Методы обработки рентгеновских диагностических изображений

Размещено на http://www.allbest.ru/

Министерство образования и науки Российской Федерации

ФГБОУ ВПО «Пензенский государственный университет»

Кафедра «Медицинские информационные системы и технологии»

КУРСОВАЯ РАБОТА

по дисциплине «Автоматизация обработки экспериментальных данных»

Методы обработки рентгеновских диагностических изображений

Руководитель д. т. н., профессор В. П.Фандеев

Исполнитель студент гр. 09ЛИ1 С.П. Кравцова

Пенза 2013

Реферат

Пояснительная записка содержит 60 с., 44 рис., 7 источников.

Анализ изображений, сегментация, ФИЛЬТРАЦИЯ изображений, преобразование изображений, матрица изображения

Целью курсовой работы является подведение итогов выполненной работы в среде MatLab, связанной с выполнением различных операций с изображением, а именно: фильтрация, улучшение, преобразование.

Выполнена систематизация методов обработки цифровых изображений, предложена программная реализация в среде Matlab методов анализа, фильтрации, сегментации и улучшения качества рентгеновских медицинских изображений.

Основные результаты: в ходе работы были сделаны выводы о необходимости дальнейшей работы в среде MATLAB. Так как цифровая обработка сигнала нужное и перспективное направление математической науки.



СОДЕРЖАНИЕ

ВВЕДЕНИЕ

1. ЦИФРОВЫЕ РЕНТГЕНОГРАФИЧЕСКИЕ СИСТЕМЫ

2. АВТОМАТИЧЕСКИЙ АНАЛИЗ ИЗОБРАЖЕНИЯ

2.1 Методы организации автоматического анализа медицинских изображений

3. Методы автоматического анализа медицинских изображений в среде MatLab

3.1 Анализ рентгеновского изображения

3.1.1 Выводы

3.2 Фильтрация изображений

3.2.1 Выводы

3.3 Сегментация изображений

3.3.1 Выводы

3.4 Улучшение изображений

3.4.1 Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ



ВВЕДЕНИЕ

Наиболее актуальными задачами автоматического анализа изображений, решение которых возможно в ближайшем будущем, следует считать создание системы отбора патологии при массовых рентгеновских профилактических обследованиях в условиях всеобщей диспансеризации.

Для решения подобной задачи необходимо разработать методики получения изображений с использованием функциональной подвижности органов и аппаратуру для их реализации.

При создании аппаратуры следует отказаться от традиционных пленочных регистраторов и в максимальной степени учитывать аппаратурные возможности предварительной нормализации изображений и выделения признаков.

Параллельно с разработкой аппаратуры следует вести разработку статически обоснованных алгоритмов классификации признаков для достижения высокой достоверности анализа.



1. ЦИФРОВЫЕ РЕНТГЕНОГРАФИЧЕСКИЕ СИСТЕМЫ

Преобразование традиционной рентгенограммы в цифровой массив с последующей возможностью обработки рентгенограмм методами вычислительной техники стало распространенным процессом. Аналоговые системы зачастую имеют очень жесткие ограничения на экспозицию из-за малого динамического диапазона рентгеновской пленки.

В отличие от аналоговых прямые цифровые рентгенографические системы позволяют получать диагностические изображения без промежуточных носителей, при любом необходимом уровне дозы, причем это изображение можно обрабатывать и отображать самыми различными способами.

На рисунке 1 приведена схема типичной цифровой рентгенографической системы. Рентгеновская трубка и приемник изображения сопряжены с компьютером и управляются им, а получаемое изображение запоминается, обрабатывается (в цифровой форме) и отображается на телеэкране, составляющем часть пульта управления (или устройства вывода данных) оператора-рентгенолога.

Аналогичные пульты управления можно применять и в других системах получения изображения, например на основе ядерного магнитного резонанса или компьютерной томографии. Цифровое изображение можно записать на магнитном носителе, оптическом диске или же на специальном записывающем устройстве, способном постоянно вести регистрацию изображения на пленку в аналоговой форме.

В цифровой рентгенологии могут найти применение два класса приемников изображения : приемники с непосредственным формированием изображения и приемники с частичной регистрацией изображения, в которых полное изображение формируется путем сканирования либо рентгеновским пучком, либо приемным устройством (сканирующая проекционная рентгенография).

В цифровой рентгенографии применяют усилитель изображения, ионо-графическую камеру и устройство с вынужденной люминисценцией. Эти приемники могут непосредственно формировать цифровые изображения без промежуточной регистрации и хранения. Усилители изображения не обладают наилучшим пространственным разрешением или контрастом, однако имеют высокое быстродействие. Аналого-цифровое преобразование флюорограммы с числом точек в изображении 512х512 может занимать время менее 0,03 с. Даже при числе точек 2048х2048 в изображении время преобразования изображения в цифровую форму составляет всего несколько секунд. Время считывания изображения с пластины с вынужденной люминисценции или ионографической камеры значительно больше, хотя последнее выгодно отличается лучшим разрешением и динамическим диапазоном.

