CC BY
10Список литературы
1. Беллами Дж. Цифровая телефония: пер. с англ. / под ред. А.Н. Берлина, Ю.Н. Чернышова. -М.: Эко-Трендз, 2004. - 640 с.
2. Приходько А. И. Теория сигналов электрической связи. В 3 томах. Том 1. - Детерминированные сигналы: учебное пособие для вузов. - М.: Горячая линия - Телеком, 2021. - 364 с.
3. Приходько А. И. Теория сигналов электрической связи. В 3 томах. Том 2. - Случайные сигналы: учебное пособие для вузов. - М.: Горячая линия - Телеком, 2021 - 288 с.
4. Приходько А. И. Теория сигналов электрической связи. В 3 томах. Том 3. - Модулированные
сигналы: учебное пособие для вузов. - М.: Горячая линия - Телеком, 2021. - 472 с.
5. Скляр Б. Цифровая связь. Теоретические основы и практическое применение: пер. с англ. Изд. 2-е, испр. - М.: Изд. дом «Вильямс», 2003. - 1104 с.
6. LoCicero J. L., Patel B. P. Line Coding // The Communication Handbook / ed. J. D. Gibson. 2nd Ed. - Boca Raton: CRC Press, 2002. - 1526 p.
7. Simon M.K. Digital Communication Techniques: Signal Design and Detection / M.K. Simon, S.M. Hinedi, W.C. Lindsey. - Englewood Cliffs: Prentice Hall, 1994. - 888 p.
8. Xiong F. Digital Modulation Techniques / F. Xiong. - Boston - London: Artech House, 2006. -1017 p.
ИСПОЛЬЗОВАНИЕ АЛГОРИТМА ПОИСКА СТРУКТУРНЫХ РАЗЛИЧИЙ ИЗОБРАЖЕНИЙ ДЛЯ ПОИСКА ИЗМЕНЕНИЙ В НОВООБРАЗОВАНИЯХ КОЖИ
Смалюк А. Ф.
Белорусский Национальный Технический Университет, Минск Беларусь
USING THE ALGORITHM FOR DETECTION OF STRUCTURAL DIFFERENCES IN IMAGES TO
SEARCH FOR CHANGES IN SKIN LESIONS
Smaliuk A.
Belarusian National Technical University
Аннотация
Описывается использование алгоритма поиска структурных различий для сравнения дерматоскопи-ческих изображений новообразований кожи сделанных в разное время. Нахождение структурных различий в таких изображениях позволит определить изменения, произошедшие в новообразованиях, в первую очередь изменения размера и формы новообразований, что позволит улучшить качество диагностики рака кожи, и других заболеваний. Используемый алгоритм построен на основе морфологического проектора для выравнивания яркости изображений, что позволяет существенно снизить влияние условий, при которых получены снимки и получить изменения формы новообразования даже в случаях, когда снимки сделаны на разном оборудовании, и отличаются яркостью и контрастом изображения.
Abstract
The use of the algorithm for detection of structural differences for comparing dermatoscopic images of skin lesions taken at different times is described. Finding structural differences in such images will help determine the changes that have occurred in lesions, primarily changes in the size and shape of lesions, which will improve the quality of diagnostics of skin cancer and other skin diseases. The algorithm used is built on the basis of a morphological projector to equalize the brightness of the images, which can significantly reduce the influence of the conditions under which the images are obtained and detect changes in the shape of the lesion, even in cases when the images were taken using different equipment, and differ in the brightness and contrast of the image.
Ключевые слова: меланома, компьютерная диагностика, алгоритм, морфологический проектор, анализ изображений.
Keywords: melanoma, computer diagnostics, morphological projector , image analysis.
Введение
Ранняя диагностика злокачественных новообразований кожи, в частности меланомы, является чрезвычайно важной задачей. Так по данным ВОЗ в мире регистрируется 160 тысяч новых случаев заболевания меланомой кожи каждый год. В Европе заболеваемость составляет более 11 случаев на 100 тысяч людей. И это количество постоянно растет. В Беларуси случаи меланомы составляют до 4 процентов случаев злокачественных образований, и за последние десять лет, количество заболевающих выросло в полтора раза.
В этих условиях самым эффективным средством снижения смертности от меланомы является создание и применение средств ранней диагностики.
В ходе выполнения проекта трансграничного сотрудничества Литва-Латвия-Беларусь «Повышение качества медицинского обслуживания посредством использования информационных технологий для диагностики рака кожи и рака легкого» создана распределенная экспертная система для диагностики опухолей кожи по дерматоскопическим снимкам [1].
