CC BY
38
ISSN 0321-2653 ИЗВЕСТИЯ ВУЗОВ. СЕВЕРО-КАВКАЗСКИМ РЕГИОН._ТЕХНИЧЕСКИЕ НАУКИ. 2018. № 1
ISSN 0321-2653 IZVESTIYA VUZOV. SEVERO-KAVKAZSKIYREGION. TECHNICAL SCIENCE. 2018. No 1
УДК 004.932.2 DOI: 10.17213/0321-2653-2018-1-23-28
ОБ ОДНОМ АЛГОРИТМЕ АНАЛИЗА СТРУКТУРЫ РЕНТГЕНОГРАФИЧЕСКИХ МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ
© 2018 г. Аль Темими Аммар Мудхехер Садек, В.С. Пилиди
Южный федеральный университет, г. Ростов-на-Дону, Россия
ON AN ALGORITHM FOR STRUCTURE ANALYSIS OF X-RAY MEDICAL IMAGES
Al-Temimi Ammar Mudheher Sadek, V.S. Pilidi
Southern Federal University, Rostov-on-Don, Russia
Аль Темими Аммар Мудхехер Садек - аспирант, Южный федеральный университет, г. Ростов-на-Дону, Россия. E-mail: ammar.comsec.it@gmail.com
Пилиди Владимир Ставрович - д-р физ.-мат. наук, профессор, зав. кафедрой «Информатика и вычислительный эксперимент», Южный федеральный университет, г. Ростов-на-Дону, Россия. E-mail: pilidi@sfedu.ru
Al-Temimi Ammar Mudheher Sadek - post-graduate student, Southern Federal University, Rostov-on-Don, Russia. E-mail: ammar. comsec. it@gmail .com
Pilidi Vladimir Stavrovich - Doctor of Physics and Mathematics Sciences, Professor, head of department «Computer Numerical Experiment», Southern Federal University, Rostov-on-Don, Russia. E-mail: pilidi@sfedu.ru
Предложен алгоритм нахождения референтных линий и углов, используемых для анализа рентгенограмм конечностей человека. Рассмотрен случай области локтевого сустава. Приведены результаты апробации созданного на основе этого алгоритма программного продукта. Предложенный алгоритм заключается в применении к исследуемой рентгенограмме ряда действий (балансировка контрастности, детектор границ Кенни, алгоритм сегментации и некоторые другие). В результате экспериментов определены оптимальные значения параметров используемых промежуточных алгоритмов, позволяющие проводить автоматическую обработку без дополнительной настройки в случае изображений среднего качества.
Ключевые слова: автоматизация медицинских исследований; методы диагностики; референтные линии и углы; алгоритм детектирования границы; анатомические линии; рентгенографические изображения.
The article proposes an algorithm for finding reference lines and angles used for analysis of human X-ray images. The case of the elbow joint region is considered. There are presented results of approbation of the application created on the basis of this algorithm. The proposed algorithm consists in applying of number of actions to the investigated X-ray pattern (contrast balancing, Kenney boundary detector, segmentation algorithm and some other). As a result of the experiments, the optimal values for the parameters of the used intermediate algorithms are determined, which allow automatic processing without additional tuning in the case of average quality images.
Keywords: automation of medical research; diagnostic methods; reference lines and angles; boundary detection algorithm; anatomical lines; radiographic images.
ISSN 0321-2653 IZVESTIYA VUZOV. SEVERO-KAVKAZSKIYREGION. TECHNICAL SCIENCE. 2018. No 1
Введение
Постановка задачи
Общей тенденцией в развитии медицинских диагностических методов, в том числе и рентгенологических, является объективизация результатов обследования. Одним из путей решения этой задачи является создание унифицированных подходов для оценки имеющейся информации. Метод референтных линий и углов [1] разработан для анализа рентгенограмм конечностей человека и позволяет в случае необходимости планировать реконструктивные операции.
В работе [2] рассматривался алгоритм определения референтных линий и углов для случая коленного сустава и его программная реализация. Настоящая работа посвящена случаю локтевого сустава.
Для рассматриваемой области исследования определяются так называемые анатомические и механические оси длинных трубчатых костей, линии суставов, анатомические и механические углы.
Существуют характеристики референтных линий, принимаемые за норму. Такими характеристиками являются точки их пересечения и границы, в которые попадают численные значения углов между этими линиями [1].
