Методы обработки рентгеновских диагностических изображений

Размещено на http://www.allbest.ru/

КУРСОВАЯ РАБОТА

по дисциплине «Автоматизация обработки экспериментальных данных»

Методы обработки рентгеновских диагностических изображений

Реферат

Пояснительная записка 58 с., 49 рис., 7 источников.

РЕНТГЕНОВСКОЕ ИЗОБРАЖЕНИЕ, анализ изображений, ФИЛЬТРАЦИЯ изображений, сегментация изображений, улучшение изображений

Целью курсовой работы является изучение и программная реализация в среде Matlab методов обработки рентгеновских медицинских изображений.

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

Результаты курсовой работы могут быть использованы при выполнении дипломного проекта.

Содержание

ВВЕДЕНИЕ

1. Цифровые рентгенографические системы

1.1 Виды цифровых рентгенографических систем

1.2 Система хранения и передачи изображения

Выводы

2. Автоматический анализ изображения

2.1 Этапы автоматической классификации изображения

2.2 Методы организации автоматического анализа медицинских изображений

Выводы

3. Методы автоматического анализа медицинских изображений в среде MATLAB

3.1 Анализ рентгеновского изображения

3.2 Фильтрация изображений

3.3 Сегментация изображений

3.4 Улучшение изображений

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

1.1 Виды цифровых рентгенографических систем

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 доз. 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 экране, 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 [1].



Рисунок 1- Составные элементы цифровой системы получения рентгеновских изображений

В цифровой рентгенологии могут найти применение два класса приемников изображения:

приемники с непосредственным формированием изображения;

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 в цифровую форму составляет всего несколько секунд. Время считывания изображения с пластины с вынужденной люминесценции 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 [3].

Таким образом, в настоящее время используются два типа рентгеновских систем: аналоговые и цифровые. Применение цифровых рентгеновских систем ускоряет и упрощает работу врача-рентгенолога, что немало важно при массовой диспансеризации.

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 0,5х 0,5 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 обратных цифровых рентгенографических системах используют твердотельные приемники с высоким коэффициентом поглощения рентгеновского излучения.

В обеих 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 люминесценцией, 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 рисунке 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 2¹⁰ 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).

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.

Таким образом, возможность работы со всеми изображениями в цифровой форме весьма привлекательна, а системы, выполняющие это, называются системами хранения и передачи изображения (СПХИ) [4].

1.2 Система хранения и передачи изображения

На рисунке 2 изображена принципиальная схема взаимодействия элементов системы получения, обработки, хранения и передачи рентгеновских диагностических изображений.

Рисунок 2- Принципиальная схема взаимодействия элементов системы получения, обработки, хранения и передачи рентгеновских диагностических изображений

Система представлена тремя каналами:

- традиционная рентгенография;

- цифровая рентгенографическая установка;

- 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, 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 [5].

Таким образом, использование всех трех каналов дает наиболее полную картину заболевания, а так же возможность анализировать изображения полученные в разные моменты времени, и на различных установках.

Выводы

Использование цифровой рентгеновской системы в современной клинической диагностике дает ряд существенных преимуществ:

- ускоряет и упрощает работу врача - рентгенолога, что увеличивает пропускную способность рентген - кабинета;

- увеличивает скорость анализа получаемых изображений;

- дает возможности сохранять и передавать на расстоянии обработанные изображения;

- дает возможность анализировать изображения, полученные в разные моменты времени.

2. Автоматический анализ изображений

2.1 Этапы автоматической классификации 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). 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 [5].

В большинстве случаев процесс автоматической классификации проводится в три этапа:

Первый этап: 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.

Второй: 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.

Третий этап: 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[3].

2.2 Методы организации автоматического анализа медицинских изображений

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.

Искусственное контрастирование. Существует еще одна форма эталона - искусственное контрастирование. Широко известны динамические и апостериорные методы, 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.

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.

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

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 [5].

Выводы

Представленные выше методы широко используются в автоматической обработке изображения. Применяются они как по отдельности, так и совместно.

