автореферат диссертации по радиотехнике и связи, 05.12.04, диссертация на тему:Исследование методов компрессии изображений для медицинской диагностики

На правах рукописи

АЛЬ-ХОМЗА НАГИ МУСАИД АБДУЛЛА

ИССЛЕДОВАНИЕ МЕТОДОВ КОМПРЕССИИ ИЗОБРАЖЕНИЙ ДЛЯ МЕДИЦИНСКОЙ ДИАГНОСТИКИ

Специальность 05.12.04 - Радиотехника, в том числе системы и устройства телевидения

Автореферат

диссертации на соискание ученой степени кандидат технических наук

Владимир 2005

Работа выполнена на кафедре «Радиотехника и радиосистемы» Владимирского государственного университета

Научный руководитель:

доктор технических наук, профессор О. Р. Никитин

Официальные оппоненты: доктор технических наук, профессор

С. И. Семенов кандидат технических наук А. В. Тельный

Ведущая организация:

«ГОСНИИЛЦ ОКБ РАДУГА», г. Радужный Владимирской области

Защита состоится

Л-Ж

2005 г. В

часов на засе-

дании диссертационного совета Д 212.025.04 Владимирского государственного университета по адресу: 600000, г. Владимир, ул. Горького, д. 87, ауд. 211-1 (тел. (0922) 279986).

С диссертацией можно ознакомиться в библиотеке университета.

Автореферат разослан

мая 2005 г.

Ученый секретарь диссертационного доктор технических наук, профессор

А.Г. Самойлов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы. Эффективность диагностики многих заболеваний зависит от возможности визуализации исследуемых органов, обработки, анализа и хранения полученных изображений. В то же время современные технические возможности рентгеновских диагностических комплексов, УЗИ и эндоскопического оборудования не позволяют врачам клинических отделений непосредственно присутствовать при исследованиях и самим оценивать получаемую визуальную диагностическую информацию.

Современным решением этой проблемы является электронный обмен медицинскими изображениями, который обеспечивает дистанционный доступ нескольких специалистов к одному и тому же изображению, а также передачу изображений из одного лечебного учреждения в другие для проведения консультаций (может выполняться за минуты, тогда как обычная пересылка снимков занимает несколько дней). Наличие изображений в электронной форме позволяет выполнять сложную компьютерную обработку, значительно улучшающую возможность постановки диагноза и принятия решений о тактике лечения пациента.

В целом электронная передача медицинских изображений способна существенно ускорить процесс диагностики заболеваний и лечения пациентов, снизить долю повторных исследований, экономить дорогостоящую рентгеновскую пленку и реактивы для фотолабораторного процесса.

Практика оснащения отечественных учреждений здравоохранения диагностическим оборудованием показывает, что оно приобретается постепенно, у разных производителей, которые предлагают несовместимые аппаратные и программные средства. Это существенно затрудняет задачу интеграции устройств медицинской визуализации в единой сети лечебного учреждения.

Для того чтобы сделать такие системы более открытыми, крупнейшие разработчики (General Electric, Toshiba, Philips, Siemens PICKER, HP) включают в них возможность передачи изображений во внешние информационные системы и сети по стандарту DICOM-3.0 (Digital Imaging and Communication in Medicine). Однако эта возможность предоставляется опционально, дополнительные DICOM- аппаратно-программные модули не локализованы, весьма дороги и малодоступны.

Формат файлов DICOM 3.0 отличается от стандартных форматов изображений типа BMP, TIFF, JPG, GIF и т.д. передачей дополнительной информации об истинных размерах, позиционировании, плотностях и других параметрах исследуемого объекта. При этом ее структура и объем существенно зависят от вида проведенного обследования.

Следует отметить, что при анализе медицинских изображений небольшого числа пациентов эта дополнительная информация, как правило, не бывает сразу же необходима врачам-диагностам. Она может быть получена на основе практики проведения исследований, надписей, сделанных на са-,

1

мом изображении, сопровождающих текстов заключений и более существенна для последующей автоматизированной обработки результатов.

Решить перечисленные проблемы позволяет использование альтернативных цифровых технологий и создание автоматизированных систем ввода, архивирования, анализа и обработки цифровых изображений на базе имеющегося диагностического оборудования с применением персональных компьютеров на платформе Intel под управлением ОС семейства Windows.

Таким образом в настоящее время актуальна задача исследования эффективности и разработки методов компрессии медицинских изображений.

Цель работ и задачи исследования. Целью работы является разработка рекомендаций по использованию различных методов компрессии для конкретных задач медицинской диагностики.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Изучить специфику формирования и оцифровки медицинских изображений.

2.Разработать критериальную базу для сравнения методов компрессии.

3. Провести исследование и сравнительный анализ существующих методов компрессии.

4. На основе известных методов компрессии разработать новый алгоритм сжатия медицинских изображений.

5. Исследовать возможность сжатия медицинских изображений с целью ускорения и повышения точности обработки при проведении медицинской диагностики.

Методы исследования .Для решения перечисленных выше задач были использованы методы компрессии изображений, математической статистики, теории матриц, теории вероятностей, математического моделирования.

Научная новизна работы заключается в следующем:

1.Разработаны критерии оценки качества сжатых изображений медицинской диагностики.

2. Предложен и исследован новый алгоритм сжатия черно-белых медицинских изображений.

3. Предложена процедура обработки сигнала с сегментацией для ускорения процесса оконтуривания медицинских изображений.

Практическая значимость работы заключается в следующем:

1. Разработаны рекомендации по использованию различных методов компрессии для конкретных типов медицинских изображений.

2. Определены параметры качества типовых методов сжатия для разных типов медицинских изображений.

3.В медицинских организациях России и Йемена применен метод сжатия черно-белых медицинских изображений имеющий выигрыш по показателям качества в 1.15 раза по сравнению с лучшими из современных методов компрессии.

4. Предложена реализация и разработана программа алгоритма сегментации изображений на базе преобразования Хо.

На защиту выносятся следующие основные результаты и научные положения:

1. Результаты сравнительного анализа и экспериментальных исследований существующих методов компрессии изображений.

2. Критерии оценки эффективности методов компрессии.

3. Алгоритм сжатия черно-белых изображений на основе послойной обработки с последующей интерполяцией данных.

4. Метод сегментации изображений с использованием преобразования Хо.

Апробация работы. Основные положения диссертационной работы

докладывались на VI международной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии (ФРЭМЭ'2004)», г.Владимир, (3 доклада); на первой всероссийской научно-технической конференции " Мехатроника, автоматизация, управление" (июнь 2004 г., г. Владимир); на VI международной научно-технической конференции ПТСПИ-2005. г. Владимир.

Публикации. По теме диссертации опубликовано 8 печатных работ, в том числе 3 в центральных изданиях.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и приложений. Общий объем работы страниц, (53) рисунков и (18) таблиц.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы исследований, сформулированы цель работы и основные задачи, показана практическая значимость и реализация результатов работы, перечислены новые результаты и положения, выносимые на защиту.

В первой главе проведен обзор литературы по вопросам использования компьютерной техники и различных телекоммуникационных технологий в медицинских целях. Показано, что одним из главных достоинств телемедицины является возможность приблизить высококвалифицированную и специализированную помощь специалистов ведущих медицинских центров в отдаленные районы и существенно сэкономить затраты пациентов. Кроме того, очень важным эффектом от использования телемедицины является обучение врачей отдаленных районов в процессе регулярного консультирования. Проведен анализ характеристик и возможностей существующих информационных медицинских систем. Так, например, DICOM-3.0 способствует развитию систем архивирования и передачи изображений (PACS — Picture Archiving and Communication System) и поддерживает стандартные сетевые протоколы типа TCP/IP. Согласно положениям этого стандарта, обязательной является поддержка 16 из 127 разделов, описывающих формат, остальные разделы поддерживаются производителями медицинской техники по собственному усмотрению. Поэтому, даже в 3-ей версии существуют проблемы совместимости. Кроме того, в настоящее время еще не завершена работа по дополнению 15 — "Изображения видимого диапазона", например, оптическая микроскопия и эндоскопия.

Формат файлов DICOM 3.0 отличается от стандартных форматов изображений типа BMP, TIFF, JPG, GIF и т.д. передачей дополнительной информации об истинных размерах, позиционировании, плотностях и других параметрах исследуемого объекта. При этом ее структура и объем существенно зависят от вида проведенного обследования.

Следует отметить, что при анализе медицинских изображений небольшого числа пациентов эта дополнительная информация, как правило, не бывает сразу же необходима врачам-диагностам. Она может быть получена на основе практики проведения исследований, надписей, сделанных на самом изображении, сопровождающих текстов заключений и более существенна для последующей автоматизированной обработки результатов.

