автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.11, диссертация на тему:Математические и программные средства обработки рентгенографических медицинских изображений

На правах рукописи

Чернухин Никита Андреевич

МАТЕМАТИЧЕСКИЕ И ПРОГРАММНЫЕ СРЕДСТВА ОБРАБОТКИ РЕНТГЕНОГРАФИЧЕСКИХ МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ

Специальность: 05.13.11 — «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей»

Автореферат

диссертации на соискание учёной степени кандидата технических наук

005557026

Ростов-на-Дону - 2014

005557026

Работа выполнена в ФГАОУ ВПО «Южный федеральный университет», г. Ростов-на-Дону.

Научный руководитель: доктор физико-математических наук, профессор Пилиди Владимир Ставрович

Официальные оппоненты:

Ромм Яков Евсеевич, доктор технических наук, профессор, Таганрогский институт имени А. П. Чехова (филиал) федерального государственного бюджетного образовательного учреждения высшего профессионального образовательного «Ростовский государственный экономический университет (РИНХ)», заведующий кафедрой Информатики

Балакин Александр Владимирович, кандидат технических наук, доцент, ООО «Стэл ЮГ», главный инженер

Ведущая организация: ФГВОУ ВПО «Воронежский государственный университет», г. Воронеж

Защита состоится «21» ноября 2014 г. в 16:20 на заседании диссертационного совета Д 212.208.24 при Южном федеральном университете по адресу: г. Таганрог, ул. Чехова, 2, корп. «И», комн. 347.

С диссертацией можно ознакомиться в зональной научной библиотеке ЮФУ по адресу: г. Ростов-на-Дону, ул. Зорге 21 ж, и на сайте http://hub.sfedu.ru/diss/

Автореферат

г

J .:■. .V-

Ученый

диссерта ij&fiften^. совета

■ .-'Я

[бря 2014

Кухаренко Анатолий Павлович

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы.

Цифровая обработка изображений с момента своего возникновения заняла твердые позиции в прикладной математике и на сегодняшний день является весьма востребованным её разделом. Методы цифровой обработки изображений применяются повсеместно: в робототехнике, системах видеонаблюдения, медицинских системах, системах контроля качества и других.

Постоянное совершенствование технической аппаратной базы позволяет, с одной стороны, получать и хранить изображения все больших размеров и качества. С другой стороны, непрерывный рост производительности вычислительных систем и повсеместное внедрение многопроцессорных машин позволяют применять все более мощные и сложные способы обработки изображений и видео без риска неприемлемого снижения производительности.

Обработка медицинских изображений, в свою очередь, является одним из наиболее актуальных направлений цифровой обработки изображений. В условиях постоянного развития медицины, методов терапии и диагностики, использующих современные технические достижения, спрос на аппаратные и программные средства медицинской визуализации постоянно возрастает.

Новые средства диагностики, такие как компьютерная, магнитно-резонансная и позитрон-эмиссионная томография в настоящее время вообще неотделимы от компьютерных методов представления и обработки результатов.

Рентгенография, и, в частности, проекционная рентгенография, также активно использует методы цифровой обработки изображений. Появление электронных рентгеновских аппаратов и сканеров пленок позволяет использовать эти методы повсеместно.

Вместе с тем, в силу относительной простоты получаемых изображений, а также благодаря тому, что основные методы рентгеновской диагностики были разработаны довольно давно, зачастую использование компьютерных средств ограничивается визуализацией изображения на экране без каких-либо автоматизированных средств их обработки или анализа. Обзор программных продуктов медицинской визуализации показывает, что способы работы с рентгенографическими изображениями ограничены в лучшем случае инструментами ручных количественных измерений и не предполагают применения современных средств обработки изображений. Кроме того, зачастую, во многих лечебных учреждениях в России используется устаревшее материально-техническое обеспечение, что приводит к тому, что диагностика осуществляется «обычными» методами, при помощи пленочных аппаратов. \

Роль рентгенографической диагностики, однако, остаётся существенной, что, в частности, обусловлено повсеместным распространением рентгеновских аппаратов. Рентгенография также обладает некоторыми преимуществами по сравнению с более «тяжеловесными» средствами диагностики и зачастую является наиболее простым и надежным средством.

В настоящее время в лечебных учреждениях России на регулярной основе проводится ряд исследований с использованием проективной рентгенографии. При этом массовый поток изображений, подлежащих анализу, обрабатывается специалистами вручную, что занимает существенное время и создает высокую нагрузку на рентгеновские кабинеты.

С учетом сказанного, представляется весьма актуальной разработка методов и программных средств массовой интерактивной обработки цифровых рентгеновских снимков.

' Объектом исследования являются математические и программные средства цифровой обработки медицинских изображений.

Целью настоящей работы является повышение эффективности диагностического процесса при диагностике и профилактике различных заболеваний у населения.

Общая научная задача исследования состоит в разработке методов и средств автоматизированной диагностики по медицинским рентгенограммам, обеспечивающих уменьшение количества рентгенограмм, обрабатываемых вручную при заданных исходных данных о диагностических критериях и допустимой доле ложно-отрицательных результатов. Научная новизна

Наиболее существенные положения, выдвигаемые для защиты

1. Существующие математические методы обработки цифровых изображений не учитывают особенности медицинских цифровых рентгенограмм и не дают приемлемого для диагностики качества детектирования и выделения границ. Дальнейшее развитие таких методов в целях повышения качества обработки имеет существенное практическое значение для повышения эффективности диагностического процесса.