На рис. 1, взятом из работы [1, с. 20], приведены этапы определения референтных линий и углов в дистальном отделе плечевой кости во фронтальной плоскости. На рис. 1 а показано нахождение суставной линии (нижняя горизонтальная прямая) и ее взаимное положение со среднедиафизарной линией, на рис. 1 б и в указан метод получения референтных линий по геометрическим характеристикам сустава.
81
10"
84
а б в
Рис. 1. Определение референтных линий и углов / Fig. 1. Determination of reference lines and angles
После проведения референтных линий и определения референтных углов полученные данные сравниваются со значениями, принимаемыми за границы нормы.
Необходимо разработать алгоритм анализа структуры рентгенографических медицинских изображений для локтевого сустава по результатам рентгеновского исследования. На основе разработанного алгоритма создать программный продукт. Провести эксперименты для нахождения среднестатистических значений параметров настройки, принимаемых по умолчанию. Провести апробацию работы программы.
Отметим некоторые отличия рассматриваемой здесь задачи от случая цитированной выше работы [2]. В требуемом анализе участвует только плечевая кость, поэтому другие объекты на изображении игнорируются. Геометрия рассматриваемых объектов существенно иная, в частности, локтевой сустав значительно меньше коленного и, что особенно важно, на изображении, в силу анатомических особенностей рассматриваемой области, имеют место заметные наложения. В связи с этим локализация искомых объектов значительно усложняется.
Для определения суставных линий в случае плечевой кости требуется разработать надёжный и эффективный метод получения соответствующей геометрической информации. В связи с естественно возникающим на практике существенным разбросом характеристик обрабатываемой информации следует предусмотреть в случае необходимости возможность ручной корректировки контура для повышения точности определения границы и точек суставной линии, а также критических параметров «по умолчанию», входящих в алгоритм обработки.
Разработка алгоритма
На качество получаемого медицинского рентгенографического изображения влияют многочисленные факторы, такие как используемая обычно и определяемая необходимостью минимизации облучения пациента невысокая мощность излучения, сложность в нахождении оптимальных пространственных взаимоотношений между исследуемым объектом, приемником изображения и центральным лучом и целый ряд других. В связи с этим возникает задача многошаговой обработки получаемого изображения, при которой основные его характеристики должны быть, прежде всего, приведены к некоторым оптимальным значениям. Затем в рассматриваемом случае должны быть выделены требуемые контуры и, в соответствии с разработанными специалистами методиками, определены
ISSN 0321-2653 IZVESTIYA VUZOV. SEVERO-KAVKAZSKIYREGION.
TECHNICAL SCIENCE. 2018. No 1
искомые референтные характеристики. В процессе проведённых экспериментов оказалось, что в силу специфики данной области, нахождение требуемых контуров нужно проводить в два этапа: сначала выделяется основная область -плечевая кость, затем на базе полученной информации проводится дополнительный анализ области локтевого сустава.
Приведем более подробно предлагаемую схему анализа. В дальнейшем приводятся примеры изображений, получаемых при последовательной обработке снимка, указанного на рис. 2.
Шаг 2. Определяется контур плечевой кости. Для этого к отфильтрованному изображению применяется детектор границ Кенни [6]. Приведем основные шаги применяемого здесь анализа.
1. Изображение сглаживается с помощью свертки с функцией
h( х, у) =
1
(
2ло'
-exp
2о 2
Рис. 2. Исходное изображение локтевого сустава / Fig. 2. Input image of the elbow joint
Предполагается, что исходное изображение может быть цветным. Поэтому предварительно оно приводится к оттенкам серого цвета. При тестировании работы программы были использованы как цветные изображения, так и наиболее распространенные одноцветные изображения.
Сначала балансируется контрастность рентгенографического изображения методом эквализации гистограммы. Этот метод используется для изображений с фоном и передними областями, которые являются яркими или темными [3]. В частности, в данном случае метод может привести к лучшему представлению структуры кости в рентгеновских изображениях. В программной реализации этот метод включен по умолчанию, однако может быть отключен пользователем в случае приемлемого качества обрабатываемых рентгенограмм для ускорения работы программы.
Перейдем теперь к описанию работы предлагаемого алгоритма.
Шаг 1. Выполняется фильтрация нижних частот с целью устранения шума в изображении [4, 5]. Отметим, что при этом может произойти некоторая потеря деталей в изображении.
где значение по умолчанию среднеквадратиче-ского отклонения с определено нами на основе экспериментов с набором рентгенограмм.
2. Определяется градиент яркости изображения, угол наклона которого округляется по модулю л/4.
3. Определяются имеющиеся границы путем анализа значений как модуля, так и направления градиента [7]. Входящие в эту часть алгоритма пороговые значения были определены экспериментальным путем, и их значения можно менять в настройках программы.
