CC BY
16Телевизионные системы, передача и обработка изображений
УДК 61.004.05
ОЦЕНКА КАЧЕСТВА МАСШТАБИРОВАНИЯ МЕДИЦИНСКИХ СНИМКОВ
Велос Льяно Хуан Габриель
аспирант кафедры «Радиотехника и радиосистемы» ФГБОУ ВО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых»1.
E-mail: j.gabrielveloz@gmail.com.
Никитин Олег Рафаилович
доктор технических наук, профессор; заведующий кафедрой «Радиотехника и радиосистемы» ФГБОУ ВО «Владимирский государственный университет имени Александра Григорьевича
и Николая Григорьевича Столетовых»1.
E-mail: olnikitin@mail.ru.
Салех Хади Мухаммед
кандидат технических наук;
доцент департамента программной инженерии НИУ «Высшая Школа Экономики»2; доцент кафедры информационных систем и программной инженерии ФГБОУ ВО «Владимирский
государственный университет имени Александра Григорьевича
и Николая Григорьевича Столетовых»1. E-mail: hadimsaleh@gmail.com.
1Адрес: 600000, Россия, г. Владимир, ул. Горького, 87. 2 Адрес: 125319, Россия, г. Москва, Кочновский проезд, 3. Аннотация: В работе рассмотрены неадаптивные алгоритмы масштабирования пиксельной графики, которые могут быть использованы для задач диагностики заболеваний в удаленном режиме при реализации инфокоммуникационной системы телемедицины. Средствами функции SFR комплекса Imatest выполнено масштабирование фрагмента тест-объекта SFR ISO 12233. Показано влияние алгоритмов, основанных на различных методах, на искажение изображений при масштабном преобразовании, связанном с увеличением снимков, полученных при медицинской диагностике. Сопоставлены результаты применения алгоритмов по методу ближайшего соседа, билинейному, бикубическому и бикубическому со встроенной функцией маскирования. В качестве критерия сравнения было выбрано значение функции модуляции (Modulation Transfer Function). Показано, что для задач сильного увеличения подходит алгоритм по билинейному методу, сохраняющий в достаточной степени резкость и не приводящий к эффекту гало; для задач увеличения оригинала на небольшой процент (10-15%) эффективнее применять алгоритмы по бикубическому методу.
Ключевые слова: алгоритмы интерполяции, масштабирование медицинских снимков, телемедицина.
Введение
Реализация системы телемедицины
предполагает обмен данными о результатах диагностических процедур, в частности, изображениями, полученными при
рентгенологии, томографии, некоторых видах ультразвукового исследования организма и эндоскопии. Важным аспектом процесса передачи такой визуальной информации
является индифферентность цифровых изображений (пиксельной графики) к различным алгоритмам масштабирования [1, 2]. В связи с чем, задача анализа влияния работы алгоритмов на резкостные свойства полученных в результате изменения размеров изображений, а также на возможность возникновения в них артефактов является существенной с точки зрения эффективности
диагностики в удалённом режиме [3, 4]. Необходимо, чтобы алгоритмы, используемые в таких процессах, позволяли сохранять визуальную детализацию изображения в области высоких частот при любом масштабе и снижать вероятность образования
нежелательных дефектов, возникающих в результате работы интерполяторов: низкочастотная фильтрация высокочастотных гармоник, алиасинг, муар, пикселизация и другие [5].
В системе поэлементной обработки информации изображение представлено конечным числом дискретных элементов— пикселов. А масштабирование цифровых изображений представляет собой приведение массива изобразительной информации в соответствие с разрешением и размером иллюстрации. Для минимизации потерь при трансформации изображения, осуществляемой с целью увеличения размера снимка в целом или отдельного фрагмента (динамическое масштабирование при просмотре, а также подготовка к выводу на печатное устройство), используются интерполяционные алгоритмы, представляющие собой нахождение промежуточных значений величины по имеющемуся дискретному набору известных значений (прогноз неизвестных значений пикселей между истинными значениями пикселей) [6]. Алгоритмы интерполяции принято делить на адаптивные и неадаптивные, функционирование адаптивных определяется зависимостью от деталей на изображении (гладкая текстура, резкие
границы и т.п.), неадаптивные алгоритмы не дифференцируют пиксели и обрабатывают их одинаково [7, 8]. Последние имеют некоторые преимущества по скорости, а по характеристикам контрастности не уступают адаптивным, что может служить одним из факторов применения их для задач телемедицины, где скорость обработки изображения влияет на оперативность доставки информации специалисту
определённого профиля. В связи с этим имеет смысл исследовать влияние алгоритмов масштабирования на искажения изображений. В работе будут сопоставлены алгоритмы, базирующиеся на линейном методе, представляющим свертку функций [9]:
+<ю
fix) = ^ F(i)K(i - х)
i = — <x>
где F(i) - интенсивность (яркость) 7-ого пикселя на изображении; K - маска, накладываемая на изображение. В двумерном случае:
+ <Х)
fix, у) = ^ FH,j)KH-x)K(j-y)
iJ = -<X)
Методами измерений с использованием программно-аппаратного средства Imatest произведем сопоставление следующих алгоритмов интерполяции: метод ближайшего соседа (Nearest Neighbor - рис. 1,а); билинейная интерполяция (рис. 1,б); бикубическая интерполяция (рис. 1,в).