2. Использование предлагаемых в работе методов обнаружения объектов, уточнения их границ и автоматизированной проверки диагностических критериев при их программной реализации позволяет существенно (в эксперименте с конкретным критерием — до 90%) уменьшить количество рентгенограмм, требующих внимания специалиста и ручной обработки.

Наиболее существенные новые научные результаты, выдвигаемые для защиты:

1. Метод детектирования объектов на медицинских рентгенограммах, отличающийся от известных учётом точного направления вектора градиента интенсивности изображения при минимизации расстояния от шаблона искомого объекта до границ, обнаруженных па изображении.

2. Новый метод фильтрации градиентного препарата изображения, использующий сведения о приблизительном местоположении целевого объекта, полученные на этапе детектирования.

3. Метод уточнения границ объекта на базе известного метода активных контуров, отличающийся использованием сведений о приблизительном местоположении целевого объекта для подавления границ посторонних объектов.

4. Модель диагностического критерия, отличающаяся формализованным описанием диагностического критерия как предиката над множеством относительных расстояний между ключевыми точками на рентгенограмме.

5. Программный комплекс медицинской визуализации, реализующий предложенные методы, отличающийся наличием процедур автоматического контроля качества вводимого шаблона и его корректировки.

Апробация работы. Основные положения работы прошли обсуждение на научных семинарах механико-математического факультета (июль 2013, март 2014) и НИИ многопроцессорных вычислительных систем (июль 2013) Южного федерального университета. Результаты работы представлялись на следующих конференциях: Научно-методическая конференция «Современные информационные технологии в образовании: Южный федеральный округ» (Южный федеральный университет, г. Ростов-на-Дону, 15-16 апреля 2010 г.), X Всероссийская научная конференция молодых ученых, аспирантов и студентов «Информационные технологии, системный анализ и управление» (Южный федеральный университет, г. Таганрог, январь 2013 г.), XX научная конференция «Современные информационные технологии: тенденции и перспективы развития» (Южный федеральный университет, г. Ростов-на-Дону, 24-26 апреля 2013 г.), 9th International Conference on Computer Science and Information Technologies (CSIT-2013), (НИИ информатики и проблем автоматизации HAH Армении, г. Ереван, Армения, 23-27 сентября 2013 г.), V Международная научно-практическая конференция «Актуальные проблемы биологии, нанотехнологий и медицины» (Южный федеральный университет, г. Ростов-на-Дону, 3-5 октября 2013 г.).

Методы исследований. При проведении исследований были использованы экспериментальные и теоретические методы цифровой обработки изображений.

Достоверность полученных результатов, работоспособность разработанных методов и алгоритмов подтверждается непротиворечивостью математических выкладок, экспериментами, проведенными при помощи программной модели, практическим внедрением результатов работы, апробацией научных результатов на международных, российских и региональных конференциях и научных семинарах.

Практическая значимость. Разработанные методы позволяют осуществлять автоматизированный анализ рентгенографических медицинских снимков. Созданный на основе новых методов программный комплекс предлагает инструментарий для автоматизированного анализа, отсутствующий в существующих системах.

Режим массовой обработки, представленный в программном комплексе, позволяет автоматизировать и существенно ускорить процесс предварительного анализа изображений в условиях большого потока диагностических исследований.

Режим индивидуальной обработки изображений позволяет частично автоматизировать процесс индивидуальной диагностики и уменьшить влияние ошибок оператора на её результат. В данном режиме предусмотрены способы осуществления точного количественного анализа рентгеновского изображения.

Результаты настоящего исследования использованы в работе МБУЗ «Городская больница скорой медицинской помощи», г. Таганрог, а также в учебном процессе ФГАОУ ВПО «Южный федеральный университет», что подтверждается соответствующими актами об использовании, приведенными в приложении к диссертации.

Структура и объём диссертации. Диссертация состоит из введения, четырёх глав, заключения, списка использованных источников из 103 наименований и приложения. Основная часть работы изложена на 164 страницах и включает 24 рисунка.

Автор выражает глубокую признательность своему научному руководителю доктору физико-математических наук, профессору В. С. Пилиди, а также людям, оказывавшим содействие и консультации при проведении настоящего исследования: доктору медицинских наук, профессору М. В. Бабаеву, заведующему кафедрой лучевой диагностики и лучевой терапии РостГМУ, И. А. Бу-шуеву, заведующему рентгеновским отделением МБУЗ «Городская больница скорой медицинской помощи», А. Л. Минкину, врачу хирургического отделения №2 МБУЗ «Детская городская больница».

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении изложены актуальность темы диссертации, цель и задачи исследования, научная новизна, практическая ценность, основные научные положения, выносимые на защиту.

В первой главе обсуждается распространенность заболеваний коленного сустава и важность рентгенографической диагностики для их профилактики и лечения. Проведен сравнительный анализ существующих программных средств обработки медицинской графической информации.