Медицине зачастую необходимо подготовить полученное изображение к дальнейшему анализу, провести пространственно инвариантные операции, сдвиг, изменение яркости, изменение контраста, квантование и геометрические преобразования (изменение масштаба, поворот оси). А уже потом только применять различные методики обработки и анализа изображения, которые не оспоримо увеличивают точность постановления диагноза.

Так, например, исскуственное контрастирование применяется при церебральной и кардиологической ангиографии, а анализ контура можно использовать при получении контрастированного контура пищевода в желудке.

Не редко использование тех или иных методов не приводят к желаемому результату.

3. Методы автоматического анализа медицинских изображений в среде MatLab

3.1 Анализ рентгеновского изображения

Экспортирую изображение (рисунок 3) в MATLAB под именем cat (элементов массива представлены в формате uint8):

Рисунок 3- Рентгеновское изображение носа человека

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(RGB)

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(RGB)

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(RGB)

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

See product release notes for more information.

> In isind at 32

L3 = 0

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

L4=isrgb(RGB)

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

See product release notes for more information.

In isrgb at 29

L4 = 1

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:

M=rgb2gray(cat) ;

n=256;

imhist(M,n);

Построение гистограммы яркостей пикселов и вывод ее на экран (рисунок 4)

Рисунок 4- Гистограмма рентгеновского снимка

[h, cx]=imhist(M);

h=log10(h);

figure, plot(cx, h); %

Получение гистограммы в логарифмическом масштабе и вывод ее на экран (рисунок 5)

Рисунок 5- Гистограмма рентгеновского снимка в логарифмическом масштабе

Функция improfile - построение профиля

[r c]=size(M);

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

plot(N),grid (рисунок 6).



Рисунок 6- Профиль рентгеновского снимка

Функция mean2 - вычисление среднего значения элементов матрицы:

m=mean2(cat)

m =

130.7960

Функция std2 - вычисление среднеквадратического отклонения

элементов матрицы:

m1=std2(cat)

m1 =

41.4871

Для дальнейшего анализа вводим еще одно изображение под именем cat1 (рисунок 7):

,

Рисунок 7- Рентгеновское изображение пазух носа человека

Преобразовываю данное полноцветное изображение в полутоновое:

M1=rgb2gray(RGB1);

Функция corr2 - вычисление коэффициентов корреляции между двумя матрицами:

k=corr2(M,M1)

k =

1

Функция imabsdiff - определение отличительных признаков двух изображений

Z=imabsdiff(cat, cat1);

imshow(Z);

(рисунок 8)



Рисунок 8- Отличные признаки двух снимков

Функция imadd - суммирование двух изображений или суммирование изображения и константы

A=imadd(cat,cat1);

imshow(A); ( Рисунок 9)



Рисунок 9- Суммирование двух снимков

мatlab цифровой рентгенографический медицинский

8) Вычисление среднего значения элементов матрицы - функция mean2.

avarage=mean2(m) % Вычисление среднего значения элементов матрицы

avarage =

130.7960

Функция std2 - вычисление среднеквадратического отклонения элементов матрицы [6].

sko=std2(m) % Вычисление среднеквадратического отклонения элементов матрицы

sko =

41.4871

10) Вычисление коэффициентов корреляции между двумя матрицами.

Функция corr2 вычисляет коэффициент корреляции между двумя матрицами одинакового размера, по которому можно определить насколько две матрицы или изображения похожи между собой. Эта функция широко применяется при решении задач распознавания. В большинстве случаев, при решении такого рода задач необходимо кроме исходного изображения иметь также изображение объекта, который будет распознаваться [6]. Исходное изображение - это исходный рентгеновский снимок (рисунок 9, a). Изображения, которое будет распознаваться - это исходный рентгеновский снимок, преобразованный усредняющим низкочастотным фильтром (рисунок 9, б).

>> h=fspecial('average', 15); % Маска усредняющего НЧ фильтра

M1 = imfilter(cat,h,'replicate'); % Фильтрация

figure, imshow(cat1); % Вывод исходного изображения на экран

figure, imshow(cat); % Вывод преобразованного изображения на экран

>> Рисунок 9 - Применение низкочастотного усредняющего фильтра:

а) исходное рентгеновское изображение, б) преобразованное рентгеновское изображение

Вычислила коэффициент корреляции:

>> k = 0.9983 % Результат

Коэффициент корреляции близок к 1, следовательно, матрицы рентгеновских снимков очень схожи между собой.