Структура сообщений стандарта DICOM позволяет выделить из них само изображение, игнорируя другую информацию. Поэтому не случайно, что в последние годы стали появляться многочисленные программные пакеты -"вьюеры"(vieweгs), способные отображать на мониторе компьютера изображения из DICOM- файлов и конвертировать их в привычные форматы растровых изображений. Например, AccuViewer Lite (фирмы Acculmage Diagnostics), PiView 3.0 (компании MediFace), eFilm (фирмы Medical Imaging System), ИнфоРад 2.0 (компании ВИДАР) и др.

Решить перечисленные проблемы позволяет использование альтернативных цифровых технологий и создание автоматизированных систем ввода, архивирования, анализа и обработки цифровых изображений на базе имеющегося диагностического оборудования с применением персональных компьютеров на платформе Intel под управлением ОС семейства Windows.

Во второй главе рассмотрены методы получения и характеристики медицинских изображений. Форму поверхности можно описать в виде функции расстояния F(x,y) от поверхности до точки изображения с координатами x и у. Учитывая, что яркость точки на изображении зависит исключительно от яркости соответствующего участка поверхности, можно считать, что визуальная информация с определенной степенью точности отражает состояние яркости или прозрачности каждой точки. Тогда под изображением понимается ограниченная функция двух пространственных переменных /(х,у), заданная на ограниченной прямоугольной плоскости Оху и имеющая определенное множество своих значений. Черно-белая фотография может быгь представлена как:

f(x,y) > 0, где 0<х < а, 0<у <b , где f (х,у) - яркость изображения в точке (х,у); а - ширина кадра, b - высота кадра. Рассмотрены несколько основных методов получения изображений, которые представляют интерес для технической и медицинской диагностики.

Системы получения рентгенографических изображений. Изображение формируется в результате взаимодействия квантов рентгеновского излучения с приемником и представляет собой распределение квантов, которые прошли через объект диагностики и были зарегистрированы детектором.

Стандартные аналоговые системы осуществляют формирование и отображение информации аналоговым путем. Тем не менее, аналоговые систе-

4

мы имеют очень жесткие ограничения на экспозицию определяемую малым динамическим диапазоном, а также довольно скромные возможности по обработке изображений. В отличие от аналоговых, цифровые рентгенографические системы разрешают получать изображение при любой необходимой дозе и дают широкие возможности относительно их обработки.

Определены преимущества цифровых рентгенографических систем относятся следующие факторы: цифровое отображение информации; низкая доза облучения; цифровая обработка изображений и улучшения качества. Показано, что для захвата и оцифровки изображений ЗТС в ТВ формате от рентгеновских аппаратов можно с успехом применять платы видеоперехва-ia, такие как VBSE-100, Miro Video, Aver Video Commander-2 и т.д., технические параметры которых обычно различаются мало. Так, для платы AITech VideoBlender характерны:

- захват одиночного кадра или "живого" видео с записью на жесткий диск в реальном времени;

- вход композитный или S- видео;

- видеостандарты PAL, NTSC;

- цветовая палитра 15- или 16-битная (32 или 64 тыс. цветов):

- разрешение 800x600 пике.

Ультразвуковые методы визуализации широко применяются при разных диапазонах частот - от подводной локации и биоэхолокации (частоты до 300 КГц) до акустической микроскопии (от 12 МГц до 1ГГц и выше).

В настоящее время выполняются ультразвуковые исследования: УЗ И opганов брюшной полости, почек, органов малого таза, мочевого пузыря, простаты, щитовидной железы, молочных желез, лимфоузлов и мягких тканей. Посюянное увеличение числа ультразвуковых исследований вызвано неуклонным ростом заболеваемости всеми видами злокачественных новообразований, расширением лечебных возможностей клинических отделений.

К недостаткам ультразвукового метода, приводящим к диагностическим ошибкам, относятся невозможность, в ряде случаев, определения характера патологического образования, из-за сочетания ограничения разрешающей способности аппаратуры, тучности пациента и качества подготовки больных к обследованию.

Эндоскопические методы диагностики имеют значительные отличия от лучевых, так как основаны на прямом восприятии врачом изображения патологического очага. И поскольку эндоскопическая диагностика дополняется биопсией и цитоморфологическими исследованиями, то субъективизм данного метода менее выражен. Для формирования сигналов цветного изображения в ТВ-формате с медицинских эндоскопов и передачи их на ТВ мониторы широко применяются эндоскопические видеокамеры. В качестве примера приведем основные технические характеристики отечественной эндо видеокамеры ЭВК-103:

- стандарт 625 строк, 25 кадров, система PAL;

- разрешение в центре 350 ТВ линий;

- диапазон освещенностей 3 -15000 лк;

- отношение сигнал/шум 46 дБ.

В таблице 1 приведены современные стандарты форматов цифровых изображений, используемых в PACS для представления медицинских изображений при различных видах исследований.

Таблица 1

Стандартные форматы цифровых изображений

Вид исследования Размер 1 изображения Число биг на элемент

Цифровая рентгенография 2048x1024 12

(для патологий легких) 4096x4096 12

(для молочной железы) от 4096x4096 до 6144x6144 12

Цифровая субтракционная томография 1024x1024 12

Цифровая флюорография 1024x1024 8

Магнитно-резонансная томография 512x512 12

Ультразвук 512x512 8

Ядерная медицина 256x256 8

Позитронно-эмиссионная томография 128x128 8

Для обеспечения хранения или передачи по линиям связи значительного количества медицинской информации, значительную часть которой составляют графические файлы, необходимо использовании различных методов архивации и сжатия информации.

Для сравнения по характеристикам различных методов сжатия изображений необходимо разработать систему критериев оценки их качества.

Глава 3 посвящена исследованию методов компрессии изображений. Сжатие данных - один из самых важных вопросов, возникающих при хранении и передаче информации по каналам связи.

Изображение является частным случаем информации, поэтому его можно представить в виде данных. Для цифровых изображений существует большое количество алгоритмов сжатия. Все они основываются на выделении и удалении из изображения избыточности.

В настоящее время можно выделить несколько групп алгоритмов сжатия без потерь, которые применяются действительно широко:

- групповое кодирование (Run Length Encoding - RLE),

- алгоритм Лемпела-Зива-Велча (LZW);

- алгоритм Хаффмана (Huffman coding);

Методы сжатия с потерями предусматривают отбрасывание некоторых данных для достижения лучшей степени сжатия, чем в большинстве методов сжатия без потерь.

Алгоритмы JPEG. Это один из самых новых и достаточно мощных алгоритмов, практически становится стандартом де-факто для полноцветных изображений. Оперирует алгоритм областями 8х8,на которых яркость и' цвет меняются сравнительно плавно.

Коэффициент архивации в JPEG может изменяться в пределах от 2 до 200раз. У JPEG свои особенности, наиболее известны «эффект Гиб-бса»,кроме того, при высокой степени сжатия изображение распадается на блоки 8x8 пикселов, при реализации JPEG только в виде программного продукта данный метод выглядит весьма медленным и недопустим для работы в режиме реального времени из-за большого объема вычислений (это в первую очередь касается ДКП). Поэтому в марте 1997 года группа JPEG приступила к разработке нового стандарта - JPEG-2000.

JPEG-2000 - Новый алгоритм имеет лучшее качество изображения при сильной степени сжатия.

- Поддержка кодирования отдельных областей с лучшим качеством -Основной алгоритм сжатия заменен на ДВП (рекурсивное сжатие). Кроме других достоинств, это позволяет упростить плавное проявление изображения (такие возможности изначально заложены в стандарт).

• для повышения степени сжатия в алгоритме используется арифметическое сжатие.

• поддержка сжатия однобитовых изображений.

• на уровне формата поддерживается прозрачность.

Wavelet - Это вид архивации известно довольно давно и напрямую исходит из идеи использования когерентности областей. Ориентирован алгоритм на цветные и черно-белые изображения с плавными переходами. Идеален для картинки типа рентгеновских снимков. Коэффициент сжатия задается и варьируется в пределах 5-100 раз. При попытке задать больший коэффициент, на резких границах, особенно проходящих по диагонали, проявляется «лестничный эффект» - ступеньки разной яркости, размером в несколько пикселов. Идея алгоритма заключается в том, что мы сохраняем в файл разницу число между средними значениями соседних блоков в изображении, которая обычно принимает значения, близко к 0.

фрактальный алгоритм - Для компрессии изображений можно использовать фрактальную архивацию. Она основана на том, что мы представляем изображение в более компактной форме — с помощью коэффициентов системы итерируемых функций (Iterated Function System— IFS). 1FS представляет собой набор трехмерных аффинных преобразований, переводящих одно изображение в другое. Преобразованию подвергаются точки в трехмерном пространстве (х-координата, у-координата, яркость). Главный недостаток фрактального алгоритма - его значительная асимметричность, что ограничивает круг возможных областей применения.

• Показатели эффективности алгоритмов сжатия изображений.

Поиск критерия оценки потери качества представляет собой нетривиальную задачу подбора адекватного числового эквивалента субъективной оценки, которую делает наблюдатель.

