Метод и алгоритм автоматической обработки малоконтрастных медицинских изображений Текст научной статьи по специальности «Прочие медицинские науки»

МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №10/2015 ISSN 2410-6070

Список использованной литературы:

2. Абразивная и алмазная обработка материалов. Справочник / Под ред. Резникова А.Н. — М.: Машиностроение, 1977. — 391 с.

3. Новоселов Ю.К. Динамика формообразования поверхностей при абразивной обработке / Ю.К. Новоселов. - Саратов: Изд-во Саратов. ун-та, 1979. - 232 с.

© Ю.К.Новоселов, И.А. Дымченко

УДК 004.932

И.Л. Егошина

д.т.н., профессор кафедры радиотехнических и медико-биологических систем, Поволжский государственный технологический университет

Д.В. Белобородов магистр 2 курса радиотехнического факультета, Поволжский государственный технологический университет г. Йошкар-Ола, Российская Федерация

МЕТОД И АЛГОРИТМ АВТОМАТИЧЕСКОЙ ОБРАБОТКИ МАЛОКОНТРАСТНЫХ

МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ

Аннотация

Разработаны метод и алгоритм автоматической обработки малоконтрастных медицинских изображений ангиографии артерий полушарий головного мозга, позволяющие произвести оценку степени изменения кровотока на снимке до и после оперативного лечения, улучшающие визуализацию и восприятие информативных признаков изображения.

Ключевые слова

Обработка и анализ изображений, малоконтрастное изображение, визуализация медицинских изображений.

Введение. Объекты на медицинских изображениях обладают большой сложностью и многофакторностью, что обусловливает высокие требования к надёжности, точности и достоверности результатов исследований. Использование вычислительной техники и математических методов в этой области позволяет не только ускорить процесс обработки материала, но и повысить точность результатов исследования, а также использовать сложные, критичные ко времени алгоритмы, касающиеся анализа изображений. Современные методы получения медицинского изображения способны дать качественно новые представления о той или иной патологии. Визуализация медицинских изображений является одним из основных способов проведения диагностических исследований. Большинство аппаратных программных средств имеют возможность визуально представить информацию о работе органов пациента в реальном времени, но не производят компьютерного анализа, автоматического распознавания патологии. Таким образом, врач-диагност самостоятельно производит визуальную обработку, и актуальной задачей является задача улучшения восприятия малоконтрастных изображений с целью увеличения его информативности [1].

Автоматическая обработка малоконтрастных медицинских изображений. Общая структура алгоритма цифровой обработки и выделения объектов на изображениях содержит предварительную фильтрацию, пороговую обработку и обработку бинарного изображения (рис.1).

69

МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №10/2015 ISSN 2410-6070

Рисунок 1- Алгоритм автоматической обработки малоконтрастных медицинских изображений

Предварительная фильтрация имеет целью улучшение изображения и подчеркивание перепадов и границ. В данном случае применяется медианная фильтрация. Автоматическая обработка малоконтрастных медицинских изображений проводилась на примере субстракционной ангиографии артерий головного мозга у больных, перенесших ишемический инсульт. Все снимки представлены в капиллярной стадии ангиографии. На рис. 2,а представлено изображение ангиографии церебральных артерий в переднезадней проекции в капиллярной стадии. У больного выявлен стеноз 85% левой внутренней сонной артерии от устья. Пациент перенес ишемический инсульт в бассейне левой средней мозговой артерии. Больному было выполнено стентирование левой внутренней сонной артерии, с полным восстановлением ее просвета в месте сужения. На рис. 2,б представлено изображение ангиографии церебральных артерий левого полушария головного мозга в переднезадней проекции в капиллярной стадии после вмешательства.

Рисунок 2 - а) первое исходное изображение до оперативного лечения; б) второе исходное изображение после оперативного лечения

70

МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №10/2015 ISSN 2410-6070

Далее выполняется пороговая обработка изображений. Источником информации при выборе порога по яркости является гистограмма яркостей точек сцены. В соответствии с тем или иным критерием качества можно выбрать значение порогового уровня и достаточно надежно отделить изображения от фона. Порог был выбран от 120 до 180. После пороговой обработки получаем бинарные изображения, представленные на рисунках 3,а и 3,6 [2].