Записанное на фотопленке изображение можно преобразовать в цифровую форму с помощью, сканирующего микро-денситометра. Но любая информация, зафиксированная на фотопленке со слишком малой или, слишком высокой оптической плотностью, будет искажена из-за влияния характеристик пленки.

В цифровую форму можно преобразовать и ксеро-рентгенограмму также с помощью сканирующего денситометра, работающего в отраженном свете, или путем непосредственного считывания зарядового изображения с селеновой пластины.

В прямой цифровой рентгенографической системе используется рентгеновская пленка, как регистратор рентгеновского излучения заменена многопроволочной пропорциональной камерой. Такая камера вместе с электронными схемами усиления и формирования импульсов представляет собой линейку на 256 практически независимых каналов, имеющих чувствительную поверхность 1х1 мм. (В последних моделях 350 каналов и 0,5х0,5 мм.) Использование в счетчиках в качестве рабочего газа ксенона при давлении 3 кгс/см2 обеспечивает высокую эффективность регистрации излучения. Эта система может быть отнесена к классу ионографических приборов для цифровой рентгенографии, передающих изображение на внешние устройства отображения.

В других цифровых рентгенографических системах используют твердотельные приемники с высоким коэффициентом поглощения рентгеновского излучения.

В обоих разновидностях упомянутых рентгенографических систем применяется метод сканирования с построчной регистрацией изображения, которое воспроизводится в целое на дисплее компьютера (сканирующая проекционная рентгенография).

Ко второму классу цифровых рентгенографических систем следует отнести люминофоры с памятью и вынужденной люминисценцией, которая затем регистрируется. Это приемник с непосредственным формированием изображения.

Системы получения изображения со сканированием рентгеновским пучком и приемником имеют важное преимущество, состоящее в том, что в них хорошо подавляется рассеяние. В этих системах один коллиматор располагается перед пациентом с целью ограничения первичного рентгеновского пучка до размеров, необходимых для работы приемника, а другой - за пациентом, чтобы уменьшить рассеяние. На рис.2 изображена линейная сканирующая система для получения цифрового изображения грудной клетки. Приемником в системе является полоска из оксисульфида гадолиния, считывание информации с которой ведется линейной матрицей из 1024 фотодиодов. Проекционные рентгенограммы синтезируются также сканерами компьютерной томографии и выполняют вспомогательную роль при выделении соответствующего сечения.

Главным недостатком сканирующих систем является то, что большая часть полезной выходной мощности рентгеновской трубки теряется и что необходимы большие времена экспозиции (до 10 с).

Матрицы изображения из 512х512 элементов может быть вполне достаточно для целей цифровой флюороскопии, тогда как система рентгеноскопии грудной клетки может потребовать матрицы с числом элементов 1024х1024 при размерах элемента изображения 0,4 мм.

Число градаций в изображении зависит от медицинского назначения. Аналого-цифрового преобразования на 8 бит, обеспечивающего точность 0,4%, вполне достаточно для регистрации зашумленных изображений или больших массивов (меньшей ступени градации яркости соответствует больший уровень шума), однако для ряда приложений может понадобиться и 10-битовый АЦП (точность 0,1%).

Если требуется быстрый доступ к информации, полученной за длительный период времени, целесообразно применять оптические диски. Емкость памяти 12-дюймового оптического диска равна примерно 2 гигабайт, что соответствует 1900 изображениям размером 1024х1024 по 8 бит каждое (без сжатия данных). Для считывания с оптического диска может быть использовано автоматическое устройство съема, позволяющее обеспечить быстрый доступ к любому изображению. Возможность работы со всеми изображениями в цифровой форме весьма привлекательна, а системы, выполняющие это, называются системами хранения и передачи изображения (СПХИ).

Система представлена тремя каналами:

1. традиционная рентгенография;

2. цифровая рентгенографическая установка;

3. рентгеноскопия (видеосигнал с УРИ).

Первый канал. Рентгенограммы, полученные с помощью
традиционного процесса, поступают на обработку в полутоновый графический сканер, с помощью которого рентгенодиагностическое изображение вводится в память компьютера. После этого такая преобразованная рентгенограмма может обрабатываться средствами компьютерной техники, но в рамках узкого динамического диапазона рентгеновской пленки. Это изображение может быть введено в электронный архив и извлекаться оттуда по требованию. Эта оцифрованная рентгенограмма уже ничем не отличается от прямых цифровых рентгенограмм по доступности средствам обработки.

Третий канал. Рентгеновские изображения из рентгенотелевизионного канала УРИ могут захватываться специализированным адаптером видеоввода как в режиме реального времени, так и с видеомагнитофонного кадра. Последнее предпочтительно, так как позволяет при просмотре видеомагнитофонных изображений выбрать нужный кадр для занесения его в архив. Объектом ввода в электронный архив могут быть любые изображения, получаемые при рентгеноскопии с помощью УРИ.