Введём некоторые условия и пояснения к ним, без которых оценка не будет адекватной:

Рассмотрим различные варианты критериев эффективности. Обычно использующийся критерий в случае оценки искажения - корень среднего квадрата отклонения значений пикселов (L2 мера, или root mean square RMS):

7

где (source image) - исходное «серое» изображение, рассматриваемое как массив яркостей (compressed image) - сжатое «серое» изображение,

рассматриваемое как массив яркостей /(■(,,), X - счётчик горизонтальной координат пикселя изображения от 1 до W - пиксельная ширина изображения; у - счётчик вертикальной координаты пикселя изображения, от 1 до Н - пиксельная высота изображения.

Другим возможным вариантом является использование отношения сигнала к шуму (peak-to-peak signal-to-noise ratio — PSNR):

Этот критерий, по сути, аналогичен предыдущему, но пользоваться им несколько удобнее за счет логарифмического масштаба шкалы. Приведём несколько изображений, показывающих различные искажения исходного изображения (рис.1.), и попробуем оценить эти искажения но RMS:

Искажение бепые пинии Искажение неравномерная засветка

Искажение яркость + контраст

Рисунок 1

Эти изображения имеют почти одинаковый показатель RMS (от 19 до 20) Однако, видно, что и характер искажений, и потери информации для наблюдателя совершенно различны.

Искажающее действие алгоритмов компрессии предлагается оценивать по совокупности коэффициентов

• Коэффициент смещения яркости (нормированное математическое ожидание остатка вычитания)

Смещение (bias) характеризует степень сдвига изображения по шкале яркости в результате компрессии.

• Коэффициент неравномерности искажения (нормированный корень дисперсии остатка вычитания)

Неравномерность (mevenness) характеризует степень рассеянности остатка вычитания исходного изображения из сжатого.

• Коэффициент покрытия (нормированное влияние по площади)

Покрытие (covering) показывает, насколько обширно по площади влияние искажений, не уточняя их величины

• Коэффициент диапазона искажения

R=Kv =

2-L

Диапазон (range) характеризует, насколько широк диапазон искажения пикселей изображения

Тестирование проводилось на 523 ранее не сжимавшихся серых медицинских изображениях. Для тестирования были выбраны три следующих алгоритма:

• JPG (без дополнительных модификаторов: черезстрочности, прогрессивности и размытия) Наиболее распространённый сейчас алгоритм сжатия с потерями. Изменяемый параметр - качество, от 1 до 100 через 10.

• JPEG2000 (без доп. модификаторов). Наиболее продуманный и перспективный сейчас формат с алгоритмом сжатия с потерями. Изменяемый параметр - качество, от 1 до 100 через 10.

• GIF (без доп. модификаторов). Распространённый формат с алгоритмом сжатия без потерь. Изменяемый параметр - количество бит на кодирование одного пикселя (т.е. фактически ограничение количества цветов в индексированной палитре изображения), от 1 до 8.

Результаты тестирования и комментарии к ним приведены в таблице. 2.

Таблица 2

Сравнительные статистические графики коэффициентов В, U, С, R для алгоритмов сжатия JPEG, JPEG2000, GIF

Странное поведение алгоритма формата GIF обусловлено экстремальными для него условиями с резким уменьшением количества доступных цветов смещениерезкоуве -личивается Контрольная точка GIF 1 бит/пиксель вообще удалена, поскольку уходила слишком далеко от другихкривых (-4,6)

Как и следовало ожидать, приувели-чении степени сжатияувеличивается и степень неравномерности искажений, причем зависимость от иссче-дуемых параметров неравномерна

Интересно, что даже при максимальной степени сжатия алгоритмы JPG и JPG2000 доходят только до 60% степени воздействия по площади, тогда как GIFбыстро стремиться к максимальному значению

Иопятьу JPG и JPG2000проявляет-сяродственност ь подхода к кодиро -ванию, хотя JPG и имеет меньшую степеньсжатия

Очень интересно ведет себя GIF, повторяющий кривую JPG2000, что объясняется видимо тем, что при размытии, свойственном JPG2000 средний цвет области схож с цветом этой же области GIF, вынужденном находить средний цвет при ограни-ченнойпалитре

1.Итак, приведённые параметры (коэффициента B, U, С, R) оценки прозрачны для понимания и показывают вполне адекватные результаты.

Для подбора необходимых характеристик конечного результата сжатия в зависимости от ведущего параметра можно воспользоваться приведёнными кривыми, устанавливающими связь между ведущим параметром и коэффициентом сжатия, смещением, неравномерностью (наиболее важными характеристиками таблица. 3.)

Таблица 3

Характеристики конечного результата сжатия

Послойный метод сжатия. В медицинских изображениях можно выделить некоторое количество информации, которое имеет значение для потребителей этой информации - врачей, экспертов.

Рисунок 2. Медицинское изображение

Рисунок. 3. Гистограммараспределения пикселей изображения поуровням яркости

Если рассмотреть гистограмму распределения пикселей в изображении по уровням яркости - рисунок.З, то можно увидеть, что на некоторых уровнях содержится большое количество информации, а на некоторых информации практически нет. Было замечено, что 6-7 уровней вполне достаточно, чтобы с приемлемым качеством восстановить сжатое изображение. Изображение представляется некой рельефной трехмерной моделью, где по длине и ширине находятся фактические размеры картинки, а по высоте -уровень яркости, соответствующий яркости в данной точке.

Рисунок 4. Трехмернаярельефнаямодель изображения

На определенных уровнях делаются так называемые срезы этой рельефной модели. Аналогичный подход используется алгоритмом GIF. Уровни определяются по следующей формуле:

U„ = тах|

N

' шах N

(8)

где - яркость текущего кодируемого слоя, - максимальная яркость пикселей в изображении. N - число кодируемых слоев, и- номер кодируемого

Рисунок5.Исходноеиз р

ие Рисунок 6. Восстановленное изображение 12

Изображение на рисунке 6 занимает в 9,2 раза меньше места по сравнению с исходным изображением Это примерно соответствует сжатию JPEG с индексом сжатия - 30 Индекс сжатия у JPEG изменяется от 1 до 100. При 100 максимальное качество и максимальный объем.

При восстановлении происходят обратные операции. В том случае, если сжатый файл был сжат дополнительно программой - архиватором, то его следует разархивировать Далее полностью восстанавливается информация, которая была закодирована на этапе сжатия, рисунок 6 . В тех точках изображения, которые не попали в кодируемые слои, значение яркости следует аппроксимировать по какому либо алгоритму Как один из простейших способов заполнения предлагается интерполяция методом сеток Значение яркости в требуемой точке получается как среднее значение из яркости четырех «соседей» - справа, слева, сверху и снизу. Операцию заполнения можно производить в несколько проходов, обычно 2-3 проходов бывает достаточно Интерполяцию можно описать следующей математической формулой:

п - °х+1'у +UxA>y +и*>У+х

их у _ - _ ("}

где - яркость в текущей точке, - яркость в со-

седних точках, если они имеют место В том случае, если у данной точки (отсутствуют соседние точки, яркость в них принимается за ноль

Па рисунке 8 показано изображение после обработки по методу сеток Видно, что резкие перепады яркости отсутствует. Это улучшает визуальное восприятие, нпо сравнению с изображением на рисунке 7.

Рисунок 7Восстановленное Рисунок8Восстаповченноеизображение

изображение без заполнения с использованием annpoксимации

по методу сеток (2 прохода)

Чтобы количественно оценить эффективность метода сжатия, например, по отношению к друюму методу компрессии, необходимр рравиить ошибку восстановления изображения, сжатою выбранным алгоритмом и сжатого описанным выше методом Ошибка восстановления - это разность между исходным изображением и восстановленным после сжатия. Для оценки качества восстановления будем сравнивать изображения, которые имеют одинаковые степени сжатия

При вычитании из исходного восстановленное изображение на результирующем изображении появляются пиксели, цвет которых отличается от

черного, что говорит о не 100% восстановлении. Далее результат вычитания обрабатывается по формуле:

где П-общая ошибка, Р, -число пикселей на данном уровне яркости /', - общее число пикселей в изображении.

На рисунке 9 показаны уровни ошибки при использовании различных алгоритмов сжатия 5- Сжатие описанным выше алгоритмом с использованием размытия, 4 -размытие отсутствует, 1 - сжатие по алгоритму JPEG, 2 - сжатие по алгоритму WaveLet, 3- сжатие по алгоритму JPEG-2000. Размеры сжатых файлов у всех алгоритмов совпадают.

