автореферат диссертации по радиотехнике и связи, 05.12.04, диссертация на тему:Разработка информационных технологий обработки и идентификации неоднородностей на изображениях с использованием нейронных сетей

(' Государственное образовательное учреждение высшего

' • профессионального образования

«Поволжский государственный университет телекоммуникаций и информатики»

На правах рукописи

0046

Э2ЬЬ

Хлесткин Андрей Юрьевич

РАЗРАБОТКА ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ ОБРАБОТКИ И ИДЕНТИФИКАЦИИ НЕ ОДНОРОДНО СТЕЙ НА ИЗОБРАЖЕНИЯХ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ

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

Автореферат диссертации на соискание ученой степени кандидата технических наук

2 О Я Н В 2011

Самара-2010

004619266

Работа выполнена в Государственном образовательном учреждении высшего профессионального образования «Поволжский государственный университет телекоммуникаций и информатики» (ГОУ ВПО ПГУТИ)

Научный руководитель:

кандидат технических наук,

доцент Старожилова Ольга Владимировна

Официальные оппоненты:

- доктор технических наук, профессор Волобуев Андрей Николаевич

- кандидат технических наук, доцент, старший научный сотрудник Антипов Олег Игоревич

Ведущая организация:

Институт систем обработки изображений РАН, г. Самара.

Защита диссертации состоится 28 января 2011 г. в 13 часов на заседании диссертационного совета Д 219.003.01 в Поволжском государственном университете телекоммуникаций и информатики по адресу: 443010, г. Самара, ул. Льва Толстого, 23.

Отзыв на автореферат в двух экземплярах, заверенный печатью учреждения, просим выслать по адресу: 443010, г. Самара, ул. Льва Толстого, 23, ПГУТИ.

С диссертацией соискателя можно ознакомиться в библиотеке Поволжского государственного университета телекоммуникаций и информатики

Автореферат разослан « » <?С-исг($р£1

с

2010 г.

с /

7

Ученый секретарь

диссертационного совета Д 219.003.01, доктор физико-математических наук

Осипов О.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы и состояние вопроса

Актуальность разработки новых методов и моделей цифровой обработки изображений, устройств распознавания неоднородностей на лучевых изображениях определяется, прежде всего, возросшими требованиями к качеству и надежности разрабатываемых систем и радиотехнических устройств, созданием перспективных информационных технологий с использованием нейронных сетей.

Преобразование лучевых изображений в цифровой формат дает возможность обеспечить компьютерную обработку, заключающуюся в улучшении контраста и пространственного разрешения, идентификации и текстуризации рентгеновских изображений, что, в свою очередь, ставит задачу разработки, совершенствования и дальнейшего развития надежных и эффективных методов обработки лучевых изображений.

Современные методы получения цифрового изображения, в большинстве случаев, основаны на аппаратных средствах с использованием различных методов преобразования. Информационные технологии в лучевой диагностике требуют специализированного программного обеспечения, совмещающего мультимодаль-ную визуализацию с методами цифровой обработки изображений.

Нейронно-сетевой подход имеет преимущества перед традиционными математическими методами, если рассматриваемая задача не поддается адекватной формализации, поскольку содержит элементы неопределенности, не формализуемые традиционными математическими методами, или существующий математический аппарат решения задачи не удовлетворяет требованиям получения решений по времени, размеру, качеству и др.

Существующие методы реконструкции изображений и фильтрации позволяют получать диагностические заключения посредством компьютерной обработки пленочных рентгеновских снимков. Визуализация по пленочным рентгеновским снимкам с помощью широко известного «молочно-белого» экрана и диагностика изображений экспертами не позволяет детально проводить идентификацию артефактов и анализ количественных данных. Задача интерпретации рентгеновских изображений решается в рамках нейросетевых технологий каждого набора параметров из обучающего множества.

Несмотря на то, что сейчас широко развиваются такие методы диагностики, как компьютерная томография, магниторезонансная томография и позитронно-эмиссионная томография, имеющие высокую диагностическую информативность, обследования этими методами имеют недостатки: дорогое оборудование и специализированное программное обеспечение. Все это повышает стоимость обследования, поэтому в настоящее время данные методы визуализации используются только после рентгенографии при подозрении на заболевания, требующие дополнительного обследования.

Особенность исследований диссертационной работы заключается в проведении таких процедур, как фильтрация в пространственной и частотной областях, гистограммный анализ изображения и сегментация текстур на нем для повышения диагностического потенциала изображения.

Современное развитие систем компьютерной ассистируемой диагностики дает возможность распознавать заболевания на ранних стадиях, при этом исключается

субъективность обследования. Нейроускорители и системы, реализованные на аппаратной платформе в виде функционально законченного радиотехнического устройства, позволили гибко использовать систему компьютерной ассистируемой диагностики.

Актуальной задачей является создание численных алгоритмов обнаружения и распознавания артефактов и аппаратная реализация радиотехнического устройства для применения в медицинской практике.

Таким образом, решение отмеченных проблем позволило существенно повысить информационную отдачу лучевых изображений, создать новые эффективные алгоритмы обработки и распознавания изображений с помощью нейронных сетей встречного распространения и при этом дополнить возможности других, более современных методов.

Цель работы и задачи исследования

Целью диссертации является исследование и оптимизация методов анализа и обработки рентгеновских изображений, распознавания и выявления артефактов на цифровой или оцифрованной рентгенограмме, сканирования и анализ гистограмм на наличие неоднородностей на снимках сердечно-сосудистой системы, моделирование мультимодального изображения слияния рентгенограммы и сцин-тиграммы, выбор оптимальной структуры нейронной сети и построение модели нейросетевого классификатора. Основные задачи работы

Для достижения поставленных целей необходимо провести анализ существующих методов и решить следующие задачи:

- разработать новый подход к решению задач фильтрации изображений, улучшающий качество и распознаваемость;

- разработать метод и алгоритм формирования мультимодального изображения слияния рентгенограмм и сцинтиграмм;

- разработать аппаратную реализацию программного комплекса «БМ11» на базе программируемой логической интегральной схемы в виде автономного радиотехнического устройства;

- разработать алгоритм и нейросетевой классификатор распознавания текстуры изображений;

- разработать метод оценки изображения, учитывающий статистику значений пикселей из их локального множества на основании гистограмм «зоны интереса» и эталонных.

Научная новизна диссертации

1. Разработаны метод и алгоритм формирования мультимодального изображения слияния рентгенограмм и сцинтиграмм, позволяющие увеличить информативность зрительного восприятия за счет интеграции преимуществ двух методов визуализации.

2. Разработан новый подход к решению задач фильтрации в частотно-пространственной области рентгенографических и сцинтиграфических изображений, ранее не применявшийся; получены эффективные значения параметров фильтров.

3. Разработана система методик, обеспечивающих выбор размера ячейки при сканировании «зон интереса» на цифровых рентгенограммах. На основании исследования характера и параметров распределения значений гистограмм ин-тенсивностей «зон интереса» разработан метод анализа краеобразующей дуги сердечно-сосудистой системы оцифрованных рентгенограмм, позволяющий определить наличие неоднородностей.

4. На основе методов цифровой обработки изображений предложен алгоритм обработки лучевых изображений с оптимальными параметрами, обеспечивающий повышение информативности изображений с использованием нейронных сетей встречного распространения.

5. Разработаны алгоритм и классификатор, реализующие на аппаратном уровне принципы нейросетевой технологии для распознавания текстуры изображения.

Достоверность научных положений диссертации обеспечивается математически корректной постановкой задачи, использованными методами цифровой обработки изображений, методами фильтрации, тщательным тестированием отдельных блоков и модулей программного комплекса, сравнением полученных решений в некоторых частных случаях с результатами других авторов. Все полученные в ходе исследования результаты проанализированы с точки зрения их физической достоверности. Визуальный анализ результатов компьютерного моделирования также подтверждает их корректность.

Практическая ценность и реализация результатов работы

Результаты исследования позволяют сформировать новую лучевую диагностическую концепцию, развивающую рентгенологический подход к распознаванию заболеваний на ранних стадиях. Применение нейросетевого подхода к решению задач идентификации неоднородностей является основой для радиотехнических устройств на базе программируемых логических интегральных схем. Основные теоретические и практические результаты переданы и используются в обследованиях пациентов на кафедре геронтологии и гериатрии при «Госпитале ВОВ и ветеранов труда», на кафедре лучевой диагностики ГОУ ВПО «Самарский государственный медицинский университет».

На защиту выносятся:

1. Метод и алгоритм формирования мультимодального изображения слияния рентгенограмм и сцинтиграмм

2. Новый подход к решению задач фильтрации в частотно-пространственной области рентгенографических и сцинтиграфических изображений.

3. Система методик, обеспечивающих выбор размера ячейки при сканировании «зон интереса» на цифровых рентгенограммах.

4. Алгоритм обработки лучевых изображений с оптимальными параметрами, обеспечивающий повышение информативности изображений с использованием нейронных сетей встречного распространения.

5. Алгоритм и классификатор, реализующие на аппаратном уровне принципы нейросетевой технологии для распознавания текстуры изображения.