Первый и третий каналы дают возможность преобразовать традиционные рентгеновские изображения (рентгенограммы и кадры видеотелевизионного тракта) в цифровое изображение. Этот прием имеет особое значение, потому что он представляет возможность достоверно сравнить изображения, полученные различными способами. Следующим преимуществом преобразования являются возможность помещения его в электронный архив и выполнение всех операций с цифровым изображением. Следует особенно подчеркнуть возможность передачи изображения по компьютерным сетям, потому что в последние годы "взгляды медиков фокусируются на передаче изображений" как основном средстве обеспечения доступа к материалам, что имеет колоссальное значение, как для диагностики, так и для процессов обучения.

Второй канал. Это собственно канал цифровой рентгенографической установки. Он состоит из двух подсистем: автоматизированного рабочего места (АРМ) лаборанта и АРМ врача-рентгенолога (ВР), объединенных в локальную сеть. В АРМ рентген лаборанта происходит внесение сведений о больном, необходимых организационных и клинических данных и управление процессом регистрации изображения (синхронное включение сканера и высокого напряжения и др.). После получения рентгеновского изображения оно и сведения о пациенте по локальной сети поступают в АРМ ВР. На АРМ ВР выполняются программная обработка изображений для извлечения диагностической информации, поиск предшествующих изображений пациентов и сравнение с вновь полученными. Регистрация новых пациентов и изображений в базе данных, приведение их к формату, оптимальному для архивирования, и другие манипуляции, доступные электронным технологиям персонального компьютера. Программное обеспечение позволяет врачу-рентгенологу при необходимости и создать твердые копии изображений на лазерном принтере (этот способ получения твердых копий несколько уступает в точности передачи диагностических изображений тепло печати или поляроидному фотопроцессу, но значительно дешевле всех других способов воспроизведения изображения); при наличии сетевой связи позволяет передать их клинические подразделения, связаться с консультационными центрами или центральным архивом по электронной связи. Блок базы данных, являющийся сердцевиной системы, формализует все этапы работы с пациентом от внесения данных лаборантом до размещения в архивное хранение, позволяет врачу-рентгенологу создавать все виды стандартной отчетности, а также анализировать проведенную работу по целевым выборкам. Конечным этапом работы с цифровым изображением всех трех видов является его архивирование на магнитный или оптический носитель.



2. АВТОМАТИЧЕСКИЙ АНАЛИЗ ИЗОБРАЖЕНИЯ

В медицинской рентгенологии разработан ряд диагностических методик, основанных на измерениях относительных размеров изображений органов (рентгенокардиометрия). Рентгенометрические методы широко применяются при рентгеновских исследованиях беременных, некоторых костных патологий в педиатрии и в других случаях.

Применение ЭВМ для рентгенометрических методов во много раз сокращает трудовые затраты персонала и повышает точность измерений.

Задача автоматического анализа медицинских изображений является особенно актуальной в условиях проведения обязательного диспансерного обследования населения. Ее решение должно радикальным образом трансформировать весь процесс "скрининга" (массового профилактического обследования).

Под автоматическим анализом в медицинской диагностике понимается частный случай распознавания изображений (автоматическая классификация), т. е. Отнесение изображения к определенному классу или группе, например норма, патология либо конкретный тип патологии. Математическая суть классификации есть отыскание некоторой функции, отображающей множество изображений во множество, элементами которого являются классы или группы изображений.

В большинстве случаев процесс автоматической классификации проводится в три этапа:

1. Предварительная обработка, состоящая в максимальном приближении исследуемого изображения к эталонному или нормализованному. Чаще всего для медицинских изображений это пространственно инвариантные операции, сдвиг, изменение яркости, изменение контраста, квантование и геометрические преобразования (изменение масштаба, поворот оси). Теория этих преобразований хорошо разработана и, как правило, не вызывает трудностей при использовании современных ЭВМ.

2. Выделение признаков, при которых функция, представляющее обработанное изображение, подвергается функциональному преобразованию, выделяющему ряд наиболее существенных признаков, которые кодируются действительными числами. Выделение признаков заключается в математических преобразованиях изображения в зависимости от задачи анализа. Это может быть вычитание из эталона, вычитание постоянной составляющей для исключения мешающих теней, дифференцирование или автокорреляция для выделения контура, частотная фильтрация и многие другие. Правильный выбор алгоритма обработки имеет решающее значение для следующего этапа преобразования и представляет наибольшую трудность.

3. Классификация признаков. Полученные в результате предыдущей операции наборы действительных чисел, описывающие выделенные признаки, сравниваются с эталонными числами, заложенными в память машины. ЭВМ на основании такого сравнения классифицирует изображение, т. е. относит его к одному из известных видов, например норма или патология. Набор действительных чисел, характеризующих выделенные признаки, при этом можно рассматривать как точку в n-мерном пространстве. Если в это пространство предварительно введены области, занимаемые тем или иным классом в пространстве, называемом пространством признаков, либо, что случается чаще, задана плотность вероятности для каждого класса, появляется возможность с известной вероятностью отнести данное изображение к определенному классу.