11) Функция imabsdiff - определение отличительных признаков двух изображений.

В примере приводятся вычисления абсолютной разности между массивами формата uint8.

Z=imabsdiff(cat, cat1); % Определение отличительных признаков

imshow(Z); % Вывод изображения на экран (рисунок 10)

Рисунок 10 - Отличные признаки двух снимков

Изображение получилось полностью черным, что говорит о большой схожести массивов двух рентгеновских снимков М и М1.

12) Функция imadd - суммирование двух изображений или суммирование изображения и константы.

>> A=imadd(M,M1); % Суммирование изображения М и М1

imshow(A); % Вывод изображения на экран (рисунок 11)

Рисунок 11 - Суммирование двух изображений

В результате получили сложение массивов рентгеновских снимков (М+М1).

13) Функция imcomplement - дополнение изображений.

Дополнение к полутоновому или цветному RGB изображению находится так - каждое значение пиксела вычитается из максимально возможного значения, и разница представляется как значение пиксела результирующего изображения.

>> M=imcomplement(cat1); % Дополнение изображений

>> imshow(M) % Вывод изображения на экран (рисунок 12)

Рисунок 12 - Дополнение изображений

В результате получили: темные области результирующего изображения дополнились соответственными светлыми областями исходного изображения, а светлые области результирующего изображения дополнились соответственными темными областями исходного изображения.

14) Функция imsubtract - вычитает каждый элемент массива М1 из соответствующего ему элемента массива М. Отрицательные значения элементов округляются до 0.

>> A=imsubtract(M,M1); % Вычитание изображений

imshow(A) % Вывод изображения на экран (рисунок 13)



Рисунок 13 - Вычитание изображений

В результате получили разность массивов рентгеновских снимков (M1-М). Черные области - это нулевые значения результирующей матрицы.

15) Функция cpstruct2pairs - конвертирование cpstruct в наиболее важные контрольные точки. Cpstruct структура содержит массивы контрольных точек исходного и основного изображений.

Запускаю Control Point Selection Tool, графический интерфейс которого дает возможность выбора контрольных точек на двух похожих изображениях:

>> cpselect(M,M1); % Инструмент выбора контрольных точек (рисунок 14)



Рисунок 14 - Control Point Selection Tool

Использование функции cpselect обозначает пики контрольных точек на изображении. Команда - Export Points To Workspace из меню File - запоминает точки рабочего пространства.

16) Функция cp2tform - вывод пространственных преобразований между парой контрольных точек.

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

>> cpselect(M,M1); % Инструмент выбора контрольных точек

Для вывода пространственных преобразований между парой контрольных точек необходимо воспользоваться следующим алгоритмом:

>> J=imrotate(cat, 30); % Поворот изображения - конформное преобразование

cpselect(J, cat, input_points, base_points); % Выбор контрольных точек

t=cp2tform(input_points, base_points, 'linear conformal') % Вывод пространственных преобразований между парой контрольных точек (рисунок 15)

t = ndims_in: 2

ndims_out: 2

forward_fcn: @fwd_affine

inverse_fcn: @inv_affine

tdata: [1x1 struct]

3.2 Фильтрация рентгеновского изображения

Фильтрация изображений осуществляется с помощью функций fspecial, ordfilt2, medfilt2 и других.

1) Функция fspecial позволяет формировать маски:

- высокочастотного фильтра Лапласа;

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

- усредняющего низкочастотного фильтра;

- фильтра, повышающего резкость изображения.

Пример демонстрирует применение к рентгеновскому изображению фильтра, повышающего резкость [6].

>> h=fspecial('unsharp', .5); % Маска фильтра, повышающего резкость

M1 = imfilter(M,h,'replicate'); % Фильтрация

figure, imshow(M1); % Вывод изображения на экран (рисунок 16)



Рисунок 16 - Применение фильтра, повышающего резкость рентгеновского изображения

На рентгеновском снимке в целом повысилась резкость, но не столь существенно, поскольку само исходное изображение достаточно хорошего качества.