Апробация результатов диссертации

Материалы диссертации докладывались и обсуждались на следующих конференциях:

- VI Международная Выставка - Форум «Инфоком-2006» (Самара, Экспо-Волга, 2006);

- V Международная НТК «Физика и технические приложения волновых процессов» (Самара, 2006);

- IX Всероссийский Симпозиум по Прикладной и Промышленной Математике «Насущные проблемы прикладной и промышленной математики в Ставрополье» (Кисловодск, 2008);

- V Всероссийская НТК с международным участием «Математическое моделирование и краевые задачи» (Самара, 2008);

- IX Международная НТК «Проблемы техники и технологий телекоммуникаций» (Казань, 2008);

- XVII Российская научная конференция профессорско-преподавательского состава, научных сотрудников и аспирантов ПГУТИ (Самара, февраль 2010);

- XI Всероссийский Симпозиум по Прикладной и Промышленной Математике (Кисловодск, 2010).

Диссертация апробирована на семинаре Научно-исследовательского института математики и механики им. Н.Г. Чеботарева Казанского государственного университета (Казань, февраль 2008), на межкафедральном заседании кафедр гериатрии и лучевой диагностики ГОУ ВПО «Самарский государственный медицинский университет» (Самара, 2009).

Публикации

По теме диссертации опубликовано 12 печатных работ, в том числе 4 статьи в научных журналах, входящих в перечень ВАК РФ, 8 тезисов и докладов. Получено свидетельство о государственной регистрации программы для ЭВМ № 2010317167(2010).

Структура и объем диссертации

Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы. Работа содержит 150 страниц машинописного текста, 87 ■ рисунков и 3 таблицы. Список литературы включает в себя 88 наименований.

КРАТКОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИОННОЙ РАБОТЫ

Во введении обоснована актуальность темы, приведен обзор работ по теме диссертации, сформулированы цель и основные задачи исследования, описаны состав и структура работы, определены ее новизна и практическая ценность.

В первой главе приводится анализ систем формирования и обработки цифровых рентгеновских и томографических изображений.

В разделе представлены используемые системы цифровизации лучевой диагностики, рассмотрены их особенности. Наряду с развитием цифровых технологий проводятся исследования в области аналоговых систем визуализации изображений рентгенографии, что на сегодняшний день остается основным методом обследования пациентов.

Далее проводится анализ методов цифровой обработки медицинских изображений. К основным методам относится фильтрация, методы увеличения изображений, методы решения задач выделения центральных кровеносных сосудов на изображениях глазного дна и ангиографических изображениях сердечнососудистой системы. Исследованы существующие методы компьютерной асси-стируемой диагностики (КАД). Разработанные системы КАД используются в маммографии и пульмонологии. Отмечена эффективность каждого метода и область их применения.

Рассмотрены основные характеристики цифровых медицинских изображений: пространственное разрешение, яркостное разрешение, динамический диапазон, а также коэффициенты поглощения исследуемой среды, которые определяются с помощью известной шкалы Хаунсфильда.

Для оценки качества рентгенографических изображений, полученных различными аппаратными средствами и методами, в таблице 1 приведены сравнительные данные о пространственном разрешении систем и материалов визуализации. Сравнительные данные составлены по оборудованию, широко используемому в медицинских учреждениях России.

Аналоговый рентгеновский снимок имеет максимальное разрешение - 20 пар линий на мм (табл. 1), снимок, полученный с цифрового рентгеновского аппарата, позволяет видеть только 6 пар линий на мм.

Таблица 1 - Пространственное разрешение материалов и систем

Материал, система Число пар линий на мм Пикселей на мм Пикселей на дюйм

Рентгеновская пленка 20 40x40 1016x1016

Система экран-пленка 10 20x20 508x508

Система с усилителем рентгеновского изображения 1-3 2x2-6x6 50x50-155x155

Цифровая рентгенограмма 6 12x12 305x305

Отмечено, что реально возможное разрешение изображения лимитируется разрешающей способностью ПЗС-матрицы рентгеновского оборудования и разрешающей способностью системы отображения. Особенностью же современных сканирующих устройств является большая разрешающая способность ПЗС-матрицы. В диссертационной работе предлагается использовать традиционное рентгеновское оборудование и сканирующие устройства для получения цифровой рентгенограммы. Оцифровку изображений осуществляли на слайд-сканере (MICROTEK ScanMaker 9800 XL, диапазон оптической плотности Dmax 3.7, формат ввода A3). Все рентгенограммы были оцифрованы с разрешением 23 пары линий на мм. Разработанный метод оцифровки рентгенограмм позволяет проводить компьютерную обработку пленочных рентгенограмм.

Приведено сравнение по пространственному разрешению цифровой сцинти-граммы и оцифрованной пленочной рентгенограммы. Изображения, полученные методами рентгенографии и сцингиграфии, несут в себе различную информацию об объекте исследования. Рентгенография - исследование внутренней структуры

объектов, которые проецируются при помощи рентгеновских лучей на специальную плёнку. Сцинтиграфия —метод функциональной визуализации, заключающийся во введении в организм радиоактивных изотопов и получении изображения путём определения испускаемого ими излучения. Сцинтиграфия - диагностическая процедура, основанная на регистрации излучения, накопившегося в ткани органа радиоактивного изотопа.

Сцинтиграфическое изображение изначально имеет 7 пар линий на мм, а оцифрованная рентгенограмма - 23 пары линий на мм. В рамках данной работы сравнительные данные рентгенограммы и сцинтиграммы используются при формировании мультимодального изображения слияния сцинтиграммы и рентгенограммы.

Сравнительный анализ динамического диапазона цифровых и аналоговых изображений показал, что аналоговые системы имеют очень жесткие ограничения на экспозицию через маленький динамический диапазон пленки. Особенностью же цифровых систем является большой динамический диапазон исследуемых яркостей изображения.

Для визуальной и количественной оценки плотности исследуемых структур используется шкала ослабления рентгеновского излучения - шкала Хаунсфилда. Предложены кривые соответствия между плотностью ткани органов и шкалой градаций черно-белого.

Рассмотрены особенности регистрации рентгеновского излучения на фотопленке, принцип формирования рентгеновских снимков. Для цифровой обработки медицинских изображений рассмотрены математические методы формирования изображений в пространственной области.

Вторая глава посвящена разработке методики улучшения визуализации рентгеновских й сцинтиграфических снимков.

В этой главе проведен отбор оптимальных методов цифровой обработки лучевых изображений, разработана методика применения процедур цифровой обработки изображений в пространственной области: контрастирование, гамма-преобразование, видоизменение и эквализация гистограмм, фильтрация. Проводится оценка дисперсии и среднеквадратического отклонения.

В диссертационной работе данные исследования позволяют преобразовать цифровые снимки с разного рентгенографического оборудования к виду, удобному для распознавания неоднородностей. „ --?

Гамма-преобразование цифровых рентгеновских снимков позволяет распознавать более широкий динамический диапазон за счет улучшения разрешения в светлых частях изображения. Темные фрагменты становятся светлее, и проявляются плохо различимые артефакты, что необходимо в условиях цифровой обработки изображений.

Проведенные исследования по методам пространственной фильтрации позволили определить оптимальный для обработки рентгеновских изображений медианный фильтр. Этот метод нелинейной фильтрации не изменяет резкие перепады значений яркости на изображениях, но в то же время подавляет импульсные помехи.

При построении гистограммы цифрового рентгеновского изображения замечено, что диапазон уровней яркости сосредоточен в одной определенной области. Особенностью методики, приведенной в диссертации, является выбор такого видоизменения гистограмм, как эквализация. Эквализация (рис. 1) позволяет расширять 8

динамический диапазон уровней яркости, что способствует поиску очагов пораже-

г)

Рис. 1. Эквализация рентгенограммы грудной клетки: а, б)- исходное рентгеновское изображение и гистограмма; в, г) - результат эквализации и гистограмма.

Также предложено использовать методы фильтрации в частотной области Фурье-преобразования. Фильтрация низких частот с помощью Фурье-преобразования устраняет с изображения шумы и размывает текстуру костной ткани. Поскольку контуры и другие скачкообразные изменения яркости связаны с высокочастотными составляющими, повышение резкости изображения может быть достигнуто при помощи процедуры высокочастотной фильтрации, которая, наоборот, подавляет низкочастотные составляющие и не затрагивает высокочастотную часть Фурье-преобразования.

Для увеличения информативности предложено использовать преобразования Фурье в полосе ограниченных частот с применением метода полосовой фильтрации. Полосовые фильтры, основанные на преобразовании Фурье, просты в программных реализациях, но вместе с тем удаляют или ослабляют частоты вне кольцевой области вокруг начала координат.

Передаточная функция полосового гауссова фильтра представлена в виде:

1|"Д2(Ц,У)-Д0Г

иг \ Я В(и,У)1Г .

Я(м,у) = е 1 , (1)

где £>(«, г>) - расстояние, измеряемое от центра частотного прямоугольника, № -ширина кольца, О0 - радиус окружности, проходящей через его середину.

В диссертационной работе получены оптимальные параметры фильтра для костной ткани с полосой от 4 до 40% частотного спектра. Улучшение изображения и выделение контуров, как видно из приведенного примера (рис. 2), вполне очевидны. Используемый метод фильтрации, основанный на Фурье-преобразовании, позволил эффективно восстановить контуры мелких деталей и текстуры на рентгенографическом снимке и выделил костную ткань, что существенно улучшило визуальное восприятие текстуры изображения.