Медицинские изображения, получаемые при рентгеновской, изотопной либо ультразвуковой диагностики различны как по характеру их сложности, так и по виду заложенной в них информации, определяемой, прежде всего, механизмом взаимодействия используемого вида излучения с органами и тканями. Однако они обладают общих признаков, важных для проблемы автоматической классификации; это, прежде всего отсутствие:1) эталона нормы из-за индивидуальных особенностей каждого организма; 2) эталона патологии при огромном разнообразии ее форм.

Указанные два обстоятельства чрезвычайно затрудняют выполнение двух последних этапов автоматической классификации и подчас делают вообще невозможным решение задачи с помощью современного уровня техники.

Полная автоматическая классификация при дифференциальной диагностике пока еще невозможна. Может быть осуществлен только предварительный отбор по принципу норма-патология, экономически обоснованным лишь для тех случаев, когда проводится массовое диспансерное обследование.

Решать задачу автоматического анализа привычных для диагноста изображений в большинстве случаев не имеет смысла. Необходимо создавать специальные условия формирования изображения, которые бы упростили, прежде всего, выполнение второго этапа анализа.

2.1 Методы организации автоматического анализа медицинских изображений

1. Функциональная диагностика. В первую очередь необходимо использовать такую важную особенность многих органов, как функциональная подвижность. Возможность регистрации органа в нескольких фазах позволяет получить эталон. Вычитая изображение двух фаз, можно избавиться от фона, многократно уменьшить количество анализируемой информации и перейти от исследования изображения органа к исследованию его функции, что во много раз проще, поскольку позволяет непосредственно обратиться к выделению признаков действительными числами.

При профилактическом исследовании легких принципы функциональной диагностики подробно разработаны проф. И. С. Амосовым. Предложенная им рентгенополиграфическая решетка позволяет на одной рентгенограмме получить изображение двух фаз легких и тем самым осуществить квазисубтракцию изображений.

Еще одним примером устройства для получения функциональных изображений является много лет используемая рентгенокимография, при которой также широко применяется количественный анализ признаков.

Достаточно полную количественную информацию о динамике сердечных сокращений содержит серия кинокадров сердца, снятых с большой скоростью с экрана усилителя рентгеновского изображения.

2. Искусственное контрастирование. Существует еще одна форма эталона - искусственное контрастирование. Широко известны динамические и апостерлорные субракторы, применяемые при церебральной и кардиологической ангиографии. Для всех этих методов на основе субстракции может быть разработан алгоритм автоматического анализа с помощью существующих ЭВМ той или иной сложности.

3. Анализ контура. Еще одной доступной для современного уровня вычислительной технологии формой выделения признаков может явиться группа патологий, связанная с изменением контура исследуемого органа. Известны методики диагностики по контуру сердца. Для весьма ограниченной группы патологий подобные методики можно использовать при получении контрастированного контура пищевода в желудке.

4. Количественное определение патологии. В некоторых случаях патология органа может быть однозначно выделена на изображении количественно. Таких случаев не много. Делались попытки выделить патологии на маммографическом изображении. Больше возможностей подобного рода представляют диагностика (изотопная) и вычислительная томография (рентгеновская, эмиссионная и на основе ядерного магнитного резонанса).

5. Сравнение с предыдущим исследованием. Этот прием может оказаться особенно эффективным при периодических профилактических обследованиях.

6 Вычитание изображения, сделанного, например, через год при ежегодном диспансерном обследовании, из предыдущего позволяет с высокой степенью достоверности выделить происшедшие за истекший период изменения при идентичности геометрических и физико-технических условий проведения исследования.

Подобный метод возможен лишь при организации автоматизированного архива изображения, обеспечивающего удобный и быстрый поиск и ввод их в ЭВМ. Такой автоматический отбор патологии возможен только после врачебного исследования первичного изображения и отнесения его к норме.

Наиболее актуальными задачами автоматического анализа изображений, решение которых возможно в ближайшем будущем, следует считать создание системы отбора патологии при массовых рентгеновских профилактических обследованиях в условиях всеобщей диспансеризации.

Для решения подобной задачи необходимо разработать методики получения изображений с использованием функциональной подвижности органов и аппаратуру для их реализации.

При создании аппаратуры следует отказаться от традиционных пленочных регистраторов и в максимальной степени учитывать аппаратурные возможности предварительной нормализации изображений и выделения признаков.

Параллельно с разработкой аппаратуры следует вести разработку статически обоснованных алгоритмов классификации признаков для достижения высокой достоверности анализа.



3. Методы автоматического анализа медицинских изображений в среде MatLab

3.1 Анализ рентгеновского изображения

Экспортирую изображение (рисунок 3) в MATLAB под именем 7:

Выполняю анализ изображения с использованием функций анализа изображений IPT:

Функция isbw проверяет, является ли изображение бинарным: функция isbw возвращает 1, если RGB является бинарным изображением, и 0 - в противном случае.

