Képfeldolgozáson alapuló orvosi diagnosztikai eljárások kidolgozása

Átírás

1 Önálló laboratórium beszámoló Képfeldolgozáson alapuló orvosi diagnosztikai eljárások kidolgozása Készítette: Forró Márton Miklós Konzulens: Horváth Gábor félév

2 Bevezetés A félév során a cél a tanszéki orvosi képfeldolgozással kapcsolatos tevékenységekbe való bekapcsolódás volt. Ennek eléréséhez szükséges volt a képfeldolgozási alapismeretek megismerése, algoritmusok elsajátítása - majd ezek alkalmazása valós képeken. A tanszéki projekt fókuszában mellkasröntgenek elemzése áll, ezen belül hosszú távú célja káros elváltozások felismerése. A félév második felétől használt szeletképeken a tárgy keretében a tüdőterület belsejét nem tanulmányoztuk. A félév során a végső feladat kialakulása előtt foglalkoztunk a képfeldolgozási ismeretek ránk vonatkozó részével, valamint a független komponens analízis elméleti alapjaival és egy implementációjával. Ez a beszámoló elsősorban a végleges feladat megoldásáról szól, és szintén röviden értekezik a fenti témák megismeréséről, ezek szerint tagolva, a tárgy időrendjében haladva.

3 Képfeldolgozási alapismeretek A labor első heteiben célunk a szükséges képfeldolgozási algoritmusok megismerése volt. Ezek később a szakirányos Ipari képfeldolgozás és képmegjelenítés c. tárgyból ismertetésre kerültek, viszont azok implementációja és gyakorlati alkalmazása nem része anyagának. Az alapismereteink forrása a Digital Image Processing (Pratt) című könyv volt. A feldolgozott témák az éldetektálás, szegmentálás és morfológiai műveletek voltak, melyek közül rám a morfológia bemutatása esett. Ezen témák feldolgozása adta meg a kezdő MATLAB Image Toolbox ismereteket, amelyekből a félév során kiindultam. Lent látható a kísérletezés egy eredménye. Ekkor elsősorban a témához nem kapcsolódó képeken próbáltuk ki a megismert módszereket. Az alapismeretek bemutatása után kaptunk hozzáférést a tanszéki szerverhez, és így a rajta lévő hagyományos mellkasröntgen-felvételekhez. 1. ábra: Szürkeárnyalatos kép (bal) Morfológiai algoritmusokkal készített kontúrkép (jobb)

4 Tomoszintézis szeletképek A képfeldolgozási alapok megismerése után áttértünk a tomoszintézissel előállított képek vizsgálatára. A tomoszintézis a számítógépes tomográfiához (CT) hasonló módszer: különböző szögekből készít röntgenképeket a vizsgálat alanyáról. Viszont a CT-től eltérően a felvételt készítő szerkezet nem tesz teljes kört a mellkas körül - míg a CT a test roll Euler-tengelye körül fordul, a tomoszintézis a pitch körül tesz egy korlátozott szögben. Ez a vizsgálat a CT-nél jelentősen kisebb sugárterheléssel jár (kisebbel, mint egy hagyományos mellkasröntgen), és jóval kevésbe költséges a CT-nél, amely lehetőve tesz szűrővizsgálatként való használatát. Hátránya a CT-hez képest, hogy az készített képek kisebb száma és a gyengébb röntgensugár használata csökkenti a kapott képek minőségét. 2. ábra: tomoszintézis felvételek módszere Az elkészült felvételekből matematikai módszerekkel visszaállíthatóak a mellkas szeletei. A visszaállított képek minősége függ a mélységtől a szélsőségeken gyengébb, mivel azok kevesebb szeletből vannak visszaállítva. A visszaállított kép mélységétől függően természetesen a tartalmuk is eltér: bizonyos szinteken a légcső, főhörgők és a szív láthatók, míg másokon a bordák dominálnak. A gerincoszlop is sok képen megjelenik, esetünkben zavaró tényezőként. Az általunk megkapott képek ezen kívül tartalmaztak egy változó szélességű méretű szürke csíkot jobb és bal széleiken.

