Метод и система обработки динамических медицинских изображений

ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Метод и система обработки динамических медицинских изображений (реферат, курсовая, диплом, контрольная)

Содержание

ГЛАВА 1. Проблемы обработки и анализа медицинских изображений
- 1. 1. Использование динамических изображений в медицинской диагностике
- 1. 2. Особенности обработки динамических медицинских изображений
- 1. 3. Обзор методов функциональной диагностики
- 1. 4. Методы определения движения
  - 1. 4. 1. Формулировка задачи выделения движения
  - 1. 4. 2. Основные обозначения
  - 1. 4. 3. Локальные методы вычисления оптического потока
  - 1. 4. 4. Глобальные методы вычисления оптического потока
  - 1. 4. 5. Дополнительные модификации
Вывод
ГЛАВА 2. Разработка метода автоматической сегментации динамических медицинских изображений
- 2. 1. Алгоритмы вычисления оптического потока
  - 2. 1. 1. Дифференциальные методы
  - 2. 1. 2. Применение медианного фильтра и мультимасштабного подхода
- 2. 2. Сегментация поля потока
  - 2. 2. 1. Традиционный подход к динамической сегментации
  - 2. 2. 2. Разработка методики сегментации
- 2. 3. Разработка автоматических алгоритмов сегментации
  - 2. 3. 1. Характеристики кластеризации
  - 2. 3. 2. Определение информации предыдущих сессий
  - 2. 3. 3. Первичное выделение кластеров
  - 2. 3. 4. Определение характеристик
  - 2. 3. 5. Этап подготовки к окончательной сегментации
  - 2. 3. 6. Этап постобработки

4.1. Разработка программного комплекса.87.

4.1.1. Построение модели.88.

4.1.2. Описание алгоритма.89.

4.1.3. Задание исходных данных.90.

4.1.4. Вычисление оптического потока.93.

4.1.5. Визуализация потоков. .94.

4.1.6. Сегментация потока. .94.

4.1.7. Пользовательский интерфейс.95.

4.1.8. Служебно-исследовательский протокол. .98.

4.1.9. Вычисление характеристик.99.

Заключение

100.

ГЛАВА 5. Экспериментальное исследование и апробация разработанных метода и системы.101.

5.1. Задачи ангиографической диагностики.101.

5.1.1. Особенности исследования.101.

5.1.2. Применение метода.103.

5.1.3. Результаты.107.

5.2. Задачи эхокардиографической диагностики.108.

5.2.1. Особенности исследования.108.

5.2.2. Применение метода.109.

5.2.3. Результаты.112.

Заключение

114.

Список литературы

116.

Актуальность проблемы.

В последние годы визуализация биологических процессов становится основным способом проведения диагностических исследований. Все больше медицинских специалистов используют в своей работе аппаратные и программные средства, представляющие визуальную информацию о работе органов пациента в реальном времени.

На данный момент существует множество различных видов медицинского исследования, тесно связанных с проблемами обработки изображений, таких, например, как ангиографическое исследование, позволяющее визуализировать работу кровеносной системы или эхокардиографическое исследование, проводящее визуализацию работы сердца. Оба эти вида исследования активно развиваются в последние годы и сейчас являются основными диагностическими средствами в своих областях. Основными недостатками такой диагностики является слабое программное оснащение существующих средств ее проведения. На данный момент большинство специализированных систем лишь предоставляет изображение или последовательность изображений, не проводя их компьютерный анализ, который мог бы помочь провести распознавание. Таким образом, эффективность работы даже автоматизированных диагностических методов максимально зависит от квалификации исследователя и требует от него визуально проводить всю необходимую в диагностике сегментацию.

Кроме того, применяемые в медицинской диагностике методы обработки изображений относятся к так называемым статическим методам, то есть работающим с каждым отдельным изображением и не учитывающим последовательность. Исследование показывает, что в диагностических исследованиях, где движение играет важную роль, как например, в ангиографической и эхокардиографической диагностике, особенно эффективно было бы применение динамических методов сегментации последовательностей изображений.