L1=isbw(7)

Warning: isbw is obsolete and may be removed in the future.

See product release notes for more information.

In isbw at 22

L1 = 0

Функция isgray проверяет, является ли изображение полутоновым: функция isgray возвращает 1, если RGB является полутоновым изображением, и 0 - в противном случае.

L2=isgray(7)

Warning: isgray is obsolete and may be removed in the future.

See product release notes for more information.

In isgray at 27

L2 = 0

Функция isind проверяет, является ли изображение палитровым: функция isind возвращает 1, если RGB является палитровым изображением, и 0 - в противном случае.

L3=isind(7)

Warning: isind is obsolete and may be removed in the future.

See product release notes for more information.

In isind at 32

L3 =1

Функция isrgb проверяет, является ли изображение полноцветным: функция isrgb возвращает 1, если RGB является полноцветным изображением, и 0 - в противном случае.

L4=isrgb(7)

Warning: isrgb is obsolete and may be removed in the future.

See product release notes for more information.

In isrgb at 29

L4 = 0

Основным способом анализа изображений традиционно являются гистограммы. Они активно применяются для определения параметров экспозиции и проведения тоновой коррекции полученных фотографий.

Гистограмма -- столбчатая диаграмма, отображающая количество пикселей изображения (по вертикали), имеющих заданный уровень яркости (по горизонтали). Гистограмма служит источником как количественной, так и качественной информации. Она может использоваться для анализа тонового характера изображения, определения тоновых дефектов и даже условий съемки.

Функция imhist - построение гистограммы: для этого преобразовываю исходное полноцветное изображение в полутоновое:

M1=imread('7.bmp');

M=rgb2gray(M1) ;

n=256;

imhist(M, n)

Построение гистограммы яркостей пикселов и вывод ее на экран

[h, cx]=imhist(M);

h=log10(h);

figure, plot(cx, h);

Получение гистограммы в логарифмическом масштабе и вывод ее на экран

Функция improfile - построение профиля:

[r c]=size(M);

N=improfile(M, [1 c], [1 r]);

plot(N),grid

Функция mean2 - вычисление среднего значения элементов матрицы:

m=mean2(M)

m =121.2628

Функция std2 - вычисление среднеквадратического отклонения

элементов матрицы:

m1=std2(M)

m1 = 47.9998

Функция fspecial является функцией задания маски предопределенного фильтра. Эта функция позволяет формировать маски:

1. высокочастотного фильтра Лапласа ;

2. фильтра, аналогичного последовательному применению фильтров Гаусса и Лапласа, так называемого лапласиана-гауссиана;

3. усредняющего низкочастотного фильтра;

4. фильтра, повышающего резкость изображения.

L=imread('7.bmp');

figure, imshow(L);

h=fspecial('laplasian',.5);

L1 = imfilter(L,h,'replicate');

igure, imshow(L1);

h=fspecial('log', 3, .5);

L1 = imfilter(L,h,'replicate');

figure, imshow(L), figure, imshow(L1)

h=fspecial('average', 3);

L1 = imfilter(L,h,'replicate');

figure, imshow(L), figure, imshow(L1)

h=fspecial('unsharp', .5);

L1 = imfilter(L,h,'replicate');

figure, imshow(L), figure, imshow(L1)

Для дальнейшего анализа вводим еще одно изображение под именем 8

Преобразовываю данное полноцветное изображение в полутоновое:

M2= imread('8.jpg');

M3=rgb2gray(M2);

Функция corr2 - вычисление коэффициентов корреляции между двумя матрицами:

k=corr2(M,M3)

k = 0.9971

Функция imabsdiff - определение отличительных признаков двух изображений (рисунок 12):

Z=imabsdiff(M,M3);

imshow(Z);

Функция imadd - суммирование двух изображений или суммирование изображения и константы

A=imadd(M,M3);

imshow(A);

Функция imcomplement - дополнение изображений,

M=imcomplement(M3) ; (дополнение к изображению 7)

Наглядно дополнение изображений можно увидеть на рисунке 14:

M3=imcomplement(M); (дополнение к RGB1)

Наглядно дополнение изображений можно увидеть на рисунке 15:

A=imsubtract(M,M3); (вычитает каждый элемент массива изображения 8 из соответствующего ему элемента массива изображения 7)

Наглядно вычитание двух изображений можно увидеть на рисунке 16:

A1=imsubtract(M3,M); (вычитает каждый элемент массива изображения 7 из соответствующего ему элемента массива изображения 8)

Наглядно вычитание двух изображений можно увидеть на рисунке 17:

Функция cpstruct2pairs - конвертирование cpstruct в наиболее важные контрольные точки.

Запускаю Control Point Selection Tool:

cpselect(M1,M2); (рисунок 18)

Использование функции cpselect обозначает пики контрольных точек на изображении. Выбор Save To Workspace с File menu запоминает точки рабочего пространства. С помощью команды Save, можно создать файловую структуру со всеми контрольными исходными и основными точками.

