Обробка медичних зображень на основі алгоритму ефективної сегментації

Автор:

Анотація: Розглянуто та проаналізовано алгоритм ефективної сегментації на основі графів для обробки медичних зображень хребта.

Бібліографічний опис статті:

. Обробка медичних зображень на основі алгоритму ефективної сегментації//Наука онлайн: Міжнародний електронний науковий журнал - 2019. - №12. - https://nauka-online.com/publications/information-technology/2019/12/obrobka-medichnih-zobrazhen-na-osnovi-algoritmu-efektivnoyi-segmentatsiyi/

Стаття опублікована у: : Наука Онлайн No12 декабрь 2019

Інформаційні технології

УДК 004.93

Знакомський Ігор Владиславович

студент

Національного технічного університету України

«Київський політехнічний інститут імені Ігоря Сікорського»

Знакомский Игорь Владиславович

студент

Национального технического университета Украины

«Киевский политехнический институт имени Игоря Сикорского»

Znakomskyi Ihor

Student of the

National Technical University of Ukraine

«Igor Sikorsky Kyiv Polytechnic Institute»

ОБРОБКА МЕДИЧНИХ ЗОБРАЖЕНЬ НА ОСНОВІ АЛГОРИТМУ ЕФЕКТИВНОЇ СЕГМЕНТАЦІЇ

Анотація. Розглянуто та проаналізовано алгоритм ефективної сегментації на основі графів для обробки медичних зображень хребта.

Ключові слова: матричні зображення, мінімального остовного дерева, сегментація.

Аннотация. Рассмотрен и проанализирован алгоритм эффективной сегментации на основе графов для обрабтки медицинских изображений позвоночника.

Ключевые слова: матричные изображения, минимальное остовное дерево, сегментация.

Summary. An algorithm for efficient segmentation based on graphs for processing medical images of the spine is considered and analyzed.

Key words: matrix images, minimal spanning tree, segmentation.

Вступ. Для багатьох ортопедичних, неврологічних та онкологічних програмних додатків правильність роботи залежить від точної сегментації хребетного стовпа, включаючи ідентифікацію кожного хребця. Проте, хоча кісткові структури демонструють високу контрастність у зображеннях КТ, сегментація та маркування окремих хребців є складним завданням.

Способи отримання медичних зображень. Медичне зображення є одним з найважливіших засобів отримання візуально інформації про внутрішні структури та функціях людського тіла. Воно може бути отримано радіологічними або не радіологічними методами.

Матричні зображення – є основними у медичній діагностиці. Вони мають у своїй основі растр, що складається з великого числа комірок – пікселів, або, при об’ємному характері, – вокселей. Просторова роздільна здатність матричних зображень тісно пов’язане з кількістю пікселів, що містяться в них. Чим більше пікселів містить зображення, тим краща його якість. При обробці цифрових зображень, зокрема при зміні його розміру або при відтворенні його на принтері з низькою роздільною здатністю воно може деформуватися – з’являється зубчатість контурів, пропадають дрібні деталі. Саме з цієї причини (а також внаслідок звуження фотографічної широти) оцінку таких зображень не можна визнати коректною. Для подання зазначених вище зображень у вигляді твердих копій єдиним правильним рішенням є використання лазерних або інфрачервоних камер [1].

Побудова мінімального остовного дерева графа. У заданій постановці задачі вершини графа (Li) – представляють собою пікселі зображення, а ребра e (Li, Lj) – різниця яскравостей пікселів. Відома різниця яскравостей між парами пікселей (Li, Lj) – це вага ребер w (e (Li, Lj)). Задачею являється пошук мінімального остовного дерева, тобто такого дерева у графі, щоб сума ребер була мінімальною і при цьому всі вершини були досягнуті [1].

На першому етапі кожен піксель являється єдиним представником відповідної йому множини K1, K2,… KN (за кількістю вершин). Під час виконання алгоритму всі окремі вершині(пікселі) будуть об’єднуватись в одну єдину множину K, щоб вершини утворили мінімальне остовне дерево МСД. Це досягається наступною послідовністю дій:

