CC BY
63
МЕТОД ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ МЕДИКО-БИОЛОГИЧЕСКИХ ИЗОБРАЖЕНИЙ
А.М. Малов, Т.А. Шереметьева (ФГУП НИИ комплексных испытаний оптико-электронных приборов и систем), Г.Н. Филиппов (ФГУП НИИ комплексных испытаний оптико-электронных приборов и систем) Научный руководитель - д.т.н., профессор И.П. Гуров
Представлен метод, предназначенный для анализа изображений препаратов, используемых в медико-биологических исследованиях. Основной решаемой задачей является выделение интересующих исследователей объектов для дальнейшего измерения их морфометрических параметров. Метод основан на визуализации меры сходства (расстояния в признаковом пространстве) с эталоном и на пороговой бинаризации преобразованного изображения с использованием интерактивного управления. Ключевые слова: предварительная обработка, выделение объектов на изображении, медико-биологические изображения, микроскопия.
Введение
Объекты на медицинских изображениях обладают большой сложностью, полностью автоматизировать процесс измерения оптических и морфометрических параметров разнотипных медико-биологических микрообъектов на сегодняшний день затруднительно. Основным препятствием является сложность выполнения сегментации и выделения объектов интереса. Удовлетворительное дешифрирование во многих случаях не может быть осуществлено без участия человека, Визуальный анализ изображений препаратов, используемых в медико-биологических исследованиях, требует напряжения зрения и трудоемок. Предварительная обработка медицинских изображений с использованием вычислительной техники и математических методов в этой отрасли позволяет не только ускорить процесс обработки, но и повысить точность результатов исследования. Необходимо, используя цифровую обработку, привести изображение к такому виду, где не только хорошо различимы объекты интереса, но и, по возможности, удалено все лишнее, чтобы количественное вычисление морфометрических параметров в дальнейшем могло бы быть произведено автоматически.
Известные методы предобработки изображений [1, 2] обеспечивают большой набор функций: изменение яркости, цветности, контраста; арифметических операций с изображениями, выравнивания гистограмм, фильтрации. С помощью этих методов можно выделять объекты интерактивным методом при постоянном контроле полученного результата, но действия пользователя трудно сделать целенаправленными. Пользователь может лишь улучшать или отбраковывать результат.
При любом методе предварительной обработки выделение объектов интереса производят при помощи порогового преобразования. Пороги определяются разными способами, наиболее универсальный из которых - по гистограмме значений какого-либо из параметров (например, яркости). Гистограмму анализируют визуально, выбирая порог, или автоматически, находя минимумы и максимумы.
В отличие от монохромного изображения, где каждый пиксель определяется значением яркости, в цветном RGB-изображении каждый пиксель характеризуется значениями яркости трех цветовых компонент: R, G и B (красного, зеленого и синего). Поэтому для сегментации цветных изображений одной гистограммы яркости недостаточно (пиксели с одинаковой яркостью могут иметь разный цвет). Если же изображение многозонально, то размерность ячеек соответствующей гистограммы яркостей равна количеству спектральных зон. Для интерактивного выбора порога трудно придумать удобное визуальное представление таких гистограмм.
Для выбора порога при сегментации цветных изображений в работе [3] предложен способ предварительной обработки, переводящей изображение в другое цветовое про-
странство, а именно - в пространство HSV (Hue, Saturation, Value - цветность, насыщенность, уровень). Затем получают цветовые плоскости HS и HV. Для выделения объекта выбирают цветовую плоскость, в которой области, соответствующие объекту и фону, максимально удалены друг от друга. Выбор порога осуществляют методом обучения с учителем, классифицируя пиксели изображения в двумерном пространстве признаков с помощью линейной решающей функции. Такой способ также основан на переборе вариантов и для спектрозональных изображений большего числа спектральных зон малопригоден.
При обработке спектрозональных изображений применяют метод разложения на главные компоненты, но для этого необходимо знание ковариационной матрицы спектрозональных компонент [1].
Существуют узкоспециализированные методы, которые позволяют решить задачу автоматического выделения объектов интереса для конкретных задач, например, программные продукты фирм ВИДЕОТЕСТ, МЕКОС (Россия) [4, 5]. Но и этим методам требуются входные изображения высокого качества, что в реальных условиях далеко не всегда возможно.
Универсальных подходов к выбору алгоритма для сегментации произвольного изображения не известно.
Следовательно, существует необходимость развития алгоритмов общего и универсального характера для выделения широкого класса объектов.
Такой алгоритм может быть реализован с помощью предварительной обработки, основанной на методе преобразования изображений, который визуализирует меру сходства с эталоном [6]. Мера сходства характеризуется расстоянием до эталона в пространстве признаков. Выбор эталона производится пользователем либо заданием априорно известных значений признаков объекта интереса, либо с помощью указания на один из узнанных пользователем выделяемый объект, признаки которого и используются в качестве эталона.