2) Функция h=fsamp2(H) - формирует маску с линейного двумерного КИХ-фильтра (фильтра с конечной импульсной харатеристикой), основываясь на желаемой амплитудно-частотной характеристике (АЧХ) двумерного фильтра, передаваемой в матрице Н.

Пример демонстрирует формирование маски двумерного линейного фильтра, повышающего резкость изображения. АЧХ такого фильтра должна быть равна 0 в начале координат и увеличиваться по мере удаления от начала координат. На рисунке 17, а приведена желаемая частотная характеристика. По данной АЧХ fsamp2 создает маску h линейного фильтра, АЧХ которого приведена на рисунке 17, б.

Исходное изображение фильтруется линейным фильтром с маской h. Результат фильтрации дополнительно контрастируется. Получившееся в итоге изображение показано на рисунке 17, в [7].

>> [f1 f2]=freqspace(15, 'meshgrid'); % Получение нормализированных значений частот

% Формирование желаемой АЧХ, как функции расстояния от начала координат.

% Для вычисления расстояния используется так называемая метрика городских кварталов.

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

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

mesh(f1,f2,H), colormap(cool(32)); % Вывод на экран желаемой АЧХ

h=fsamp2(f1, f2, H, [3 3]); % Формирование маски КИХ-фильтра

figure, colormap(cool(32)), freqz2(h); % Вывод на экран получившейся АЧХ

i=mat2gray(filter2(h, im2double(M))); % Фильтрация изображения

M=imadjust(M, [0 0.8], []); % Контрастирование результата фильтрации

figure, imshow(M); % Вывод изображения на экран (рисунок 17в)

Рисунок 17 - Формирование маски линейного фильтра по желаемой АЧХ: а) желаемая АЧХ, б) АЧХ линейного фильтра, в) отфильтрованное рентгеновское изображение

Данный вид фильтрации существенных изменений в изображение не внес. Произошло небольшое перераспределение яркостей на снимке - стали более светлыми некоторые области изображения.

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

Данный вид фильтрации существенных изменений в изображение не внес. Произошло небольшое перераспределение яркостей на снимке - стали более светлыми некоторые области изображения.

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

Пример показывает, как формируется двумерный ФНЧ (фильтр низких частот) по одномерному с помощью метода преобразования частот. Сначала создала одномерный КИХ ФНЧ 16-го порядка с частотой среза 0.2. АЧХ и ФНЧ такого фильтра приведены на рисунке 18, а. С помощью функции ftrans2 одномерный ФНЧ трансформируется в двумерный. АЧХ двумерного ФНЧ приведена на рисунке 18, б. Результат фильтрации показан на рисунке 18, в.

>> b=fir1(16, 0.2); % Создание одномерного КИХ ФНЧ 16-го порядка с частотой среза 0.2

freqz(b, 1, 256); % Вывод на экран АЧХ и ФНЧ созданного одномерного фильтра

h=ftrans2(b); % Формирование двумерного фильтра из одномерного

figure, freqz2(h); % Вывод на экран АЧХ двумерного фильтра

I=im2double(M1); % Представление изображения массивом в формате double

I=filter2(h, I); % Фильтрация изображения

figure, imshow(I); % Вывод на экран результата фильтрации

Рисунок 18 - Формирование двумерного ФНЧ:

а) АЧХ и ФНЧ одномерного фильтра, б) АЧХ двумерного ФНЧ, в) результат фильтрации

Данный вид фильтрации существенных изменений в изображение не внес. Рентгеновский снимок стал чуть более четким.

4) Функция roifilt2 - предназначена для фильтрации отдельных фрагментов полутоновых изображений (рисунок 19).

5) Функция B=imfilter(A, H) - фильтрует многомерный массив A многомерным фильтром H (рисунок 20).

>> h=fspecial('motion', 50, 45); % Формирование маски фильтра

rgb2=imfilter(M, h); % Фильтрация

figure, imshow(rgb2), title('Filtered'); % Вывод изображения на экран



Рисунок 20 - Фильтрация рентгеновского изображения, используя функцию imfilter

Результат фильтрации неудовлетворительный, поскольку рентгеновский снимок получился размытым и непригодным для дальнейшей работы с ним.