Динамические методы обработки изображений получили в настоящее время большое развитие, что связано со значительным повышением средней мощности вычислительной техники, позволяющей в настоящее время эффективно обрабатывать большие потоки данных в реальном времени. В этой связи представляется актуальной разработка автоматизированных методов сегментации на основе динамических методов, которая могла бы эффективно решать задачи тех видов медицинской диагностики, в которых движение наиболее актуально.

Проведенный анализ показал, что существующие методы ангиографической и эхокардиографической диагностики не в полной мере используют возможности обработки изображений, в то время, как вычислительные мощности позволяют применять динамические методы сегментации, что способствовало бы повышению эффективности работы диагноста и снижению риска ошибки, связанной с квалификацией врача.

Целыо диссертационной работы является.

Разработка методов и системы автоматизированной динамической обработки изображений в задачах медицинской диагностики на примере задач ангиографии и эхокардиографии. Для достижения поставленной цели определены следующие задачи:

1) Разработка метода автоматической динамической сегментации последовательностей медицинских изображений с учетом отличительных особенностей медицинских изображений и адаптация к задачам медицинской диагностики.

2) Разработка метода автоматизированной обработки динамических медицинских изображений для ангиографического и эхокардиографического исследования на основе динамических методов сегментации.

3) Разработка системы анализа динамических медицинских изображений, реализующей разработанный метод сегментации и обработкиэкспериментальная апробация разработанной системы на реальных данных ангиографического и эхокардиографического исследований.

Объектом исследования является система для автоматизированной динамической сегментации последовательностей медицинских изображений.

Предметом исследования является информационное, методическое, метрологическое, математическое и программно-алгоритмическое обеспечение системы.

Методы исследований.

Методы исследований базируются на методах организации вычислительных процессов и компьютерных экспериментов по испытанию и исследованию алгоритмов, на методах вычислительной математики и статистического оценивания, на методах решения некорректных задач, на методах преобразований и анализа изображений.

Новые научные результаты.

В процессе проведения исследований получены новые научные результаты:

1) Автоматический алгоритм динамической сегментации видеопоследовательности, основанный на сегментации по движению исходной последовательности и последующей статической сегментации полученного поля оптического потока, позволяющий достоверно выделять движущиеся объекты и оценивать параметры движения.

2) Автоматизированный метод динамической обработки динамических изображений для систем медицинского назначения, включающий в себя автоматическую сегментацию поля оптического потока, вычисление динамических параметров движения и их обработку для применения к эхокардиографическому и ангиографическому исследованиям.

3) Структура системы анализа и исследования динамических медицинских изображений, содержащая модули автоматизированной обработки изображений, оценки эффективности обработки на основе моделирования сцен и модули взаимодействия с пользователемпозволяющая повысить эффективность обработки динамических медицинских изображений.

Практическая значимость.

Практическую ценность работы составляют:

1) Быстрые алгоритмы вычисления оптического потока, позволяющие проводить вычисления в режиме реального времени, и существенно повысить скорость анализа изображения.

2) Разработанные алгоритмы выделения движущихся объектов, адаптированные к постоянным деформациям объектов и высокому уровню зашумления, характерным для медицинских изображений.

3) Разработанный метод автоматизированной обработки динамических медицинских изображений, учитывающий характерные особенности медицинских изображений: сильное зашумление, непоследовательное движение малой амплитуды, значительное изменение светимости объектов рассматриваемой динамической сценыработоспособный в сложных, с точки зрения обработки изображений, случаях.

4) Практическая реализация системы обработки видеопоследовательности, ориентированной на выполнение в реальном времени и пригодной к использованию медицинским специалистом.

5) Результаты экспериментальной апробации разработанного метода и системы на модельных и реальных данных эхокардиографического и ангиографического исследований.

Научные положения, выносимые на защиту.

1) При обработке динамических медицинских изображений необходимо использовать алгоритмы автоматической сегментации изображений, основанные на вычислении оптического потока и позволяющие определять динамические параметры объектовалгоритмы автоматизированной обработки, включающие сегментацию и решение конкретных медицинских задач, учитывающие особенности медицинских изображенийа также в структуре системы предусмотреть возможность исследования методов на модельных и реальных данных и организовать взаимодействие с пользователем, что позволит более эффективно решать задачи медицинской диагностики в исследованиях, связанных с обработкой динамических медицинских изображений.