Распространённость заболеваний суставов в России и в мире чрезвычайно высока. Такие заболевания зачастую приводят к нетрудоспособности. На сегодняшний день в России действует ряд распоряжений, направленных на своевременную диагностику и профилактику таких заболеваний. В этом процессе рентгенология играет ключевую роль. В связи с этим возникает серьезная нагрузка на рентгенографические кабинеты. В этих условиях массовая автоматизированная обработка рентгеновских снимков позволяет ускорить процесс обработки большого потока поступающего диагностического материала.

Средства программной обработки медицинской графической информации представлены широким спектром продуктов имеющих различную сложность, функциональные возможности и направленности. Отдельный интерес представляют универсальные программные системы не связанные с конкретным аппаратным обеспечением. Существуют программные комплексы, работающие под управлением различных операционных систем.

В диссертации подробно рассматриваются существующие программные комплексы OsiriX, Radiant DICOM Viewer и Gimias, ориентированные на обработку медицинских изображений, полученных при помощи различных средств диагностики. Анализируется их свойства и отличительные особенности, поддерживаемые форматы изображений, применимость к различным типам медицинских иследований, набор инструментов для количестственного и качественного анализа изображений, поддерживаемые операционные системы, тип лицензии.

Также кратко рассматриваются прочие системы визуализации медицинской графической информации: Synedra, Amide, UniPACS DICOM viewer, OSIRIS, Dicom-Works, Xebra, FP Image, K-PACS, Blox, MRIcro. Делается вывод об отсутствии программных средств, позволяющих осуществлять массовую обработку медицинских рентгенограмм.

Обработка медицинских цифровых изображений на протяжении последних десятилетий является объектом пристального внимания исследователей. Основным стимулом для исследований в области медицинской визуализации является, повсеместное распространение современных высокотехнологичных средств

диагностики, дающих цифровое представление исследуемых объектов в высоком качестве и с большой информативностью. Подавляющее большинство исследований последних десятилетий сосредоточены на современных способах диагностики, а традиционные средства, в частности, проективная рентгенография, оказываются обойдены вниманием.

Основная часть исследований посвящена адаптации существующих универсальных методов к конкретному типу медицинских изображений.

Общим недостатком многих методов выделения границ является представление границы объекта в виде неупорядоченного множества точек изображения. Такое представление границы позволяет осуществлять сегментацию изображения и оценивать площадь целевых объектов, однако совершенно непригодно для оценки степени деформации на определенных участках границы. Кроме того, многие диагностические критерии проективной рентгенографии строятся на оценке отношений расстояний между ключевыми точками границы объекта, что требует не просто нахождения границы, но и точного позиционирования таких точек на ней.

Методы, строящиеся на базе метода активных контуров, которые возвращают результирующую границу в виде упорядоченной последовательности точек, обладают существенными недостатками. Позиционирование активного контура осуществляется исключительно на основании количественных характеристик в различных точках изображения, что в случае близкого расположения границ смежных объектов (или даже проекционного наложения в случае рентгенографии) зачастую не позволяет гарантировать к границе какого объекта будет стремиться активный контур. При этом ситуация проекционного наложения объектов, а также близкого, вплоть до параллельности, следования границами двух объектов друг другу совершенно типична для изображений проективной рентгенографии. Для устранения этой проблемы приходится точно позиционировать начальное положение активного контура, что уменьшает ценность такого подхода.

Использование методов, основанных на статистических моделях применительно к проективной рентгенографии является избыточным из-за необходимости обучения модели на обширной выборке учебных изображений. Класс рентгенографических изображений характеризуется регулярностью присутствующих на них объектов. Уверенное обнаружение объектов на таких снимках вполне может быть достигнуто с использованием единственного эталона, представляющего объект в его медицинской и анатомической норме.

Обучение статистической модели в рамках методов активных моделей приводит к выработке внутреннего, относительно модели, представления диагностических критериев, которое не поддаётся непосредственной регуляции опера-

тором и не допускает явного декларативного указания диагностических критериев.

Таким образом, тема развития цифровой обработки рентгенографических снимков представляется весьма актуальной, поскольку существующие математические методы либо непригодны для точного анализа рентгенографических снимков, либо допускают улучшения за счёт учёта специфики таких изображений, а также за счёт использования априорных сведений и теоретической базы рентгенологии.

В конце первой главы сформулирована общая научная задача исследования. Входными данными для метода является набор целевых изображений: цифровых рентгенограмм. Обозначим этот набор Х1, Х^,..., Хп. Относительного этого набора предполагается, что некоторые из них содержат признаки заболевания и требуют особого внимания специалиста. Предполагается, что существует диагностический критерий Р, позволяющий выявлять содержащиеся в Х1 признаки заболевания, так что Р(Х{) = 1, если Xi имеет признаки заболевания. Пусть Т — допустимая доля ложно-отрицательных результатов при проверке критерия Р.

Тогда общую задачу исследования можно выразить следующим образом: требуется разработать методику, позволяющую при данном наборе входных изображений Х\,Хч,... ,Хп уменьшить количество С изображений, требующих ручной обработки при заданном диагностическом критерии Р и допустимой доле ложно-отрицательных результатов Т:

С(Х1,Х2,...,Хп,Р,Т)—> тт. (1)

Вторая глава диссертации посвящена разработке методов обнаружения объектов и уточнения их границ на рентгенографических медицинских изображениях.