В главе 2 также проведена предварительная цифровая обработка сцинтиграфиче-ских изображений, необходимая для распознавания артефактов в костной ткани. Рентгеновские и сцинтиграфические изображения значительно различаются из-за разной природы и методов получения первичных изображений.

Рис. 2. Полосовая амплитудно-частотная фильтрация: а) - исходное рентгеновское изображение позвоночного ствола; б) - Фурье-спектр исходной рентгенограммы; в) - образ Фурье-фильтра; г) - результат фильтрации рентгенограммы.

Сцинтшрафическое изображение имеет малое пространственное и яркостное разрешение, что затрудняет идентификацию артефактов, а рентгенограмма обладает высоким пространственным и контрастным разрешением, что дает возможность четко различать костную ткань.

При формировании изображения слияния рентгенограммы и сцинтиграммы возникают проблемы взаимной геометрической коррекции. Геометрическую коррекцию проводим проективными преобразованиями. Поскольку формирование изображений сопровождается различного рода нелинейными искажениями, то для слияния изображений используем полиномиальную аппроксимирующую функцию преобразования. Степенные полиномы учитывают признаки, обладающие инвариантностью по отношению к геометрическим преобразованиям изображений.

Так как сцинтиграмма (7 пар линий на мм) имеет пространственное разрешение меньшее, чем рентгенограмма (23 пары линий на мм), то возникает необходимость увеличение разрешения. Эту задачу решаем методом двумерной полиномиальной интерполяции. Метод удобен для реализации и массового использования. Обработка изображений описывается степенным полиномом

Р=о

Здесь (2) применяем полином степени Р, проходящий через Р +1 точку с Р +1 неизвестными коэффициентами полинома ар . По причинам симметрии в случае четного числа узлов сетки устанавливаем:

р

(2)

Для определения коэффициентов полиномов нечетной степени получаем систему уравнений:

(4)

В диссертационной работе использовался кубический полином (Р = 3) с решением:

~-3 27 27 -3" 2 -54 54 -2 12 -12 -12 12 -8 24 -24 8

В0 "1 -Р/ 2 Р2/ 4 ~Р3/ 8

&(Г-1)/2 1 -1/2 1/4 -1/8

Я(Р+1)/2 1 1/2 1/4 1/8

8р _ 1 Р/ 2 Р2/ 4 Р3/

V

1

«2 ~ 48

§1

(5)

Двумерная интерполяция кубическим полиномом повышает разрешение сцин-тиграфического снимка, сохраняя информативность сцинтиграммы.

Дальнейшая нормализация сцинтиграммы состоит в представлении сцинтигра-фического изображения в псевдоцвете. В результате преобразований выделяется область очага поражения и повышается резкость.

Таким образом, исследования, проведенные в главе 2, позволили нормализовать цифровые рентгеновские и сцинтиграфические снимки, выделить структуру костной ткани, а также мягкотканых органов; провести геометрические преобразования, масштабирование и преобразование снимков в псевдоцвет.

Третья глава посвящена разработке методов сканирования, позволяющих по гистограммам ячеек количественно определять распределение интенсивности яркости в интересующей области, выявлять неоднородности, обнаруженные на изображениях сердечно-сосудистой системы и других органов.

Поскольку отделы сердечно-сосудистой системы являются мягкоткаными образованиями и не имеют значительных отличий в плотности, химическом составе и объеме, то при проекции на двухмерный снимок отделы сердечно-сосудистой системы сливаются с окружающими органами и тканями. В диссертационной работе разработаны методы сканирования отдельных фрагментов на изображениях сердечно-сосудистой системы, реализованные в программном комплексе «БМЯ».

Сканирование проводилось по различным сеткам. При заданных параметрах сканирования: диапазоне интенсивности и яркости ячеек сетки - возможно распознавание как контура сердечно-сосудистой системы, так и самой ее области. После каждого сканирования рентгенограммы проводится гистограммный анализ с построением сравнительной гистограммы по выделенным ячейкам и имитационное моделирование. В качестве статистического обобщения, используемого для диагностики «зон интереса» на изображении, используем гистограмму, которая строится по пикселям, попадающим в пределы прямоугольной ячейки.

Значения гистограммы рассчитываются как

И{Р1) = ^(А)/М{А), (7)

где Р(х,у) - исходное лучевое изображение, Np (А) — число отсчётов в пределах ячейки, равных Р.; М(А) - число пикселей, попадающих в ячейку. Введено понятие эталонной гистограммы вида

км)=м[\к)(р>)\ (8)

где /г(4) ( Р: ) - гистограмма реализации сигнала Р1к) (х,у), априорно относящегося к

к -ому классу; Р - значение яркости, соответствующее / -му уровню квантования сигнала Р(х,у).

Непосредственно для оценки состояния наблюдаемой текстуры предложен квадратичный критерий близости гистограмм, который имеет вид

№(вН , ,

агЕтшФ,(АР)= £ (^{Р,)-^)) , (9)

1=0

где /г? ) - гистограмма реализации анализируемого сигнала; N{<2) - число

уровней квантования анализируемого сигнала.

Произведена оценка характера и параметров распределения значений гистограмм.

Показано, что их дисперсия обратно пропорциональна количеству анализируемых элементов изображения и является зависимостью вида

(10)

Исследованы различные варианты взаимного расположения ячеек и «зоны интереса» на лучевом изображении, введено ограничение на максимальный размер ячейки. Разработана методика выбора рационального размера ячейки. Выполнен поиск эффективных для анализа яркостных интервалов.

Показано, что при сканировании ячеек на рентгеновском изображении по крае-образующей дуге сердечно-сосудистой системы можно выделить два типа зон.

Гистограмма ячейки №1 Гистограмма ячейки № 2 " Гистограмма ячейки Кг 3

Гистограмма ячейки № б

2- - -г- -} Р

......] : ] 1

В

Рис. 3. - Результат сканирования рентгенограммы грудной клетки (сеггка 10x20, ячеек 6).

Первый тип - это зоны, гистограммы которых носят унимодальный характер с максимальным значением (ячейки № 4-6, рис. 3).

Эксцессивная гистограмма характеризуется очень узким основанием и заостренной вершиной, что указывает на отсутствие неоднородностей в выделенной зоне.

Второй тип - зона, в пределах которой происходит перераспределение значений яркости, а также изменение значений их максимумов (ячейки № 1-3, рис. 3). Многовершинная гистограмма характерна для рентгеновских изображений краеоб-разующей дуги сердечно-сосудистой системы и свидетельствует о наличии множественных артефактов.

Выполнена оценка размеров соответствующих ячеек, различающихся по характеру гистограммы. Сформулировано ограничение на минимальный размер ячейки:

^ШЕШ,

ГДе ^(тах)Л(Р,)

ния значений элементов локальной гистограммы. Приведенное ограничение позволяет задать минимальный размер ячейки, необходимый для сканирования рентгенограмм.

На основе гистограммного анализа разработана методика сканирования по строкам. Данные, полученные по гистограммному анализу строк рентгенограммы, дополняют сведения о диагнозе.

С помощью таблицы средней яркости каждой ячейки исследуемой области сканирования возможно обнаружить на рентгенограмме сердца пораженные участки, выходящие по уровню яркости за среднее значение.

Так в приведенном примере сканирования (рис. 4) при гистограммном анализе наблюдается весьма неравномерное распределение яркости сердечной ткани, что является признаком патологии. Данные, полученные с помощью гистограммного анализа интенсивности распределения яркости, составляют основу Базы Данных признаков заболеваний._

Рис. 4. - Результат сканирования рентгенограмм грудной клетки по строкам (сетка 1x100, ячеек 6)

Распределение средней яркости по выбранным ячейкам, представленное гистограммой функции двух переменных на рис. 5, позволяет визуально выделить характерные изменения. По оси ординат I - интенсивность распределения яркости, по оси абсцисс б - шкала градаций яркости черно-белого, по оси N - номера ячеек.

Рис. 5.-Гистограмма сканирования рентгенограмм грудной клетки по строкам (сетка 1x100, ячеек 6)

Перераспределение значений интенсивности яркости гистограмм свидетельствует о наличии в выделенном фрагменте артефакта или неоднородности.

В диссертационной работе также разработана методика сканирования по краеобразующей дуге изображения сердечно-сосудистой системы (рис. 6). Приведенные пакеты гистограмм по краеобразующей дуге (рис. 6) позволили определить плотность сканируемых поверхностей в зависимости от коэффициента поглощения в рассматриваемой ячейке. На гистограммах наблюдается перераспределение значений интенсивности яркости, что свидетельствует о наличии в выделенном фрагменте артефакта или неоднородности. Определен критерий перераспределения значений интенсивности яркости на гистограммах - многомодальность максимумов, если максимумы разнесены на 40% и более, краеобразующая дуга не плотная. В данном примере (рис. 6) максимумы разнесены в пределах нормы, что говорит об отсутствии патологий. Располагая Базой Данных патологии и классификатором, можно автоматизировать процесс диагностики. Приведенный метод относится к компьютерной ассистируемой диагностике, и реализован в разработанном компьютерном диагностическом комплексе «ОМЯ».