Реализация.

Результаты работы были использованы при выполнении научных проектов РФФИ № 12−01−583, № 09−01−501, внедрены и используются в практике научных исследований СПбГЭТУ «ЛЭТИ».

Результаты работы были внедрены в практическую деятельность следующих медицинских учреждений: «35-й Ордена Ленина Военно-Морской госпиталь имени H.A. Семашко», «442-й Окружной Военный Клинический Госпиталь им. З.П. Соловьева», «Многопрофильная клиника «Мединеф».

Апробация.

Основные положения, результаты исследований и выводы, содержащиеся в диссертационной работе, обсуждались на конференциях: международная конференция «Интеллектуализация Обработки Информации 2012», г. Будва, Черногория, сентябрь 2012; «Метромед-2011», Санкт-Петербургский Государственный Технический Университет, г. Санкт.

Петербург, декабрь 2011; Всероссийская конференция «Математические Методы Распознавания Образов — 2011», г. Петрозаводск, сентябрь 2011; конференция Профессорско-преподавательского состава — 2011″, Санкт-Петербургский Государственный Электротехнический Университет «ЛЭТИ», г. Санкт-Петербург, январь 2011; международная конференция «Интеллектуализация Обработки Информации 2010», г. Пафос, Кипр, октябрь 2010; Всероссийская научная школа молодых ученых, преподавателей, аспирантов БМИ-2010, Санкт-Петербургский Государственный Электротехнический Университет «ЛЭТИ», г. Санкт-Петербург, сентябрь 2010; международная конференция «Image Mining Theory & Applications 2010», г. Анже, Франция, май 2010; Всероссийская конференция «Математические Методы Распознавания Образов 2009», г. Суздаль, сентябрь 2009.

Публикации.

По теме диссертации опубликовано 15 научных работ, из них 3 статьи в ведущих рецензируемых научных журналах и изданиях, определенных ВАК, 8 — в трудах международных и российских научно-технических конференций, получено 4 свидетельства государственной регистрации на программы для ЭВМ.

Структура и объем диссертации

Диссертация состоит из введения, пяти глав с выводами, заключения, одного приложения и списка литературы, включающего 79 наименований. Основная часть работы изложена на 122 страницах машинописного текста. Работа содержит 36 рисунков, 41 формулу и 6 таблиц.

3.2.5. Результаты исследования.

В данном разделе собраны обобщенные результаты исследования разработанного метода автоматизированной обработки медицинских динамических изображений, полученные при анализе модельных сюжетов, аналогичных рассмотренным выше.

Заключение

В диссертационной работе были поставлены следующие задачи:

1. Разработка метода автоматической динамической сегментации последовательностей медицинских изображений с учетом отличительных особенностей медицинских изображений и адаптация к задачам медицинской диагностики.

2. Разработка метода автоматизированной обработки динамических медицинских изображений для ангиографического и эхокардиографического исследования на основе динамических методов сегментации.

3. Разработка системы анализа динамических медицинских изображений, реализующей разработанный метод сегментации и обработкиэкспериментальная апробация разработанной системы на реальных данных ангиографического и эхокардиографического исследований.

В рамках работы проведено исследование задач медицинской диагностики, связанных с обработкой динамических изображений, показана эффективность применения динамических методов обработки изображений.

Разработан метод автоматической сегментации динамических медицинских изображений, подтверждена его вычислительная эффективность.

Разработан комплексный метод обработки медицинских динамических изображений, включающий динамическую сегментацию и последующую обработку поля оптического потока. Выбрана система оценки эффективности методов обработки изображений для исследования на модельных данных.

Разработана и реализована система по обработке медицинских изображений, реализующая предложенный метод и позволяющая проводить исследования эффективности. Разработана система моделирования динамических сцен по известным параметрам для проведения исследования метода обработки.

Проведено экспериментальное исследование разработанного метода на примерах модельных и реальных динамических медицинских изображений. Показана эффективность предложенного метода и системы.

В результате, поставленная в диссертационной работе задача была успешно решена.