Шаг 3. Границы объединяются в замкнутые области с помощью операции дилатации [8, с. 755] с большим ядром. Результат обработки показан на рис. 3.
Рис. 3. Результат операции «дилатация» / Fig. 3. The result of the «dilatation» operation
Шаг 4. Для выделения искомых областей выполняется инверсия изображения, что позволяет применить алгоритм Border Following [9].
Шаг 5. Дальнейшему рассмотрению подлежат только достаточно большие контуры, поэтому мелкие отсеиваются путём сравнения их периметров с пороговым значением (экспериментальным путём получено значение 200 пикселей), его можно менять в настройках программы.
ISSN 0321-2653 IZVESTIYA VUZOV. SEVERO-KAVKAZSKIY
Шаг 6. Для оставшихся областей находятся центры масс, которые представляют на следующем шаге роль маркеров для алгоритма сегментации водораздела [10]. Делаем маску из полученных областей - накладываем на исходное изображение. Маска довольно точно соответствует контуру костей, однако остаются области в межсуставном пространстве, не являющиеся частью кости.
Шаг 7. Запускается алгоритм сегментации по водоразделам с полученной на прошлом шаге маской. В соответствии с алгоритмом водораздела каждой из полученных областей, назначается уникальная метка, называемая «цветом».
Шаг 8. С помощью цвета искомой области отбирается та, которая содержит точку интереса. Это единственная точка, которая лежит в пределах контуров кости на отцентрированном снимке. Местоположение точки интереса можно менять в настройках программы.
Шаг 9. Снова применяется детектор границ Кенни и отфильтровываются малые по длине ограничивающего контура области.
Шаг 10. После применения морфологической операции «закрытие» [8, с. 759] убираются мелкие «дыры» на изображении (рис. 4).
Рис. 4. Результат применения операции «закрытие» / Fig. 4. The result of applying the «close» operation
Для получения связности изображения применяется морфологическая операция «дила-тация», убирающая крупные разрывы контуров.
Шаг 11. После этого выполняется инверсия изображения для возвращения к исходному виду. Результат обработки приведен на рис. 5.
Шаг 12. Оставшиеся таким образом контуры подвергаются морфологическим операциям дилатации, эрозии и открытия [8] для устранения разрывов и дополнительного отделения контуров друг от друга.
4GION. TECHNICAL SCIENCE. 2018. No 1
Так получается контур плечевой кости для вычисления референтных линий и угла локтевого сустава.
Рис. 5. Контур после применения инверсии алгоритма / Fig. 5. The contour after applying the algorithm inversion
Определение анатомической линии
Для получения анатомической линии используется тот же метод, посредством которого определяются анатомические линии для бедренной и большеберцовой кости [2, с. 6].
Шаг 13. Контур плечевой кости делится пополам, и для каждой из полученных частей вычисляется центр масс. Пара центров масс задает анатомическую линию.
Блок-схема алгоритма приведена на рис. 6.
Определение суставной линии
Для получения суставной линии плечевой кости используется следующий метод.
Путём перебора определяются крайние точки на нижней части плечевой кости. В случае левой точки отыскивается точка контура, с координатами (x, y), доставляющая максимум функции: f (x, y)= - x + y. Для вычисления правой части выполняют те же операции для функции f (x, y)= x + y. В программе предусмотрена также возможность ручной корректировки точек линий, для повышения точности результата (в случае плохого качества обрабатываемого изображения).
После этого все искомые характеристики становятся известными. На рис. 7 приведен интерфейс созданного программного продукта.
Реализация
Работа программы тестировалась в ортопедическом отделении поликлиники в г. Багдад. Результаты тестирования продемонстрировали приемлемое качество обработки снимков.
ISSN 0321-2653 IZVESTIYA VUZOV. SEVERO-KAVKAZSKIYREGION.
TECHNICAL SCIENCE. 2018. No 1
Рис. 6. Блок-схема алгоритма детектирования границы кости и определения анатомических линий / Fig. 6. A block diagram of the algorithm for detecting the bone boundary and determining the anatomical lines
ISSN 0321-2653 IZVESTIYA VUZOV. SEVERO-KAVKAZSKIYREGION. TECHNICAL SCIENCE. 2018. No 1
IJ
t; и f ► - Ш »>
Рис. 7. Референтные линии и угол локтевого сустава (Интерфейс программы) / Fig. 7. Reference lines and elbow angle (Program interface)
Выводы
Предложенный алгоритм нахождения референтных линий и углов для анализа области локтевого сустава является эффективным методом компьютерного анализа медицинских рентгенографических изображений.