Рис 9 Ошибка при сжатии

Глава 4. Посвящена анализу методов обработки медицинских изображений сцелью повышения достоверности диагностики. Известно большое количество лицензионных программных пакетов для обработки изображений, таких как Adobe Photo Shop™, Coiel PHOTO-PAINT™, ULead, Aldus Photo Stylei и др. Они предоставляют пользователю значительный выбор инструментов преобразования изображений, таких как

-эквализация;

- настройка цветовых уровней и интерактивная коррекция цветовой кривой;

- регулировка яркости, контрастности, интенсивности;

- эмуляция регулировки гамма - контраста монитора;

- изменение размера и разрешения изображения;

- преобразование в различные форматы и типы файлов, и многочисленные эффекты:

- зональная фокусировка;

- подчеркивание краев;

- трассировка контуров,

- многочисленные художественные эффекты;

- удаление / добавление шумов;

- пользовательские эффекты на основе интерактивно задаваемых пользовательских неадаптивных масок 3 3 или 5 5 и многое другое. Однако ал-

горитмы всех этих преобразований плохо документированы, и никогда точно не известно, что происходит с исходной, экспериментально полученной информацией при таких преобразованиях, каковы ее потери. Поэтому обычно полагают, что названные программные пакеты достаточно хорошо подходят для полиграфической, рекламно-издательской деятельности, для фотохудожественных работ, где субъективное визуальное восприятие является определяющим.

В ряду коммерческих пакетов для преобразований и анализа изображений особое место занимает AM Lab Hesperus (v.l.2.2.a). Этот программный продукт изначально разрабатывался для анализа и преобразований аэрокосмических и радиолокационных изображений. Он позволяет:

- снижать уровень спекл-шума с помощью усредняющего, медианного и сигма-фильтров, а также фильтров Ли и Фроста скользящими масками размером от 3x3 до 17 х 17;

- подавление высокочастотных шумов фазовым фильтром;

- выделять контуры на изображении по Лапласу, Собелу, Киршу, Пре-витту и т.д.;

- осуществлять свертку с пользовательской маской;

- рассчитывать когерентность двух комплексных изображений;

- вычислять Фурье-спектр изображения и восстанавливать изображение по спектру;

- осуществлять текстурный анализ изображений.

Однако этот набор инструментов не охватывает всех задач, характерных для обработки и анализа медицинских диагностических изображений. Для точной объективной оценки параметров изображений на всех этапах их преобразований обычно приходится разрабатывать собственные методы и алгоритмы преобразований и анализа изображений.

Исследование изображений, полученных различными методами визуализации, показало, что повышение визуального качества изображений связано с необходимостью увеличения их контраста , уменьшения шума, а также выделением и подчеркиванием фрагментов необходимых для проведения.

В главе рассмотрены разработка алгоритма сегментации изображений как метод компрессии. Необходимым предварительным этапом распознавания объектов на изображении является его сегментация, т. е. разбиение на части, поддающиеся единому описанию в пространстве выбранных признаков. Наиболее просто выполняется сегментация изображений, состоящих из однородных но яркости областей. В этом случае методы пороговой обработки изображении обеспечивают удовлетворительное качество сегментации).

Методы сегментации делятся- на два класса: разметка внутренних точек областей однородности и выделение их границ. Обычно последние применяются, когда для разных областей не удается найти общий признак однородности, поиск пикселей входящих в яркостной переход можно заменить поиском смежных параллельных отрезков составленных из пикселей одинаковой яркости. При этом не требуется никакие дополнительные вычисления, используется только выборка из массива.

15

Более подробная схема обработки показана на рисунке. 4.13. После преобразования Хо мы получим много избыточной информации. Так, например, в матрице параметров отрезков, будут включены не только самые большие отрезки, но и маленькие отрезки, из которых составлены большие. Дополнительный этап обработки позволяет избавиться от этой избыточной информации при заданной погрешности, значительно уменьшив объем обрабатываемой на последующих этапах информации.

Рисунок 10 Этапа вычисления параметров модели с использованием преобразованияХо

Можно ускорить вычисление интегрируя только по закрашенным точкам изображения:

Полный спектр параметров вычисляется, как:

Так как множество параметров кривой А в общем случае имеет бесконечную мощность, то на практике, как правило, используют квантованные значения вектора параметров. В этом случае, мощность множества А оказывается ограниченной и равна l :

Л = {а1.....о/},

Тогда знак интеграла заменится на знак суммы:

Обозначим площадь закрашенных точек в изображении \{х,у), как

Р{Цх,у)),

Если время вычисления функции фиксировано и равно С9, то время

вычисления спектра параметпов оттпеттеттяется кяк

(14)

Введем такое разбиение В множества А, чтобы выполнялись следующие условия:

Подвергая каждое из множеств Д' повторному разбиению: за к - шагов

мы придем к разбиению вида:

Введем новую функцию у , которая трансформирует изображение так, чтобы в нем остались только те закрашенные точки, которые лежат на кривых с параметрами, принадлежащими множеству А}:

где А' - /-е множество векторов параметров полученное после у-го разбиения, - изображение содержащее только те закрашенные точки, которые соответствуют кривым, параметры которых содержатся в множестве Л7"1 , причем Л/ е ¡¡(х,у) - изображение содержащее только те закрашенные точки, которые соответствуют кривым, параметры которых содержатся в множестве

Соответствеиио, на последнем шаге разбиения:

Площадь закрашенных точек в изображении , и будет являться

значением спектра параметров для вектора параметров , то есть

Функция у при этом будет вычислена 21-2 раз. Время вычисления прямо пропорционально площади закрашенных точек в изображении 1(х,у).

Пусть время вычисления функции фиксировано и равно Выберем такое разбиение , чтобы выполнялось условие:

тогда время нахождения полного спектра параметров:

Выигрыш последнего способа вычисления преобразования Хо определяется, как:

В заключении сформулированы основные результаты работы, которые сводятся к следующим:

1. Разработана критериальная база для количественной оценки методов компрессии.

2. На основе анализа специфики формирования и оцифровки медицинских изображений определены параметры качества сжатия рентгенограмм, результатов ультразвуковых исследований, эндоскопии.

3. Проведено экспериментальное исследование эффективности различных методов компрессии для различных параметров, включая коэффициент сжатия.

4. С учетом анализа известных методов компрессии разработан новый послойный метод сжатия, позволяющий на 10% повысить точность воспроизведения черно-белых после декомпрессии.

5. Показано, что для различных типов медицинских изображений (рентгеноскопия, УЗИ, эндоскопия) может быть оптимизирован выбор конкретного метода компрессии.

6. В результате проведения экспериментальных исследований большого объема медицинских изображений создан комплекс рекомендаций по использованию методов компрессии, включая новый метод, предложенный в данной работе.

7. Предложен новый алгоритм обработки сигналов с помощью преобразования Хо, позволяющий ускорить процедуру оконтуривания изображений, облегчающую задачу медицинской диагностики.

8. Разработанные автором методики внедрены в практику медицинских организаций в России и Йемене, что подтверждается соответствующими актами внедрения.

В приложении приведены акты внедрения, подтверждающие использование результатов диссертационных исследований.

Основное содержание диссертации отражено в следующих публикациях:

1. Никитин О. Р., Архипов Е.А., Пасечник А.С., Аль-Хомза Н. М. Экспериментальное исследование методов сжатия медицинских изображений. Биомедицинские технологии и радиоэлектроника, научно-прикладной журнал № 3,2004 , Москва, с.21-27.

2. Аль-Хомза Н. М., Архипов Е. А., Никитин О. Р., Пасечник А.С. Применение волнового алгоритма сжатия медицинских изображений. Материальны докладов VI международной научно-технической конференции, ФРЭМЭ'2004, г.Владимир, с.39-41.

3. Аль-Хомза Н. М., Архипов Е. А., Никитин О. Р., Пасечник А.С.Сравнительный анализ алгоритмов сжатия графической информации.

Методы и устройства передачи и обработки информации , межвузовский сборник научных трудов выпуск 5, Санкт-Петербург гидрометеоиздат 2004, с.172-178.

4. Аль-Хомза Н. М., Архипов Е. А., Никитин О. Р., Пасечник А.С. Результаты вейвлет - преобразования и сжатия медицинских изображений. Материалы первой Всероссийской научно - технической конференции с международным участием, Мехатроника, Автоматизация, Управление, 2004, г.Владимир 2004г. с.365-368.

5. Аль-Хомза П. М., Архипов Е. А., Никитин О. Р., Пасечник А.С. Алгоритм сжатия медицинских изображений Wavelet и JPEG. Материальны докладов VI международной научно-технической конференции, ФРЭМЭ'2004, г.Владимир, с. 34-36.

6. Аль-Хомза Н. М., Никитин О. Р. Информационная система в медицине. Методы и устройства передачи и обработки информации, межвузовский сборник научных трудов выпуск 4, Санкт-Петербург гидрометеоиздат 2004, с.331-336.

7. Аль-Хомза Н. М., Архипов Е. А., Никитин О. Р., Пасечник А.С. Сравнение алгоритма сжатия Wavelet и JPEG-2000. Материальны докладов VI международной научно-технической конференции, ФРЭМЭ'2004, г.Владимир, с.36-39.