«Я®

Рис. 6. - Результат сканирования рентгенограмм грудной клетки по краеобразующей дуге

(сетка 10x30, ячеек 12)

Диапазон яркости на гистограммах сосредоточен в пределах 100..230, что в соответствии со шкалой Хаунсфилда относится к мягким тканям (рис. 6). Перераспределение яркости на гистограммах характеризует в выделенных ячейках наличие тканей легкого и сердечно-сосудистой системы.

С помощью разработанного программного модуля возможно автоматическое выделение контура поверхности сердечно-сосудистой системы при заданных параметрах выделения: яркости и интенсивности.

Таким образом, гистограммный анализ позволяет выделять признаки и классификаторы патологий в зависимости от состояния сердечной деятельности, моделировать сканируемое изображение.

На рис. 7 приведен результат сканирования рентгенограммы в области сердечно-сосудистой системы.

айаа

| Рис. 7. - Результат сканирования рентгенофамм области сердечно-сосудистой системы

(сетка 10x30, ячеек 12). I Исследование гистограмм выделенной области (рис. 7) свидетельствует об унимодальном характере распределения уровней яркости с , максимальным значением в диапазоне 160..230 шкалы черно-белого, что по шкале Хаунсфилда соответствует области сердечно-сосудистой ; системы.

1 Таким образом, приведенные методики ска-| нирования изображений сердечно-сосудистой системы позволяют выделять локальные очаги, 1 содержащие артефакты по характерной тексту-| ре.

В главе также проведен геометрический анализ рентгенограмм сердечно-сосудистой системы и определен кардиоторокальный индекс. Предложена и реализована в программных модулях функция, позволяющая по геометрическим параметрам сердечнососудистой системы на рентгенографическом снимке определять кардиоторокальный индекс (рис. 8).

В главе 3 рассмотрено формирование мультимодального изображения слияния рентгенограммы и сцинтиграммы. Такая I

модель необходима для уточнения месторасположения очага поражения и распознавания артефактов.

При слиянии рентгенограммы и сцинтиграммы возникают проблемы привязки снимков друг к другу. Эта задача решается путем установления соответствий между элементами исходных изображений и выбором реперных точек, по которым осуществляется координатная привязка снимков с геометрическими преобразованиями. На рис. I

9 приведен пример выбора 4-х реперных

Рис. 8. - Рентгенограмма с нанесенными геометрическими параметрами сердечно-сосудистой системы.

Рис. 9. Выбор реперных точек: а) - рентгенограмма; б) - сцинтиграмма

точек, по которым проводятся геометрические преобразования сцинтиграммы, описанные в главе 2.

Слияние изображений проводится с использованием полупрозрачной маски совмещением обработанных изображений по реперным точкам (рис. 10). Клиническая апробация разработанного метода показала возможность быстрой и точной локализации «горячих» очагов гиперфиксации остеотропного радиофармпрепарата в области переломов на рентгенограммах позвоночника. Именно эти медицинские изображения наиболее распространенны в лучевой диагностике остео-поротических переломов.

Такой подход позволяет увеличить информативность зрительного восприятия за счет интеграции преимуществ двух способов визуализации. Один из них несет информацию о костных структурах позвоночного столба, а другой позволяет судить об уровне остеобластической актив-

Разработанная информационная технология может быть использована для оценки состояния позвоночника у пациентов с остеопоротическими переломами, скорости и направленности ремоделирования костной ткани в процессе медицинской реабилитации.

На примере задач идентификации и интерпретации неоднородностей рассмотрена задача сегментации текстур рентгеновских изображений с помощью нейросе-тевых технологий.

Содержание рассматриваемой нейронно-сетевой концепции применительно к задаче визуализации определяется общими принципами функционирования многослойных персептронов и включает в себя три этапа: а) сбор и подготовку данных; б) обучение персептрона и в) распознавание.

Нейронно-сетевой синтез осуществляется на множестве пар соответствующих

векторов \ик,ик\, к = 1 ...К, где вектор и к - отвечает решению задачи идентификации по данным измерениям для и к- к -го набора параметров из обучающего множества. Результатом нейронно-сетевого синтеза является нахождение параметров

оптимального отображения а не определение компонент вектора и к,

оптимально соответствующего данным единичного измерения ик.

Моделирование производится для случая контрастных характеристик. Такая постановка сопровождается характерной нелинейностью, и исключается всякая возможность получения удовлетворительных оценок с использованием линеаризированных подходов. Задача интерпретации рентгеновских изображений решается в

Рис. 10. - Мультимодальное изображение слияния рентгенограммы и сцинтигоаммы.

ности в области перелома.

рамках выбранной математической модели для каждого набора параметров из обучающего множества.

Так, если идентифицируемым параметром является положение центра распределения интенсивности яркости, для которого известны его геометрические размеры и гистограммы, то подготовка входных данных для нейронной сети сводится к многократному вычислению амплитуд градиентов интенсивности яркости для различных значений х - координаты центра неоднородности.

Результаты тестирования нейронной сети, отвечающие оптимальной структуре персептрона, на данных распределения интенсивности яркости, не использованных в обучающем процессе, представлены на рис. 11 а. На рис. 11 6, в приведен результат тестирования нейронной сети на зашумлённых входных данных. Проведённое тестирование демонстрирует хорошее соответствие результатов нейронно-сетевой идентификации эталонным данным, в том числе и для случая зашумлённых входных данных.

а) 6) в)

Рис. 11. Результаты тестирования многовершинных гистограмм а) тестовый набор, б) тестовый набор с 10% шумовой составляющей в) тестовый набор с 5% шумовой составляющей

Архитектура нейронной сети настроена на идентификацию распределения гистограмм и представлена на входе 60 парами изображений «характеристики распределения - параметры неоднородности».

Нейромоделирование сводится к многочисленному экспериментированию с сетью, нахождению её оптимальной архитектуры, а также к выбору функций активации, подстройке смещений, обеспечивающих наиболее быстрое обучение сети при решении конкретной задачи идентификации лучевых изображений.

Для решения задачи идентификации и классификации применен многослойный персептрон, в качестве нейронной сети выбрана сеть встречного распространения. Во встречном распространении объединены модели: самоорганизующаяся карта Кохонена и звезда Гроссберга. Алгоритм позволяет проводить как текстурную, так и яркостную сегментацию.

В диссертационной работе смоделирован процесс создания, обучения и работы нейронной сети встречного распространения с изменяющимися параметрами нейронной сети, такими как количество нейронов слоя Кохонена, размер скользящего окна, количество эпох обучения, позволяющими оценивать точность сегментации количественно.

Созданная нейронная сеть содержит 4 входа (количество признаков) для 10 нейронов (варианты текстур). Работа данного программного диагностического комплекса компьютерной ассистируемой диагностики «ОМ1Ъ> включает 2 фазы: обучение и распознавание. Для алгоритма обучения с экспертом собран статистиче-

ский материал, содержащий 87 оцифрованных рентгенограмм грудной клетки. Проведено обучение сети данных на 45 рентгенограммах.

Таким образом, в главе 3 приведены результаты исследования по сканированию сердечно-сосудистой системы, геометрический анализ сердечно-сосудистой системы, а также описан метод формирования мультимодального изображения слияния рентгенограммы и сцинтиграммы, разработан алгоритм обработки лучевых изображений с оптимальными параметрами, обеспечивающий повышение информативности изображений с использованием нейронных сетей встречного распространения.

В четвертой главе описывается разработанный программный комплекс, основанный на вышеприведенных алгоритмах и методах.

Отличительными особенностями данного комплекса являются компьютерная ассистируемая диагностика рентгеновских изображений сердечно-сосудистой системы, возможность формирования мультимодального изображения и нормализация рентгенограмм.

Известные программные комплексы ориентированы на анализ морфологических параметров объектов на цифровых изображениях. К морфологическим параметрам относятся такие геометрические характеристики объектов, как площадь, периметр, фактор формы, габариты и др.

Разработанный программный комплекс выявляет неоднородности и артефакты на осложненных фоном изображениях, слабоконтрастной структуре опорно-двигательного аппарата и имеет дополнительные функциональные возможности формирования мультимодального изображения.

Приведена структурная модель программного комплекса цифровой обработки изображений «DMR». Разработанный комплекс «DMR» предназначен для обработки рентгенограмм грудной клетки, в частности легочной, костной и сердечной тканей, а также сцинтиграмм. Программные модули были протестированы на выше приведенных медицинских изображениях.

Разработанная диагностическая компьютерная система «DMR» позволяет: проводить контрастирование рентгенограмм, геометрические преобразования, фильтрацию лучевых изображений в частотной и пространственной областях, масштабировать фрагменты изображения, выделять и анализировать контуры на рентгеновских изображениях; определять границы яркости текстур, вычислять параметры изображений: уровни яркости шкалы черно-белого, интенсивности яркости, средней яркости, распределение интенсивности; сканировать ячейки сетки рентгенограммы с целью изучения локальных особенностей; строить гистограммы отдельных ячеек сетки, входящих в «зону интереса»; автоматизировать процесс анализа рентгеновских изображений; формировать мультимодальное изображение слияния рентгенограммы и сцинтиграммы; идентифицировать текстуру на изображение с помощью многослойных нейронных сетей, интегрировать снимки с информацией в единую Базу Данных.