Данная система в настоящее время успешно используется для первичной диагностики мела-номы в ряде лечебных заведений Беларуси. Центром системы программа МеМеатсЬ, которая делает прогноз на основе двух подходов: вычисление значений стандартных дерматоскопических критериев и суммирования их с различными коэффициентами (ЛБСБ, 7-Рош1, Menzies); поиск похожих изображений в базе данных с известными диагнозами [2].
Тем не менее продолжает существовать задача совершенствования данной системы, добавления новых критериев, которые позволят увеличить точность получаемых диагнозов, а также применять эту систему для диагностики других типов злокачественных новообразований кожи.
В частности важным критерием могут выступать изменения размера и формы новообразования с течением времени, которые могут быть использованы для диагностики не только меланомы, но и других видов новообразований кожи.
1. Алгоритм поиска структурных изменений в изображениях
Под структурными изменениями обычно понимаются изменения формы и размера, находящихся на изображении объектов, которые должны быть обнаружены даже в том случае, если сравниваемые изображения существенно отличаются по яркости, контрастности, цветовой гамме.
Такие алгоритмы разрабатываются и используются не только для анализа медицинских изображений, но и в других отраслях, в частности для анализа спутниковых изображений поверхности земли[3].
Предлагаемый в указанной работе алгоритм позволяет найти структурные отличия в изображениях, существенно отличающихся по цветовой гамме, яркости и контрастности.
Исходными данными для алгоритма являются два сравниваемых изображения, которые далее будут обозначаться/и g. Для получения достаточной точности, для них должно быть выполнено геометрическое выравнивание. Далее алгоритм состоит из следующих шагов:
1. Т.к. обычно главным критерием для поиска структурных отличий является яркость точек изображения, а не цветовая гамма, оба исходных изображения преобразовываются в изображения в оттенках серого.
2. Для обоих изображений создаются функции преобразования яркости Fgf и Ffg. Две функции необходимы для того, чтобы преобразование было симметричным, и результат не отличался при сравнении f с g и g с
3. С помощью данных функций строятся новые изображения f=Ffgf) и gs=Fgf(g). Изображение f имеет ту же структуру, что и f, но распределение яркости в нем аналогично g. И соответственно изображение gУ имеет ту же структуру, что и g, но распределение яркости в нем соответствует f.
4. Строятся разностные изображения К%(х) = \Р(х) - g(x)\ и К^х) = (х) -/(х)\. В полученных
изображениях яркость точки соответствует величине структурных отличий изображений в данной точке. Чем ярче точка, тем больше вероятность, что в данной области изображения структурно отличаются.
5. Выявленные на этих двух изображениях структурные различия могут отличаться. Поэтому, чтобы учесть структурные отличия, которые проявились на каждом из полученных разностных изображений, строится суммарное разностное изображение. Оно получается путем вычисления максимального значения яркости точки из двух изображений К(х) = шах(К^(х), К^х)).
6. Полученное изображение подвергается пороговой обработке. Выбирается параметр Т, и те точки, которые имеют яркость выше или равную Т, получают максимальный уровень яркости, а те, которые имеют яркость ниже, получают минимальный уровень. Полученное таким образом изображение показывает найденные места структурных различий белым цветом, и места, где различий не выявлено — черным.
На практике шаг 6 требует более сложного подхода. Простейшая пороговая обработка отдельных точек, например, приводит к тому, что результаты алгоритма становятся излишне чувствительными к шуму изображения, что является очень важным для спутниковых снимков [3], но не так критично для дерматоскопических изображений. В свою очередь, для дерматоскопических изображений такая обработка подчеркивает наличие мелких посторонних элементов на снимке, таких как волосы, метки на оптике дерматоскопа и т. д.
Решаются указанные проблемы с помощью метода скользящего окна, когда с порогом сравнивается не яркость в отдельной точке изображения, а суммарная яркость в окне заданного размера для данной точки. Это сглаживает контур обнаруженных областей структурных различий, и уменьшает проявления шума и мелких посторонних элементов на изображениях. Чем больше окно, тем больше эффект сглаживания, и тем меньше вероятность появления посторонних элементов. Но при этом на окнах большого размера могут теряться небольшие структурные отличия, имеющиеся на изображениях.
2. Функции преобразования яркости
Для построения изображений с приведенной яркостью f и могут использоваться различные функции приведения яркости. В работе [3] автором рассмотрены следующие виды функций: морфологический проектор, регуляризованный морфологический проектор, линейная и квадратичная функции. Там же делается вывод, что наиболее точным с точки зрения выявления структурных различий является морфологический проектор:
р _ у Ъх,ехд(х')х100 ,/( Л Prn^-i, yxiexx{ixi) XiW
(1)
у/(г) = (1,если/(х) = I { 0, иначе Где X- множество всех точек изображения, / — уровни яркости изображений.