Функция cp2tform - вывод пространственных преобразований между парой контрольных точек.

Сначала запускаю Control Point Selection Tool и выбираю 2 контрольные точки:

cpselect(7,8); (рисунок 19)

Функция getrangefromclass - получение динамического диапазона изображений на основе их формата

range = getrangefromclass(I1);

range = 0,255

I4= rgb2gray(I);

BW = edge(I2,'canny');

[H,T,R] = hough(BW,'RhoResolution',0.5,'ThetaResolution',0.5);

subplot(2,1,1);

imshow(I2);

title('gantrycrane.png');

subplot(2,1,2);

imshow(imadjust(mat2gray(H)),'XData',T,'YData',R,...

'InitialMagnification','fit');

title('Hough transform of gantrycrane.png');

xlabel('\theta'), ylabel('\rho');

axis on, axis normal, hold on;

colormap(hot); (рисунок 20)

Функция entropy используется для вычисления энтропии интенсивности элементов изображения

E = entropy(I1)

E = 7.0709

Функция entropyfilt используется для вычисления энтропии интенсивностей элементов изображения [4].

J = entropyfilt(I3);

imshow(I3), figure, imshow(J,[]);

Результат приведен на рисунке 21.

рентгенографический изображение улучшение фильтрация

3.1.1 Выводы

Используя данные функции был проведен анализ изображения:

- построены гистограммы

- преобразованы полутоновые изображения в бинарные

- вычислены показатели среднеквадратического отклонения и показатель энтропии.

3.2 Фильтрация изображений

Функция fspecial - задание маски предопределенного фильтра

m=fspecial('gaussian', 5, 0.5)

m =

0.0000 0.0000 0.0002 0.0000 0.0000

0.0000 0.0113 0.0837 0.0113 0.0000

0.0002 0.0837 0.6187 0.0837 0.0002

0.0000 0.0113 0.0837 0.0113 0.0000

0.0000 0.0000 0.0002 0.0000 0.0000

n= fspecial('gaussian', 9, 0.9)

n =

Columns 1 through 7

0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000

0.0000 0.0000 0.0001 0.0004 0.0008 0.0004 0.0001

0.0000 0.0001 0.0014 0.0090 0.0166 0.0090 0.0014

0.0000 0.0004 0.0090 0.0572 0.1060 0.0572 0.0090

0.0000 0.0008 0.0166 0.1060 0.1965 0.1060 0.0166

0.0000 0.0004 0.0090 0.0572 0.1060 0.0572 0.0090

0.0000 0.0001 0.0014 0.0090 0.0166 0.0090 0.0014

0.0000 0.0000 0.0001 0.0004 0.0008 0.0004 0.0001

0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000

Columns 8 through 9

0.0000 0.0000

0.0000 0.0000

0.0001 0.0000

0.0004 0.0000

0.0008 0.0000

0.0004 0.0000

0.0001 0.0000

0.0000 0.0000

0.0000 0.0000

freqz2(m, [32 32]);

figure, freqz2(n, [32 32]);

Функция h=fsamp2(H) формирует маску с линейного двумерного КИХ-фильтра (Рисунок 25) основываясь на желаемой АЧХ (Рисунок24 двумерного фильтра, передаваемой в матрице Н).

[f1 f2]=freqspace(15, 'meshgrid');

dist=abs(f1)+abs(f2);

H=dist/max(dist(:));

mesh(f1,f2,H), colormap(cool(32));

h=fsamp2(f1, f2, H, [3 3]);

i=mat2gray(filter2(h, im2double(I3)));

I3=imadjust(I3, [0 0.8], []);

figure, imshow(I3);

Функция h=ftrans2(b) формирует маску h линейного двумерного КИХ-фильтра, используя метод преобразования частот для трансформации одномерного КИХ-фильтра с коэффициентом b.

b=fir1(16, 0.2);

freqz(b, 1, 256);

h=ftrans2(b);

figure, freqz2(h);

I=im2double(I2);

figure, imshow(I);

I=filter2(h, I);

figure, imshow(I);

Функция D=blkproc(S, [m n], fun) формирует новое изображение D, пиксели которого являются результатом обработки функцией fun каждого из неперекрывающихся блоков размера исходного изображения S.

I=im2double(I3);

imshow(I);

F=inline('mean2(x)');

fon=blkproc(I, [35 35],F);

fon=imresize(fon, size(I), 'bicubic');

figure, imshow(fon);

I=I1-fon+0.5;

I1=imadjust(I, [0.2 0.7], 1);

figure, imshow(I);

Медианная фильтрация является частным случаем ранговой фильтрации.

I5=medfilt2(I3);

figure, imshow(I5);

Функция roifilt2 предназначена для фильтрации отдельных фрагментов полутоновых изображений (рисунок 31).

