CC BY
17
УДК 004.932.2
СИСТЕМА ВЫДЕЛЕНИЯ КОНТУРА СЕРДЦА НА МАЛОКОНТРАСТНЫХ ФЛЮОРОГРАФИЧЕСКИХ ИЗОБРАЖЕНИЯХ
А. Ю. Тычков, А. В. Кузьмин
SYSTEM OF ALLOCATION OF HEART’S CONTOUR ON LOW-CONTRAST FLUOROGRAPHIC IMAGES
A. Yu. Tychkov, A. V. Kuzmin
Аннотация. Показано, что для эффективного выделения контура сердца на флюорографических изображениях необходимы методы, способные точно выделять основной контур без очевидного искажения его деталей и границ. Это предлагает использование методов разложения на эмпирические модели. Разработанный алгоритм выделения контура основан на различии текстур сегментов. Показаны результаты работы алгоритма и перспективы его использования для дальнейших исследований.
Ключевые слова: контур сердца, флюорографические изображения, методы разложения на эмпирические модели, текстуры сегментов.
Abstract. In article it is shown that for efficient keyline of the sidebar heart on pho-tofluorographic picture necessary methods, capable exactly to select the sidebar without evident distortion of its details and borders. It is offered for exactly keyline of the sidebar heart on photofluorographic picture to use the method to decompositions on empirical modes. The designed algorithm of the keyline of the sidebar heart, founded on texture of the segmentings. They are shown results of the working the algorithm and prospects of its use for the further studies.
Key words: cardiac alignments, fluorographic image, decomposition methods for empirical models, texture segments.
В настоящее время проблема автоматизированной обработки малоконтрастных изображений сложилась в отдельное направление, разветвленное на множество частных задач, связанных с различными аспектами их обработки: корректировка цветовой гаммы, удаление помех, сегментация, выделение отдельных областей и контуров объектов интереса на изображениях [1].
Задача автоматизированного выделения объектов интереса на малоконтрастных изображениях является одной из актуальных среди перечисленных, особенно в биомедицинской практике. Так, рентгенографические изображения, используемые для диагностики органов и тканей грудной клетки, являются малоконтрастными, границы объектов интереса на них слабо различимы и размыты.
Для выделения объектов интереса на изображениях необходимы методы, способные точно выделить контур без явных искажений его деталей. Методами, способными обеспечить хорошее разрешение контура объекта на изображении, являются метод наращивания областей и пороговый метод [2]. Эти методы хороши для случаев, когда объекты имеют четкое разделение границ с другими объектами на изображении по градации цвета и яркости.
В случае с малоконтрастными изображениями речь идет о монохромном изображении.
Повышение точности определения объекта интереса может быть достигнуто путем применения метода декомпозиции на эмпирические моды, или empirical mode decomposition (EMD), совместно с методом текстурной сегментации преобразованных снимков. Теоретические и практические аспекты метода EMD рассмотрены в работах Хуанга [3, 4], в которых показана высокая эффективность использования данного метода для обработки нестационарных сигналов. Декомпозиция изображений на эмпирические моды является адаптивным методом анализа данных. Базис, используемый для разложения флюорографических снимков (набор эмпирических мод), конструируется непосредственно из самого регистрируемого снимка. Это позволяет учесть все его локальные особенности [4].
Разложение изображений на эмпирические моды и применение текстурного метода анализа позволит точно выделить контур объекта интереса путем разложения на частотные составляющие, восстановления отдельных мод и текстурной сегментации полученного результата. Под текстурной сегментацией следует понимать разбиение изображения на участки с постоянной текстурой, соответствующие заданной плотности распределения пикселей на снимке [5]. Текстурный анализ включает в себя представление текстуры исследуемого объекта и вычисление базиса, определяющего его границы на реконструированном изображении.
Работа автоматизированной системы выделения объекта интереса на изображении описывается поэтапным алгоритмом, реализация которого позволит точно выделять контур, определять его линейные размеры, геометрическую форму и объем. На примере флюорографических изображений рассмотрим работу предложенного алгоритма.
В общем виде алгоритм выделения контура сердца на флюорографических изображениях включает в себя следующие этапы.
Этап 1. Декомпозиция флюорографического изображения (ФИ) на эмпирические моды. Для выполнения первого этапа с помощью метода декомпозиции для эмпирические моды, или bidimensional empirical mode decomposition (BEMD), осуществляется разложение ФИ, представленного дву-
(где і - значение отсчета каждой строки, равное 350, ] - значение отсчета каждого столбца, равное 350), на эмпирические моды [3, 4].
