CC BY
43
АНАЛИЗ БИОМЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ РАЗЛИЧНЫМИ МЕТОДАМИ СЕГМЕНТАЦИИ, ОСНОВАННЫМИ НА ОПЕРАТОРАХ ВЫЧИСЛЕНИЯ ГРАДИЕНТА
© Филист С.А.*, Шашкова Е.А.4,
Шаталова О.В.*, Томакова Р.А.*
Юго-Западный государственный университет, г. Курск
В статье представлено описание градиентных методов сегментации, основанных на операторах выделения краев. Проведен сравнительный анализ резуньтатов сегментации биомедицинских изображений различными методами.
Бурное развитие иммунологии в начале 20 в. привело к разработке нового метода гистологического исследования - иммуногистохимического. Иммуногистохимия - это метод выявления точной локализации того или иного клеточного или тканевого компонента (антигена) благодаря связыванию его с меченными антителами [1].
Флуорисцентным красителем можно отметить антитела и при этом не нарушить их специфичность. Выявляются конъюганты с помощью микроскопа, потому как они взаимодействуют на срезе ткани. При этом возможно установление распределения антигена в клетках и тканях.
Также возможно обнаружение антител, которые направлены к известному антигену конкретной клетки или ткани.
В данной работе в качестве биоматериала взято иммуногистохимическое исследование эндометрия матки.
На рисунке представлены дицидуальные клетки с окрашенным ядром антителом к рецепторам к прогестерону (рис. 1а). Целью работы является выделение контуров ядер клеток.
Выделение краёв - это хорошо изученная область в обработке изобра-жений. При данном подходе задача сегментации формулируется как задача поиска границ регионов. Методы поиска границ хорошо разработаны для полутоновых изображений.
Края - это такие кривые на изображении, вдоль которых происходит резкое изменение яркости или ее производных по пространственным переменным. Наиболее интересны такие изменения яркости, которые отражают важные особенности изображаемой поверхности.
* Профессор кафедры Биомедицинской инженерии, доктор технических наук.
* Аспирант кафедры Биомедицинской инженерии.
* Доцент кафедры Биомедицинской инженерии, кандидат технических наук.
* Докторант кафедры Биомедицинской инженерии, кандидат технических наук.
Вполне естественно, что зашумленность измерений яркости ограничивает возможность выделить информацию о краях. Существует противоречие ме^ду чувствительностью и точностью, следовательно, короткие края должны обладать большей контрастностью, чем длинные, чтобы их можно было распознать [2].
Обработка изображения осуществляется с помощью Image Processing Toolbox - пакета расширения MATLAB, содержащего полный набор типовых эталонных алгоритмов для обработки и анализа изображений, в том числе функций фильтрации, частотного и морфологического анализа, улучшения и распознавания изображений.
Для повышения устойчивости к шуму в качестве предобработки применяется сглаживание изображения, фильтром Гаусса (рис. 16).
Для выделения контуров используются методы, вычисляющие градиент изображения, - операторы Робертса, Превитта, Собела, лапласиана -гаусиана (Log), Канни и оператор пересечения нулевого уровня.
Градиентные методы основаны на свойстве того, что различным объектам на изображениях соответствуют области со схожими значениями яркости. На границах же яркость существенно меняется. Оператор Робертса обладает малой сложностью вычислений, зато высоко чувствителен к шуму. Оператор Собела обладает относительно высокая скорость работы, устойчивость к шуму. Метод Превитта характеризуется высокой степенью точности определения границ, устойчивостью к шуму, но в то же время и большой сложностью вычисления.
Для подчеркивания перепадов яркости изображения также используются вторые производные. Двумерный дифференциальный оператор но-
а) исходное изображение
б) изображение размытое фильтром Гаусса
Рис. 1
сит название оператора Лапласа. Лапласиан - это двухмерное отображение второй производной. Он часто применяется для обнаружения границ в пересечении нуля. Поскольку Лапласиан очень чувствителен к шуму, чтобы уменьшить влияние шума часто используют сглаживание, например, по методу Гаусса. В силу ассоциативности операторов свертки, обычно используют единое ядро, которое носит название лапласиана-гауссиана.