Аналитический вид интерполяционных функций для сопоставления приведен в таблице 1.
Рис. 1. а) Прямоугольная форма функции при интерполировании методом Nearest Neighbor; б) треугольная форма функции при интерполировании билинейным методом; в) колоколообразная форма функции при интерполировании бикубическим методом.
Таблица 1. Интерполяционные функции
Функция Определение
Прямоугольная ^ 0 в противном случае. sm(^) • sinf^) R0(ù)x,ù)y)= (ШуТу)
Треугольная = R0(x,y) • R0{x,y); Я1(шх,шу) = Я$(шх,шу).
Колоколообразная R2 О, У) = R0 О, у) • Ri (*, у);
1. Описание методики анализа алгоритмов
Программная функция SFR комплекса Imatest создана для измерения пространственно-частотной характеристики изображений, известная так же как функция передачи модуляции (MTF Modulation Transfer Function) с использованием наклонного края от тёмно-серого до светло-серого. Приложение позволяет выполнять расчеты, используя возможности MatLab, и выводить результаты с помощью графиков. В качестве образца был выбран фрагмент тест-объекта SFR ISO 12233 (рис. 2). Интерфейс представлен на рис. 3.
При выборе зоны изображения для анализа в графе PLOT нужно указать MTFYEdges (для случая тестового объекта - указать, что необ-
ходимо измерить край и ФПМ клина). Это означает, что нужно анализировать контрастные участки изображения. Единицу измерений следует оставить Cycles/pixel - циклов на пиксель. В графе EDGE PLOT выставить линейный краевой профиль (linear edge profile). Раздел Max MTF plotFreq (Максимальная частота ФПМ) выбирает максимальную частоту отображения для участков ФПМ [3].
Программа позволяет оценить, какие изменения оказывает форматное
преобразование на край профиля тест-объекта, а значит, и каким образом эти изменения будут сказываться на появлении дефектов у реальных медицинских изображений, на их деталях, краях объектов и общей структуре (рис. 4).
а) Образец (клин из тест-объекта SFRISO) б) Прочтение данных в программе Imatest
Рис. 2.
Для оценки преобразований были проделаны следующие манипуляции с тест-объектом:
Title (defaults to file name) |5FR_test_öicub_sharp_umen .tif
Help
Display options
MTF plot u n its 11. Cycle s/p ixe I [pixels per inch
3
Secondary Readout
Change |
-3
Magnification MTF 30
Plot
P Edge/MTF
Г С h rpm ati с abe rrati о il Г SQF / Acutance SQF/Aoutance Options
Eel g e ¡Edge profile (linear) plot
(Crop (default)
3
Max MTF plotfreq Rise distance
2x Nyquist
F" Naise/level histograms, stats
Noise spectrum & Shannon capacity f" Edge roughness P SQF (multi-ROl)
10-90% (default)
3
(* Expert - enable all settings
Simplified
Standard settings j
Multi-ROI plots ¡2D image, CyjPxl Multi-ROI Readouts |mTF50, MTF20, CA Multi-ROI Display ¡Display all results
"3
H ~3
Settings Channel |y (luminance) J2 line header for CSV atabase files ^ |
F Speedup f SQF analysis I- Edge roughness analysis
Gamma | o.5 Chart contrast (for gamma calc.) joff jJ Use for MTF
R MTF noise reduction (mod apod) Zone weights: Center, Ptwy, Corner (1-3) j 1 1 Q.*J 0-5 1
Wavelength (um) for diffraction-ltd MTF
¡Display oversharpening only Radius 1 i J >|4 j 2
I 0.555 For cropped image, width | 200 Height | 107 (pixels) Location J
Optional parameters for Excel .CSV output
Description & settings (sharpening, etc...; for MTF Compare, etc.)