а) б)

Рисунок 3 - Бинарные изображения: до лечения (а), после лечения (б)

Для оценки степени изменения кровотока после оперативного лечения на церебральных артериях производится подсчет пикселей в выделенных фрагментах соответствующих изображений. В данном примере получено, что количество пикселов в выделенном фрагменте изображения после лечения увеличилось на 58,72% .

а)

б)

Рисунок 4 - Сравнение количества пикселов в выделенных фрагментах изображений до лечения (а),

после лечения (б)

А так как выделенный фрагмент на снимках соответствует участку расположения левой передней и средней мозговых артерий и их ветвей, то можно сделать вывод, что уровень перфузии на данном отделе головного мозга улучшился на 24,16%.

Заключение. Разработан метод автоматической обработки малоконтрастных медицинских изображений ангиографии артерий полушарий головного мозга, позволяющий произвести оценку степени

71

МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №10/2015 ISSN 2410-6070

изменения кровотока на снимке до и после оперативного лечения. Представлена общая структура алгоритма цифровой обработки для выделения объектов на малоконтрастных изображениях. Была проведена обработка реальных малоконтрастных медицинских изображений по разработанным методу и алгоритму и оценена степень изменения кровотока на снимках после оперативного лечения на церебральных артериях.

Список использованной литературы:

1. Виллевальде, А. Ю. Особенности анализа и обработки малоконтрастных медицинских изображений / А. Ю. Виллевальде // Известия СПбГЭТУ «ЛЭТИ» (Известия Государственного электротехнического университета). Сер. Биотехнические системы в медицине и экологии. - 2006. — Вып. 2. — С. 139-143.

2. Введение в контурный анализ и его приложения к обработке изображений и сигналов /Я.А. Фурман, А.В. Кревецкий, И.Л. Егошина и [др]; - 2-е изд., испр. - М.: ФИЗМАТЛИТ, 2003. - 592 с.

© И.Л. Егошина, Д.В. Белобородов, 2015

УДК 681.5

Н.В. Ивановский, к.т.н., доцент Н.П. Сметюх, аспирант Л.Н. Козаченко, аспиарнт Керченский государственный морской технологический университет

г.Керчь, Российская федерация

ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ МОНИТОРИНГА ИНФОРМАЦИОННОАВТОМАТИЗИРОВАННОГО КОМПЛЕКСА ТРАЛОВОГО ЛОВА В УСЛОВИЯХ

НЕОПРЕДЕЛЕННОСТИ

Аннотация

В работе рассматривается информационно-автоматизированный комплекс тралового лова (ИАКТЛ), который понимается как совокупность интегрированных и регулярно взаимодействующих или взаимозависимых элементов, созданную для достижения определенных целей, причем отношения между элементами определены и устойчивы, а общая производительность или функциональность ИАКТЛ лучше, чем у простой суммы элементов.

Ключевые слова

очистка данных, гипотеза, прогнозирование, преобразование, хранилище данных.

1.Введение. Преобладающая часть мировой продукции рыболовства (70-75 млн.т) состоит из морских рыб, добываемых многочисленным рыболовным флотом (1170 тыс. единиц, тоннаж 25,4 млн.т). К 2025 году прогнозируется увеличение морских уловов до 130 млн. тонн и соответствующее увеличение количества рыболовных судов. Современный рыбодобывающий флот превратился в мощный инструмент комплексного воздействия на морские экосистемы, что требует усиления мер по контролю и регулированию промысла с целью одновременного повышения промысловой безопасности и сохранения устойчивой сырьевой базы. На пороге XXI века более 140 прибрежных государств с учетом международных соглашений и нормативных актов полноправно определяют объективно допустимые уловы (ОДУ) в своих 200-мильных зонах и недоиспользуемый их национальным рыболовным флотом остаток ОДУ, который становится объектом рентных отношений чаще всего посредством оплаты другим государством лицензий на право вылова ОДУ в 200-мильной зоне. Однако ряд стран, осознав значимость морепродуктов как гаранта пищевой безопасности, приступает к активной политике по вытеснению иностранных рыбопромысловых флотов из своих зон. В целом можно утверждать, что в XXI веке мировое рыболовство будет развиваться под влиянием следующих основных факторов: - национализация морских биоресурсов и повсеместное зарегулирование рыболовства в открытых районах Мирового океана; - введение международного контроля на промысле; - нарастание

72