В диссертационной работе выполнена аппаратная реализация программного комплекса в виде радиотехнического устройства на базе программируемой логической интегральной схемы. Параллельный перепрограммируемый вычислитель разработан в стандарте VME и реализован на базе перепрограммируемых микросхем семейства 10К фирмы Altera. Вычислитель предназначается для работы в качестве 18

аппаратного ускорителя и является ведомым устройством на шине VME. Он должен включаться в систему как подчиненное устройство основной управляющей ЭВМ (host-машины) с универсальным процессором. Тактовая частота вычислителя 33 МГц.

Радиотехническое устройство используется для построения систем распознавания текстуры лучевых изображений, основанных на нейросетевых технологиях.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ Разработан метод формирования мультимодального изображения слияния рентгенограмм и сцинтиграмм с использованием геометрической коррекции.

Проведен сравнительный анализ пространственного разрешения различных систем формирования изображений, получены результаты исследования текстур рентгенограммы по яркостному разрешению.

Разработан новый подход к решению задач фильтрации в частотно-пространственной области рентгенографических и сцинтиграфических изображений, получены значения параметров фильтров. •

Разработана система методик, обеспечивающих выбор размера ячейки при сканировании «зон интереса» на цифровых рентгенограммах. На основании исследования характера и параметров распределения значений гистограмм интен-сивностей «зон интереса» разработан метод анализа краеобразующей дуги сердечно-сосудистой системы оцифрованных рентгенограмм, позволяющий определить наличие неоднородностей.

На основе методов цифровой обработки изображений предложен алгоритм обработки лучевых изображений с оптимальными параметрами, обеспечивающий повышение информативности изображений с использованием нейронных сетей встречного распространения.

Разработаны алгоритм и классификатор, реализующие на аппаратном уровне принципы нейросетевой технологии для распознавания текстуры изображения.

Разработан диагностический программный комплекс, позволяющий проводить цифровую обработку изображений; осуществлять компьютерную ассистируемую диагностику; формировать мультимодальные изображения.

Выполнена аппаратная реализация программного комплексов виде радиотехнического устройства на базе программируемой логической интегральной схемы. СПИСОК ОПУБЛИКОВАННЫХ РАБОТ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Хлесткин А.Ю. Распознавание текстур рентгенографических снимков и УЗИ изображений программными методами [Текст] / А.Ю. Хлесткин, В.П. Кривозубов, А.В. Николаева // Инфокоммуникационные технологии. - 2006. - № 3. - С. 64-69.

2. Хлесткин А.Ю. Выявление артефактов сердца методами преобразований спектров с применением окна поиска [Текст] / А.Ю. Хлесткин, В.П. Кривозубов // Инфокоммуникационные технологии. - 2008. - № 4. - С. 79-83.

3. Хлесткин А.Ю. .Дигитальное сканирование в диагностике рентгенографических снимков [Текст] / А.Ю. Хлесткин, Р.Р. Янгазов // Инфокоммуникационные технологии. - 2008. - № 4. -С. 91-96.

4. Хлесткин А.Ю. Моделирование поиска артефактов сердечной поверхности методом преобразования спектров рентгеновских изображений [Текст] / А.Ю. Хлесткин, В.П. Кривозубов // V Всероссийская науч.-техн. конф. с международ-

ным участием «Математическое моделирование и краевые задачи»: труды конференции. - Самара: СамГТУ, 2008. - Ч. 4. - С. 94-101.

5. Хлесткин А.Ю. Применение вейвлетов к обработке маммограмм [Текст] / А.Ю. Хлесткин // IX Всероссийский симпозиум по прикладной и промышленной математике «Насущные задачи прикладной и промышленной математики в Ставрополье»: тез. докладов. - Кисловодск, 2008. - С. 941-942.

6. Хлесткин А.Ю. Распознавание текстур рентгенографических снимков и УЗИ изображений программными методами [Текст] / Хлесткин А.Ю., Кривозубов В.П., Николаева A.B. // V Междунар. науч.-техн. конф. «Физика и технические приложения волновых процессов»: тез. докладов. - Самара, -2006. - С. 403-405.

7. Хлесткин А.Ю. Геометрические параметры сердечно-сосудистой системы на фрагментах ангиоизображений методом пространственных координат [Текст] /

A.Ю. Хлесткин, В.П. Кривозубов // IX Междунар. науч.-техн. конф. «Проблемы техники и технологий телекоммуникаций»: материалы конференции. - Казань, -2008.-С. 122-123.

8. Хлесткин А.Ю. Модель слияния 2-хмерных лучевых отображений в идентификации артефактов [Текст] / А.Ю. Хлесткин, В.П. Кривозубов // ХУЛ Российская научная конференция профессорско-преподавательского состава, научных сотрудников и аспирантов: тез. докладов, - Самара, 2-4 февр. 2010 г.

9. Хлесткин А.Ю. Модели слияния рентгеновских и сцинтиграфических изображений в распознавании артефактов [Текст] / А.Ю. Хлесткин, О.В. Старожилова И Инфокоммуникационные технологии. - 2010. - № 2. - С. 40-42.

10. Хлесткин А.Ю. Разработка технологии и модели слияния медицинских изображений для обнаружения ^распознавания артефактов [Текст] / А.Ю. Хлесткин // XI Всероссийский симпозиум по прикладной и промышленной математике «Насущные задачи прикладной и промышленной математики в Ставрополье»: тез. докладов. - Кисловодск, 2010.

11. Хлесткин А.Ю. Определение возрастных особенностей сердца у лиц пожилого и старческого возраста с помощью компьютерной программы / А.Ю. Хлесткин,

B.П. Кривозубов, О.В. Старожилова, A.B. Николаева [Текст] // Клинические и фундаментальные аспекты геронтологии: сб. науч. тр. - Самара: СамГМУ,2010. -С. 235-242.

12. Хлесткин А.Ю. Информационная технология мультимодального рентгено-радионуклидного сплава изображений для диагностики и мониторинга остеопо-ротических переломов позвонков [Текст] / А.Ю. Хлесткин, В.П. Кривозубов., A.B. Капишников, Э.Н. Алехин // Актуальные вопросы медицинской реабилитации, восстановительной медицины, курортологии и физиотерапии: материалы конференции. - Самара: СамГМУ, - 2010. - С. 21-23.

13. Свидетельство о государственной регистрации программы для ЭВМ' № 2010617167, РФ, - Программа формирования мультимодального изображения / Хлесткин А.Ю., Старожилова О.В., Янгазов Р.Р., Алехин Э.Н., СамГМУ, Россия,- № 2010615326, заявл. 27.08.2010; опубл. 27.10.2010.

_Отпечатано фотоспособом в соответствии с материалами, представленными заказчиком

Подписано в печать 13.12.10 г. Формат60х84'/|6 Бумага писчая №1. Гарнитура Тайме.

_Заказ837. Печатьоперативная.Усл.печ.л.1.39. Тираж 120зкз._

Отпечатано в издательстве учебной и научной литературы Поволжского государственного

« « университета телекоммуникаций и информатики

443090, г. Самара, Московское шоссе 77. т. (846)228-00-44

ВВЕДЕНИЕ.

ГЛАВА 1. ОБЗОР СИСТЕМ ФОРМИРОВАНИЯ И ОБРАБОТКИ ЛУЧЕВЫХ ИЗОБРАЖЕНИЙ.

1.1 Анализ систем формирования цифровых изображений.

1.2 Анализ цифровой обработки медицинских изображений.

1.3 Параметры оценки качества лучевых изображений.

1.4 Модель формирования изображения на рентгеновской пленке.

1.5 Модели формирования цифрового изображения в пространственной области.

1.6 Операции квантования цифровых рентгеновских и томографических изображений.

1.7 Сравнительный анализ аналоговых и цифровых лучевых изображений.!.

ГЛАВА 2. КОМПЬТЕРНАЯ ОБРАБОТКА ЦИФРОВЫХ РЕНТГЕНОВСКИХ ИЗОБРАЖЕНИЙ.

2.1 Линейное повышение контраста рентгеновских изображений.

2.2 Гамма-преобразование цифрового рентгеновского изображения.

2.3 Видоизменение и эквализация гистограмм цифровых рентгеновских изображений.

2.4 Пространственная фильтрация лучевых изображений.

2.5 Частотные методы улучшения рентгеновских снимков.

2.6 Фильтрация низких частот с помощью Фурье-преобразования.

2.7 Фильтрация высоких частот рентгеновских изображений.

2.8 Полосовая частотная фильтрация рентгеновских изображений.

2.9 Геометрические преобразования и нормализация сцинтйграфических изображений .-.60

ГЛАВА 3. ОБНАРУЖЕНИЕ И РАСПОЗНАВАНИЕ

НЕОДНОРОДНОСТЕЙ НА ЦИФРОВЫХ ИЗОБРАЖЕНИЯХ.

3.1 Сканирование рентгеновского изображения сердца и гистограммы распределения интенсивностей яркости.

3.2 Сканирование краеобразующей дуги ССС и гистограммы распределения интенсивностей яркости.

3.3 . Анализ сканирования фрагментов рентгенограмм.