Каждый элемент скелета человека, даже в рамках конкретной возрастной, половой и конституциональной группы, может, сохраняя пропорции, иметь различные размеры, что обусловлено индивидуальными особенностями развития. Данный факт, а также специфика метода получения рентгеновского изображения, приводят к тому, что в рентгенографии крайне редко идет речь о масштабе изображения, а методы рентгенографической диагностики в подавляющем большинстве случаев не предполагают оценки абсолютных расстояний на изображении. Вместо этого прибегают к сравнению целевых расстояний с размерами соседних элементов, составляющих рентгенографическую проекцию.

Сложившаяся методология рентгенографической диагностики оперирует критериями, строящимися в том числе на относительных расстояниях между

определенными элементами изображений. Такие критерии могут быть формализованы как предикаты над множеством значений таких расстояний.

Таким образом, при разработке методов, предлагаемых в настоящей работе учитывались следующие соображения:

• Для каждого входного изображения, соответствующего единичному рентгенографическому исследованию, осуществляется его предварительная обработка и морфологический анализ. Обнаруживаются все целевые объекты на изображении.

• Для каждого целевого объекта на изображении осуществляется определение его границ.

• На границах объектов осуществляется обнаружение ключевых точек, специфичных для данного типа рентгенографической проекции, а также, возможно, для заданного диагностического контекста.

• Осуществляется проверка диагностических критериев, заданных как предикаты над множеством относительного расположения ключевых точек.

Наиболее информативной составляющей рентгенографического изображения являются границы объектов. Предполагается, что на границах объектов будет иметь место перепад интенсивности изображения. Для выделения перепадов интенсивности входное изображение подвергается ряду преобразований. Вначале исходное изображение подвергается обработке фильтром Гаусса. Применение гауссовского фильтра сглаживает перепады интенсивности и частично устраняет шумы, присутствующие на изображении. Для обнаружения перепадов используются дифференциальные операторы Собеля и Шарра. Результат работы дифференциальных операторов называется градиентным препаратом и сохраняется для дальнейшего использования. После этого для получения «тонких границ» к градиентному препарату применяется детектор Кении.

После выполнения указанных преобразований строится карта границ изображения, путем применения порогового преобразования к результату работы детектора Кении.

В качестве носителя априорных сведений об искомом объекте в настоящей работе предлагается шаблон, представляющий собой контур, приближающий границу объекта. Форматирование шаблона осуществляется однократно для каждого типа искомого объекта вручную экспертом на основании изображения, представляющего целевой объект в его «нормальном» состоянии. Совокупность шаблонов объектов, служащая для обработки данного типа рентгенографической проекции называется сценой.

Предложен способ детектирования объекта путем поиска такой трансформации шаблона, при которой он наилучшим образом наложится на карту границ изображения. Рассматриваются три типа трансформаций: параллельный перенос (на плоскости), поворот и масштабирование. Совокупность всевозможных трансформаций шаблона называется пространством гипотез Е:

Е = М2 х Е+ х [0; 27г).

Детектирование осуществляется путем минимизации расстояния между преобразованным шаблоном и картой границ изображения на множестве Е. В качестве меры расстояния предложена функция

й{Т, Е, Рт, Ътд) = Мд(Т, Е) + { 1 - АК(Т, Е, Ят9),

где Т — шаблон, преобразованный в соответствии с £ € Е, Е — карта границ входного изображения, ^ — поле нормалей преобразованного шаблона, — поле векторов градиента интенсивности входного изображения, А € (0; 1).

Компоненты этой выпуклой комбинации: функции ¿д и ¿а описывают соответственно геометрическую близость точек преобразованного шаблона к точкам карты границ и степень совпадения ориентации нормалей шаблона с направлениями векторов градиента в соответствующих точках изображения:

¿д(Т,Е) = — ¿ЕБТ ^Е,Тг), хп —'

г=1 1 п 7Г Т1

1=1

Здесь ЕОТт(£', Тг) — расстояние от г-й точки шаблона Т* до ближайшей точки карты границ Е, ограниченное сверху числом т; У{Е,Т.¡) — точка Е, ближайшая к ра(х,у) — точное угловое расстояние между векторами х и у, принимающее значение от 0 до тт.

Для минимизации функции в, предлагается осуществлять ограничение множества Е, основанное на соображениях правдоподобия для рентгенографических снимков. На полученном подмножестве строится сетка Но. Алгоритм минимизации сводится к вычислению значений в узлах сетки и построению более плотной сетки вокруг найденного на данной итерации минимума (см. рис. 1).

Для ускорения вычисления функции й разработана процедура упрощения исходного шаблона, в ходе которой исключаются точки, лежащие на относи-

Рисунок 1: Алгоритм минимизации расстояния

тельно прямолинейных участках и, как следствие, несущие меньший вклад в форму объекта.

Для уточнения границ объекта применяется подход активных контуров. В силу особенностей расположения объектов на рентгенографических медицин-

ских изображениях (близкое расположение отдельных объектов, параллельность их границ, проективное наложение одного объекта па другой) применение активных контуров в чистом виде представляется затруднительным.

Для устранения недостатков метода активных контуров разработана новая процедура фильтрации градиентного препарата, осуществляющая подавление перепадов интенсивности изображения, не относящихся к искомому объекту.