8. Аль-Хомза Н. М., Е. А. Архипов. Сжатие медицинских изображений. Материальны докладов VI международной научно-технической конференции, ГПСПИ-2005. г.Владимир 2005г, С. 243-245.

ЛР № 020275. Подписано в печать 28.04.05. Формат 60x84/16. Бумагадля множит, техники. Гарнитура Тайме. Печать на ризографе. Уел печ. л. 1,39. Уч.-изд. л. 1,41. Тираж 100 экз.

Заказ ИЪ'Жбг Редакционно-издательский комплекс Владимирского государственного университета. 600000, Владимир, ул. Горького, 87.

.Ч'ЛЧММИ г

" 982

os mm

СПИСОК ИСПОЛЬЗУЕМЫХ СОКРАЩЕНИЙ.

ВВЕДЕНИЕ.

ГЛАВА 1. ИНФОРМАЦИОННЫЕ СИСТЕМЫ В ЗДРАВООХРАНЕНИИ.

1.1.1. Необходимость создания компьютерных систем обработки и передачи графической диагностической информации.

1.2. Информационные системы в медицинских с следованиях.

1.3. Структуры хранения данных.

1.4. Госпитальные информационные системы.

1.4.1. Система интеграции клинических данных.

1.5. Стандарты формирования и передачи медицинской информации.

1.5.1. Систематизированная номенклатура медицинских терминов

SNOMED.

1.5.2. Стандарт «Уровень 7» (Health Level Seven).

1.5.3. Стандарт электронного обмена медицинскими изображениями DICOM-3.

1.5.4. Система архивирования и передачи изображений PACS.

1.5.5. Практическое применение стандарта DICOM в России.

Выводы по первой главе.

ГЛАВА 2. МЕТОДЫ ПОЛУЧЕНИЯ, ХАРАКТЕРИСТИКИ ОБРАБОТКА

МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ.

2.1. Методы получения медицинских изображений.

2.1.1. Рентгеновская диагностика.

2.1.2. Современные маммографы, их технические характеристики.

2.1.3. Преобразователи рентгеновского изображения.

2.2. Ультразвуковые методы визуализации.

• 2.3. Эндоскопические методы диагностики.

2.4. Получение изображений с помощью радиоизотопов и томографии.

2.5.Анализ алгоритмов повышения визуального качества медицинских изображений.

Выводы по второй главе.

Глава 3. МЕТОДЫ СЖАТИЯ И КОМПРЕССИЯ ИЗОБРАЖЕНИЙ.

3.1. Обзор существующих методов сжатия и компрессии данных.

3.1.1 Алгоритм RLE.

3.1.2 Алгоритм Лемпела—Зива—Велча.

3.1.3. Алгоритм Хаффмана.

3.1.4. Алгоритмы JPEG и JPEG-2000.

3.1.5.Фрактальный алгоритм.

3.1.6. Рекурсивный (волновой) алгоритм.

3.2. Показатели эффективности алгоритмов сжатия изображений.

3.2.1. Показатели точности.

3.3. Критерии оценки отличия исходного и сжатого медицинских изображений.

3.4. Статистика влияния параметров сжатия на отличие исходного и сжатого медицинских изображений различных классов.

3.5. Послойный метод сжатия.

Выводы по третьей главе.

Глава 4. ОБРАБОТКА МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ.

4.1. Исследование алгоритмов повышения визуального качества изображений.

4.1.1.Изменение яркости и контрастности.

4.1.2.Шумоподавлени е.

4.1.3. Подчеркивание границ.

4.2. Разработка алгоритма сегментации изображений как метода компрессии.

4.3. Этапы сегментирования. Анализ задачи.

4.4. Разработка алгоритма кластеризации.

Выводы по четвертой главе.

Актуальность проблемы. Эффективность диагностики многих заболеваний зависит от возможности визуализации исследуемых органов, обработки, анализа и хранения полученных изображений. В то же время современные технические возможности рентгеновских диагностических комплексов, УЗИ и эндоскопического оборудования не позволяют врачам клинических отделений непосредственно присутствовать при исследованиях и самим оценивать получаемую визуальную диагностическую информацию.

Современным решением этой проблемы является электронный обмен медицинскими изображениями, который обеспечивает дистанционный доступ нескольких специалистов к одному и тому же изображению, а также передачу изображений из одного лечебного учреждения в другие для проведения консультаций (может выполняться за минуты, тогда как обычная пересылка снимков занимает несколько дней). Наличие изображений в электронной форме позволяет выполнять сложную компьютерную обработку, значительно улучшающую возможность постановки диагноза и принятия решений о тактике лечения пациента.

В целом электронная передача медицинских изображений способна существенно ускорить процесс диагностики заболеваний и лечения пациентов, снизить долю повторных исследований, экономить дорогостоящую рентгеновскую пленку и реактивы для фотолабораторного процесса.

Практика оснащения отечественных учреждений здравоохранения диагностическим оборудованием показывает, что оно приобретается постепенно, у разных производителей, которые предлагают несовместимые аппаратные и программные средства. Это существенно затрудняет задачу интеграции устройств медицинской визуализации в единой сети лечебного учреждения.

Для того чтобы сделать такие системы более открытыми, крупнейшие разработчики (General Electric, Toshiba, Philips, Siemens PICKER, HP) включают в них возможность передачи изображений во внешние информационные системы и сети по стандарту DICOM-3.0 (Digital Imaging and Communication in Medicine). Однако эта возможность предоставляется опционально, дополнительные DICOM- аппаратно-программные модули не локализованы, весьма дороги и малодоступны.

Формат файлов DICOM 3.0 отличается от стандартных форматов изображений типа BMP, TIFF, JPG, GIF и т.д. передачей дополнительной информации об истинных размерах, позиционировании, плотностях и других параметрах исследуемого объекта. При этом ее структура и объем существенно зависят от вида проведенного обследования.

Следует отметить, что при анализе медицинских изображений небольшого числа пациентов эта дополнительная информация, как правило, не бывает сразу же необходима врачам-диагностам. Она может быть получена на основе практики проведения исследований, надписей, сделанных на самом изображении, сопровождающих текстов заключений и более существенна для последующей автоматизированной обработки результатов.

Решить перечисленные проблемы позволяет использование альтернативных цифровых технологий и создание автоматизированных систем ввода, архивирования, анализа и обработки цифровых изображений на базе имеющегося диагностического оборудования с применением персональных компьютеров на платформе Intel под управлением ОС семейства Windows.

Таким образом в настоящее время актуальна задача исследования эффективности и разработки методов компрессии медицинских изображений.

Цель работы и задачи исследования. Целью работы является разработка рекомендаций по использованию различных методов компрессии для конкретных задач медицинской диагностики.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Изучить специфику формирования и оцифровки медицинских изображений.

2. Разработать критериальную базу для сравнения методов компрессии.

3. Провести исследование и сравнительный анализ существующих методов компрессии.

4. На основе известных методов компрессии разработать новый алгоритм сжатия медицинских изображений.

5. Исследовать возможность сжатия медицинских изображений с целью ускорения и повышения точности обработки при проведении медицинской диагностики.

Методы исследования .Для решения перечисленных выше задач были использованы методы компрессии изображений, математической статистики, теории матриц, теории вероятностей, математического моделирования.

Научная новизна работы заключается в следующем:

1. Разработаны критерии оценки качества сжатых изображений медицинской диагностики.

2. Предложен и исследован новый алгоритм сжатия черно-белых медицинских изображений.

3. Предложена процедура обработки сигнала с сегментацией для ускорения процесса оконтуривания медицинских изображений.

Практическая значимость работы заключается в следующем:

1. Разработаны рекомендации по использованию различных методов компрессии для конкретных типов медицинских изображений.

2. Определены параметры качества типовых методов сжатия для разных типов медицинских изображений.

3. В медицинских организациях России и Йемена применен метод сжатия черно-белых медицинских изображений имеющий выигрыш по показателям качества в 1.15 раза по сравнению с лучшими из современных методов компрессии.

4. Предложена реализация и разработана программа алгоритма сегментации изображений на базе преобразования Хо.

На защиту выносятся следующие основные результаты и научные положения:

1. Результаты сравнительного анализа и экспериментальных исследований существующих методов компрессии. Изображений.

2. Критерии оценки эффективности методов компрессии.

3. Алгоритм сжатия черно-белых изображений на основе послойной обработки с последующей интерполяцией данных.

4. Метод сегментации изображений с использованием преобразования Хо.

Апробация работы. Основные положения диссертационной работы докладывались на VI международной научно-технической конференции « Физика и радиоэлектроника в медицине и экологии (ФРЭМЭ'2004)», (Апрель 2004г., г.Владимир, 3 доклада); на первой всероссийской научно-технической конференции " Мехатроника, автоматизация, управление*' (июнь 2004г.,г. Владимир); на VI международной научно-технической конференции, ПТСПИ-2005. г.Владимир.

Публикации. По теме диссертации опубликовано 8 печатных работ, в том числе 3 в центральных изданиях.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и приложений. Общий объем работы (169 ) страниц, (53 ) рисунков и (18 ) таблиц.

