CC BY
44
24
Материалы Russian-German conference on Biomedical Engineering
недостоверных данных и получения нормативных значений признаков по группам патологии. Она также обеспечивает пользователя возможностью управлять процессом проведения исследований. Система анализа данных служит для формирования диагностического решения, а также нормативных значений признаков для каждого вида патологии сосудов. Таким образом, интеллектуальный анализ данных позволяет пользователю выявлять степень патологии, определять нормативные значения признаков для каждой степени патологии заболевания, а также вероятность развития данного заболевания как близость вектора признаков диагностики сосуда к нормативным значениям.
Заключение
В статье представлен диагностический комплекс анализа изображений глазного дна. В отличие от европейских аналогов он дает возможность анализа субклинических морфологических изменений, позволяет автоматизировать этапы диагностики и осуществляет количественный мониторинг патологических изменений сосудов. Особенностью является использование элементов экспертных систем, под которыми имеются в виду: база данных диагностических признаков, корреляционный, дискрими-
нантный и кластерный анализ с отбраковкой недостоверных данных, прогноз степени патологии на основе экспертных оценок. Система позволяет проводить раннюю диагностику диабетической ретинопатии, а также решать задачу повышения точности оценивания локальных геометрических параметров, формирования новых и эффективных признаков диагностики сосудистых патологий.
Работа выполнялась при поддержке грантов РФФИ 12-01-00237-а, 14-01-00369-а, 14-07-97040-р_поволжье_а; программы № 6 фундаментальных исследований ОНИТ РАН «Биоинформатика, современные информационные технологии и математические методы в медицине» 2014 гг.
Литература
1. Ильясова Н. Ю., Куприянов А. В., Храмов А. Г. Информационные технологии анализа изображений в задачах медицинской диагностики. М.: Радио и связь, 2012. 424 с.
2. Abramoff M., Suttorp M. Web-based screening for diabetic retinopathy in a primary care population: The eye check project // Telemedicine and e-Health. 2005. Vol. 11(6). P. 668-674.
3. Pai R., Hoover A., Goldbaum M. Automated Diagnosis of Retinal Images Using Evidential Reasoning // International Conference on SENG, 2002.
4. Информационное письмо № 1 «Метод цифровой обработки изображений глазного дна» / Л. К. Мошетова, Н. Д. Ющук, Д. И. Цыганов и др. М., 2003. 14 с.
5. Фукунага К. Введение в статистическую теорию распознавания образов. М.: Наука, 1979. 270 с.
УДК 004.932
А. А. Насонова, аспирант,
А. С. Крылов, д-р физ.-мат. наук, профессор, заведующий лабораторией, Московский государственный университет им. М. В. Ломоносова
Выделение сосудов на изображениях глазного дна и его оценка качества
Ключевые слова: детектирование сосудов, изображение глазного дна, метрика, оценка качества. Keywords: blood vessel detection, fundus image, metric, quality estimation.
Представлен алгоритм выделения сосудов на изображениях глазного дна. Метод включает предобработку изображения, состоящую из выравнивания освещенности изображения и акцентирования сосудов при помощи фильтров Габо-ра. Также представлена метрика для сравнения результатов автоматического детектирования сосудов и выделения сосудов, выполненного специалистом вручную.
Введение
Фотографии глазного дна используются для диагностики заболеваний сетчатки. Выделение сосудов является достаточно сложной задачей обработки изображений глазного дна (рис. 1, также см. обложку с. 3) из-за высокого уровня шума, неравномерной освещенности, присутствия объектов, похожих на сосуды. Среди методов обнаружения сосудов на изо-
№ 3(33)/2014 |
биотехносфера
Материалы Russian-German conference on Biomedical Engineering
Рис. 1
Изображение глазного дна и результат выделения сосудов
бражения глазного дна можно выделить следующие классы [1]: методы, использующие свертку изображений с направленным фильтром [2]; попиксельная классификация, основанная на применении методов машинного обучения [3] и др.
Представленный в данной работе метод выделения сосудов включает в себя предобработку изображения, направленную на акцентирование сосудистого дерева, и само детектирование сосудов, основанное на расширении множества пикселей, заведомо принадлежащих сосудам.
Для оценки качества детектирования сосудов широко используется попиксельное сравнение полученной маски сосудов с маской, размеченной специалистом вручную. Однако данный подход никак не учитывает связность результата детектирования, а также дает слишком большую погрешность на тонких сосудах, которые невозможно детектировать с достаточной точностью.
