Разработка программы выделения в реальном времени гладких объектов в трехмерных медицинских изображениях

Начальный регион сегментации располагался в одной из сфер, после чего изображение подвергалось полному набору операций по предложенной схеме: пороговой фильтрации, сегментации, уточнению сегментации, морфологической постобработке.

Финальной стадией проверки алгоритма сегментации являются эксперименты по обработке реальных данных. Для этих целей были выбраны три серии медицинских изображений с различными объектами для выделения. На рисунках изображено по несколько соседних двумерных срезов из каждого набора тестовых данных

Рисунок 4. Томограмма головного мозга с ярко выделяющейся областью

Рисунок 5. Магнитно-резонансная томограмма тела

Рисунок 6. Компьютерная томограмма колена

4.2 Результаты экспериментов на реальных данных

На каждом из изображений в рамках экспериментов были предприняты попытки выделить при помощи сегментации различные участки, выделяющиеся по цвету и расположению. Примером такого участка может быть светлая область в левом полушарии на томограмме мозга. На рисунке 7 представлены несколько срезов из томограммы мозга с выделенной область. Область выделена синим цветом.

Рисунок 7. Томограмма мозга с выделенной областью.

На изображениях видно, что искомая область выделена, и на выделенной области отсутствуют дефекты протекания. На первом из срезов (справа вверху) хорошо видно, что части одного объекта могут быть не связаны на некоторых срезах. Это доказывает необходимость обработки всего изображения целиком, а не отдельных его двумерных слайдов.

Рисунок 8 показывает стадии работы алгоритма на примере изображения компьютерной томограммы колена

а

б

Рисунок 8. Стадии обработки изображения томограммы колена а) Выделенная область после первичной сегментации б) Уточненная сегментация после нескольких дополнительных итераций в) Улучшенное изображение после морфологической обработки

На изображениях заметно, что начальная сегментация выделяет основную часть объекта, но остается небольшая невыделенная область в верхней его части. Причиной того может быть слишком высокий порог фильтрации. Однако, это решается пользователем при помощи инструмента продления алгоритма поитерационно. Добившись нужного выделения, можно производить морфологическую постобработку с целью сглаживания поверхности и удаления оставшихся дефектов.

требуют комментария. Во-первых, показанные срезы не являются соседними. Хорошо видно, что на разных срезах объект может иметь различные размеры и местоположение. Во-вторых, на правом срезе виден участок внутри выделенной области, который отличается по яркости и не был выделен.

В данной главе рассмотрены тестовые данные, на которых были проведены эксперименты по проверке работоспособности программы. Продемонстрированы наиболее значимые результаты экспериментов и примеры успешно проведенной сегментации.

Заключение

Сегментация изображений, в том числе медицинских - важная задача графической обработки, имеющая множественные применения. Эта задача не имеет универсального решения, и существует большое количество различных алгоритмов сегментации.

В рамках выполнения ВКР была разработана программа, реализующая комбинацию нескольких алгоритмов для сегментации медицинских изображений в реальном времени. Алгоритм пороговой фильтрации с использованием нечетких множеств 2 типа позволяет снизить влияние шума изображения, и провести грубое первичное разделение изображения на фон и значимые объекты. Алгоритм наращивания региона с контролем кривизны позволяет успешно выделять искомый объект, без риска протекания сегментации на нерелевантные области изображения. Операции математической морфологии позволяют повысить гладкость сегмента и удалить оставшиеся мелкие дефекты.

При помощи инструментов низкоуровневой работы с трехмерными массивами, удалось добиться сегментации изображения за приемлемое время. Реализованные структуры данных для хранения точек-кандидатов позволяют снизить размер используемой памяти.

Проведены эксперименты с загрузкой и обработкой изображений DICOM, полученных при помощи медицинских процедур.