Итак, проведенная фильтрация рентгеновского снимка дала не однозначные результаты. Поскольку исходный рентгеновский снимок изначально имеет достаточно хорошее качество, эффективной получается только фильтрация, которая немного повышает резкость изображения. Остальные виды фильтрации к удовлетворительным результатам не приводят, либо практически не изменяют исходного изображения. В действительности же рентгеновские снимки не могут быть идеальными и имеют достаточное количество различных неоднородностей и шумов.

Поэтому предположим, что исходное изображение зашумлено гауссовым шумом. Этого можно добиться с помощью следующего кода программы:

>> I1=imnoise(M, 'gaussian', 0, 0.01); % Добавление гауссова шума

figure,imshow(I1) % Вывод изображения на экран (рисунок 21)

Рисунок 21 - Рентгеновское изображение с добавлением шума

Теперь применим к «зашумленному» рентгеновскому снимку фильтры.

1) Адаптивная винеровская фильтрация.

Функция wiener2 использует алгоритм адаптивной винеровской фильтрации для подавления аддитивного гауссова белого шума. Данный алгоритм основан на статистических оценках фрагментов изображения в пределах скользящего окна размера nm пикселей.

>> Id=wiener2(I1, [10 10]); % Адаптивная винеровская фильтрация

imshow(Id) % Вывод изображения на экран (рисунок 22)

3.3 Сегментации изображений

Сегментации изображений с помощью рассматриваемого метода маркерного водораздела

>> L=watershed(gradmag); % Маркерный водораздел

Lrgb=label2rgb(L); % Преобразование матрицы меток в RGB-изображение

figure, imshow(Lrgb), title('Lrgb') % Вывод изображения на экран (рисунок 28)

Рисунок 28 - Маркерный водораздел изображения

Однако, без проведения еще дополнительных вычислений, такая сегментация будет поверхностной.

Следующий шаг - маркировка объектов переднего плана. Здесь использованы морфологические технологии, которые называются "раскрытие через восстановление" и "закрытие через восстановление". Эти операции позволяют анализировать внутреннюю область объектов изображения с помощью функции imregionalmax.

3.4 Улучшение рентгеновского изображения

1) Улучшение яркости изображений:

Среди встроенных функций, которые реализуют наиболее известные методы улучшения изображений, выделим следующие - histeq, imadjust, imfilter(fspecial).

а) Выравнивание гистограммы:

Перераспределение яркостей пикселей на изображении для получения равномерной гистограммы выполняет метод эквализации, который в системе Matlab реализован в виде функции histeq.

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 [6,7].

>> figure, imhist(M); % Построение гистограммы исходного изображения (рисунок 40, а)

I=histeq(M, 80); % Выравнивание гистограммы

figure, imshow(I); % Вывод преобразованного изображения на экран (рисунок 40, б)

figure, imhist(I); % Вывод гистограммы преобразованного изображения (рисунок 40, в)



Рисунок 40 - Выравнивание гистограммы:

а) гистограмма исходного рентгеновского изображения, в) выравненная гистограмма преобразованного изображения

В результате эквализации получили равномерную гистограмму распределения яркостей рентгеновского снимка, по сравнению с исходной, на которой присутствовали абсолютно черные участки. Теперь все рентгеновское изображение находится в средних тонах.

б) Контрастирование с гамма-коррекцией:

Иногда при формировании изображений не используется весь диапазон значений интенсивностей, что отрицательно отражается на качестве визуальных данных. Для коррекции динамического диапазона сформированных изображений используется функция imadjust [6,7].

>> figure, imhist(M); % Построение гистограммы исходного изображения (рисунок 41, а)

I=imadjust(M, [0 75]/255, [ ], 1); % Контрастирование исходного изображения

figure, imshow(I); % Вывод преобразованного изображения на экран (рисунок 41, б)

figure, imhist(I); % Вывод гистограммы преобразованного изображения (рисунок 41, в)

Рисунок 41 - Контрастирование с гамма-коррекцией:

а) гистограмма исходного изображения б) гистограмма преобразованного изображения

Результат контрастирования с гамма-коррекцией рентгеновского изображения не удовлетворительный. Качество снимка не улучшилось, наоборот, появились высвеченные участки.