В данной работе представлена новая метрика для сравнения результатов автоматического детектирования сосудов и выделения сосудов, выполненного специалистом вручную.
Выделение сосудистого дерева
Перед выделением сосудистого дерева производится выравнивание освещенности при помощи метода, описанного в работе [4]. Далее в целях удаления с изображения других объектов сетчатки (таких как оптический диск и макула) находится разность между изображением со стабилизованной освещенностью и результатом попеременно-последовательной фитрации [5]. Затем к полученному изображению применяется направленная фильтрация при помощи фильтров Габора на четырех масштабах по шести направлениям и берется максимальный отклик.
При помощи пороговой фильтрации на полученном изображении находится множество пикселей, заведомо принадлежащих сосудам. От данного множества производится заливка сосудов со следующим условием: пиксель (х, у) , соседний с пикселем сосуда (хо, Уо), принадлежит сосудистому дереву, если
р2 (х, у) + I2 (хо, у о) < Т, где Т — заданное пороговое значение. В данной работе используется Т = 320.
Полученная бинарная маска подвергается операциям морфологического утоньшения и морфологического усечения [5].
Метрика для сравнения результатов выделения сосудов
Для сравнения бинарной маски сосудов V, полученной некоторым способом детектирования, и маски О, размеченной специалистом, предлагается нижеследующая метрика.
1. Находится морфологическое расширение [5] V ^ VD, О ^ О0.
2. Процентное отношение белых пикселей V, не попавших в маску ОD, считается ложным детектированием (Рр); процентное отношение белых пикселей О, не попавших в маску VD, считается ложным недетектированием (Р^).
3. Точность вычисляется как А = 1 — Рр — Р^. Данная метрика допускает отклонение в автоматическом детектировании на один пиксель в ширину от образца.
Заключение
Было произведено сравнение полученных результатов выделения сосудов с выделением специалиста на базе данных DRIVE [6]. В ходе сравнения были получены следующие показатели: попиксель-ное сравнение ручного выделения сосудов 94,6 %; попиксельное сравение результатов предложенного метода 93,17 %; предложенная метрика для ручного выделения сосудов 98,8 %; метрика для предложенного метода 97,6 %; что позволяет говорить о высокой надежности описанного метода.
Работа выполнена при поддержке гранта РФФИ 13-07-00438.
Литература
1. Winder R. J., Morrow P. J., McRitchie I. N. et. al. Algorithms for digital image processing in diabetic retinopathy // Computerized Medical Imaging and Graphics. 2009. Vol. 33. P. 608-622.
2. Chaudhuri S., Chatterjee S., Katz N. et. al. Detection of Blood Vessels in Retinal Images Using Two-Dimensional Matched Filters // IEEE Transactions of Medical Imaging. 1989. Vol. 8. N. 3. P. 263-269.
3. Soares J., Leandro J., Cesar et. al. Retinal Vessel Segmentation Using the 2-D Gabor Wavelet and Supervised Classification // IEEE Transactions of Medical Imaging. 2006. Vol. 25. N. 9. P. 1214-1222.
4. Joshi G. D., Sivaswamy J. Colour retinal image enhancement based on domain knowledge // 6th Indian Conf. on Computer Vision, Graphics and Image Processing. 2008. P. 591-598.
5. Serra J. Image Analysis and Mathematical Morphology. Vol. 2. Theoretical Advances. London: Academic Press, 1988.
6. Can A., Shen H., Turner J.N. et. al. Rapid Automated Tracing and Feature Extraction from Retinal Fundus Images Using Direct Exploratory Algorithms / / IEEE Transactions on Information Technology in Biomedicine. 1999. Vol. 3. N. 2. P. 125-138.
2
биотехносфера
I № 3(33)72014
Иллюстрации к статьям:
А. Ю. Грязнов, К. К. Жамова, В. Б. Бессонов, А. О. Лившиц, Е. С. Кунашик «Методика получения псевдоцветных рентгеновских изображений в двухэнергетичной рентгенографии» (с. 17-20)
Н.Ю. Ильясова
«Диагностический комплекс анализа изображений сосудов глазного дна» (с. 20-24)
Рис. 1. Примеры диагностических изображений глазного дна при различных стадиях сахарного диабета
А. А. Насонова, А. С. Крылов «Выделение сосудов на изображениях глазного дна и его оценка качества» (с. 24-25)
Рис. 1. Изображение глазного дна и результат выделения ^судов