ВЫВОДЫ

1.Проведен анализ направлений обработки медицинских изображений, рассмотрены типовые задачи и некоторые из путей их решения 2 Показано, что для сегментации необходимо применять сжатие изображения под которым следует понимать не уменьшение изображения по объему занимаемой памяти , а уменьшение количества структурных элементов, позволяющего сократить объем вычислений при последующей обработке.

3. Для уменьшения количества структурных элементов в изображении предложено изменить структурный элемент пикселя на отрезок прямой, для чего предлагается применить преобразование Хо.

4. Показано, что алгоритм преобразования пикселей в отрезки позволяет уменьшить количество структурных элементов в изображении на 20 и более процентов.

5. Экспериментально доказано, что предложенный метод кластеризации элементов изображения обладает высокой устойчивостью к действию аддитивного шума.

152

ЗАКЛЮЧЕНИЕ

Сформулированы основные результаты работы, которые сводятся к следующим:

1 .Разработана критериальная база для количественной оценки методов компрессии.

2.На основе анализа специфики формирования и оцифровки медицинских изображений определены параметры качества сжатия рентгенограмм, результатов ультразвуковых исследований, эндоскопии.

3.Проведено экспериментальное исследование эффективности различных методов компрессии для различных параметров, включая коэффициент сжатия.

4. С учетом анализа известных методов компрессии разработан новый послойный метод сжатия, позволяющий на 10% повысить точность воспроизведения черно-белых после декомпрессии.

5. Показано, что для различных типов медицинских изображений (рентгеноскопия, УЗИ, эндоскопия) может быть оптимизирован выбор конкретного метода компрессии.

6. В результате проведения экспериментальных исследований большого объема медицинских изображений создан комплекс рекомендаций по использованию методов компрессии, включая новый метод, предложенный в данной работе.

7. Предложен новый алгоритм обработки сигналов с помощью преобразования Хо, позволяющий ускорить процедуру оконтуривания изображений, облегчающую задачу медицинской диагностики.

153

1. Астраханцев Ф.А., Кондратьев В.В., Рассохин Б.Н., . Чикирдин Э.Г. Автоматизированное рабочее место врача-рентгенолога // Вестник рентгенологии. 1993.- №1.- С. 54-56.

2. Абду И. Э., Прэтт У. К. — ТИИЭР, 1979, т. 67, № 5, с. 59—70.

3. Антонова Н. А. Методы сжатия данных в вычислительных системах. — СПб.: БХВ, 1994.-326 с.

4. Бакут П. А., Колмогоров Г. С, Ворновицкии И. Э. — Зарубежная радиоэлектроника, 1987, № 10, с. 6.

5. Беликова. Т.П. PACS: системы архивирования и передачи медицинских изображений // Компьютерные технологии в медицине. -1997. -№3.-С. 27-32.

6. Блинов Н.Н., Власов П.П., Гуревич A.M. и др. Технические средства рентгенодиагностики и др. М.: Медицина, 1981,- 376 с.

7. Блинов Н.Н. Микропроцессорная техника и ЭВМ в медицинской интроскопии М.: Знание, 1986.- 64 с.

8. Блинов Н., Жуков Е.М., Козловский Э.Б., Мазуров. А.И. Телевизионные методы обработки рентгеновских и гамма-изображений. М.: Энергоатоиздат, 1982. — 200 с.

9. Боде Г., Шеннон К. Упрощенное изложение линейной минимально-квадратичной теории сглаживания и предсказания//Теория информации и ее применение. М.: Физматиз, 1959. - С.113-137.

10. Бьемон Ж., Лагендейк Р.Л., Марсеро Р.М. Итерационные методы улучшения изображений // ТИИЭР. 1990. - Т.78, № 5. - С. 58-84.

11. Бертеро М., Поджо Т.А., Торре В. Некорректные задачи в предварительной обработке визуальной информации // ТИИЭР. 1988. -Т.76, № 8. - С. 17-40.

12. Бейтс Р., Мак-Донелл М. Восстановление и реконструкция изображений.-М.: Мир, 1989. 333 с.

13. Блэк Ю. Сети ЭВМ: Протоколы, стандарты, интерфейсы: Пер. с англ. —М.: Мир, 1990.-346 с.

14. Варшавский Ю.В., Мамонтов А.С., Верещагин В.Г. Возможности рентгенологической и эндоскопической диагностики рака пищевода при Т1// Советская медицина. -1986. №6. - С. 94-96.

15. Веснин А.Г. Пути улучшения лучевой диагностики опухолей // Новые организационные формы противораковой борьбы. Тез. докл. межгос. симп. -Санкт-Петербург, 1994.- С. 41-42.

16. Власов В.В. Эффективность диагностических исследований: Математическое обеспечение М.: Наука, 1988.- 87 с.

17. Волков А.А., Зирин А.Г., Садыков С.С. Новые возможности эндоскопии с применением компьютерной визуализации диагностических изображений // Системы, методы обработки и анализа данных. -Ташкент: НПО Кибернетика АН РУз, 1997.- С. 36-43.

18. Власенко В.А., Лаппа Ю.М., Ярославский Л.П. Методы синтеза быстрых алгоритмов свертки и спектрального анализа. М.: Наука, 1990. - 180 с.

19. Виткус Р.Ю., Ярославский Л.П. Адаптивные линейные фильтры для обработки изображений // Адаптивные методы обработки изображений / Под ред. В.И.Сифорова и Л.ПЛрославского.- М.: Наука, 1988. С.6-35

20. Ватолин Д., Ратушняк А., Смирнов М., Юкин В. Методы сжатия данных. Устройство архиваторов, сжатие изображений и видео. — М.: ДИАЛОГ-МИФИ, 2002.

21. Галлингер Ю.И., Клявин Ю.А. Сравнительная оценка рентгенологического и гастроскопического исследований при доброкачественной и злокачественной язве желудка // Актуальные вопросы хирургии.: Тез. докл. симп. Тарту, 1974.- С. 40-46.

22. Герасименко В.М., Семенович В.М., Тихонова Н.А., Золотарев А.Е. Автоматизированная система обработки медицинской информации // Вопросы онкологии.-1985.- Т. XXXI, № 9.- С. 85-87.

23. Гришин М.П., Курбанов Ш.М., Маркелов В.П. Автоматический вывод и ообработка фотографических изображений на ЭВМ -М.: Энергия, 1976.152 с.

24. Двойрин В.В., Старинский В.В., Трапезников Н.Н. Информационное обеспечение планирования и оценки Российской Противораковой Программы -М.: ОНЦ РАМН, 1992.- 154 с.

25. Двойрин В.В., Аксель Е.М., Герасименко В.Н. Сравнительный анализ состояния онкологической помощи населению России и некоторых других стран СНГ (по данным статистических отчетов) -М.: ОНЦ РАМН, 1992.294 с.

26. Денисов J1.E., Ушакова Т.И., Володин В.Д. Возможности обработки материалов канцер-регистра на персональном компьютере (на примере рака желудка). -М: Медицина, 1995.- 96 с.

27. Денисов JI.E., Виноградова Н.Н., Ушакова Т.И. Автоматизированная система данных (канцер-регистр) по онкологии на базе персональной ЭВМ // Актуальные вопросы онкологии. Масъалахои мухими саратоншиноси. -Душанбе, 1992.- С. 146-148.

28. Денисов Д. А., Низовкин В. А. — Зарубежная радиоэлектроника, 1985, № 10, с. 5—30.

29. Ватолин. Д.С. MPEG стандарт ISO на видео в системах мультимедиа // Открытые системы, № 2, 1995. - С. 12-24.

30. Емелин И.В. Стандарт электронного обмена медицинскими изображениями DICOM. "Компьютерные технологии в медицине", N3, 1996. С.56-59.

31. Зирин А.Г., Бабкин А.Е., Семенов С.И. Компьютерная диагностическая система в практике онкологического диспансера // Российский онкологический журнал. 1996.- №3.- С. 47-49.

32. Зирин А.Г., Бабкин А.Е. , Семенов С.И. и др. Автоматизированное рабочее место врача-рентгенолога // Математика. Компьютер. Образование.: Тез. докл. IV Междунар. конф. -Пущино, 1997.- С. 171.

33. Зирин А.Г., Бабкин А.Е. , Семенов С.И. и др. Автоматизированное рабочее место врача-эндоскописта // Математика. Компьютер. Образование.: Тез. докл. IV Междунар. конф. -Пущино, 1997. С. 172-173.

34. Ютименков A. JI., Патютко Ю.И., Губина Г.И. Опухоли желудка -М.: Медицина, 1988.- С. 78-79.

35. Коновалов В.К., Кагаловский Г.М., Сметанин А.Г. и др. Опыт использования устройства цифровой записи рентгенотелевизионных изображений БРИЗ-2 в бронхопульмонологии // Вестник рентгенологии и радиологии.-1995.- № 2.- С. 52-59.