5 3, 4, 5. ábra A 3. ábrán (bal fent) látszik, hogy a visszaállított képsorozat szélén található gyengék a kontúrjai, és részleteket szinte egyáltalán nem lehet megfigyelni rajta. A 4. ábrán (jobb fent) a tüdő éles körvonala, a gerincoszlop és szív halványan látszanak. Az 5. ábrán (lent) a szív, a tüdő érhálózata és a légcső látszik. Kitérő: független komponens analízis A szeletképek megkapását követően foglalkoztunk az Independent Component Analysis (ICA független komponens analízis) módszerrel, annak esetleges felhasználhatóságát vizsgálva. Ennek keretében egy-egy konkrét implementációját vizsgáltuk. Az általam kipróbált implementáció a Riken kutatóközpontban Cichocki csapata által fejlesztett ICALAB nevű Matlab toolbox képekre használható változat volt.

6 Az eszköz több kép eltérő arányokban és módszerekkel összekevert változatából kísérelte meg visszaállítani az eredeti képeket. Az algoritmus futtatása és eredménye saját forrású képekkel (nem a program saját benchmark-ja) első látásra jónak tűntek, de szeletképekre a módszer esetleges hasznát még nem találtuk meg. 6. ábra: kevert kép 7. ábra: ICALAB által visszaállított kép A független komponens alapú megközelítés az ICA alapú éldetektálás témájában később ismét felmerült. A jövőben ennek alkalmazhatóságának vizsgálata hasznos lehet. Tüdőkörvonal megállapítása szeletképeken A félév folyamán kialakult feladatom a tomoszintézissel előállított szeletképeken a tüdő körvonalának meghatározása/tüdőterületet lefedő maszk előállítása volt. A megoldási folyamatom kerete a képfeldolgozás során szokásos szűrés szegmentálás folyamat mellett a régiók megfelelő egyesítését tartalmazza. A megoldásomat először a részeredmény képeken mutatom meg, majd a Matlab kóddal. Az eredeti képek 512x512 pixel méretűek, PNG formátumúak 8. ábra: eredeti kép

7 Mivel itt körvonalat keresünk, és a képet szegmentálni akarjuk, célszerű a képet megszűrni, ebben az esetben egy Gauss-szűrővel. Ezzel a következő lépésben kapott szegmentáció eredménye jóval kevesebb kis régiót tartalmaz. Fontos, hogy túl erősen elkenő szűrést ne alkalmazzunk, mivel az a nehezebben detektálható kontúrokat (pl. tüdőcsúcs) túlságosan elmoshatja. Mediánszűrő használatával szintén próbálkoztam, ezzel a kapott eredmény minőségbeli különbséget nem mutatott. Végül egy 5x5 pixel méretű Gauss-szűrő használata mellett döntöttem. 9. ábra: szűrt kép Ezután a képet k-means algoritmussal 3 régióra szegmentálom. Ezzel a képet felosztom egy külső és két tüdőn belüli részre (10. ábra). A sárga rész a tüdőterület durva körvonalát fogja adni, a világoskék pedig a tüdőcsúcs és rekeszív pontos körvonalait. A sötétkék régió a szív és a gerincoszlop körülhatárolásában lehetne hasznos, ezek azonban nem voltak részei a feladatomnak. A kapott régiók elég jól közelítik a keresett képterületeket, hogy morfológiai műveletek után használhatóak legyenek. Elsőként meghatározom a tüdő durva körvonalát, amelyet később kiegészítek a megfelelő részletekkel. Ehhez a belső (sárga) régió körvonalát használom fel. Ezen terület alapú zárás 10. ábra: szegmentált kép kívánt eredmény érdekében 11. ábra: tisztított belső körvonal ezen szakaszok eldobása után ismét egy dilate - thin műveletkombinációval megkapom a keresett belső körvonalat. műveletet hajtok végre, ami eltűnteti a kis területű zárványokat. Ezután egy dilatációval a kényszeresen összekötöm a képen a zajos körvonalakat, ezzel a cakkosságuk is megszűnik. A kapott képet visszafogyasztom (morfológiai thin művelet idempotencáig), így megkapom az eddigi élek lesimított változatát. Erről a képről még a kép széleiből adódó hosszú élet, és több rövidet el kell távolítani a 12. ábra: kiinduló körvonal