Фильтрация осуществляется отдельно для каждого целевого объекта, присутствующего на изображении. При этом используется результат этапа детектирования, т. е. гипотеза

Предлагаемая процедура фильтрации градиентного препарата основана на трех предположениях:

• вероятность нахождения границы целевого объекта в данной точке тем выше, чем больше модуль градиента изображения в данной точке;

• вероятность нахождения границы целевого объекта в данной точке уменьшается с удалением точки от шаблона, позиционированного на этапе детектирования;

• вероятность нахождения границы целевого объекта в данной точке тем ниже, чем больше разница между направлением градиента изображения в данной точке и направлением, связанным с ближайшей точкой преобразованного шаблона.

В каждой точке ы = (г,]), лежащей внутри целевого изображения, производится вычисление функции ц:

/хН = цо ехр(0(-ЕБТт(Г, ш) + У(Т, и)))),

Т 7Г

где ц0 и в — коэффициенты, подбираемые вручную при калибровке метода, Т — шаблон, преобразованный в соответствии с гипотезой

Каждая точка градиентного препарата сравнивается со значением /л в соответствующей точке изображения. Если градиентный препарат в данной точке имеет модуль, меньший ¡л(ш), его значение устанавливается в 0. Данная процедура позволяет эффективно подавлять контуры посторонних объектов, оставляя лишь перепады, имеющие отношение к рассматриваему объекту. За счет того, что ра учитывает точное угловое расстояние между векторами, становится возможно подавлять посторонние контуры, даже если они располагаются геометрически близко к целевым и следуют им параллельно.

Пространство признаков для проверки диагностических критериев строится следующим образом. После этапа уточнения границ имеется набор контуров,

приближающих границы целевых объектов на изображении. Для каждого такого контура вычисляется среднее расстояние от его центра масс до всех его точек. Это расстояние в дальнейшем используется как единица измерения для любых расстояний между точками объектов. Измеренные таким способом расстояния называются относительными расстояниями. При построении шаблона выбираются несколько точек, относительные расстояния между которыми участвуют в построении диагностических критериев.

Предложена формализованная модель диагностических критериев. Диагностические критерии формируются как предикаты над множеством выбранных относительных расстояний. Пусть {si, S2, • • ■, sm} — множество относительных расстояний, вычисленных после уточнения границ. Используются следующие предикаты:

• P\{i,a) = {s¿ > a}: г-е относительное расстояние не менее о.

• P2{i,a) = {s¿ < a}: i-e относительное расстояние не превосходит а.

• Рз(г,а, b) = {|s¿ — а| < 6}: i-e относительное расстояние отклоняется от а не более, чем на Ь.

• P¡i{i,j,a) = {|s¿ — Sj| < а}: г-е относительное расстояние отклоняется от j-ro относительного расстояния не более, чем на а.

• P¡(hjja) = {|(s¿)/(sj')l > а}: отношение г-го относительного расстояния к j-му более а.

• P%{i,j,a) = {|(s¿)/(sj)| < а}: отношение г-го относительного расстояния к j-му менее а.

Результат применения логических операций над предикатами также является предикатом и, следовательно, может быть использован в качестве диагностического критерия. Благодаря этому становится возможным конструирование более сложных предикатов, путём объединения элементарных предикатов логическими операциями конъюнкции, дизъюнкции и отрицания.

Третья глава посвящена разработке программного комплекса, реализующего предложенные методы.

При разработке комплекса по ряду причин было принято решение разработать собственную библиотеку обработки изображений вместо использования популярной библиотеки OpenCV. Во-первых, предлагаемые в настоящей работе методы используют весьма ограниченный набор общеизвестных алгоритмов, большая часть которых не требует высокой производительности и не трудоёмка в реализации. Таким образом, в разрабатываемом приложении не требуется

вся мощь библиотеки OpenCV и её использование оказалось бы избыточным. Во-вторых, применение OpenCV обязало бы к использованию языка С++ в качестве основного языка разработки. Это связано с тем, что программные средства, обеспечивающие возможность использования OpenCV приложениях .NET разрабатываются на добровольных началах независимыми разработчиками и не поддерживаются в актуальном состоянии. При этом разработка под С++ гораздо более трудоёмка по сравнению с .NET. Использование OpenCV также обязало бы распространять вместе с приложением различные версии этой библиотеки, скомпилированные для разных архитектур ПК. Это уменьшило бы переносимость программного комплекса, увеличило бы объём дистрибутива и накладные расходы на развертывание приложения. Кроме того, так как программный комплекс разрабатывался прежде всего для использования в медицинских учреждениях, особое внимание уделялось построению удобного пользовательского интерфейса, а в этом плане платформа .NET предоставляет обширнейшие возможности при относительной простоте разработки.

Библиотека FIPL написана на языке С# под платформу .NET. Библиотека содержит основные конструкции, связанные с обработкой изображений и используемые в данной работе алгоритмы.

Библиотека состоит из восьми сборок, содержащих различные аспекты реализации: структуры данных и алгоритмы, юнит-тестирование, элементы пользовательского интерфейса для Windows Forms и GTK, тестовые приложения.

Структуры данных построены таким образом, чтобы макималыю естественно соответствовать терминологии, принятой в обработке изображении. Библиотека строится в соответствии с парадигмой SOLID. Применяется принцип инверсии зависимостей, что предполагает наличие разветвленной структуры интерфейсов. Широко эксплуатируется шаблон проектирования «примесь». Также повсеместно используются отложенные вычисления.