В результате такой обработки получают изображение в градации серого, и, поскольку яркость пикселя характеризует его сходство с эталоном, становится достаточно просто выбрать порог для бинаризации и, следовательно, выделения объекта, схожего с эталоном.
Метод универсален по общему построению алгоритма и может быть легко адаптирован к задачам обработки медико-биологических изображений.
Метод пригоден для проведения предварительной обработки не только одного изображения, но и группы совмещенных попиксельно изображений, полученных с помощью электронного микроскопа в разных спектральных диапазонах. Его реализация весьма проста и может быть осуществлена в интерактивном режиме за время, сравнимое со временем экспонирования изображений.
Интерактивное выделение объектов на медико-биологических изображениях
Большинство известных методов сегментации изображений основываются на алгоритмах, при которых изображение разбивается на области по сходству признаков их пикселей. При анализе медико-биологических изображений необходимо выделить на изображении те области, с которыми связана существенная для данной задачи информация, при этом можно пренебречь несущественными деталями.
Для выполнения интерактивной сегментации медико-биологических изображений предлагается использовать метод, сочетающий визуализацию меры сходства с эталоном [6] с выбором порога по гистограмме меры сходства.
Метод визуализации меры сходства заключается в следующем. Каждый пиксель обрабатываемого изображения с конкретными пространственными координатами обла-
дает координатами в пространстве признаков. В качестве признаков могут быть выбраны либо яркостные характеристики (когда исходные данные представлены одним цветным изображением), либо спектральные характеристики (когда исходные данные представлены несколькими изображениями, полученными в нескольких спектральных диапазонах). Кроме этих характеристик, в признаковое пространство можно включить и другие характеристики, например, текстурные. Конкретная точка признакового пространства может быть принята за эталон, и тогда каждый пиксель обрабатываемого изображения может быть охарактеризован мерой сходства - расстоянием до эталона в признаковом пространстве. В качестве яркости пикселя на итоговом изображении выбирается величина, пропорциональная расстоянию. Пикселям, наиболее близким к эталону в пространстве признаков, присваивается наибольшая яркость, остальным пикселям присваивается яркость в соответствии со степенью их сходства с эталоном.
Этот метод удобен для интерактивной обработки. Действительно, выбор эталона может быть произведен на основе визуального анализа исходных изображений, а выбор порога для выделения объектов - на основе визуального анализа одномерной гистограммы меры сходства исходных пикселей с эталоном.
Варьировать реализацию метода, адаптируя его к конкретной задаче, можно при помощи выбора пространства признаков, меры сходства, способа выбора эталона.
а) Исходное цветное изображение, разложенное на РОБ-составляющие
^ Щ л А
б) Итоговые изображения - визуализация для различных эталонов Рис. 1. Пример обработки цветного изображения
Метод весьма просто реализуется при обработке одного цветного изображения, когда в качестве признаков используют только значения интенсивностей каждой RGB-составляющей цвета, в качестве эталона берут вектор признаков, соответствующий некоторому пикселю на изображении, а расстояние в пространстве признаков определяется как расстояние в n-мерном евклидовом пространстве.
Рис. 1 демонстрирует идею метода на примере обработки цветного изображения, разложенного на цветовые RGB составляющие (рис. 1, a). Для синтеза итоговых изображений в качестве эталона были взяты яркостные признаки объектов разных типов. Результат синтеза представлен на рис. 1, б.
После такой обработки легко произвести бинаризацию изображения, выделив объекты интереса с помощью порога по яркости. Выбор порога может быть произведен как с визуальным контролем, так и автоматически. Результаты бинаризации синтезированных изображений показаны на рис. 2.
Рис. 2. Бинаризация. Выделение объектов разных типов
В качестве признаков, кроме яркости, в различных диапазонах могут быть включены также и другие признаки: корреляционные, текстурные, признаки формы.
Выбор эталона и меры сходства позволяют адаптировать визуализацию для конкретных задач. Эталон может быть выбран на основе визуального анализа исходного изображения, а также признаков, взятых из специально созданной базы данных.
Отметим, что в предлагаемом методе визуализации меры сходства с эталоном качество визуализации и последующей бинаризации зависит не только от выбранного эталона, но и от выбора меры сходства. Известно множество мер сходства, среди которых можно выделить такие, как евклидово расстояние в многомерном пространстве признаков
¿1 ( , Х ) = л1(е1 - Х1 )2 + ( - Х2 )2 + ... + ( - Хп )2 (1)
или максимальная абсолютная разность координат в признаковом пространстве
d 2 (e, х )= max {e1
х
2 ''
X
J).
(2)
Мера сходства может также определяться как угол между векторами в многомерном признаковом пространстве [7]:
d3 (e, х )
arccos
e1 Xi ers Xo ~+... e x
11 2 2 n n
vei
2 + ^ +... + e2
■ Vх!
2 2 2 + X22 +•
. + x.