Показать весь текст

Список литературы

JI. Шапиро, Дж. Стокман (2009). Компьютерное зрение. М.: БИНОМ. Лаборатория знаний.
Enkelmann, W. (1991). Obstacle detection by evaluation of optical flow fields from image sequences. Image and Vision Computing, 9(3), 160−8.
DeSouza, G. N. and Как, A. C. (2002). Vision for mobile robot navigation: A survey. IEEE Trans. Pattern Anal. Mach. Intell, 24(2), 237−267.
Д. Форсайт, Ж. Понс (2004). Компьютерное зрение. Современный подход. Издательский дом «Вильяме».
Б. Яне (2007). Цифровая обработка изображений. Техносфера.
Zhang, Y. (2006). Advances in image and video segmentation. In IRM Press.
Viitaniemi, V. and Laaksonen, J. (2008). Techniques for image classification, object detection and object segmentation. In, pages xx-yy.
Lucas, B. D. and Kanade, T. (1981). An iterative image registration techniquewith an application to stereo vision. In, pages 674−679.
Beauchemin, S. and Barron, J. (1995). The computation of optical-flow., 27(3), 433−467.
Horn, В. K. P. and Schunck, B. G. (1981). Determining optical flow. ARTIFICAL1. TELLIGENCE, 17, 185−203.
Horn, B. and Schunck, B. (1993). Determining optical flow: A retrospective., 59(1−2), 81−87.12 ho Kim, Y., Martinez, A. M. and Как, A. C. (2005). Robust motion estimationunder varying illumination. Image and Vision Computing, 23.
Elad, M., Teo, P. and Hel Or, Y. (2005). On the design of filters forgradient-based motion estimation., 23(3), 345−365.
L.M. Biberman, ed. Electro Optical Imaging: System performance and modeling. SPIE, Bellingham, WA, 2001
Pock, T., Unger, M., Cremers, D. and Bischof, H. (2008). Fast and exact solution of total variation models on the gpu. In, pages 1−8.
Bruhn, A. (2006). Variational Optic Flow Computation: Accurate Modellingand Efficient Numerics. PhD thesis, Saarland University. 109
Simoncelli, E. P. (1994). Design of multi-dimensional derivative filters. In In
First International Conference on Image Processing, pages 790−793.
Aubert, G., Deriche, R. and Kornprobst, P. (1999). Computing optical flow via variational techniques. SI AM Journal on Applied Mathematics, 60(1), 156−182.
H. Burkhardt and S. Siggelkow. Invariant features in pattern recognition -fundamentals and applications. In C. Kotropoulos and I. Pitas eds., Nonlinear Model-Based Image/Video Processing and Analisys, pp. 269−307. John Wiley&Sons, 2001
Zach, C., Pock, T. and Bischof, H. (2007). A duality based approach for realtime tv-11 optical flow. In In Ann. Symp. German Association Patt. Recogn, pages 214−223.
Alvarez, L., Deriche, R., Papadopoulo, T. and Sanchez, J. (2007). Symmetrical dense optical flow estimation with occlusions detection. International Journal of Computer Vision, 75(3), 371−385.
Wedel, A., Pock, T., Zach, C., Bischof, H. and Cremers, D. (2009). An improved algorithm for tv-11 optical flow., pp. 23−45.
N. Christiani and J. Shawe-Taylor. An Introduction to Suppor Vector Machines. Cambridge Univercity Press, Cambridge, 2000.
Bruhn, A., Weickert, J., Kohlberger, T. and Schnorr, C. (2006). A multigrid platform for real-time motion computation with discontinuity-preserving variational methods. Int. J. Comput. Vision, 70(3), 257−277.
Konrad, J. and Dubois, E. (1988). Multigrid bayesian estimation of image motion fields using stochastic relaxation. In, pages 354−362.
Bruhn, A., Weickert, J., Feddern, C., Kohlberger, T. and Schnorr, C. (2003). Real-time optic flow computation with variational methods. In In CAIP 2003, pages 222−229.
M.J. Riedl. Optical Design Fundamentals for Infrared Systems. SPIE, Bellingham, WA, 2001
A.Bruhn and J. Weickert (2005). Towards ultimate motion estimation: Combining highest accuracy with real-time performance. In In Proc. 10th International Conference on Computer Vision, Vol. 1, pages 749−755.