В библиотеке абстрагируются такие понятия обработки изображений, как изображение, индекс изображения, шаблон соседства, множество пикселей и некоторые другие.

Реализованы сверточные фильтры, в том числе, применяемые для вычисления градиента изображения. Реализован детектор Кении. Присутствует алгоритм для одновременного вычисления преобразования евклидовых расстояний и диаграммы Вороного. Присутствуют структуры, представляющие контуры и реализующие трансформации контуров. Также в библиотеке реализован алгоритм «жадных змей», используемый для работы метода активных контуров. Для визуализации контуров предусмотрены средства рисования на изображениях, включая семейство алгоритмов Брезенхема и кривых Безье.

Библиотека FIPL предоставляет средства для загрузки изображений из файлов стандартных графических форматов, экспорта и сериализации изображений, в том числе во внутреннем представлнеии. Реализованы элементы интерфейса, позволяющие быстро отображать изображения, представленные во внутреннем формате FIPL в приложениях Windows Forms. Поддерживается отображение изображений с элементами различных типов, в том числе с вещественными векторными значениями.

Так как на момент разработки библиотеки текущий релиз платформы .NET не располагал собственными средствами поддержки параллельных вычислений, в библиотеку FIPL был включен модуль для параллельных вычислений. Прообразом программного интерфейса модуля параллельных вычислений послужил протокол MPI. Разработанный модуль не следует протоколу в точности и не поддерживает все его возможности, но сохраняет основную идею протокола — обмен сообщениями между участками программы, выполняемыми на различных процессорах. Виртуальные процессоры эмулируются потоками операционной системы. Строго говоря, распределение потоков между процессорами осуществляется операционной системой в процессе балансировки нагрузки, и библиотека не контролирует этот процесс. На практике оказывается, что при количестве виртуальных процессоров, совпадающем с количеством физических, операционная система успешно равномерно распределяет нагрузку между процессорами.

На основании новых методов, предложенных во второй главе, построен комплекс XRIDA, реализующий все предложенные в работе методы. Этот комплекс состоит из семи сборок, некоторые из которых используют библиотеку FIPL. Сборки содержат уровень абстракции данных, модули обработки изображений, реализующие предлагаемые методы, исполняемые приложения (основное и вспомогательные), юнит-тесты и вспомогательные классы.

Уровень абстракции данных комплекса XRIDA вынесен в отдельную сборку XRIDA.Data.dll. Все остальные сборки не зависят от подключения к базе данных и от выбора СУБД и способа доступа к данным. Вся работа с данными осуществляется через программный интерфейс сборки XRIDA.Data.dll. В качестве СУБД для XRIDA был выбран Microsoft SQL Server. Для доступа к данным в целях уменьшения объема кода используется технология ORM Entity Framework.

Комплекс поддерживает распределение нрав пользователей. В базе данных хранятся сведения о пациенте и список исследований, связанных с данным пациентом. Хранится справочник заболеваний МКБ-10, и его записи используются при постановке диагноза в конкретном исследовании.

Запись о единичном исследовании содержит описательную и резолютивную части, ссылку па пациента, тип рентгенографической проекции и исходное изображение.

Сборка XRIDA.Processing.dll является ключевым элементом программного комплекса XRIDA. В этой сборке реализованы все предлагаемые в настоящей работе алгоритмы: детектирование объектов, фильтрация градиентного препарата, упрощение шаблона, уточнение границ и другие.

Сборка XRIDA.exe представляет собой главный исполняемый файл комплекса и содержит приложение Windows Forms — основной пользовательский интерфейс.

В приложении, помимо функций, связанных с обработкой изображений, присутствуют интерфейсные решения для выполнения административных задач: управления пользователями и их правами; управление базой пациентов, журналирование событий и т. п.

Для задания шаблонов сцены для данного типа рентгенографической проекции присутствует отдельное диалоговое окно. В этом режиме пользователь может задать эталонное изображение и ввести шаблон для каждого целевого объекта.

Разработана и реализована процедура контроля качества и автокорректировки вводимого шаблона. При вводе точек проверяется отсутствие самопересечений контура, равномерное распределение этих точек. Также обеспечивается автоматический выбор точки, наиболее вероятно принадлежащей границе объекта, путем максимизации модуля градиента интенсивности изображения в небольшой окрестности точки, выбранной оператором.

Сцена представляется древовидной структурой, которая позволяет выделять и помечать структурные элементы и ключевые точки шаблонов, задавать нужные для диагностики относительные расстояния.

Создание записи об отдельном рентгенографическом обследование осуществляется посредством специального окна. В этом режиме пользователь выбирает пациента, заполняет текстовые поля обследования и загружает целевое изображение. Поддерживаются стандартные форматы графических файлов: JPEG, BMP, TIFF, PNG, GIF, a также специализированный формат DICOM. Поддержка DICOM делает систему совместимой с подавляющим числом современных аппаратных и програмных средств медицинской визуализации.

Методы автоматизированного анализа, предлагаемые в настоящей работе, представлены в программном комплексе XRIDA двумя режимами: режимом автоматизированного анализа единичного изображения, а также режимом массовой обработки.