3.4 Геометрический анализ снимков сердца.

3.5 Разработка методов формирования мультимодального изображения слияния рентгенограммы и сцинтиграммы.

3.6 Разработка и применение специализированных нейронных сетей для распознавания неоднородностей на лучевых изображениях.

3.7 Нейронные сети в системе компьютерной диагностики заболеваний.

ГЛАВА 4. КОМПЬЮТЕРНО-ДИАГНОСТИЧЕСКИЙ КОМПЛЕКС «DMR». АНАЛИЗ И ОБРАБОТКА ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ.

4.1 Организация программного комплекса.

4.2 Функциональные возможности обработки изображений программным комплексом «DMR».

4.3 Программные модули цифровой обработки рентгенографических снимков.

4.4 Компьютерная ассистируемая диагностика изображения сердечнососудистой системы.

4.5 --Программный модуль формирования мультимодального изображения слияния рентгенограммы и сцинтиграммы.

4.6 Аппаратная реализация программного комплекса «DMR» на базе ПЛИС в виде автономного радиотехнического устройства.;.

Актуальность темы

Актуальность разработки новых методов и моделей цифровой обработки изображений, устройств распознавания неоднородностей на лучевых изображениях определяется, прежде всего, возросшими требованиями к качеству и надежности разрабатываемых систем и радиотехнических устройств, созданием перспективных информационных технологий с использованием нейронных сетей.

Исследования, проводимые в области лучевой диагностики, сталкиваются-с рядом проблем и задач. Одной из таких задач является получение качественных медицинских изображений, имеющих высокий диагностический потенциал выявления артефактов.

Преобразование лучевых изображений в цифровой формат дает возможность обеспечить компьютерную обработку, заключающуюся в улучшении контраста и пространственного разрешения, идентификации и текстуризации рентгеновских изображений, что, в свою очередь, ставит задачу разработки, совершенствования и дальнейшего развития надежных и эффективных методов обработки лучевых изображений.

Современные методы получения цифрового изображения, в большинстве случаев, основаны на аппаратных средствах с использованием различных методов преобразования. Информационные технологии в лучевой диагностике требуют специализированного программного обеспечения, совмещающего мультимодальную визуализацию с методами цифровой обработки изображений.

Нейронно-сетевой подход имеет преимущества перед традиционными математическими методами, если рассматриваемая задача не поддается, адекватной формализации, поскольку содержит элементы неопределенности, не формализуемые традиционными математическими методами, или существующий математический аппарат решения задачи не удовлетворяет требованиям получения решений по времени, размеру, качеству и др.

Существующие методы реконструкции изображений и фильтрации, позволяют получать диагностические заключения посредством компьютерной обработки пленочных рентгеновских снимков[1,. 2, 3, 4, 5, 6]. Визуализация.по пленочным рентгеновским снимкам с помощью широко известного «молочно-белого» экрана и диагностика изображений экспертами не позволяет детально проводить идентификацию артефактов и анализ количественных данных. Задача интерпретации рентгеновских изображений решается в рамках нейросетевых технологий каждого набора параметров из обучающего множества.

Несмотря на то, что сейчас широко развиваются такие методы диагностики, как компьютерная томография (КТ) [2, 3], магниторезонансная томография (МРТ) [4] и позитронно-эмиссионная томография (ПЭТ), имеющие высокую диагностическую информативность, обследования этими методами, имеют недостатки: дорогое оборудование и специализированное программное обеспечение. Все это повышает стоимость обследования, поэтому в настоящее время данные методы визуализации используются только после рентгенографии при подозрении на заболевания, требующие дополнительного обследования [7, 8, 9].

Использование при рентгенологическом обследовании методов фильтрации снимков позволяет в большинстве случаев выявить неоднородности и артефакты на изображениях [10]. Особенность исследований диссертационной работы заключается в проведении таких процедур, как фильтрация в пространственной и частотной областях, гистограммный анализ изображения и сегментация текстур на нем для повышения диагностического потенциала изображения.

Современное развитие систем компьютерной ассистируемой диагностики (КАД) дает возможность распознавать заболевания на ранних стадиях, при этом исключается субъективность обследования [46]. Нейроускорители и б системы, реализованные на аппаратной платформе в виде функционально законченного радиотехнического устройства, позволили гибко использовать систему компьютерной ассистируемой диагностики.

Актуальной задачей является создание численных алгоритмов обнаружения и распознавания артефактов* и аппаратная реализация радиотехнического устройства для применения в медицинской практике.

Таким образом, решение отмеченных проблем позволило существенно повысить информационную отдачу лучевых изображений, создать новые эффективные алгоритмы обработки и распознавания изображений с помощью нейронных сетей встречного распространения и при этом дополнить возможности других, более современных методов.

Цель работы и задачи исследования

Целью диссертации является исследование и оптимизация методов анализа и обработки рентгеновских изображений, распознавания и выявления артефактов на цифровой или оцифрованной рентгенограмме, сканирования, и анализ гистограмм на наличие неоднородностей на снимках сердечнососудистой системы, моделирование мультимодального изображения слияния рентгенограммы и сцинтиграммы, выбор оптимальной структуры нейронной сети и построение модели нейросетевого классификатора.

Основные задачи работы

Для достижения поставленных целей необходимо провести анализ существующих методов и решить следующие задачи:

- разработать новый подход к решению задач фильтрации изображений, улучшающий качество и распознаваемость;

- разработать метод и алгоритм формирования мультимодального изображения слияния рентгенограмм и сцинтиграмм;

- разработать аппаратную реализацию программного комплекса «ОМЫ» на базе программируемой логической интегральной схемы в виде автономного радиотехнического устройства;

- разработать алгоритм и нейросетевой классификатор распознавания, текстуры изображений;

- разработать метод оценки изображения, учитывающий статистику значений пикселей из их локального множества на основании гистограмм «зоны интереса» и эталонных.

Научная новизна диссертации

1. Разработаны метод и алгоритм формирования мультимодального изображения слияния рентгенограмм и сцинтиграмм, позволяющие увеличить информативность зрительного восприятия за счет интеграции преимуществ двух методов визуализации.

2. Разработан новый подход к решению задач фильтрации в частотно-пространственной области рентгенографических и сцинтиграфических изображений, ранее не применявшийся; получены эффективные значения параметров фильтров.

3. Разработана система методик, обеспечивающих выбор размера ячейки, при сканировании «зон интереса» на цифровых рентгенограммах. На основании исследования характера и параметров распределения значений гистограмм интенсивностей «зон интереса» разработан метод анализа краеобразующей дуги сердечно-сосудистой системы оцифрованных рентгенограмм, позволяющий определить наличие неоднородностей.

4. На основе методов цифровой обработки изображений предложен алгоритм обработки лучевых изображений с оптимальными параметрами, обеспечивающий повышение информативности изображений с использованием нейронных сетей встречного распространения.

5. Разработаны алгоритм и классификатор, реализующие- на аппаратном уровне принципы нейросетевой технологии для распознавания текстуры изображения.

Достоверность научных положений

Достоверность научных положений диссертации обеспечивается математически корректной постановкой задачи, использованными методами цифровой обработки изображений, методами фильтрации, тщательным тестированием отдельных блоков и модулей программного комплекса, сравнением полученных решений в некоторых частных случаях с результатами других авторов. Все полученные в ходе исследования результаты проанализированы с точки зрения их физической достоверности. Визуальный анализ результатов компьютерного моделирования также подтверждает их корректность.

Практическая ценность и реализация результатов работы

Результаты исследования позволяют сформировать новую лучевую диагностическую концепцию, развивающую рентгенологический подход к распознаванию заболеваний на ранних стадиях. Применение нейросетевого подхода к решению задач идентификации неоднородностей является основой для радиотехнических устройств на базе программируемых логических интегральных схем. Основные теоретические и практические результаты переданы и используются в обследованиях пациентов на кафедре геронтологии и гериатрии при «Госпитале ВОВ и ветеранов труда», на кафедре лучевой диагностики ГОУ ВПО «Самарский государственный медицинский университет».

На защиту выносятся:

1. Метод и алгоритм формирования мультимодального изображения слияния рентгенограмм и сцинтиграмм

2. Новый подход к решению задач фильтрации в частотно-пространственной области рентгенографических и сцинтиграфических изображений-. . .„ . .

3. Система методик, обеспечивающих выбор размера ячейки при сканировании «зон интереса» на цифровых рентгенограммах.

4. Алгоритм обработки лучевых изображений с оптимальными параметрами, обеспечивающий повышение информативности изображений с использованием нейронных сетей встречного распространения.

5. Алгоритм и классификатор, реализующие на аппаратном уровне принципы нейросетевой технологии для распознавания текстуры изображения.

Апробация результатов диссертации

Материалы диссертации докладывались и обсуждались на следующих конференциях:

- VI Международная Выставка - Форум «Инфоком-2006» (Самара, Экспо-Волга, 2006);

- V Международная НТК «Физика и технические приложения волновых процессов» (Самара, 2006);

- IX Всероссийский Симпозиум по Прикладной и Промышленной Математике «Насущные проблемы прикладной и промышленной математики в Ставрополье» (Кисловодск, 2008);

- V Всероссийская НТК с международным участием «Математическое моделирование и краевые задачи» (Самара, 2008);

- IX Международная НТК «Проблемы техники и технологий телекоммуникаций» (Казань, 2008);

- XVII Российская научная конференция профессорско-преподавательского состава, научных сотрудников и аспирантов ПГУТИ (Самара, февраль 2010);

- XI Всероссийский Симпозиум по Прикладной и Промышленной Математике (Кисловодск, 2010).