36. Королюк И.П., Володин В.М. Медицинское изображение: эффективный выбор в клинической практике // Вестник рентгенологии. -1990.-№5.- С. 13.

37. Королюк И.П. Компьютерная система по оптимальному выбору методов лучевой диагностики // Вестник рентгенологии. -1992.- №1.- С.14.15.

38. Кадач А.В. Свойства кодов Хаффмана и эффективные методы декодирования префиксных кодов. — Новосибирск: Изд-во РАН, 1997. — 348 с.

39. Кучеренко К. И., Очин Е. Ф. — Зарубежная радиоэлектроника, 1986, № 6, с.50—61.

40. Максимов И.А., Савинкин Ю.Н., Лебедев А.В. Гастроскопия в морфологической верификации рака желудка // Советская медицина. -1988.-№11.-С. 78-81.

41. Мерабишвили В.М., Океанов А.Е. Развитие в СССР автоматизированных информационных систем онкологической службы // Автоматизированные информационные системы в онкологии.: Тез. докл. Всесоюзн. симп. -Бишкек, 1991.- С. 12-15.

42. Мюррей Д., Ван Райпер У. Энциклопедия форматов графических файлов: пер. с англ. Киев: Издательская группа BHV, 1997. - 672 с.

43. Мастрюков Д. Сжатие по Хаффмену// "Монитор", NN 7-8, 1993.

44. Нечипай A.M. Роль эндоскопических исследований в диагностике предопухолевых патологий желудка и формирование групп риска: Дисс. .канд. мед. наук. -М., 1987.- 182 с.

45. Никитин О.Р., Агеев А.В. Обработка изображений для последующей сегментации. Проектирование и технология электронных средств №4, 2003. с. 55-59.

46. Павлов К.А., Назаренко В.П. Возможности оптимизации методов исследований при профилактических осмотрах // Вопросы онкологии -1984.-№5.-С. 8-12.

47. Павлов К.А. Возможности эндоскопии для ранней диагностики и выявления злокачественных опухолей // Ранняя диагностика злокачественных новообразований: Тез. докл. Всесоюзн. конф. -Ленинград, 1983.- С. 59-63.

48. Прэтт У. Цифровая обработка изображений: Пер. с англ. / Под ред. Д. С. Лебедева.—М.: Мир, 1982.

49. Рентгенотехника. Клюева В.В. Справочник: В 2 кн -М.: Машиностроение, 1980. Кн. 1.-431 с.

50. Савельев B.C., Буянов В.М., Лукомский Г.И. Руководство по клинической эндоскопии. -М.: Медицина, 1985.- 543 с.

51. Семиглазов В.Ф. Ранняя диагностика опухолей молочной железы. -Л.: Медицина, 1989.- 183 с.

52. Середа С.Н. Система автоматизированной обработки, анализа и хранения маммографических снимков: Дисс. .канд. техн. наук. -Владимир, 2000.153 с.

53. Странадко Е.Ф., Александрова Л.А., Осмоловский М.М. Медицинские и экономические аспекты применения ЭВМ в онкологическом скрининге // Советская медицина. -1986.- № 8.- С. 67-70.

54. Суворова Г. П., Семенов С. И. Графическая база данных // Системы, методы обработки и анализа данных / Под ред. С.С. Садыкова Ташкент: НПО Кибернетика АН РУз, 1997.- С. 180-182.

55. Садыков С. С, Самандаров И. Р. — Зарубежная радиоэлектроника, 1985, № 11, с. 30—37.

56. Стокхэм мл. Обработка изображений в контексте модели зрения/ЛГИИЭР. -1972. -T.60,N 7.- С.93-108.

57. Стокхэм Т. мл., Кэннон Т.М., Ингебретсен Б.Б. Цифровое восстановление сигналов посредством неопределенной инверсной свертки // ТИИЭР. -1975. Т.63, N 4. - С. 160-177.

58. Смирнов,. Ресурсы PC: наиболее полное руководство.

59. Технические средства рентгенодиагностики: Переслегина И.А Сб. статей -М.: Медицина, 1981.- 376 с.

60. Технические средства медицинской интроскопии Леонова Б.И. . Сб. статей, -М.: Медицина, 1989.- 304 с.

61. Тихонов В.И. Автоматизированная система для обработки информации в НИИ онкологии // Автоматизированные информационные системы в онкологии.: Тез. докл. Всесоюз. симп. -Бишкек, 1991.- С. 19-21.

62. Теплинский В., Марк Стори. ТЕЛЕМЕДИЦИНА INTERNET, opyright © 1997, Январь 1997.

63. Теплинский В. ТЕЛЕМЕДИЦИНА АМСЗ, Copyright © 1997, Февраль, 1997.

64. Уэбб С. Физика визуализации изображений в медицине: Пер. с англ. -М.: Мир, 1991.- 552 с.

65. Франк Г.А., Белоус Т.А., Чиссов В.И. Морфологические особенности полипов желудка // Клиническая хирургия. -1986.- № 5. -С. 12-14.

66. Уэбба С. Физика визуализации изображений в медицине: в 2-х томах. Т. 2: Пер. С англ. /-М.: Мир, 1991.-408 е., ил.

67. Фукунага К. Введение в статистическую теорию распознавания образов, М.: Наука, 1979.

68. Цветкова Т.Л., Филинов В.Н. Комплексная автоматизация деятельности онкологической службы // Новые организационные формы противораковой борьбы.: Тез.докл. межгос. симп. -Челябинск, 1994.- С. 29.

69. Чиссов В.И., Сидоренко Ю.С., Старинский В.В. и др. Проблемы организации онкологической помощи на современном этапе / —С.-Пб.: Эскулап, 1995.- Т.41, № 2.- С. 11.

70. Чиссов В.И., Трахтенберг А.Х. Ошибки в клинической онкологии. -М.: Медицина, 1993. 176 с.

71. Ashdown L. PCX Graphics // С Users Journal, 1991, v.5, № 8. pp. 89-96.

72. Azer S. Working With PCX Files //Microcornucopia, 1988, №.42.- pp.42-52.

73. Andrews H. C.Monochrome digital image enhancement. Applied Optics, 1976.- Vol.l5,N 2.-P. 495-503.

74. Berzins V. — Computer Vision, Graphics and Image Processing, 1984, v. 27, №2, p. 195—210.

75. Boppana R. B, Rosenfeld A. — Rat-tern Recognition Letters, 1982, v. 1, № 1, p. 25—29.

76. Buhmann J, Learning and Data Clustering, pp. 1-13.

77. Buhmann J. Stochastic Algorithms for Eploratory Data Analysis: Data Clustering and Data Visualization.

78. Buhmann J, Kuhnel H. Vector Quantization with Complexity Costs. IEEE Transactions on Information Theory 1993, pp. 1133-1145.

79. Correa P. Cronic gastritis as a cancer precursos // Scand. J. Gastroenterol. -1984.-Vol. 19.-P. 131 136.

80. Charlap D. The BMP File Format: Part I // Dr. Dobb's Journal, v.20, №228, 1995.-pp. 201-212.

81. Davies L. S. — Computer Graphics and Image Processing, 1975, v. 4, № 3, pp. 248—270.89. de Albuquerque Araujo A. — Electronics Letters, 1985, v. 21, № 25—26, pp. 1219—1221.

82. Davies E. R. — In: Proc. of 7th Intern. Conf. on Pattern Recognition, 1984, p. 49—51.

83. Data Compression. White paper // Gandalf Technologies Inc., February 1995. -10 p.

84. Fu K. S., Mui J. K. —Pattern Recognition, 1981, v. 13, № 1, pp. 3—16.

85. Foglein J. — Pattern Recognition Letters, 1983, v. 1, № 5—6, p. 429—434.

86. Fischer В., Buhmann J. Data Resampling for Path Based Clustering.

87. Fraunhofer Institut fuer Integrierte Schaltungen: Jahresbericht 2002.

88. Fraunhofer Institut fuer Integrierte Schaltungen: Jahresbericht 2000.

89. Facsimil Coding Shemes and Coding Control Functions for Grup4 Facsimil Apparatuse Recommendation. The international Telegraph and Telephone Consutative Committetee (CCITT), Geneva, Switzerland, 1985.

90. Gliman M.J. Pelvic endoscopy // Progr. Gynecol. -1989.- № 6. -P. 81-109.

91. Gotoh Т., Torin Т., Yamamoto E. — In: Proc. of 7th Intern. Conference on Pattern Recognition, 1984, pp. 1098— 1100.

92. Gottlieb D., Shu C.-W., Solomonoff A., Vandeven H. On the Gibbs phenomenon I: Recovering exponential accuracy from the Fourier partial sum of a nonperiodic analytic function, J. Comput. Appl. Math., v. 43, 1992, pp. 81-92.