Lens (if interchangeable)
Focal length (mm) Aperture (f-stop) Shutter speed (S) ISO speed
I- I- I- I-
Г ISO standard SFR
Reset to defaults
J
OK
Рис. 3. Окно SFR settings. Настройки анализа.
SFR test.tif
Edge profile: Horizontal
400 x 214 pixels (WxH) 0.0856 Mpxls
ROI: 214x400 pixels 3.2% right of ctr -Y-channel (YR3) Gamma = 0.50
Edge -5.83 degs
25-May-2014 15:42:02
10-90% rise = 0.86 pixels 248.4 per PH
RGB rise = 0.861 0.862 0.858 pxls Lt, cik Ivls = 21 S.S, S6.2 Lt/dk = 3.84
frnatest3.10 Evaluation -
0 2 4 Pixels (Horizontal)
10
0.8
¡Г* ^ 0.6
Si о д
0.2
___ MTF50 = 0.573 Cy/Pxl
=245.1 LW/P H
Л. : (RGB) = 0.573 0.572 0.575 CyJPxl
>vMTF50P = 0.573 C/P= 245.1 LW/P H
A^ndersharpening 4.4%
Ml S30 = 0.738 Cy/Pxl
................................MTF Ivquist = 0.595
_ Purchase at wv \
Nyquist f
MTF: Horizontal w/NR
0.8
1
0.2 0.4 0.6
Frequency, Cycles'pixel
Рис. 4. График ФМП для оригинала
• увеличение оригинального тест-объекта вдвое с помощью алгоритмов Nearest Neighbor, Билинейного, Бикубического, Бикубического с
маскированием;
• увеличение на 9% от размера оригинала для того, чтобы проверить предположение, что преобразование размера изображения вдвое оказывает меньшее влияние на качество (по причине дискретности), чем изменение размера на небольшие значения. Анализ был проведен как комплексно
внутри измерения работы одного из алгоритмов, так и между
интерполяторами для того, чтобы сопоставить результаты их работы между собой.
2. Анализ результатов применения алгоритмов масштабирования
Масштабирование алгоритмом по методу ближайшего соседа
При работе алгоритма по методу Nearest Neighbor на увеличение можно наблюдать, что форма профиля края тестового клина имеет крутые плечи и более вертикальный вид кривой (рис. 5,а). Это позволяет сделать вывод, что вокруг границы образуется минимальное количество
новых градаций и график SFR (MTF) иллюстрирует
ROI: 214x400 pixels
L R Т В = 1 214 1 400
Edge angle = -5.83 degs Estm. chart contrast = 14.8
I mat est
достаточно резкий спад ВЧ при увеличениях в обоих вариантах. Исходя из этого, можно заключить, что изображение, интерполируемое из оригинала в вариант большого размера, будет иметь пикселизацию, поскольку вокруг границ количество новых образуемых градаций минимально.
Масштабирование_алгоритмом_по
билинейному методу
Как показали результаты измерений работы
билинейного метода интерполяции (рис. 5,б), переходы на границе значительно более плавные по сравнению с методом Nearest Neighbor.