Таким образом, были решены следующие задачи

1. Изучена возможности эффективной работы с трёхмерными матрицами

2. Изучена формат хранения медицинских снимков DICOM

3. Разработана структуру данных для ресурсно-эффективного хранения точек, претендующих на добавление к объекту

4. Реализован алгоритм сегментации трёхмерных изображений с контролем кривизны

5. Проведены эксперименты по выделению объектов на реальных медицинских изображениях

6. Разработана программу для сегментации трёхмерных медицинских изображений

7. Разработана техническую документацию

Направления дальнейшей работы включают в себя дальнейшую оптимизацию алгоритмов сегментации, сравнение эффективности выбранного метода усреднения по кубу с методом гессиана, а также предоставление более широких возможностей по пользовательскому корректированию и настройке сегментации.

дискретный сегментация программа матрица

Список использованных источников

1. Medical Imaging & Technology Alliance, "DICOM Homepage," 2016. [Online]. Available: http://dicom.nema.org/standard.html. [Accessed 26 April 2016].

2. Э. Позняк и Е. Шикин, «Гладкие и регулярные поверхности,» в Дифференциальная геометрия: первое знакомство, Москва, МГУ, 1990, pp. 68-69.

3. Н. Виленкин, «О кривизне,» Квант, № 4, pp. 2-15, 1992.

4. G. Stockman and L. G. Shapiro, Computer Vision, New Jersey: Prentice Hall PTR, 2000.

5. R. Bracewell, "Convolution," in The Fourier Transform and Its Applications, New York, McGraw-Hill, 1965, pp. 25-50.

6. В. Лопатин, Моделирование и выделение в реальном времени поверхностей замкнутых объектов в 3-мерных изображениях, полученных в результате медицинских исследований, Москва: Курсовая работа, 2015.

7. V. Krajниek, "Segmentation algorithms," [Online]. Available: http://cgg.mff.cuni.cz/~vajicek/presentations/segment0409.pdf. [Accessed 7 February 2016].

8. S. Hu, "Curvature-Based Correction Algorithm for Automatic Lung Segmentation on Chest CT Images," Journal of Biological Systems, vol. 22, no. 01, 2014.

9. Y. Kawata, N. Niki, H. Ohmatsu, R. Kakinuma, K. Mori, K. Eguchi, M. Kaneko and N. Moriyama, "Curvature based analysis of pulmonary nodules using thin-section CT images," in Fourteenth International Conference on Pattern Recognition, Brisbane, 1998.

10. S. Tehami, A. Bigand and O. Colot, "Color Image Segmentation Based on Type-2 Fuzzy Sets and Region Merging," in 1ST IEEE International Conference on E-Learning in Industrial Electronics, Hammamet, 2006.

A. Brounstein, I. Hacihaliloglu, P. Guy, A. Hodgson and R. Abugharbieh, "Towards Real-Time 3D US to CT Bone Image Registration Using Phase and Curvature Feature Based GMM Matching," University of British Columbia, Vancouver, 2011.

11. M. M. Mesmoudi, L. D. Floriani and P. Magillo, "Discrete Curvature Estimation Methods for Triangulated Surfaces," Department of Computer Science, University of Genova, Genova, 2012.

12. S. Sarvottamananda, «Geometric Data Structures» в Coimbatorre-IGGA, Chennai, 2010.

13. R. Holmes, "The DCEL Data Structure for 3D Graphics," [Online]. Available: http://www.holmes3d.net/graphics/dcel/. [Accessed 6 January 2016].

14. G. Heckenberg, Y. Xi, Y. Duan and J. Hua, "Brain Structure Segmentation from MRI by Geometric Surface Flow," International Journal of Biomedical Imaging, 2006.

I. Sobel, "An Isotropic 3x3 Image Gradient Operator," 2014 (1968).

15. Ю. В. Визильтер, «Структурная фильтрация цифровых изображений с использованием проективных морфологий,» № 3, pp. 18-22, 2008.

16. CSIRO, "Armadillo: C++ linear algebra library," [Online]. Available: http://arma.sourceforge.net/speed.html. [Accessed 15 April 2016].

17. P. Karas and D. Svoboda, Algorithms for Efficient Computation of Convolution, D. G. Ruiz, Ed., InTech, 2013.

Размещено на Allbest.ru