(3)
В том случае, когда область интереса неоднородна, в качестве эталона следует брать соответствующую совокупность точек признакового пространства, а расстояние
e
n
текущей точки до эталона может быть определено как минимальное расстояние от текущей точки до точек эталонной области в признаковом пространстве.
Если имеется информация о распределении вероятностей значений признаков эталона, то может быть использована мера, основанная на условных вероятностях (байесовский подход). В создании меры могут участвовать любые априорно оцененные характеристики исследуемых объектов. В качестве меры сходства можно принять, например, расстояние Махаланобиса, которое определяется по формуле:
d4(y,X) = V(y-X)TC-1(y-x) , (4)
где y - текущий вектор признаков, X - вектор средних признаков эталонной области, C - матрица ковариации векторов эталонной области. Вектор X и матрица C могут быть взяты из априорно составленной базы данных или вычислены по визуально узнанному объекту интереса.
На рис. 3 продемонстрирован результат предобработки и выделения сложной неоднородной области. На рис. 3, а приведено исходное изображение молочной железы, разложенное на RGB составляющие. Чтобы выделить весь объект, на нем выделена наиболее представительная область этого объекта (на исходных изображениях она обведена круглой рамкой). В качестве меры сходства использовалось расстояние Махаланобиса. После предобработки для выделения были применены операции бинаризации и медианной фильтрации. Результаты предобработки и выделения объекта представлены на рис. 3, б.
а) Исходное цветное изображение, разложенное на RGB составляющие
Результат предобработки Результат бинаризации после Результат предобработки, би-
предобработки наризации и медианной
фильтрации
б) Результаты последовательности действий выделения сложного объекта Рис. 3. Выделение сложной неоднородной области
Представленное на рис. 3 изображение содержит и другие объекты, которые могут быть выделены для последующих измерений. Эти объекты более однородны и могут быть выделены по эталону-вектору с использованием мер ё} - ё3.
На рис. 4 приведен результат выделения объектов на том же исходном ЯОБ-изображении, представленном на рис. 3, с использованием меры ё} и с интерактивным выбором эталона, который на рис. 3 отмечен стрелкой.
••Ч. * ? Л"'
Результат предобработки
Результат бинаризации после предобработки
Результат предобработки, бинаризации и медианной фильтрации
Рис. 4. Результат выделения однородных относительно признакового пространства объектов. Исходное РОБ-изображение то же, что и на рис. 3
После такой предварительной обработки морфометрические признаки могут быть
легко вычислены автоматически без выделения объектов вручную.
Метод предварительной обработки реализован в программе, которая позволяет:
• просмотреть обрабатываемое изображение;
• выбрать эталон на исходном изображении либо задать значения вектора признаков;
• выбрать способ расчета меры сходства (расстояния в признаковом пространстве);
• получить синтезированное изображение в шкале серого;
• выделить объекты, сходные с эталоном, в соответствии с выбранным по гистограмме меры сходства пороговым ограничением;
• представить итоговое изображение в псевдоцвете, где каждому эталону присваивается свой цвет, что делает результат предварительной обработки более удобным для восприятия человеческим глазом.
Заключение
Представленный интерактивный метод предварительной обработки предназначен для подготовки к автоматической морфометрии медико-биологических изображений. От известных способов он отличается целенаправленностью визуализации, позволяющей быстро выделить объекты интереса. Наиболее эффективно использование метода для решения задач анализа многозональных изображений.
Итоговое изображение может быть адаптировано к конкретной задаче дешифрирования с помощью выбора признакового пространства, эталона и меры сходства. Мера сходства может быть подобрана в соответствии с априорными сведениями о признаках исследуемого объекта, фона и шумовой компоненты. Выбор эталона может быть осуществлен с помощью априорных сведений о численных значениях признаков объекта или интерактивно пользователем, который выбирает характерный объект или характерную часть объекта на исходном изображении.
Следует отметить работоспособность метода при анализе сложных и низкоконтрастных медицинских изображений, а также компактность представления информации, позволяющую экономно хранить и передавать многозональные изображения по каналам связи.
В статье были использованы изображения (рис. 3, а), представленные на сайте http://lab.wolf.ru
Литература
1. Прэтт У. Цифровая обработка изображений. Т. 2. М.: Мир, 1982. 790 с.
2. Шапиро Л., Стокман Дж. Компьютерное зрение. М.: БИНОМ. Лаборатория знаний, 2006.
3. Попова Г.М., Степанов В.Н. Анализ и обработка изображений медико-биологических микрообъектов. // Автоматика и телемеханика. 2004. № 1. С. 131-142.
4. http://www.akond.ru/soft_size.html
5. http://www.mecos.ru/
6. Шереметьва Т.А., Филиппов Г.Н. Способ преобразования изображений. Патент РФ № 2267232. Бюллетень изобретений № 36, 2005. С. 265.
7. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976. 512 с.