Данный эффект связан с тем, что билинейный метод эффективнее использует информацию о близлежащих пикселах, по которой достраивает недостающие элементы на изображении, возникающие вследствие масштабных преобразований. На графике
SFR test nn 9%uvel.tif
SFR test nn uvel.tif
Edge pr ofile: Horizontal
436 x 233 pixels (WxH) 0.102 Mpxls ROI: 233x436 pixels 3.1% right of ctr Y-channel (VR3) Gamma = 0.50 Edge -5 85 degs
28-May-2014 13:59:19
10-90% rise = 1.27 pixels = 183.6 per PH
RGB rise = 1.27 1.27 1.27 pxls L1, dk Ivls ■ 215.8, 56.2 Ltfclk = 3 84
imatest 3.10 Master
Edge profile: Horizontal 25-May-2014 15:35:54
8СЮ х 428 pixels (WxH)
0.342 Mpxls
ROI: 417x800 pixels 2.9% right of ctr j -Y-channel (YR3) / Gamma = 0.50 j / 10-90% rise = 2.08 pixels f = 205.3 per PH RGB rise = 2.08 2.09 2.08 pxls Lt, dk Ivls » 215.8,56.2 LtftJk = 3.84
.Edge-5.83 degs j Imatest 3,10 Evaluation -
-2 Q 2 4 Pixels (Horizontal)
MTF50 = 0.388 Cy/Pxl - 180.8 LW/PH
(RGB) - 0.388 0.388 0 389 Cy/Pxl MTF50P = 0.388 OIP = 180.8 LW/PH " Undersharpening 9 4% MTF30 = 0.5 Cy/Pxl
MTF at Nyquist = 0.301
ROI: 233x436 pixe -6
L R T В = 1 233 1 436
Edge angle = -5.85 degs Estm. chart contrast = 14.8
0 2 4 Pixels (Horizontal)
0.2 0.4 0.6
Frequency, Cycles'pixel
MTF50 = 0.238 Cy/Pxl = 204.1 LW/PH
(RGB)-0.239 0.238 0.239 СуЛ>х1 MTF50P = 0.238 C/P = 204.1 LW/PH " Undersharpening 23.1% MTF30 = 0.306 Cy/Pxl MTF at Nyquist = 0.00439
ROI: 417x800 pixels
LR ТВ = 12 428 1 800
Edge angle = -5.83 degs Estm. chart contrast = 14 8
imate*
а) по методу ближайшего соседа
0.2 0.4 0.6
Frequency, Cycfes/pixel
SFR test bil 9%uvel.tif
SFR test bil uvel.tif
Edge pr ofile: Horizontal
436 x 233 pixels (WxH) 0.102 Mpxls ROI: 233*436 pixels 3.2% right of ctr Y channel (VR3) Gamma = 0.50 Edge -5.82 degs
28-May-2014 14:01:00
' 10-90% rise = 1.43 pixels = 163.3 per PH
?GB rise = 1.43 1.43 1.42 pxls ' Lt.dk Ms = 215.8,56.2 LtWk = 3.84
Imatest 3.10 Master
Edge profile: Horizontal 2S-May-2014 1 5:34:55
800 x 428 pixels (WXH)
0.342 Mpxls
'ROI: 426x800 pixels 2.9% right of ctr -Y channel <YR3) / Gamma = 0.50 / /10 90% rise = 2.58 pixels ( = 165.7 per PH RGB rise = 2.58 2.59 2.57 pxls Lt. dk Ivls = 21S .8,56.2 Lt/dk = 3.84
.Edge -5.83 degs j Imatest3.10 Evaluation -
-2 0 2 4 Pixels (Horizontal)
ROI: 233x436 pixe
L R Т В - 1 233 1 436
Edge angle = -5.82 degs Estm. chart contrast = 14.8
2 4 (Horizontal)
0.2 0.4 0.6 0.6
Frequency, Cycles/pixel
MTF50 = 0.186 Cy/Pxl = 158,8 LW/PH
(RGB)-0.186 0.185 0.187 CyVPxl ШТ50Р = 0.196 CIP = 158.8 LW/PH " Undersharpening 21.8% MTF30 = 0.243 Cy/Pxl MTF at Nyquist = 0.000305
ROI: 428x800 pixels
L R Т В ■ 1 428 1 800
Edge angle = -5.83 degs Estm. chart contrast = 14.8
0.2 0.4 0.6
Frequency, Cycies/pixel
б) по билинейному методу Рис. 5. Результаты применения алгоритмов
также заметно, что даже небольшое увеличение снимка этим методом приводит к сглаживанию границ, что, вероятнее всего, скажется на резкостных характеристиках изображения и приведет к снижению детализации и потери резкости. Это подтверждается сравнением графиков для метода Nearest Neighbor (рис. 5,а) и билинейного метода (рис. 5,б): значение MTF50 у Nearest Neighbor выше, однако само изображение имеет гораздо более грубый вид. С другой стороны, при использовании билинейного метода не возникает таких грубых искажений резких границ, как при использовании метода ближайшего соседа, и алгоритм не приводит к эффекту гало.
Масштабирование_алгоритмом_по
бикубическому методу
Результаты применения бикубического метода позволяют заметить, что алгоритм при масштабных преобразованиях на увеличение склонен приводить к образованию эффекта гало на контрастных границах (рис. 6,а). Данный эффект повторяется и при использовании бикубического метода со встроенной функцией нерезкого маскирования (sharp - рис. 6,б).