[n m]=size(I3);

BW=zeros(n,m);

BW(n/4 : 3*n/4, m/4 : 3*m/4) = 1;

h = [-1 -2 -1 3 5 3 -1 -2 -1;

-1 -2 -1 3 5 3 -1 -2 -1;

-1 -2 -1 3 5 3 -1 -2 -1;

-1 -2 -1 3 5 3 -1 -2 -1;

-1 -2 -1 3 5 3 -1 -2 -1]/15;

L=roifilt2(h, I3, BW);

figure, imshow(L);

Функция B=imfilter(A, H) фильтрует многомерный массив A многомерным фильтром H. (Рисунок 32) .

h=fspecial('motion', 50, 45);

rgb2=imfilter(I3, h);

figure, imshow(rgb2), title('Filtered');

3.2.1 Выводы

Работа фильтров наглядно представлена на изображениях.

1. Фильтр, повышающий резкость изображения, сглаживает пики на гистограмме;

2. Фильтр с маской КИХ-фильтра равномерно растягивает гистограмму в область с высокой яркостью;

3. Медианная фильтрация усиливает пики на гистограмме;

4. Многомерный фильтр растягивает гистограмму в область с низкой яркостью. Визуально изображение получилось размытым.

3.3 Сегментация изображений

С помощью функции poly2mask можно преобразовать некоторую область в маску. Создадим маску с использованием случайных точек (рисунок 33):

x=[101 113 43 670 27];

y=[44 78 117 421 18];

bw=poly2mask(x, y, 256, 256);

imshow(bw)

С помощью функции BW=roipoly(I3) можно интерактивно задать область интереса на исходном изображении I3 любого типа и поместить результат в бинарное изображение BW(рисунок 34).

imshow(I3);

BW=roipoly(I3);

С помощью функции BW=roicolor(I1, low, high) исходное полутоновое или палитровое изображение I1 помещается в бинарное изображение BW. Пикселю бинарного изображения ВW присваивается значение 1, если яркость пикселя I1(r, с) исходного полутонового изображения или палитрового изображения принадлежит диапазону [low, high]. В противном случае BW присваивается значение 0(рисунок 35).

imshow(I3);

BW=roicolor(I3, 1, 100);

imshow(BW);

При использовании алгоритма маркерного водораздела предлагается рассматривать изображение как некоторую карту местности, где значения яркостей представляют собой значения высот относительно некоторого уровня. Если эту местность заполнять водой, тогда образуются бассейны.

При дальнейшем заполнении водой, эти бассейны объединяются. Места объединения этих бассейнов отмечаются как линии водораздела.

Пример использования данного метода сегментации представлен на рисунке 36.

imagesc(I3); figure(gcf)

l=watershed(I3);

imagesc(l); figure(gcf)

3.3.1 Выводы

В результате применений функций по сегментации заданного изображения, были изучены способы разделения снимка на области и реализована возможность представить снимок в бинарном виде.

1. Бинаризация по заданным цветам позволяет сделать из полутонового изображения бинарное путем сравнения значения яркости пиксела с некоторым интервалом яркости. В зависимости от результата сравнения пикселу присваивается значение 0 или 1.

2. Выделение границ позволяет выделить границы на изображении. Граница проходит там, где есть резкий переход между яркостями соседних пикселов. В дальнейшем это изображение можно наложить ни исходное, получив полутоновое изображение с ярко выраженными границами.

3.4 Улучшение изображений

Функция histeq улучшает контраст изображения с помощью преобразования значений пикселов исходного изображения таким образом, чтобы гистограмма яркостей пикселов результирующего изображения приблизительно соответствовала некоторой предопределенной гистограмме . Данная функция предназначена для преобразования полутоновых изображений или палитровых изображений. Программа представлена ниже.

figure, imhist(I3);

I=histeq(I3, 80);

Figure, imshow(I3); (рисунок 37)

figure, imhist(I3); (рисунок 38)

Функция Id=imadjust(Is, [low high], [bottom top], gamma) создает полутоновое изображение Id путем контрастирования исходного полутонового изображения Is. Значения яркости в диапазоне [low high] преобразуются в значения яркости в диапазоне [bottom top]. Значения яркости, меньшие low, принимают значение bottom, а значения яркости, большие high, принимают значение toрентгенография Значения top, bottom, low, high должны принадлежать диапазону [0,1]. Если в качестве второго ([low high]) или третьего ([bottom top]) параметров передать пустой вектор [], то по умолчанию будет использован вектор [0,1].

figure, imhist(I);

I=imadjust(I, [0 75]/255, [ ], 1);

figure, imshow(I); (рисунок 39)

figure, imhist(I); (рисунок 40)

Функция J=edgetaper(I, PSF) размывает контуры исходного изображения I, используя функцию протяженности точки PSF. Функция edgetaper очень эффективно используется в методах для преобразования размытых изображений, которые используют дискретное преобразование Фурье, например, deconvwnr, deconvreg и deconvlucy.