При этом в качестве главного недостатка морфологического проектора указывается высокая чувствительность к шуму алгоритмов построенных на его основе, что затрудняет его прямое использование при анализе спутниковых снимков.
Для дерматоскопических изображений данный недостаток не является критичным, так как уровень шума на них относительно невысок, и ложные срабатывания связанные с ним компенсируются пороговой обработкой методом скользящего окна. При этом его высокая точность и быстродействие являются его несомненными достоинствами.
3. Поиск различий на тестовых дерматоско-пических изображениях
Далее будет рассмотрено применение описанного выше алгоритма для сравнения двух изображений меланомы.
Исходные изображения, приведенные к градациям серого показаны на рисунке 1. Размер исходных изображений 1200 на 800 точек. Точное совпадение размеров изображений является одним из условий работы данного алгоритма.
Рисунок 1. Исходные изображения, в градациях серого.
Как видно из рисунка, изображения отличаются как формой и размером новообразования, так и уровнями яркости изображений.
Изображения с приведенными уровнями яркости показаны на рисунке 2.
Рисунок 2. Изображения с приведенными уровнями яркости.
Первое изображение после приведения уровней яркости получило заметно более светлый фон, как у второго исходного изображения, а второе преобразованное изображение стало более темным, чем исходное.
Разностные изображения, полученные вычитанием исходных и преобразованных изображений, показаны на рисунке 3.
Рисунок 3. Разностные изображения.
После суммирования разносных изображений и их пороговой обработки были получены изображения показанные на рисунке 4.__
Рисунок 4. Полученное разностное изображение.
Оба изображения, показанные на рисунке 4, получены с одним и тем же пороговым уровнем, при этом левое изображение получено методом скользящего окна с размером окна в 10 точек, а правое простым попиксельным сравнением.
Как наглядно видно из рисунка 4, метод скользящего окна позволяет избавиться от множества мелких элементов, вызванных шумом либо посторонними объектами. Так на втором изображении хорошо видны следы наличия волос, которые не везде совпадают на исходных изображениях. В первом изображении эти следы отсутствуют, и это позволяет получить более четкую картину структурных изменений.
Наложение полученных разностных изображений на исходные снимки меланомы показало, что рассматриваемый алгоритм успешно справился с выявлением структурных различий между снимками и как следствие выявлением изменения формы новообразования.
Заключение
Рассмотренный в работе алгоритм поиска структурных изменений в изображениях позволяет выявить изменения, произошедшие в новообразовании кожи, на основе дерматоскопических снимков. К достоинствам данного алгоритма можно отнести достаточно высокую точность результатов, возможность сравнения снимков, которые сделаны на разном оборудовании и отличаются друг от друга яркостью и контрастностью. Также данный
алгоритм позволяет при поиске изменений отфильтровать многие мелкие и несущественные детали. Использование этого алгоритма в системе анализа дерматоскопических изображений для сопоставления фотографий сделанных в разное время позволит повысить качество диагностики новообразований кожи.
Список литературы
1. В.В. Баркалин, А.Г. Жуковец, Н.М. Тризна, В.А. Ковалев, В.А. Левчук, Я.В. Долгая, А. Стасио-нис, В. Рапскявичус, К. Рубинас, А. Каминский, Д. Баниене, Д. Мозурайтиене, Л. Добровольскис. ПОВЫШЕНИЕ КАЧЕСТВА МЕДИЦИНСКОГО ОБСЛУЖИВАНИЯ ПОСРЕДСТВОМ ИСПОЛЬЗОВАНИЯ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ ДЛЯ ДИАГНОСТИКИ РАКА КОЖИ И РАКА ЛЕГКОГО (ПРОЕКТ LLB 2-242). Труды VI Международной научно-практической конференции СОВРЕМЕННЫЕ ПОДХОДЫ К ПРОДВИЖЕНИЮ ЗДОРОВЬЯ, 13 октября 2016 года, г. Гомель, Республика Беларусь, 4 с.
2. В.А. Левчук, В.А. Ковалев, В.В. Баркалин, В.Э. Лозовский. Компьютеризированная диагностика меланомы на базе поиска похожих дермато-скопических изображений в базе данных//Вести национальной академии наук №2 2016.//стр. 86 -91
3. Корнилов Ф.А. Поиск структурных различий изображений: алгоритмы и методика исследования // Машинное обучение и анализ данных, 2014. Т. 1. N0 7. С.902-919.