93. Hakulinen Т., Наката М. The effect of screening on the incidence and montarlity of cervical cancer in Finland // Nowotwory. -1985. -Vol. 35. P. 285-289.

94. Hardcastle J.D., Chir M., Pye G. Screening for colorectal cancer. A critical review // WLD J. Surg. -1989.- Vol. 13, № 1. P. 38-44.

95. Holbert E. Gastric carcinoma in patients younger than age 36 years // Cancer. -1987.- Vol. 60.- № 6. P. 1395-1399.

96. Hofmann Т., Puzicha J., Buhmann J. Unsupervised segmentation of textured images by pairwise data clustering. Proc. of IEEE Int. Conference on Image Processing, Lausanne, 1996. Vol. 3, pp. 137-140.

97. Haralick R. M. — In: Proc. SPIE, 1982, v. 336, pp. 91—99.

98. Hashimoto M, Sklansky J. — In: Proc. Intern. Conf. on Computer Vision and Pattern Recognition, 1983, pp. 318— 325.

99. HaralickR. M. —IEEE Trans, 1984, v. PAMl-6,№ l, p. 58—68.

100. Hartley R. — Computer Vision, Graphics and Image Processing, 1985, v. 30, № l,p. 70—83.

101. Hofmann T, Buhmann J. Multidimensional Scaling and Data Clustering.

102. Hofinann T, Buhmann J. Active Data Clustering. NIPS, 1997.

103. Heyden A., Sparr G., Nielsen M, Johansen P. Computer vision ECC 2002, vol. 3, pp. 577-591.112. http: // interinOl .botik.ru: 88/ ru/ docs/ MEDINFO/ HL7.HTM113. http://www.hl7.org

104. HL7 standard description http: //www.mcis.duke.edu/ standarts/ HL7/hl7.htm

105. Hall Ch.F., Hall E.L. A nonlinear model for the spatial characte-ristics of the human visual systems. IEEE Trans. Syst. Man and Cybern. - 1977. - V.SMC-7, -P. 161-170.

106. Hamilton E. JPEG File Interchange Format. Version 1.2. San Jose: C-Cube Microsystems Inc., 1992. - 346 p.

107. ISO/IEC FCD15444-2. jpeg 2000 image coding system: extensions Jpeg 2000 part ii final committee draft,7 december 2000.

108. Jasper A., Grundmann E. Die Hantigkeit von Magenkarzinomen nach schweren Displasen- eine retrospektive Studie // Vern. Dtsch. Ges. Pathol. -1984.-Bd. 68. -S. 365.

109. Jeffs B.D., Gunsay M. Restoration of blurred star field images by maximally sparse optimization // IEEE Transaction on image processing. -1993. Vol. 2, № 2. - P. 202-211.

110. Jensen O.M., Storm H.H. Cancer registration: principles and methods. Reporting of results // IARC-Sci-Publ. -1991. № 95.- P. 108-125.

111. Kumazaki Т., Ringertz H. Дигитальная радиология // Общее руководство по радиологии: Пер. с англ. / Под ред. Н Petterson. -М.: РА "Спас", 1996.- С. 101-115.

112. Kundu A., Zhou J. Combination median filter // IEEE Transaction on image processing. -1992.-Vol. 1, № 3. P. 422-428.

113. Kittler J., Illingworth J., Paler K. — Pattern Recognition, 1983, v. 16, № 6, p. 607 —613.

114. Kittler J. — Image and Vision Computing, 1983, v. 1, № 1, p. 37—42.

115. Levialdi S. — In: Digital Image Processing Ed. by J. C. Simon, R. M. Haralick. — D. Reidel Publishing Company, 1981, pp. 105—148.

116. Lee J. S. —Computer Vision, Graphics and Image Processing, 1983, v. 24, № 2, pp. 255—269.

117. Lunscher W. H. H. J. — IEEE Trans, 1983, v. PAMI-5, № 6, pp. 678—680.

118. Lunscher W. H. H. J, Beddoes M. P.— IEEE Trans, 1986, v. PAMI-8, №2, pp. 164—188.

119. Lunscher W. H. H. J, Beddoes M. P.—, IEEE Trans, 1986, v. SMC-16, № 2 pp. 304—312.

120. Lynch T.D. Data Compression Technigues and Applications. — Belmont: Lifetime Learning Publications, 1985. — 478 p.

121. Luse M.D. BMP File Format // Dr. Dobb's Journal, v.9, № 219, 1994. -pp. 18-22.

122. Marr D., Hildreth E.-In: Proc. Royal Soc. London, 1980, B-207, pp.187—217.

123. Marcellin M.W., Gormish M.J., Bilgin A., Boliek M.P. An Overview of JPEG-2000. Proc. of IEEE Data Compression Conference, pp. 523-541, 2000.

124. Montgomery B. LZW Compression Used to Encod/Decod a GIF File. — New York: Manuscript Inc., 1988. 240 p.

125. Modestino J. W, Fries R. W. —Computer Graphics and Image Processing, 1977, v. 6, №5, pp. 409—433.

126. Morgenthaler D. G. — Computer Graphics and Image Processing, 1981,

127. Nathan T. An atlas of normal and abnormal mammograms -Oxford: Oxford Univ. Press, 1982. 118 p.

128. Nelson, Mark R., The Data Compression Book, M&T Book, Redwood City, 1991.

129. Pavlldls T. Algorithms for Graphics and Image Processing. —N. Y.: Springer, 1982.

130. Peli Т., Malah D.-Computer Graphics and Image Processing, 1982, v. 20, № 1,

131. Puzicha J, Held M, Ketterer J, Buhmann J, Fellner D. On Spatial Quantization of Color Images. Technical Report LAI-TR-98-1, University of Bonn, 1998.

132. Puzicha J, Hofmann Т., Buhmann J. Histogram Clustering for Unsupervised Image Segmentation.

133. Puzicha J, Hofmann T, Buhmann J. Histogram Clustering for Unsupervised Image Segmentation and Image Retrieval. 1999.

134. Pratt W.K. Generalized Wiener Filter Computation Techniques. IEEE Trans. Computers. 1972. - V.C-21, N 7. - P. 636-641.

135. Pratt W.K. Digital Image Processing.- New York: J. Wiley, 1978. 750 p.

136. Rzempoluch J., Beercharz A., Wolf A. Laparoscopy in clinical practice // Gynecol. Pol. -1993. № 64. - P. 179-85.

137. Rosenfeld А., Как S. — Digital Picture Processing. — N. Y.: Academic Press, 1982.

138. Robinson G. S. — Computer Graphics and Image Processing, 1977, v. 6, № 5, pp. 492—501.

139. Rosenfeld A.—IEEE Trans, 1981, v. PAMI-3, № l,p. 101—103.

140. Roth V, Lange T, Braun M, Buhmann J. A Resampling Approach to Cluster Validation.

141. Shiftman S., Shortliffe E.H. Biomedical imaging the evolution of medical informatics // Computing medical imaging and graphics. -1996. Vol. 20, № 4. -P. 189-192.

142. Storer J.A., Szymanski T.G. Data Compression via Textual Substitution // Journal ACM, v. 29, №4, 1982. pp. 928-951.

143. Torre V, Poggio T. — IEEE Trans, 1986, v. PAMI-8, •№ 2, p. 147—163.

144. Tabatabai A. J. Mitehell 0. R. — IEEE Trans, 1984, v. PAMI-6, № 2, p. 188— 201.

145. TIFF Revision 6.0, Final - Aldus Corporation Developer's Desk, 1992 - 368 p

146. TIFF Developer's Manual Greeley: Hewlett-Packard Company, 1988- 246 p.

147. Wojcik Z. M. — Pattern Recognition, 1985, v. 18, № 5, pp. 299—326.

148. Will S., Hermes S., Buhmann J., Puzicha J. On learning texture edge detectors. Proc. ICIP, 2000, pp. 877-880.

149. Wang D. C., Vangnucci A. H., Li С. C. — Computer Graphics and Image Processing, 1981, v. 15, №2, pp. 167—181.

150. Williams R. Adaptive Data Compression, Kluwer Boston, MAr 1990,pp.30-44.

151. Welch Т. A. Technique for High-Performance Data Compression // Computer, v. 17, №6, 1984. pp. 368-376.

152. Wallace G.K. "The JPEG still picture compression standard" // Communication of ACM. Volume 34. Number 4 April 1991.

153. Zvika M., Dagan I., Buhmann J., Shamir E. Coupled Clustering: A Method for Detecting Structural Correspedence. Journal of Machine Learning Research 3 (2002), pp. 747-780.

154. J.Ziv and A.Lempel. A universal algorithm for sequential data compression. IEEE Transactions on Information Theory. Vol. IT-23, N.3, May 1977.

155. Ziv J., Lempel A. Compression of individual Sequences via Variable-Rate Coding // IEEE Transsaction on Information Theory, v.24, №5, 1978. — pp. 978988.1. УТВЕРЖДАЮ1. ШШт*0?ВлГУ