениях не снижается по сравнению с исходными.

В четвертой главе диссертации на основе предложенного метода проведена разработка системы для анализа и обработки медицинских изображений, содержащих небольшие малоконтрастные объекты интереса; представлены результаты экспериментальных исследований системы и метода.

Система анализа и обработки медицинских изображений с малоконтрастными объектами реализована с учетом требований к ее программно-алгоритмическому обеспечению, сформулированных исходя из выявленных достоинств и недостатков подобных систем.

Для комплексной проверки работы предложенных системы и метода проводились экспериментальные исследования с использованием эталонных и контрольных клинических изображений (маммограмм).

В экспериментальных исследованиях с эталонными изображениями принимали участие 10 наблюдателей с хорошим зрением (Vis = 1), каждому из которых без предварительной тренировки по 20 раз предъявлялось эталонное изображение с заданными параметрами. В результате анализа и обработки эталонных изображений в системе за счет последовательного проведения их контрастирования и масштабирования было достигнуто повышение вероятности правильного обнаружения наблюдателями объектов интереса с 0,02–0,6 (в зависимости от параметров объекта интереса) до 0,99. Пример результата анализа и обработки эталонного изображения приведен на рисунке 7.

Исходное изображение

Результат контрастирования

Результат масштабирования

=0,02

=0,05

=16 циклов на градус

=0,99

=0,8

=16 циклов на градус

=0,99

=0,8

=8 циклов на градус

Рис. 7. Пример анализа и обработки эталонного изображения в системе анализа и обработки медицинских изображений с малоконтрастными объектами

В экспериментальных исследованиях с контрольными клиническими изображениями 50 патологических маммограмм с выделенными областями интереса, содержащими объекты интереса – микрокальцинаты, предъявлялись 5 экспертам – наблюдателям с хорошим зрением (Vis = 1), владеющим методикой постановки диагноза по маммографическим изображениям. Исследования показали, что анализ и обработка контрольных клинических изображений в системе обеспечивает повышение вероятности правильного обнаружения наблюдателями объектов интереса с 0,02–0,6 (для различных областей интереса) до 0,95 (пример на рисунке 8).

Исходное изображение

Результат контрастирования

Результат масштабирования

а)

=0,04

=0,1

=16 циклов на градус

=0,99

=0,8

=16 циклов на градус

=0,99

=0,8

=8 циклов на градус

б)

=0,05

=0,06

=16 циклов на градус

=0,99

=1

=16 циклов на градус

=0,99

=1

=8 циклов на градус

Рис. 8. Примеры обработки фрагментов контрольных клинических изображений в системе анализа и обработки медицинских изображений с малоконтрастными объектами

Полученные результаты подтвердили, что разработанные система и метод обеспечивают повышение эффективности обнаружения исследователем небольших малоконтрастных объектов интереса на изображениях. В результате анализа были выявлены достоинства и недостатки системы (и метода) и намечены пути дальнейшего развития. Сформулированы следующие рекомендации по анализу и обработке медицинских изображений, содержащих небольшие малоконтрастные объекты интереса:

Pages:     ||
|



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.