Amiaz, T. and Kiryati, N. (2005). Dense discontinuous optical flow via contour-based segmentation. In ICIP, pages III: 1264−1267.
Amiaz, T., Lubetzky, E. and Kiryati, N. (2007). Coarse to over-fine optical flow estimation., 40(9), 2496−2503.
Brox, T., Bruhn, A., Papenberg, N. and Weickert, J. (2004). High accuracy optical flow estimation based on a theory for warping. In ECCV, pages Vol IV: 25−36.
Weickert, J. and Schnorr, C. (2001). Variational optic flow computation with a spatio-temporal smoothness constraint. J. Math. Imaging Vis., 14(3), 245−255.
Papenberg, N., Bruhn, A., Brox, T., Didas, S. and Weickert, J. (2006). Highly accurate optic flow computation with theoretically justified warping. Int. J. Comput. Vision, 67(2), 141−158.
Lempitsky, V., Roth, S. and Rother, C. (2008). Fusionflow: Discrete-continuous optimization for optical flow estimation. In 2008 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'08). Anchorage, USA.
Zimmer, H., Bruhn, A., Weickert, J., Valgaerts, L. and Salgado, A. et al. (2009). Complementary optic flow. In Cremers, D., Boykov, Y., Blake, A. and
Schmidt, F. R., editors, EMMCVPR, number 5681 in Lecture Notes in Computer Science, pages 207−220.
Werlberger, M., Trobin, W., Pock, T., Wedel, A. and Cremers, D. et al. (2009). Anisotropic huber-11 optical flow. In Proceedings of the British Machine Vision Conference (BMVC). London, UK. to appear.
Glocker, B., Paragios, N., Komodakis, N., Tziritas, G. and Navab, N. (2008). Optical flow estimation with uncertainties through dynamic mrfs. In CVPR .
Weber, J., Malik, J., Devadas, S. and Michel, P. (1994). Robust computation of optical flow in a multi-scale differential framework. International Journal of Computer Vision, 14, 12−20.
Castro, E. D. and Morandi, C. (1987). Registration of translated and rotated images using finite fourier transforms. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-9(5), 700−703. Fourier Transforms.
Alvarez, L., Weickert, J. and Sanchez, J. (2000). Reliable estimation of dense optical flow fields with large displacements. International Journal of Computer Vision, 39(1), 41−56.
Duda R.O., D. Stork, and P. Hart. 2000. Pattern Classification. John Wiley & Sons, New York.
Jain, R. Duin and J. Mao. 2000. Statistical pattern recognition, a review. IEEE-TPAMI. 22(l):4−37
Anandan, P. (1989). A computational framework and an algorithm for the measurement of visual motion. International Journal of Computer Vision, 2(3), 283−310.
Bruhn, A., Weickert, J. and Schnorr, C. (2005). Lucas/kanade meets horn/schunck: combining local and global optic flow methods. Int. J. Comput. Vision, 61(3), 211−231.
Black, M. J. (1994). Recursive non-linear estimation of discontinuous flow fields. In ECCV, pages A:138−145.
Black, M. J., Yacoob, Y. and Ju, S. X. (1997). Recognizing human motion using parameterized models of optical flow. In Motion-Based Recognition, pages Chapter 11.
Black, M. J. and Jepson, A. (1996). Estimating optical flow in segmented images using variable-order parametric models with local deformations. IEEE Transactions on Pattern Analysis and Machine Intelligence, 18, 972−986.
А. Альберт (1977). Регрессия, псевдоинверсия и рекуррентное оценивание. Москва Наука. Физматлит.
Alvarez, L., Weickert, J. and Sanchez, J. (1999). A scale-space approach to nonlocal optical flow calculations. In Scale Space, pages 235−246.
Cremers, D. and Soatto, S. (2005). Motion competition: A variational approach to piecewise parametric motion segmentation. International Journal of Computer Vision, 62(3), 249−265.
D.A. Forsyth and J. Ponce. Computer Vision, a Modern Approach. Prentice Hall, Upper Sadie River, NJ, 2003.