В режиме автоматизированной обработки единичного изображения производится детектирование и уточнение границ объектов. Отображается изображение с полученными границами. Точки границ можно корректировать. Значения относительных расстояний отображаются в полях формы. Присутствует инструмент для оценки относительных расстояний между произвольными точками изображения.

Режим массовой обработки изображений предполагает выбор серии изображений, соответствующих данному типу рентгенографической проекции, из числа присутствующих в базе данных.

При массовой обработке осуществляется обнаружение объектов и выделение их границ в соответствии с выбранной сценой, а также вычисляются значение всех относительных расстояний, задаваемых данной сценой. После завершения обработки открывается окно результатов массовой обработки, в котором отображается сводка результатов по всем изображениям. При выборе отдельного изображения отображаются значения его относительных расстояний. Также отображаются статистические показатели по всем относительным расстояниям сцены. Возможен переход к выбранному исследованию.

Данный режим предоставляет возможность осуществлять фильтрацию исследований по заданным диагностическим критериям в соответствии с моделью, предложенной во второй главе. Для ввода критериев предусмотрено специальное окно, позволяющие задавать критерии в терминах предикатов над множеством относительных расстояний.

В четвертой главе диссертации приводятся результаты экспериментов, проведенных при помощи разработанного программного комплекса XRIDA, описанного в третьей главе. Приводятся результаты практического использования комплекса XRIDA для решения задач интерактивной диагностики и массовой обработки рентгеновских снимков.

В ходе первого эксперимента была осуществлена проверка работы режима интерактивной диагностики по единичному изображению. Исходная сцена строилась на основе полутонового цифрового изображения, содержащего фронтальную рентгенографическую проекцию коленного сустава в формате JPEG. В качестве целевых объектов сцены были заданы проксимальный отдел боль-шеберцовой кости и дистальный отдел бедренной кости. Было задано четыре целевых относительных расстояния.

В процессе эксперимента двадцать тестовых изображений последовательно обрабатывались системой в режиме индивидуальной обработки с указанным шаблоном. Для каждого изображения оценивались следующие параметры: качество детектирования, точность выделения границ и качество измерений по

заданным расстояниям. Подсчитывалось количество точек, требовавших корректировки.

При обработке шестнадцати изображений результат детектирования был признан удачным, т. е. местоположение, ориентация и масштаб найденных объектов субъективно соответствовал ожиданиям. Максимальное количество точек, потребовавших корректировки на этих изображениях, составило три.

Максимальное отклонение автоматически рассчитанных результатов (на изображениях с удовлетворительным результатом детектирования) составило 5%.

Второй эксперимент был проведен с целью проверки работоспособности режима массовой обработки изображений. Было рассмотрено пятьдесят рентгенографических изображений фронтальной проекции коленного сустава детей в возрасте от 4 до 6 лет.

Корректировка точек границ в этом эксперименте не проводилась. Для каждого изображения были вручную найдены целевые расстояния. Вычислялось процентное отклонение расстояний, рассчитанных системой от значений, вычисленных вручную.

Для тех изображений, для которых детектирование было осуществлено верно, ошибка составляла от 0 до 10%.

Третий эксперимент был посвяшен механизму фильтрации исследований по заданным диагностическим критериям.

Для эксперимента было отобрано пятьдесят различных изображений фронтального коленного сустава взрослого человека. Сцена содержит два заданных расстояния.

Было сформулировано две задачи для данного набора изображений:

• Выявить в наборе изображения, на которых расстояния между латеральными и медиальными мыщелками отличаются более чем на 50%.

• Выявить в наборе изображения, на которых относительное расстояние между латеральными мыщелками или относительное расстояние между медиальными мыщелками превышает заданный порог.

После окончания обработки при помощи диалогового окна формирования критериев были последовательно заданы два критерия:

• Отношение «Ь» к «М» не менее 1,5 ИЛИ Отношение «М» к «Ь» не менее 1,5.

• Значение «Ь» не менее X ИЛИ Значение «М» не менее X.

По первому критерию было получено 88% верных результатов, 4% составили ложно-отрицательные результаты и 8% — ложно-положительные.

Второй критерий проверялся при разных пороговых значениях X и также показал удовлетворительные результаты.

Пример удовлетворительных результатов детектирования приведен на рис. 2

Рисунок 2: Удовлетворительное качество детектирования

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

В процессе исследования получены следующие теоретические результаты:

1. Показано, что существующие математические средства обработки медицинских снимков не предоставляют возможности осуществлять массовую обработку медицинских рентгенограмм с точностью и производительностью достаточной для частичной автоматизации диагностического процесса. Существующие программные средства не предоставляют инструментария для осуществления массовой обработки рентгенограмм по заданным диагностическим критериям.

2. Предложен метод детектирования объектов на медицинских рентгенограммах, учитывающий особенности таких изображений. Метод позволяет осуществлять уверенное детектирование объектов в условиях близкого расположения соседних объектов и их частичного проекционного наложения.

3. Предложен новый метод фильтрации градиентного препарата изображения, позволяющий подавить перепады интенсивности изображения, не относящиеся к границам целевого объекта, что позволяет существенно повысить качество работы известного метода активных контуров для уточнения границ объекта.