PSF=fspecial('gaussian', 60, 10);

J6=edgetaper(I3, PSF);

subplot(1, 2, 1); imshow(I3, []); title('original image');

subplot(1, 2, 2); imshow(J6, []); title('edges tapered'); (рисунок 41)

Функция J=adapthisteq(I) улучшает контраст полутонового изображения I путем преобразования значений его элементов методом контрастно ограниченной адаптивной эквализации гистограммы (CLAHE).

Функция J=adapthisteq(I, param1, val1, param2, val2...) определяет несколько дополнительных пар параметров (значений). Названия некоторых параметров приведены в сокращенном виде.

A=adapthisteq(I3, 'clipLimit', 0.02, 'Distribution', 'rayleigh');

imview(I3);

imview(A); (рисунок 42)

Функция S=decorrstretch(I, TOL) при декорреляционном растяжении использует информацию о контрасте. Преобразование контраста контролируется параметром TOL: TOL=[LOW_FRACT HIGH_FRACT], который определяет диапазон интенсивностей для локальных окрестностей изображения.

S1=decorrstretch(I3);

subplot(1, 2, 1), imshow(I3)

subplot(1,2,2), imshow(S1) (рисунок 43)

Функция imcontrast создает инструментарий усиления контраста изображения, связанный с полутоновым изображением в текущем окне просмотра и названный объектом изображения. Функция imcontrast создает этот инструментарий в отдельном окне просмотра.

imshow(I3)

imcontrast(gca) (рисунок 44)

3.4.1 Выводы

Если говорить в общем, о тех функциях которые отвечают за улучшение изображения, то они вполне себя оправдали, результаты хорошие.

1. Усредняющий фильтр улучшает контраст изображения путем растяжения гистограммы на весь диапазон яркости и усреднения количества пикселов каждого значения яркости;

2. Функция imadjust увеличивает контраст полноцветного изображения;

3. Функция imcontrast позволяет изменять контраст изображения в реальном времени.



ЗАКЛЮЧЕНИЕ

К преимуществам цифровых рентгенографических систем относятся следующие четыре фактора: цифровое отображение изображения; пониженная доза облучения; цифровая обработка изображений; цифровое хранение и улучшение качества изображений.

Рассмотрим первое преимущество, связанное с отображением цифровой информации. Разложение изображения по уровням яркости на экране становится в полной мере доступным для пользователя. Весь диапазон оптических яркостей может быть использован для отображения лишь одного участка изображения, что приводит к повышению контраста в интересующей области. В распоряжении оператора имеются алгоритмы для аналоговой обработки изображения с целью оптимального использования возможностей систем отображения.

Цифровое отображение при компьютерной обработке изображения позволяет извлечь количественную и качественную информацию и таким образом перейти от интуитивно-эмпирического способа изображения к объективно измеренному.

Применение цифровой рентгенологии - это возможность цифровой обработки изображений. Рентгенолог должен выявить аномальные образования на осложненной фоном нормальной структуре биоткани. Он может не заметить мелких деталей в изображении, которые система разрешает, или пропустить слабоконтрастную структуру, видимую на фоне шумов изображения, из-за сложного строения окружающих (или сверхлежащих) тканей.

Особенная ценность применения цифровой рентгенографии заключается в возможности полного отказа от рентгеновской пленки и связанного с ней фотохимического процесса. Это «делает» рентгенологическое исследование экологически чище, а хранение информации в цифровом виде позволяет создать легкодоступные рентгеновские архивы. Новые количественные формы обработки информации открывают широкие возможности стандартизации получения изображений, приведения их к стандарту качества в момент получения и при отсроченных повторных исследованиях.

Немаловажна открывающаяся возможность передачи изображения на любые расстояния при помощи средств компьютерных коммуникаций. Приведенные соображения с достаточной наглядностью демонстрируют прогрессивность внедрения в практику цифровой рентгенографии, которая сможет перевести диагностическую рентгенологию на новый более высокий технологический уровень. Отказ от дорогостоящих расходных материалов обнаруживает и ее высокую экономическую эффективность, что в сочетании с возможностью уменьшения лучевых нагрузок на пациентов делает ее применение в практике особенно привлекательным.



СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Биргер А. И. Техническая диагностика. - М.: Машиностроение, 1978. - 240 с.

2. Абраменова И. В., Дьяконов В. П., Круглов В. В. Matlab 5.3.1 с пакетами расширений. Под ред. проф. В. П. Дьяконова. - М.: Нолидж, 2001. - 880 с.

3. Физика визуализации изображений в медицине: В 2-х томах. Т.1:Пер. с англ./Под ред. С.Уэбба.-М.:Мир,1991.- 408 с.

4. Антонов А.О., Антонов О.С.,Лыткин С.А.//Мед.техника.-1995.- № 3 - с.3-6

5. Беликова Т.П., Лапшин В.В., Яшунская Н.И.//Мед.техника.-1995.- № 1-с.7

6. Рентгенотехника: Справочник. В 2-х кн. 2/ А.А.

7. Алтухов, К.В. Клюева. -- 2-е изд., перераб. и доп. -- М.: Машиностроение, 1992. -- 368 с.

Размещено на Allbest.ru