  • Відбувається сортування ребер у порядку їх збільшення.
  • Обхід по ребрам в порядку зростання, відбувається перевірка кінців ребра e = (a, b):
  • Якщо вершини (a і b) об’єднані однією множиною: це означає, що вони вже беруть участь у створеній навчальній підмножині МСД, всередині їх підграфа сума ребер вже мінімальна. Таке ребро пропускається.
  • Якщо вершини (a і b) забезпечені різним підмножинами МСД: Потрібно об’єднати, так як знайдене ребро мінімальної довжини, об’єднуючої обидві підмножини в одну. Всі ребра меншої довжини вже пройдені і меншим за це ребро, об’єднати не вийде. Дане ребро заноситься до списку ребер, використаних при побудові дерева МСД, а множини об’єднується в одну.
  • Продовжуємо цикл об’єднання до отримання однієї єдиної множини, рівного шуканому МСД, в якому будуть представлені всі вершини графа.
  • Отримуємо одну множину, мінімальне остовне, дерево вершин і список ребер, використаних для його об’єднання, який представляє собою одну мінімальну сумарну довжину, що об’єднує всі вершини [2].

Робота алгоритму. Кожен піксель зображення представляється вершиною у графі. А його вага ребра, з’єднуючого сусідні вершини, виражається формулою 1:

                                (1)

Де  – інтенсивність пікселя .

У ході виконання алгоритму, на попередньому етапі буде декілька розрізнених сегментів, з мінімальною сумарною вагою ребер всередині: сегменти будуть об’єднані ребрами мінімальної довжини, тобто з мінімальними «перепадами інтенсивностей» між сусідніми пікселями. Тому сусідні пікселі всередині одного сегмента будуть схожі за кольором. Але тільки до деякого значення максимального ребра (перепаду інтенсивності).

Береться мінімальне на поточному кроці ребро. Для двох пікселів, що є суміжними вершинами цього ребра, визначаємо з одного  вони (вже побудованого) сегмента?

  • Так, з одного сегмента: просто продовжуємо виконання алгоритму.
  • Ні. Необхідно визначити, чи становлять сегменти частини одного і того ж об’єкта на зображенні і їх слід об’єднати, або їх інтенсивності «істотно» розрізняються.

Для визначення відмінності між сегментами, з кожним вже побудованим сегментом асоціюється деяка величина – максимальний перепад інтенсивностей всередині нього, тобто найдовше ребро в MST всередині сегмента. Шукати сегмент деякого пікселя ‘x’: ідея про створення до самої версії. Самий верхній піксель – це кореневе дерево, «представник» даного сегменту на поточний момент. Об’єднання сегментів. Якщо ви користуєтеся пікселями різних «представників» – це значить, вони пропонують різний сегмент, і інакше корінь був би одним. Для їх об’єднання «представити» сегмент меншої висоти (від самого далекого пікселя до корні) посилається (з-за нього вказує) на більш низькому «представнику», що не збільшує високу деревину.

Отримуємо приблизне правило для сегментів С1 і С2 у системі рівнянь 2:

               (2)

Де  – признак того чи потрібно розграничувати сегменти,  – поточне ребро мінімальної довжини, з’єднуюче два роздільних сегмента,  – менша, з двох перепадів інтенсивностей всередині одного з розглядаємих сегментів.

Виходить що, для того щоб сегменти об’єднались, перепад інтенсивностей на границі повинен бути менше максимального перепаду всередині кожного з об’єднаних сегментів [4].

Результат роботи алгоритму. В результаті алгоритм, працюючи з медичними зображеннями хребта, успішно сегментує та виділяє міжхребетні диски, помічаючи зеленим та червоним кольором відповідно здорові і диски які мають якийсь дефект. Приклад наведено на рисунках 1 та 2 [3]. 

Рис. 1. Робота з медичним                            Рис. 2. Робота з медичним

зображенням                                                    зображенням

Висновки. Алгоритм ефективної сегментації на основі графів для обробки медичних зображень хребта, який достатньо успішно працює з вхідними даними. У такому способі сегментації найбільш трудомістким процесом є сортування всіх ребер, що виконується за , де  – це кількість ребер в графі. Таким чином, для зображення AxB пікселів ребер буде: B.

Література

  1. Методы нахождения границ изображения. URL: https://habr.com/ru/post/128753/
  2. Overview of segmentation algorithms. URL: https://habr.com/ru/company/intel/blog/266347
  3. The National Library of Medicine presents MedPix. URL: https://medpix.nlm.nih.gov
  4. Исследование методов сегментации изображений. URL: https://habr.com/ru/post/319782/

Перегляди: 555

Коментарі закрито.

To comment on the article - you need to download the candidate degree and / or doctor of Science

Підготуйте

наукову статтю на актуальну тему, відповідно до роздлів журналу

Відправте

наукову статтю на e-mail: editor@inter-nauka.com

Читайте

Вашу статтю на сайті нашого журналу та отримайте сертифікат