Этап 2. Восстановление отдельных двумерных эмпирических мод флюорографического снимка. На этом этапе осуществляется восстановление ФИ путем суммирования отдельных его эмпирических мод. В результате проведенных экспериментов сделан вывод, что суммирование третьей и четвертой моды с частотой 125 и 67,5 Гц соответственно дает наиболее качественную картину изменения текстуры сердца относительно других органов грудной клетки на снимке. Критерием оценки качества изменения текстуры сердца является однородная структура области сердца, которая позволяет отделить ее от других органов на снимке.
Этап 3. Текстурная сегментация ФИ. Текстурная сегментация восстановленного изображения (см. рис. 1,а) осуществляется на основе классифи-
мерным сигналом в виде матрицы значении градации яркости
кации пространства признаков. Текстурные методы анализа изображений формируют основание для распознавания и классификации объектов на основе выделения текстурных признаков. В работе [5] оценивается пять различных методов формирования признаков: метод автокорреляции, метод предельной частоты, метод длины примитива, а также методы, основанные на матрицах вероятностного распределения и мерах текстурной энергии. Результаты, представленные в работе [5], показывают, что последние два метода приводят к лучшим результатам. Для формирования пространства локальных статистических признаков предлагается использовать меры текстурной энергии [6]. Текстурный анализ изображения заключается в замене каждого значения интенсивности яркости отсчета суммой абсолютных значений интенсивности соседних отсчетов, ограниченных окном размера W. W:
Рис. 1. Восстановление отдельных мод флюорографического снимка (а); результат работы автоматизированной системы выделения контура сердца (б)
Таким образом, формируется признаковое пространство размерности Т,
где (т, п) - элемент матрицы f ; t = 1, T - значение соответствующего признака отсчета с координатами (і, ]) исходного изображения.
Сегментация изображения осуществляется с помощью процедуры кластеризации пространства текстурных признаков, основанных на мерах текстурной энергии. Для проведения кластеризации пространства текстурных признаков используется алгоритм КОБАТА [7]. Результат работы алгоритма КОБАТА представлен на рис. 1,б.
Таким образом, результатом работы представленных этапов является вывод контура сердца на флюорографическом снимке. Информация, полученная в результате выделения контура сердца, позволяет определить его линейные размеры. Линейные размеры сердца на зарегистрированном флюорографическом снимке (см. рис. 1,а) равны 8^6 см. Вся информация, полученная в результате работы алгоритма, сохраняется в компьютере и может использоваться для дальнейших исследований.
Применение разработанного алгоритма для выделения объектов интереса на других малоконтрастных изображениях открывает возможность с высокой точностью выполнять постановку диагностического заключения без
а)
б)
потери информации о состоянии объекта или явления и выявлять патологические отклонения на ранних стадиях развития.
Список литературы
1. Саламов, Н. А. Органы грудной клетки здорового человека в рентгеновском изображении / Н. А. Саламов. - URL: http://zhuravlev.info/index.php
2. Путятин, Е. П. Нормализация и распознавание изображений / Е. П. Путятин. -URL: http://sumschool.sumdu.edu.ua/is-02/rus/lectures/pytyatin/pytyatin.htm.
3. Huang, N. E. The Hilbert-Huang transform and its applications / N. E. Huang, S. S. Shen. - World Scientific Publication, 2005. - Р. 323.
4. Huang, N. E. The Hilbert-Huang transform in engineering / N. E. Huang, O. Attoh-Okine Nii. - Taylor and Francis, 2005. - Р. 95.
5. Sharma, M. Evaluation of texture methods for image analysis / M. Sharma, M. Markou, S. Singh // Pattern Recognition Letters. - 1980.
6. Laws, K. I. Rapid Texture Identification / K. I. Laws // SPIE. - 1980. - V. 238. -P. 376-380.
7. Ту, Дж. Принципы распознавания образов / Ту Дж., Р. Гонсалес. - М. : Мир, 1978. - 411 с.
Тычков Александр Юрьевич кандидат технических наук, директор студенческого научнопроизводственного бизнес-инкубатора, Пензенский государственный университет E-mail: [email protected]
Tychkov Alexander Yuryevich candidate of technical sciences, director of student's research and production business incubator, Penza State University
УДК 004.932.2 Тычков, А. Ю.
Система выделения контура сердца на малоконтрастных флюорографических изображениях / А. Ю. Тычков // Модели, системы, сети в экономике, технике, природе и обществе. - 2013. - № 2 (6). - 188-191 С.