Средства усиления контраста изображения:

Инструмент усиления контраста (Adjust Contrast tool) реализует интерактивное регулирование контраста и яркостного диапазона изображения, представленного в текущем окне просмотра.



Рисунок 44 - Инструмент усиления контраста Adjust Contrast tool

Выводы

Выполнены анализ изображения, сегментация, фильтрация, а так же улучшение изображения, которые необходимы, при автоматической обработке в цифровой рентгеновской системе. Получены результаты реализации этих методов в среде MATLAB. Не все результаты удовлетворительные. Были применены функции, которые не только не улучшили изображение, а наоборот, его ухудшили.Качественный результат обработки изображений зависит от целей и задач исследования. Если необходимо улучшить качество изображения, то можно, соответственно, применить функции улучшения и фильтрации изображения. Если необходимо работать с частями (сегментами) снимка, то подойдут функции сегментации изображения.

Кроме того, для получения качественной информации о том или ином изображении необходимо применять комплексный подход к обработке, необходимо использовать несколько методов последовательно.

ЗАКЛЮЧЕНИЕ

На современном этапе развитие технической и медицинской диагностики неразрывно связано с визуализацией внутренних структур объекта. Существует много различных видов визуализации. Возникают новые методы, но они не заменяют уже существующие, а лишь дополняют их. Разные методы визуализации основываются на разнообразных физических взаимодействиях электромагнитного излучения с материалами, средами, биотканями и, как следствие, обеспечивают измерение разных физических свойств этих объектов. В данной работе подробно рассматривался такой вид визуализации как рентгенографические изображения, и особое внимание уделялось обработке рентгеновских снимков, что является важным для точной и качественной постановки диагностического заключения.

При анализе рентгеновского снимка видно, что в зависимости от плотности среды, сквозь которую прошел луч, яркость того или иного пикселя снимка меняется. Очень часто граница между отдельными органическими структурами очень размыта, поэтому для качественного анализа снимка необходим врач-рентгенолог высокой квалификации. Невооруженным глазом определение области перелома, границ и размеров участков тканей с плотностями, которые имеют незначительную разницу, является трудоемким процессом. Таким образом, чаще всего исследованию подлежат качественные характеристики изображения, количественные же характеристики (площадь, объем и плотность элементов внутренней структуры) оцениваются врачом чисто субъективно. Поэтому качественный анализ рентгеновского снимка представляет собой большое искусство и воплощает в себе умение распознавать даже самые малые изменения рентгеновского снимка, а также способность обнаруживать аномальные структуры, особенно при низком разрешении снимка.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Авшаров Е. М., Абгарян М. Г., Сафарянц С. А. Обработка медицинских изображений, как необходимый инструментарий медицинского диагностического процесса [Электронный ресурс]. -- Электрон, текстовые дан. -- Режим доступа: www.course-as.ru/download/pdf/Processing_of_medical_images.pdf. -- Загл. с экрана.

2. Дуданов И. П., Гусев А. В., Романов Ф. А., Воронин А. В. Медицинские информационные системы - Петрозаводск: Изд-во ПетрГУ, 2005 - 404с.

3. Антонов А. О., Антонов О. С., Лыткин С. А. Цифровая рентгенографическая система [Текст] // Медицинская техника. -- М.: Медицина, 1995. --№ 3. -- с. 3-6.

4. Стандарт DICOM [Электронный ресурс]. -- Электрон, текстовые дан. -- Режим доступа: http://mri.com.ua/page/text/name=dicom. -- Загл. с экрана.

5. Стандарт DICOM 3.0 [Электронный ресурс]. -- Электрон, текстовые дан. -- Режим доступа: http://www.course-as.ru/dicomdoc.html. -- Загл. с экрана.

6. Цифровая обработка изображений в среде MATLAB [Текст] / Р. Гонсалес, Р. Вудс, С. Эддинс. -- М.: Техносфера, 2006. -- 616 с.

7. Журавель И. М. Краткий курс теории обработки изображений. - http://matlab.exponenta.ru/.

Размещено на Allbest.ru