«Применение ит в обработке медицинских изображений» (стр. 1 из 7)

Существует ряд алгоритмов позволяющих построить бинарный 3D скелет. Но из-за особенностей медицинских изображений таких как зашумленность, большие расстояния между слоями, геометрические и оптические искажения, нечеткие границы объектов, динамическое изменение объектов, с их помощью нельзя построить устойчивые к шумам средние линии. К тому же в случае исследования лучевыми методами много информации получают на основе данных плотности ткани. Поэтому при построении скелета сосудов желательно учитывать полутоновые свойства. Для решения этой задачи разработан алгоритм полутонового утоньшения, позволяющий построить образ сосудистой системы для дальнейшего анализа. В основе построения скелета сосудов лежит алгоритм псевдодистанционной карты [1]. Псевдодистанционная карта позволяет выполнить оценку расстояний между вокселями изображения и определить общие топологические свойства изображения. Локальные максимумы составляют основу для построения скелета такого изображения. В образовании скелета не участвуют приграничные локальные максимумы, которые удаляются по условию проверки близости границы, размеров и направления. Оставшиеся локальные максимумы образуют квазискелет, который исключает топологические особенности, связанные с неровностью границ и обладает большей устойчивостью к масштабированию и повороту.

Глава 1 Анализ проблемы и постановка задачи

1.1 Общая схема обработки изображений

Обработка изображений — любая форма обработки информации, для которой входные данные представлены изображением. Обработка изображений может осуществляться как для получения изображения на выходе (например, подготовка к полиграфическому тиражированию, к телетрансляции и т. д.), так и для получения другой информации (например, распознание текста, подсчёт числа и типа клеток в поле микроскопа и т. д.).

Полезно разделить весь процесс обработки изображений на две большие категории: методы, в которых на входе и на выходе имеются изображения, и методы, где на вход поступают изображения, а на выходе возникают признаки и атрибуты, выделенные на основании этих изображений.

Эта схема не подразумевает, что к изображению применяется каждый из описанных процессов.

Регистрация изображения – первый из процессов, показанных на Рис.1. Регистрация может оказаться предельно простой, как в случае, когда исходное изображение уже представлению в цифровой форме. В общем случае стадия регистрации изображения включает некоторую предобработку, например, масштабирование.

Улучшение изображения входит в число наиболее простых и впечатляющих областей цифровой обработки изображений. По существу, за методами улучшения изображений стоит идея выявления плохо различимых деталей или просто подчеркивания интересующих характеристик на исходном изображении. Известным примером улучшения является усиления контраст изображения, потому что в результате «оно выглядит лучше». Важно иметь в виду, что улучшение качества – весьма субъективная область в обработке изображений.

Восстановление изображений – это область, также связанная с повышение визуального качества изображения, однако, в отличие от собственно улучшения, критерии которого субъективны, восстановление изображения является объективным в том смысле, что методы восстановления изображений опираются на математические или вероятностные модели искажений изображения. Напротив, улучшение изображений основано на субъективных предпочтениях человеческого восприятия, которые связаны с тем, что именно считается «хорошим» результатом улучшения.

Обработка изображений как этап следует отделять от понятия обработки изображении как весь процесс изменений изображения и получения некоторых атрибутов. Сюда может включатся и вейвлетная обработка (для представления изображений с несколькими степенями разрешения одновременно) и морфологическая обработка (связана с инструментами для извлечения таких компонент изображения, которые могут быть полезны для представления и описания формы).

Сегментация разделяет изображение на составные части или объекты. В целом автоматическая сегментация принадлежит к числу самых трудных задач цифровой обработки изображений. Излишне подробная сегментация уводит процесс решения задачи обработки изображения на сложный путь, если требуется идентифицировать объекты по отдельности. С другой стороны, недостаточно подробная или же ошибочная сегментация почти неизбежно приведет к возникновению ошибок на финальной стадии обработки.

Представление и описание почти всегда следуют непосредственно за этапом сегментации, на выходе которого обычно имеются лишь необработанные данные о пикселях, которые либо образуют границу области (т.е. дается множество пикселей, отделяющих одну область изображения от другой), либо представляют все точки самих областей. В обоих случаях необходимо преобразовать данные в форму, пригодную для компьютерной обработки. Первое решение, которое следует принять – должна ли эти данные представляться в форме границ областей или областей целиком. Представление границами подходит для тех случаев, когда в центре внимания находятся внешние характеристики формы областей, например, углы и изгибы. Представление областями более уместно, если акцент делается на внутренних свойствах объектов, например, текстуре или форме скелета. В некоторых приложениях эти представления дополняют друг друга. Выбор способа представления – лишь часть принятия решения по преобразованию «сырых» пиксельных данных в подходящую для дальнейшей компьютерной обработки форму. Должен быть еще указан метод описания данных, при котором бы выдвигались на передний план интересующие признаки. Построение описания, иначе называемое выбором признаков, связано с выделением атрибутов, которые бы выражали интересующую количественную информацию или бы моги служить основой для различения классов объектов.

Распознавание представляет собой процесс, которые присваивает некоторому объекту идентификатор (например, «бедренная кость») на основании его описателей.

Рассмотрим взаимосвязь между базой знаний и модулями обработки. На самом деле, знание о проблемной области, т.е. база знаний, некоторым образом закодировано внутри самой системы обработки изображений. Это знание может быть очень простым, как детальное указание участков изображения, где должна находиться интересующая информация, что позволит ограничить область поиска. База знаний может быть и очень сложной, как, например, взаимосвязанный список всех наиболее вероятных дефектов в задаче контроля материалов, либо база данных спутниковых изображений некоторого района с высоким разрешение в прикладных задачах обнаружения изменений, происходящих в этом районе. Помимо того, что база знаний руководит работой каждого модуля обработки, она также управляет взаимодействием между модулями. Эта отличительная особенность показана на рис. 1 с помощью двунаправленных стрелок между обрабатывающими модулями и базой знаний.

Рисунок 1 – Основные стадии цифровой обработки изображений

1.2 Особенности медицинских изображений

Существует несколько различных видов медицинских изображений, отличающихся как по способу получения и области применения, так и по особенностям конечного изображения. Ниже перечислены основные типы медицинских изображений.