Выполненная работа является продолжением уже проведенных ранее авторами данной статьи разработок в области автоматизации процесса определения референтных линий на подобных изображениях.
Авторы выражают глубокую благодарность доктору Аль Абайeчи Синану Аднану (Medicine Iraqi Board of Orthopedic Surgery, Baghdad),
предоставившему серию рентгенограмм для настройки и тестирования программы и принявшему активное участие в обсуждении интерфейса программы и полученных результатов.
Литература
1. Соломин Л.Н., Щепкина Е.А. Определение референтных линий и углов длинных трубчатых костей: пособие для врачей. СПб.: РНИИТО им. Р.Р. Вредена, 2010. 21 c.
2. Аль Темими А.М.С., Пилиди В.С. Автоматизация процесса
определения референтных линий на рентгенографических медицинских изображениях // Инженерный вестн. Дона. 2017. № 1. URL: ivdon.ru/ru/magazine/archive /п1у2017/4007 (дата обращения 10.09.2017).
3. Hum, Yan Chai; Lai, Khin Wee; Mohamad Salim, Maheza Irna. Multi objectives by histogram equalization for image contrast enhancement. 2014.
4. Khali11. Jassam. Removal of Random Noise From Conventional Digital X-Ray Images, University of Maine Orono. -1992. 114 с.
5. Aziz Makandar. Bhagirathi Halalli. Image Enhancement
Techniques using Highpass and Lowpass Filters // International Journal of Computer Applications (0975 - 8887). 2015. January. Vol. 109, No. 14.
6. Canny J.A. Computational Approach to Edge Detection IEEE // Transactions on pattern analysis and machine intelligence. 1986. P. 659 - 663.
7. Красильников Н. Цифровая обработка 2D и 3D изображений. СПб.: БХВ - Петербург, 2011. 608 c.
8. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера. 2005. 1072 с.
9. Suzuki S., Abe K. Topological Structural Analysis of Digitized Binary Images by Border Following. CVGIP 1985, 30 1, P. 32 - 46.
10. Beucher S. The Watershed Transformation Applied to Image Segmentation // Centre de Morphologie Mathématique, Scanning microscopy. Supplement, 2000.
References
1. Solomin L.N., Shchepkina E.A. Opredelenie referentnykh linii i uglov dlinnykh trubchatykh kostei [Determination of reference lines and angles for the long bones]. St. Petersburg, RNIITO im. R.R. Vredena, 2010, 21 p.
2. Al' Temimi A.M.S., Pilidi V.S. Avtomatizatsiya protsessa opredeleniya referentnykh linii na rentgenograficheskikh meditsinskikh izobrazheniyakh [Automation of the process of determining reference lines on radiographic medical images]. Inzhenernyi vestnik Dona, 2017, no. 1. Available at: ivdon.ru/en/magazine/archive/n1y2017/4007 (accessed 10.09.2017)
3. Hum, Yan Chai; Lai, Khin Wee; Mohamad Salim, Maheza Irna. Multi objectives by histogram equalization for image contrast enhancement. 2014.
4. Khalil I. Jassam. Removal of Random Noise From Conventional Digital X-Ray Images, University of Maine Orono. 1992. Pp. 114.
5. Aziz Makandar. Bhagirathi Halalli. Image Enhancement Techniques using Highpass and Lowpass Filters. International Journal of Computer Applications (0975 - 8887). Vol. 109. No. 14, January 2015
6. Canny J. A. Computational Approach to Edge Detection IEEE. Transactions on pattern analysis and machine intelligence. 1986. Pp. 659-663.
7. Krasil'nikov N.N. Tsifrovaya obrabotka 2D i 3D izobrazhenii [Digital Processing 2D h 3D Images]. St. Petersburg, BKhV-Peterburg, 2011, 608 p.
8. Gonsales R., Vuds R. Tsifrovaya obrabotka izobrazhenii [Digital Image Processing]. Moscow, Tekhnosfera Publ., 2005, 1072 p.
9. Suzuki S., Abe K. Topological Structural Analysis of Digitized Binary Images by Border Following. 1985. CVGIP 30 1. Pp 32-46.
10. Beucher S. The Watershed Transformation Applied to Image Segmentation // Centre de Morphologie Mathématique, Scanning microscopy. Supplement, 2000.
Поступила в редакцию /Receive 17 ноября 2017 г. /November 17, 2017