На рис. 6,а видно, как в зоне плечей кривой образуются новые значения яркости пикселов, тогда как в зоне анализа таковых не наблюдается. Это дает право предположить, что и в реальном изображении тоже увеличится вероятность возникновения оконтуривания на достаточно контрастных границах. Высокочастотные гармоники (значения MTF50) в случае увеличения выше, чем у билинейного метода, однако проявляется достаточно выраженное оконтуривание.
Масштабирование_алгоритмом_по
бикубическому методу с маскированием (sharp)
Алгоритм интерполирования с встроенным маскированием применяется в основном для задач уменьшения изображений в несколько раз. Средние значения MTF50 для бикубического алгоритма и бикубического с
маскированием (рис. 6,а - рис. 6,б) совпадают при увеличении на 50%, при незначительных увеличениях на 9% заметно сохранение мелких деталей при использовании функции sharp (0,409 цикл/пиксел в сравнении с 0,41 цикл/пиксел). Наблюдается резкий скачок на значении MTF30, что говорит об усилении более низкочастотных гармоник под влиянием высокочастотных и, вероятнее всего, это будет проявляться на изображении как общее огрубление, чрезмерное повышение резкости, которое, как видно (рис. 6,б), приводит к образованию ореолов.
Заключение
При проведении диагностики в удаленном доступе специалисту (врачу) зачастую требуется детализация изображений, полученных им через каналы телемедицины, для чего может использоваться либо специальная программа просмотра (браузер со встроенными алгоритмами масштабирования и возможностью их выбора в зависимости от рода задачи), либо вывод на печать отдельных фрагментов, заранее увеличенных с использованием одного из методов интерполяции. Сопоставление неадаптивных методов интерполяции (таблица 2) позволяет заключить, что для задач сильного увеличения подходит алгоритм по билинейному методу, сохраняющий в достаточной степени резкость и не приводящий к эффекту гало; для задач увеличения оригинала на небольшой процент (10-15%) эффективнее применять алгоритмы по бикубическому методу.
Литература
1. Бьемон Ж., Лагендейк Р.Л., Марсеро P.M. Итерационные методы улучшения изображений // ТИИЭР. 1990. т.78, № 5. С. 58-84.
2. Косых Н.Э., Смагин С.И., Гостюшкин В.В., Савин С.З., Литвинов К.А. Система автоматизированного компьютерного анализа медицинских изображений // Информационные технологии и вычислительные системы. 2011. № 3. С. 52-60.
3. Абу Басма Л., Семенов С.И., Сушкова Л.Т., Чирков К.В. Повышение четкости медицинских
SFR test bicub 9%uvel.tif
SFR test bicub uvel.tif
Etffleproffle.1 Horizontal Л 2S-May-2014 14:0226
0102Mp*ls 3.1% right of ctr V cbnnrl (YM) J Gamma - L'.'.U I '1050% rise = 1.18 pixels - 198.2 per PH RGB rise = 1.17 1.18 1.17 Over t undershoot - 63% /1 5% Lt, ck ME = 215 3, 5S.2 Ltar - 3.S4
.Edge -532 degs 1
hnatest 3.10 Master -
-2 0 2 4 Pixels (Horizontal)
ROI: 233x436 pixefs
LR ТВ = 1233 1 436
0.4 0.6
Frequency, Cycles/pixel
Edite pro&te: Horizontal ^___^ 25-May-2014 15:37:2Э
ад X 428 piveís iWvHj
0.342 Mp>ls
"ROI: 11 fxBIIIJ miréis /1050% rise = 2.00 pixels
2.9% right oí clr - 206.1 per PH
RGB rise. 2 33 2 OS 2 06 pxls
-y channel 1YR3) / Over i undershoot = 6.1 % л 5%
Gamma = 0.5П / и,ЛМа-215Д5Б.2 UMh-3.04