Диссертация апробирована на семинаре Научно-исследовательского института математики и механики им. Н.Г. Чеботарева Казанского государственного университета (Казань, февраль 2008), на межкафедральном заседании кафедр гериатрии й лучевой диагностики ГОУ ВПО «Самарский государственный медицинский университет» (Самара, 2009).

Публикации

По теме диссертации опубликовано 12 печатных работ, в том числе 4 статьи в научных журналах, входящих в перечень ВАК РФ, 8 тезисов и докладов. Получено свидетельство о государственной регистрации программы для ЭВМ № 2010317167 (2010).

Структура и объем диссертации

Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы. Работа содержит 150 страниц машинописного текста, 87 рисунков и 3 таблицы. Список литературы включает в себя 88 наименований.

ЗАКЛЮЧЕНИЕ

Интеграция современных информационных технологий в ^ медицину способствует тому, что-компьютерные системы-диагностики находят, широкое применение в медицине, и тем самым появляется широкий выбор вариантов автоматизации исследований. Разработанная диагностическая компьютерная система «DMR» позволяет:

- проводить контрастирование рентгенограмм;

- проводить фильтрацию лучевых изображений в частотной и пространственной областях;

- масштабировать фрагменты изображения;

- проводить геометрические преобразования;

- анализировать и выделять контуры сердечно-сосудистой системы на рентгеновских изображениях;

- определять границы яркости шкалы черно-белого, соответствующие сердечно-сосудистой системе на рентгеновском изображении;

- вычислять параметры изображений ССС: уровней яркости шкалы черно-белого, интенсивности яркости I, средней яркости, распределение интенсивности;

- сканировать ячейки сетки рентгенограммы ССС с целью изучения локальных особенностей;

- строить двухмерных гистограмм отдельных ячеек, входящих в «зону интереса»;

- автоматизировать процесс анализа рентгеновских изображений в области ССС;

- формировать мультимодальное изображение слияния рентгенограммы и сцинтиграммы;

- вести статистический анализ рентгеновских снимков, текстур ткани;

- интегрировать снимки с информацией в единой Базе Данных.

К основным результатам и выводам диссертации можно отнести следующее.

Разработан метод формирования мультимодального изображения слияния рентгенограмм и сцинтиграмм с использованием геометрическойкоррекциш

Проведен , сравнительный анализ пространственного разрешения различных систем формирования изображений, получены результаты исследования текстур рентгенограммы по яркостному разрешению.

Разработан новый подход к решению задач фильтрации в частотно-пространственной области рентгенографических и сцинтиграфических изображений, получены значения параметров фильтров.

Разработана система методик, обеспечивающих выбор размера ячейки при сканировании «зон интереса» на цифровых рентгенограммах. На основании исследования^ характера и параметров распределения значений гистограмм интенсивностей «зон интереса» разработан метод анализа краеобразующей дуги сердечно-сосудистой системы оцифрованных рентгенограмм, позволяющий определить наличие неоднородностей.

На основе методов цифровой обработки изображений предложен алгоритм обработки лучевых изображений с оптимальными параметрами, обеспечивающий повышение информативности изображений с использованием нейронных сетей встречного распространения.

Разработаны алгоритм и классификатор, реализующие на аппаратном уровне принципы нейросетевой технологии для распознавания текстуры изображения.

Разработан диагностический программный комплекс, позволяющий-проводить цифровую обработку изображений; осуществлять компьютерную ассистируемую диагностику; формировать мультимодальные изображения.

Выполнена аппаратная реализация программного комплекса в виде радиотехнического устройства на базе программируемой логической интегральной схемы.

1. Котляров, П. М. Возможности^ рентгеновской" компьютерной томографии в диагностике центрального рака легкого Текст. / П. М. Котляров, Н. А. Глаголев, В. П. Харченко // Вопросы онкологии. 2000. - Т. 46.-№6.-С. 686-689.

2. Котляров, П. М. Возможности магнитно-резонансной томографии в диагностике периферического рака легких Текст. / П. М. Котляров, Е. В. Гамова, Н. В. Нуднов // Мед. визуализация. -2002. №4. - С. 35-39.

3. Журавель, И.М. Краткий курс теории обработки изображений^ Электронный ресурс. / И. М. Журавель. Режим доступа : http://matlab.exponenta.ru/imageprocess/book2/index.php. -11.03.2010.

4. Тютин, Л. А. Неинвазивная визуализация коронарных артерий с помощью многослойной спиральной компьютерной томографии Текст. / Л. А. Тютин., П. Э. Ицкович, Е. В. Розенгауз // Мед. визуализация. -2004, -№3. -С. 65-73.

5. Харченко, Б.П. Рак легкого: фундаментальные проблемы и клинические перспективы. Руководство для врачей Текст. / Б.П. Харченко, И.В. Кузьмин. -М.: Медицина, 1994, -479 с.

6. Белова, И.Б. Малодозовая цифровая рентгенография в. профилактических обследованиях населения Текст. / И.Б. Белова, В.М. Китаев // Радиология-практика. -2001. -№2. -С. 22-26.

7. Медицинская рентгенология: технические аспекты, клинические материалы, радиационная безопасность / Под ред. проф. Р. В. Ставицкого, -М.; МНПИ, 2003. -344 с.

8. Зеликман, М.И. Цифровые приемники для рентгенодиагностических аппаратов Текст. / М.И. Зеликман // Радиология-практика, -2001. —№1, -С. 30-34.

9. Мазуров, А.И. Параметры цифровых приемников и качество< изображения / А.И. Мазуров, // Мед. техника. -2009. -№5. -С. 4-7.

10. Блинов, А. Б. Определение эффективных доз облучения пациентов при рентгенологических исследованиях / А.Б. Блинов // Мед. техника. —2009. №5.-С. 31-37.

11. Осадчий, А.С Повышение эффективности рентгенодиагностики путем компьютерной обработки рентгенограмм Текст. / A.C. Осадчий, И.П. Королюк, Ю.Л. Минаев // Врач-аспирант. -2007. -№6. -С. 501-507.

12. Степанова, Е. А. Цифровая (CR) рентгенография в муниципальном и региональном здравоохранении РФ: дис. . канд. мед. наук / Е.А. Степанова МОНИКИ,2006. - 164 с.

13. Бару, С. Е. Микродозовые рентгенографические системы и области их оптимального применения / С. Е. Бару // Мед. техника. -2009. -№5. -С. 40-42.

14. Вейп Ю. А. Универсальные цифровые приемники рентгеновских изображений / Ю. А. Вейп, А. И. Мазуров // Мед. техника. -2009. -№5. -С. 37-40.

15. Блинов, Н. Н Преобразователи рентгеновских изображений. Разработка и перспективы / Н. Н. Блинов, Ю. В. Варшавский, М. И. Зеликман // Компьютерные технологии в медицине. -1997.-№3. -С. 23-24.

16. Wilkie, J.R. Comparison of radiographic texture analysis from computed' radiography and bone densitometry systems / J.R. Wilkie, M.L. Giger, M.R. Chinander // Med Phys. -2004. -31. -P. 882-891.

17. Andriole, K.P. Finding-specific display presets" for computed radiography soft-copy reading / K.P. Andriole, R.G. Gould // Digit Imaging. -1999.-12(2).-P. 3-5.

18. Andriole, K.P. Workflow assessment of digital versus computed radiography and screen-film in the outpatient environment / K.P. Andriole, D.M. Luth, R.G. Gould // Digit Imaging. -2002. -15(1). -P. 124-126.

19. Bradford, C.D. Performance characteristics of a Kodak computed radiography system / C.D. Bradford, W.W. Peppier, J.T. Dobbins III // Med.'Phys. -1999.-26(1).-P. 27-37.

20. Morgan, K.Z. History of the International Radiation Protection Association / K.Z. Morgan // Health Phys. -1998. -74(6). -P. 644-5.

21. Salvini, E. Digital storage phosphor radiography. Doses and image quality / E. Salvini, G. Pedroli, G. Montanari, R. Pastori, A. Crespi, G. Zincone // Radiol. Med. -1994. -87(6). -P. 847-851.

22. Sanfridsson, J. Radiation doseand image information in computed radiography. A phantom study of angle measurements in the weight-bearing knee / J. Sanfridsson, G. Holje, G. Svahn, L. Ryd, K. Jonsson // Acta Radiol. -2000. -41(4).-P. 310-316.

23. Bhargavan, M. Workload of Radiologists in United States in 2006-2007 and Trends Since 1991-1992 / M-. Bhargavan; A.H. Kaye, H.P. Forman, J.H. Sunshine // Radiology. -2009. -P. 458-467.

24. Рюдигер, Ю.Г. О применении синей и зеленой систем визуализации изображения в рентгенографии / Ю.Г. Рюдигер //Мед. техника. -2004. — №6: -С. 57-66.