Tzeng, S. and Wei, L.-Y. (2008). Parallel white noise generation on a gpu via cryptographic hash. In I3D '08: Proceedings of the 2008 symposium on Interactive 3D graphics and games, pages 79−87. New York, NY, USA.
Simoncelli, E. P. (1993). Bayesian multi-scale differential optical flow. In IEEE Workshop on Image and Multidimensional Signal Processing, pages 128−129.
Black, M. J. and Anandan, P. (1991). Robust dynamic motion estimation over time. IEEE Proceedings of Computer Vision and Pattern Recognition, pp. 296 302.
Castro, E. D. and Morandi, C. (1987). Registration of translated and rotated images using finite fourier transforms. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-9(5), 700−703. Fourier Transforms.
Brox, Т., Bruhn, A. and Weickert, J. (2006). Variational motion segmentation with level sets. In ECCV, pages I: 471¹⁸³.
Werlberger, M., Trobin, W., Pock, T., Wedel, A. and Cremers, D. et al. (2009). Anisotropic Huber-Ll optical flow. In Proceedings of the British Machine Vision Conference (BMVC). London, UK.
Luettgen, M. R., Karl, W. C. and Willsky, A. S. (1993). Efficient multiscale regularization with applications to the computation of optical flow. IEEE Transactions on image processing, 3, 41−64.
Black M. J. Anandan, P. (1996). The robust estimation of multiple motions: Parametric and piecewise-smooth flow fields. COMPUTER VISION AND IMAGE UNDERSTANDING, 63(1), 75−104.
NVIDIA (2008b). NVIDIA CUDA C Programming Best Practices Guide 2.O.
Roth, S. and Black, M. J. (2007). On the spatial statistics of optical flow. Int. J. Comput. Vision, 74(1), 33−50.
Bell, W. N., Olson, L. N. and Schroder, J. (2008). Pyamg: Algebraic multigrid solvers in python. Version 1.0.
Sanner M. F. Stoffler D., O. A. J. (2002). Viper, a visual programming environment for python. In In Proceedings of the 10th International Python conference, pages 103−115.
Che, S., Boyer, M., Meng, J., Tarjan, D. and Sheaffer, J. W. et al. (2008). A performance study of general-purpose applications on graphics processors using cuda. J. Parallel Distrib. Comput., 68(10), 1370−1380.
B. Jahne, ed. Image Sequence Analysis to Investigate Dynamic Processes, Lecture Notes in Computer Science, 2005. Springer, Berlin.
Black, M. J. and Anandan, P. (1996). The robust estimation of multiple motions: parametric and piecewise-smooth flow fields. Comput. Vis. Image Underst., 63(1), 75−104.
Memin, E. and Perez, P. (1998). Dense estimation and object-based segmentation of the optical flow with robust techniques. IEEE Transactions on Image Processing, 7(5), 703−719.
Ryoo, S., Rodrigues, С. I., Stone, S. S., Baghsorkhi, S. S. and Ueng, S.-Z. et al. (2008). Program optimization space pruning for a multithreaded gpu. In Soffa, M. L. and Duesterwald, E., editors, CGO, pages 195−204.
Weiss, B. (2006). Fast median and bilateral filtering. ACM Trans. Graph., 25(3), 519−526.
Zach, C., Pock, T. and Bischof, H. (2007). A duality based approach for realtime tv-11 optical flow. In Pattern Recognition (Proc. DAGM), pages 214−223. Heidelberg, Germany.
Т. Кормен, Ч. Лейзерсон, P. Ривест, К. Штайн (2007). Алгоритмы: построение и анализ. Вильяме.
Huang, Т., Yang, G. and Tang, G. (1979). A fast two-dimensional medianfiltering algorithm., 27, 13−18.75 (2007). Optimizing parallel reductiion in cuda. .
Adams, R. and Bischof, L. (1994). Seeded region growing. IEEE Transactions on Pattern Analysis and Machine Intelligence, 16(6), 641−647.
D.G. Mitchell and M.S. Cohen. MRI Principles. Saunders, Philadelphia, 2001
Baronti, S., Casini, A., Lotti, F., Favaro, L. and Roberto, V. (1990). Variable pyramid structures for image segmentation., 49(3), 346−356.
Baker, S., Scharstein, D., Lewis, J. P., Roth, S. and Black, M. J. et al. (2007). A database and evaluation methodology for optical flow. In ICCV, pages 1−8.

Заполнить форму текущей работой