.Edge -5.33 tlegs /
Irna test 3.10 Evaluation -
0 2 4 Pixels (Horizontal)
ROI: 417x800 pixels
LR ТВ = 12429 1 800
MTF50 = 0.229 Cy/Pxl = 196.3 LW/PH
(ROB) = 0.229 0.229 0.231 CyJPxl MTF50P = 0.229 C/P = 196.3 LW/PH Undersharpening 17.0% MTF30 = 0.28 Cy/Pxl MTF at Nyquist = 0.00248
i mates t
а) по бикубическому методу
0.2 0.4 0.6 Frequency, Cycles/pixel
imatest
S F R te st Ы с u b sh rp 9 % uve I .tif
SFR_test_bicub_shrp_uvel.tif
Edge prome: Horizontal Л 28-ШУ-2014 14:05:17
433 >.233 pixels (№H)
0 102 Mpxls
ROI: 233x436 pixels 1 1050% rise = 1.17 pixels
3.1% right of ctr - 199.8 per PH
ROB rise = 1.17 1.17 1.16 pxls
-V channel (VR3| f Over rtndershK* =
Gamma = 0.44 / Lt, db Ms . 215.3, S6.2 LtJdk - 3.34
.Edge -5 32 degs /
miatest3.10Utast& -
-2 0 2 4 Pixels (Horizontal)
ROI: 233x436 pixels
L R T В = 1 233 1 436
Frequency, Cycles'pixel
Edge pr ofile: Horizontal
300 x 428 pixels (WxH) 0.342 Mpxls
I: 428x800 Dim 2.9% right of ctr -Y-ehannel (Yft3) >amma = 0.5D
.Edge-5.83
25.May.2014 15:49:45
1050% rise = 2.06 pixels -208.1 per PH
RGB rise =2.06 2.06 2.04 pxls Over 1 undershoot « 9.4% 12.2% Lt, dk Ms = 215.8,56.2 Ltfdk = 3.84
Irnatesi 3.10 Evatoation 0 2 4 Pixels (Horizontal)
MTF50 - 0.229 Cy/Pxl - 195.8 LW/PH
(RGB) = 0.229 0.228 0.231 CyJPxl MTF50P = 0.227 C/P = 194.6 LW/PH Undersharpening 12.8% MTF30 = 0.275 Cy/Pxl MTF at Nyquist ■ 0.00198
Frequency, Cycles/pixel
ROI: 423x800 pixels
L R T В = 1 428 1 800
б) по бикубическому методу с маскированием Рис. 6. Результаты применения алгоритмов
Таблица 2. Сопоставление работы алгоритмов
Алгоритм Увеличение MTF50 MTF30 ROI Undersharpening
интерполяции (цикл/пиксел) (цикл/пиксел) (pixels) (%)
По методу на 9% 0,388 0,500 233x436 9,4
ближайшего соседа на 50% 0,238 0,306 428x800 23,1
По билинейному на 9% 0,340 0,445 233x436 12,4
методу на 50% 0,186 0,243 428x800 21,8
По бикубическому на 9% 0,409 0,497 233x436 3,0
методу на 50% 0,229 0,280 428x800 17,0
По бикубическому с на 9% 0,410 0,493 233x436 0,1
маскированием на 50% 0,229 0,275 428x800 12,8
изображений на основе метода скользящих масок // Доклады 6-ой Международной конференции «Радиоэлектроника в медицине». 2011. С. 47-51.
4. Никитин О.Р., Пасечник А.С. Сравнительная оценка качества работы алгоритмов оконтуривания медицинских изображений // Методы и устройства передачи и обработки информации. 2007. № 8. С. 137-142.
5. Кузнецов Ю.В. Технология обработки изобразительной информации : учеб. пособие. СПб. : Петербургский институт печати, 2002. 225 с.
6. Гонзалес Р, Вудс Р. Цифровая обработка изображений. М. : Техносфера, 2006. 1072 с.
7. Маркелов К.С. Модель повышения информативности цифровых изображений на базе
Поступила 29 марта 2018 г.
метода суперразрешения // Инженерный вестник. 2013. № 3. С. 525-542.
8. Kosykh N.E., Gostuyshkin V.V., Savin S.Z., Vorojztov I.V. Designing the systems of computer diagnostics of medical images // Proc. of The First Russia and Pacific Conference on Computer Technology and Applications (RPC 2010). Vladivostok, Russia. 6-9 September, 2010. 4 p.
9. Анализ изображений / Image Processing Toolbox. / Статья сайта matlab.exponenta.ru [Электронный ресурс]. Режим доступа: URL: http://matlab.exponenta.ru/imageprocess/book5/8_1.php.