25. Гуржиев, А.Н. Отображение-цифрового рентгеновского снимка на экране компьютера: проблемы и пути их. решения / А.Н. Гуржиев; С. Н; Гуржиев, А. В. Кострицкий // Радиология-практика. -2003. -№ 3. -С. 52-55.

26. Грузман, И.С. Цифровая обработка изображений в информационных системах / И.С. Грузман, B.C. Киричук, В.П. Косых, Г.И; Перетягин, A.A. Спектор. Новосибирск: Изд-во НГТУ, 2002, - 352 с.

27. Беликова, Т.П. Моделирование линейных фильтров, для обработки рентгеновских изображений, в задачах медицинской диагностики / Т.П. Беликова; под ред. В.И.Сифорова, Л.П.Ярославского. -М.: Наука, 1990. 176с.

28. Хонина, С.Н. Обработка изображении спектральный метод увеличения фрагментов цифровых изображений Текст. / С.Н. Хонина, В.Г. Баранов, В.В. Котляр // Компьютерная оптика. 1999. - №19. -0.165-174.

29. Ильясова, Н.Ю. Экспертная компьютерная система диагностики глазных заболеваний по изображениям глазного дна / Н.Ю. Ильясова, А.В: Устинов, В.Г. Баранов // Компьютерная оптика. -1999. -№19. -С. 202-209.

30. Куприянов, A.B. Оценивание диагностических параметров сосудов на изображениях глазного дна в области диска зрительного нерва / A.B. Куприянов, Н.Ю. Ильясова, М.А. Ананьин // Компьютерная оптика. -2006. -№29. -С. 141-146.

31. Ильясова, Н.Ю. Измерение биомеханических характеристик сосудов для ранней диагностики сосудистой патологии глазного дна / H.IO. Ильясова, A.B. Куприянов, М.А. Ананьин, H.A. Гаврилова// Компьютерная оптика. -2005. -№27. -С. 165-169.

32. Branchevsky, S.L. Methods for estimating geometric parameters of retinal vessels using diagnostic images of fundus / S.L. Branchevsky, A.B. Durasov, N.Yu. Ilyasova, A.V. Ustinov fundus // Proceedings SPIE. -1998. Vol. 3348. -P. 316-325.

33. Ching-Wen, Ya. Computer-aided diagnostic detection system of venous beading in retinal images / Ya. Ching-Wen, M. DyeJyun, Ch. ShuennChing, W, ChuinMu, W. Chia-Hsien, L. ChienShun // Optical Engineering. -2000: —39(5). -P. 1293-1303

34. Ильясова, Н.Ю. Метод выделения центральных линий-кровеносных сосудов^ на диагностических изображениях / Н.Ю. Ильясова, А.О. Корепанов, П.М. Чикулаев // Компьютерная оптика. -2006. -№29. -С. 146-149.

35. Ильясова, Н.Ю. Анализ структуры сосудистой системы сердца^ методом трассировки изображений проекций / Н.Ю. Ильясова, А.О. Корепанов, А.В. Куприянов, В.Г. Баранов, А.Г. Храмов // Компьютерная, оптика. -2002. -№23. -С. 53-57.

36. Dijkstra, W. A note on two problems in connexion with graphs / W. Dijkstra //Numerische Mathematik. -1959. -P. 269-271.

37. Колентьев, C.B. Информационно-измерительная сисмтема идентификации патологических структур по флюорограммам: дис. . канд. тех. наук / C.B. Колентьев СГТУ, -2004. -133 с.

38. Мякишева, Т.В. Цифровая маммография в клинической практике Текст. / Т.В. Мякишева // Медицинский бизнес. -2006. -№ 10. С. 62-64.

39. Зеликман, М. И. Сравнительный анализ различных методов оценки эффективных доз при использовании рентгеновских компьютерных . томографов / М.И. Зеликман, С.А. Кручинин // Мед. техника. -2009. -№5. -С. 7-12.

40. Яне, Б. Цифровая обработка изображений / Б. Яне; пер. с англ. А.М: Измайловой. -М.: Техносфера, 2007. -584 с.

41. Hounsfield, G.N. Computed Medical Imaging / G.N: Hounsfield* // World Scientific Publishing Co. -1992. -P. 568-586.

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

43. Методы компьютерной обработки изображений / М.В. Гашников и др.; под ред. В.А. Сойфера. -М.: Физматлит, 2003. 576 с.

44. Шехтер, А.И Обработка рентгеновского изображения малых шаровидных образований легких с использованием линейной фильтрации / А.И. Шехтер, Ю.А. Романычев, И.М. Кодолова // Вест, рентгенол. -1986. —№ 1.-С. 21-28.

45. Прэтт, У. Цифровая обработка изображений / У. Прэтт; пер. с англ. под ред. Д.С. Лебедева. -М.: Мир, Т. 1. -1982. 312 е.; Т. 2. -1982. - 325 с

46. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс; пер. с англ. под ред. П.А. Чочиа. -М.:Техносфера, 2005. 1072 с.

47. Ярославский, Л.П. Введение в цифровую обработку изображений / Л.П. Ярославский. -М.:Совл радио, 1979.-312 с.

48. Цифровое преобразование изображений: учеб. пособие для вузов / P.E. Быков, Р. Фрайер, К.В. Иванов; A.A. Манцветов; под ред. проф. P.E. Быкова. -М.: Горячия линия-Телеком, 2003, -228 с:

49. Абламейко, C.B. Обработка изображений: технология, методы,, применение / C.B. Абламейко, Д.М. Лагуновский. -Мн.:.Амалфея, 2000. 304 с:

50. Грузман, И.С. Цифровая обработка изображений в информационных системах / И.С. Грузман, B.C. Киричук, В.П. Косых, Г.И: Перетягин, A.A. Спектор. Новосибирск: Изд-во НГТУ, 2002, - 352 с.

51. Власенко, В.А. Методы синтеза быстрых алгоритмов вертки и спектрального анализа сигналов / В.А. Власенко, Ю.М. Лаппа, Л.П. Ярославский. -М.: Наука, 1990. 160 с.

52. Хермен, Г. Восстановление изображений по проекциям: Основы реконструктивной томографии / Г. Херман; пер. с анг. Л.В. Бабина и А.Б. Мещерякова под ред. Л.М. Сороко. -М.: Мир, 1983. -352 с.

53. Дуда, Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт; пер. с англ. под ред. В.Л. Стефанюка. -М.: Мир, 1976. -502 с.

54. Фу, К. Последовательные методы в распознавании образов и обучении машин / К. Фу; пер. с англ. под ред. Л.А. Мееровича, Я.З. Цыпкина. -М. : Наука, 1971. -256 с.

55. Фурман, Я.А. Цифровые методы обработки и распознавания бинарных изображений / Я.А. Фурман, А.Н. Юрьев, В.В. Яншин.-- -------- Красноярск:-КГУ, 1992.-248 с.

56. Бейтс, Р. Восстановление и реконструкция изображении/ Р.Бейтс М. Мак-Доннел; пер.с англ. -М.: Мир, 1989. -336 с.

57. Кривозубов, В.П. Дигитальная обработка рентгеновских снимков: интерпретация, распознавание, диагностика / В.П. Кривозубов, H.Ol Захарова, A.B. Николаева. -Самара: СНЦРАН, 2008. -286с.

58. Хлесткин А.Ю. Распознавание текстур рентгенографических снимков и УЗИ изображений программными методами Текст. / А.Ю.' Хлесткин, В.П. Кривозубов, A.B. Николаева // Инфокоммуникационные технологии. 2006. - № 3. - С. 64-69.

59. Хлесткин А.Ю. Выявление артефактов сердца методами преобразований спектров с применением окна поиска Текст. / А.Ю. Хлесткин, В.П. Кривозубов // Инфокоммуникационные технологии. 2008. -№4.-С. 79-83.

60. Хлесткин А.Ю. Дигитальное сканирование в. диагностике рентгенографических снимков Текст. / А.Ю. Хлесткин, P.P. Янгазов // Инфокоммуникационные технологии. 2008. - № 4. -С. 91-96.

61. Хлесткин А.Ю.* Модели слияния рентгеновских и сцинтиграфических изображений в распознавании артефактов Текст. / А.Ю. Хлесткин, О.В. Старожилова // Инфокоммуникационные технологии. 2010. - № 2. - С. 40-42.

62. Стариков А. Применение нейронных сетей для задач классификации и кластеризации. http://www.basegroup.ru/.

63. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика / Ф. Уоссермен, пер. с анг. под ред. Ю.А. Зуев. — М.: Мир, 1992.

64. Братко, И. Алгоритмы искусственного интеллекта на языке. / И. Братко. М.: Вильяме, 2004. -640 с.

65. Заенцев, И.В. Нейронные сети: основные модели / И.В. Зайцев. Воронеж: ВГУ, 1999. -157 с.

66. Розенблатт, Ф. Принципы нейродинамики: персептроны и теория механизмов мозга (Principles of Neurodynamic: Perceptrons and the Theory of Brain Mechanisms) / Ф. Розенблатт. -M.: Мир, 1965. -480 с.

67. Оссовский, С. Нейронные сети для обработки информации / С. Оссовский, пер. с польского под ред. И.Д. Рудинского. М.: Финансы и статистика, 2002. - 344 с.