а) сегментация оператором Собела б) сегментация оператором Превитта
ч „ , г) сегментация оператором
в) сегментация оператором Робертса
лапласиана - гаусиана
Рис. 2
Отдельно в ряду методов обнаружения границ стоит метод Канни. Реализация метода Канни состоит из 4 последовательных шагов: сглаживания, дифференцирования, подавления в точках отсутствия максимума и
пороговой сегментации. Общая сложность метода Канни по сравнению с другими описанными выше за счет использования нескольких стадий. В то же время, это дает лучшее качество сегментации изображения. Кроме этого, необходимо отметить, что он представляет собой набор различных последовательно выполняемых алгоритмов [3].
От выбора порога сегментации во многом зависит её результат. Заданный порог сегментации (Т) показывает, принадлежит ли пиксель к границе. При выборе высокого порога возникает недостаточная сегментация, низкого - избыточная.
Значения порога для каждого оператора были проварьированы для получения самого лучшего обнаружения ядер исходных изображений и удаления ненужных деталей, насколько это возможно.
При использовании фильтра Собела был выбран порог Т8 = 0,04, при выборе большего значения порога выделяются не все границы ядер, при меньшем пороге возникает избыточная сегментация (рис. 2а).
Аналогично была проведена оценка качества работы методов сегментации для операторов Робертса, Превитта, лапласиана - гаусиана, Канни, оператора пересечения нулевого уровня (Тк = 0,03, ТР = 0,04, Ть = 0,003, Т2 = 0,0025, Тс = 0,17) (рис. 2б-г, рис. 3а-б).
а) сегментация оператором
б) сегментация оператором Канни
пересечения нулевого уровня
Рис. 3
Очевидным является то, что не всегда для изображения есть единственно «правильная» сегментация, и далеко не всегда задача сегментации имеет единственное решение. По той причине нет и объективного критерия оценки качества разбиения изображения.
Поскольку сегментация обычно используется не самостоятельно, а как часть некоторой системы, то чаще всего, качество работы метода оценивается исходя из работы системы в целом. Поэтому один и тот же метод сегментации может оказаться хорошим для одной задачи и плохим для другой.
Для поставленной задачи наиболее эффективным является оператор Кани. Помимо выделения контуров ядер клеток данный оператор позволяет получить самую ясную «карту» изображения. Операторы Собела и Превитта показали приблизительно одинаковые результаты. Наименее эффективными являются оператор лапласиана-гаусиана и оператор пересечения нулевого уровня. При их применении контура ядер выделены не достаточно, и на изображении существуют помехи. Попытка понизить заданный порог, привела лишь к ухудшению сегментации.
Список литературы:
1. Основы иммуногистохимии [Электронный ресурс]. - Режим доступа: www.biovitrum. ru.
2. Журавель И.М. Краткий курс теории обработки изображений / И.М. Журавель. - М., 1999. - 436 с.
3. Болонкин А.В. Преобразование растр-вектор изображений сосудов / А.В. Болонкин // Системы проектирования, технологической подготовки производства и управления этапами жизненного цикла промышленного продукта CAD / CAM / PDM: материалы X Международной конференции. -М.: ИПУРАН, 2006.
РАЗРАБОТКА АЛГОРИТМА ОБРАБОТКИ ДАННЫХ, ПОЛУЧЕННЫХ ПРИ ПРОВЕДЕНИИ ОБМЕРОВ С ПОМОЩЬЮ ЛАЗЕРНОГО ДАЛЬНОМЕРА
© Хохлов П.В.*, Снисаренко В.Н.4, Норьев Я.И.*
Сибирский государственный университет телекоммуникаций и информатики, г. Новосибирск
Лазерный дальномер является попупярным инструментом для проведения обмеров различных помещений. Разработан алгоритм обработки выходных данных лазерного дальномера, позволяющий получить каркасную модель измеряемого объекта.
Строительные компании, фирмы по отделке и ремонту помещений по роду своей деятельности производят замеры помещений. При большом
* Старший преподаватель кафедры Систем автоматизированного проектирования.
* Ассистент кафедры Систем автоматизированного проектирования.
* Студент факультета Информатики и вычислительной техники.