English
EVALUATION OF MEDICAL IMAGE SCALING QUALITY
Veloz Llano Juan Gabriel - Post-graduate Student, Department of Radio Engineering and Radio Systems of Federal State Budgetary Educational Institution of Higher Education "Vladimir State University named after Alexader Grigoryevich and Nickolay Grigoryevich Stoletovs"1.
E-mail: j.gabrielveloz@gmail.com.
Oleg Rafailovich Nikitin - Doctor of Engineering, Professor; Department Head of Radio Engineering and Radio Systems of Federal State Budgetary Educational Institution of Higher Education "Vladimir State University named after Alexader Grigoryevich and Nickolay Grigoryevich Stoletovs"1.
E-mail: olnikitin@mail.ru.
Saleh Hadi Mohammed - Candidate of Technical Sciences; Associate Professor, Department of Information Systems and Software Engineering, National Research University "Higher School of Economics"2; Associate Professor, Department of Information Systems and Software Engineering of Federal State Budgetary Educational Institution of Higher Education "Vladimir State University named after Alexader Grigoryevich and Nickolay Grigoryevich Stoletovs"1.
E-mail: zhukovsv91@inbox.ru.
1Address: 600000, Russia, Vladimir, Gorkogo street, 87.
2Address: 125319, Russia, Moscow, Kochnovsky proezd, 3. Abstract: This paper examines non-adaptive scaling algorithms for pixel graphics and those can be used for remote diagnostics. The influence of algorithms based on different methods on the image distortion is illustrated during the scale transformation due to the medical diagnosis results enlargement. The algorithm application results are compared by the nearest neighbor, bilinear and bicubic methods as well as by bicubic method with the incorporated masking function. When conducting remote diagnostics, an expert (physician) often needs image zooming (results of radiology, tomography, some types of ultrasound examination of the body, endoscopy) obtained by him through telemedicine channels, for which a special viewing program can be used (the browser with the incorporated scaling algorithms and the ability to select them depending on the task type), or the printing can be used for separate fragments, previously enlarged using one of the interpolation methods. An important aspect of such visual information transmission process is the digital image indifference (of pixel graphics) to different scaling algorithms, and due to this the problem of analyzing the algorithms operation impact on sharpness pattern of the obtained re-sized images, as well as the possibility of artifacts occurrence in them are important from the point of remote diagnostics efficiency. Non-adaptive interpolation methods comparison enables to conclude that the bilinear method algorithm is suitable for the high-power magnification, as this method retains sufficient sharpness and does not lead to a halo effect; and the bicubic method algorithms are more effective to use for increasing the original image by a small percentage (10-15%). Key words: interpolation algorithms, medical image scaling, telemedicine
References
1. Biemond J., LagendijkR.L., Marcero P.M. Iterative Image Restoration // TIIER. 1990. v. 78, № 5. Pp. 58-84.
2. Kosykh NE., Smagin S.I., Gostjushkin V.V., Savin S.Z., Litvinov K.A. Automated computer analysis system of medical images. Information technology and computer systems. 2011. No. 3. P. 52-60.
3. Abu Basma L., Semenov S.I., Sushkova L.T., Chirkov K.V. Moving Mask Method-based Enhancement of Medical Images // Proceedings of the 6-th International conference "Electronics in medicine". Pp. 47-51.
4. Nikitin O.R., Pasechnik A.S. Algorithm operation quality comparative evaluation of medical images contouring Methods and devices of information transmission and processing. 2007. Pp. 137-142.
5. Kuznetsov Yu.V. Image Information Processing Technology : Textbook. SPb. : Publishing house "Petersburg Institute of printing", 2002. 225 p.
6. GonzalezR.S., WoodsR.E. Digital Image Processing. M. : Tekhnosphera. 2005. 1072 p.
7. Markelov K.S. Digital Image Information Content Enhancement Model based on superresolition method. Inzhenerny vestnik. 2013. No. 03. Pp. 525-542.
8. Kosykh N.E., Gostuyshkin V.V., Savin S.Z., Vorojztov I.V. Designing the systems of computer diagnostics of medical images // Proc. of the First Russia and Pacific Conference on Computer Technology and Applications (RPC 2010). Vladivostok, Russia. 6-9 September, 2010. 4 p.
9. Image Analyzing / Image processing Toolbox / Matlab.exponent website article [Electronic resource]. Access mode: URL: http://matlab.exponenta.ru/imageprocess/book5/8_1.php.