4. Предложена новая формальная модель диагностических критериев, в которой критерии представлены как предикаты над множеством относительных расстояний между заданными ключевыми точками детектируемых объектов. Предложенная модель позволяет осуществлять построение и проверку сложных диагностичесих критерив путем применения к элементарным критериям логических операций и последующего вычисления значения этих предикатов с учетом обнаруженных границ объектов.

Основные практические результаты настоящей работы состоят в следующем:

1. На основании предложенных методов построен программный комплекс, реализующий новые методы.

2. С использованием построенного комплекса был поставлен ряд экспериментов, которые показали, что качество детектирования и оценки диагностических критериев является практически приемлемым, что позволяет осуществлять фильтрацию потока изображений по заданным критериям, с практически приемлемой скоростью (около 3 секунд на обработку одного снимка).

3. Программный комплекс был апробирован в лечебном учереждении МБУЗ «Городская больница скорой медицинской помощи», г. Таганрог для массовой предварительной обработки рентгенограмм. Использование комплекса позволило существенно (до 80% на некоторых критериях) сократить количество снимков, требующих внимания специалиста и ручной обработки за счет исключения снимков, на которых заданные критерии не выполнялись. Данный результат подтверждается актом об использовании, приведенным в приложении к диссертации.

Предлагаемые в работе методы могут быть использованы для построения систем интерактивной диагностики. Разработанный программный комплекс может быть рекомендован для использования в лечебных учреждениях, осуществляющих работу с массовым потоком рентгенографических изображений.

Дальнейшие исследования в данном направлении могут включать поиск более эффективного алгоритма минимизации расстояния между шаблоном и картой границ изображения, анализ возможности использования более современных алгоритмов активных контуров, усовершенствование модели диагностических критериев для поддержки более сложных предикатов, в том числе с учетом углов между заданными отрезками сцены и оценкой интенсивности изображения в отдельных частях объектов.

Все научные результаты диссертации получены автором лично.

Публикации. Основные научные результаты диссертации опубликованы в 9 научных изданиях, в составе которых 2 научных статьи [1,2] в периодических научных изданиях, рекомендуемых ВАК для публикации научных работ, отражающих основное научное содержание диссертаций, 4 работы, опубликованные в материалах региональных и всероссийских научно-технических конференций [3,5,6,8] и международных конференций [7,9]. Работа [9] была отобрана из числа трудов в [7] редакторами ассоциации Institute of Electrical and Electronics Engineers для публикации в отдельном сборнике IEEE Proceedings.

В совместной работе [1] автором получены следующие результаты: предложена мера расстояния между шаблоном и картой границ изображения, разработан метод упрощения исходного шаблона, разработан алгоритм детектирования объекта на основании исходного шаблона.

В совместной работе [3] автором диссертации предложена идея библиотеки FIPL и ее архитектура, а также выполнена реализация библиотеки.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в ведущих рецензируемых изданиях, входящих в перечень ВАК:

1. Бабаев М. В., Пилиди В. С., Чернухин Н. А. Метод детектирования объектов и выделения границ для рентгенографических медицинских изображений // Вестник компьютерных и информационных технологий. — 2012. — № 8. — С. 41-45.

2. Чернухин Н. А. Комбинированный метод детектирования границ на рентгенографических медицинских изображениях, использующий методику активных контуров [Электронный ресурс] // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ). - 2013. - № 04(088). - С. 530-544. Режим доступа: http://ej.kubagro.ru/2013/04/pdf/36.pdf.

Другие публикации:

3. Пилиди В. С., Чернухин Н. А. Библиотека обработки изображений для платформы .NET // Современные информационные технологии в образовании: Южный федеральный округ. Материалы конференции. — 2010. — С. 255-256.

4. Чернухин Н. А. О выборе метрики для детектирования объектов на рентгенографических медицинских изображениях // Труды аспирантов и соискателей Южного федерального университета. — 2012. — Т. XVII. — С. 71-75.

5. Чернухин Н. А. Разработка методов обнаружения объектов и детектирования их границ для рентгенографических медицинских изображений. // Информационные технологии, системный анализ и управление. Материалы конференции - 2012. - Т. 3. - С. 193-196.

6. Чернухин Н. А. Выделение границ объектов на рентгенограммах с использованием активных контуров и сопоставления контуров // Современные информационные технологии: тенденции и перспективы развития. — 2013. — С. 340-341.

7. Chernuhin N. A. On an approach to object recognition in X-ray medical images and interactive diagnostics process // Computer Science and Information Technologies. Conference proceedings. — 2013. — P. 185-188.

8. Чернухин H. А. О новом методе автоматического детектирования объектов и уточнения их границ на рентгенографических медицинских цифровых изображениях // Актуальные проблемы биологии, нанотехнологий и медицины. Материалы конференции. — 2013. — С. 250-251.

9. Chernuhin N. A. On an approach to object recognition in X-ray medical images and interactive diagnostics process [Электронный ресурс] // IEEE Proceedings: Computer Science and Information Technologies (CSIT). — 2013. Режим доступа: http://ieeexplore.ieee.org/xpl/login.jsp?arnumber=6710351.

Подписано в печать 15.09.2014 г. Формат 60x84/16. Бумага офсетная. Печать цифровая. Объем 1,0 уч.-изд. Тираж 150. Заказ № 9764.

Отпечатано в типографии ООО «Диапазон-Плюс». 344011, г. Ростов-на-Дону, пер. Островского, 124.