8 Tüdőcsúcs A folyamat következő lépése a tüdőcsúcshoz tartozó élszegmens hozzáadása a kiinduló területhez. Ehhez szükséges a felső terület kiválasztása és kitöltése (ez pl. súlypont vagy méret alapján történhet), a kiinduló területtel összenövesztése, az eredő maszkon a lyukak kitöltése majd ebből a nem kilógó terület hozzáadása a kiinduláshoz. A folyamat itt látható: 13. ábra: határok 14. ábra: összenövesztendő területek 15. ábra: különbség Az így kapott körvonal a tüdőcsúcsot jól közelíti. Itt érdemes megjegyezni, hogy a képsorozat egyes képei nem alkalmasak a körvonal minden részének precíz meghatározására. Ezen a képen a tüdőcsúcs nagy pontosságal körülhatárolható, viszont a rekeszív széleinél a kontúrok életlenek, így annak meghatározására, illetve a folyamat általánosítására más módszert kell használni. Rekeszív 16. ábra: eredő körvonal A rekeszív meghatározásának folyamata a tüdőcsúcshoz hasonlóan történik. Azonban a sarkoknál a határ pontatlanságából adódóan, gyakorlati megfontolásból inkább beleveszem a rekeszizom körüli területet is. Ezen a jövőben javítani tervezek. Lejjebb látható a terület, amellyel bővül az eddigi, és a végleges körvonal.

9 17. ábra: hozzáadott terület 28. ábra: eredmény körvonal Matlab kód %% Előfeldolgozás, szegmentálás I=im2double(imread('File png')); %kép betöltése G=fspecial('gaussian',5,5); Ig=imfilter(I,G); %Gauss-szűrés [g2,c]=kmeans(ig(:),3); %k-means futtatása J22=reshape(g2,size(I)); [A, idx]=sort(c, 'descend'); %középpont szerinti rendezés in=(j22==idx(3)) %belső - legkisebb out=(j22==idx(1)) %külső - legnagyobb %% Belső terület i2=bwareaopen(bwperim(in),100); %tisztítás i3=imdilate(i2,strel('disk',15)); %összenövesztés i4=bwmorph(i3,'thin',inf); %vissza vékonyítás i5=bwmorph(i4,'spur',inf); %végek levágása i6=i5&(~bwmorph(i5,'branchpoints')); %elágazási pontok levágása i7=bwareaopen(i6,70); %tisztítás %legnagyobb levágása CC=bwconncomp(i7); numpixels = cellfun(@numel,cc.pixelidxlist); [a, idx]=sort(numpixels(:),'descend'); i7(cc.pixelidxlist{idx(1)})=0; %élek simítása i8=imdilate(i7, strel('disk',35)); i9=bwmorph(i8,'thin',inf); i10=bwmorph(i9,'spur',inf); %% Tüdőcsúcs o2=bwareaopen(bwperim(out),100); % Méret szerint rendezzük a komponenseket CC=bwconncomp(o2); numpixels = cellfun(@numel,cc.pixelidxlist); [a, idx]=sort(numpixels(:),'descend');

10 %init top=zeros(512); bot=zeros(512); % Legnagyobb a lenti, második a fenti bot(cc.pixelidxlist{idx(1)})=1; top(cc.pixelidxlist{idx(2)})=1; t2=imfill(top,'holes'); %kitöltés t3=t2 imfill(i10,'holes'); %egyesítés % A fenti és középső részt dilatáljuk (összekötjük), majd % a köztes részt kitöltjük. Az így kapott területet hozzáadjuk % az eredeti tüdőterülethez. t4=imfill(imerode(imdilate(t3,strel('disk',2)),... strel('disk',2)),'holes')&(~t2)&(~t3); t5=bwperim(t4 imfill(i10,'holes')) t6=bwareaopen(t5,50); %% Rekeszív % Összekötés b2=imfill(bot,'holes'); b3=b2 imfill(i10,'holes'); b4=imfill(imerode(imdilate(b3,strel('disk',10)),... strel('disk',10)),'holes')&(~b2)&(~b3); b5=bwperim(b4 imfill(t6,'holes')); b6=bwareaopen(b5,50); % Sarkok b7=imfill(b6,'holes'); b8=imdilate(b7,strel('disk',30))&imdilate(imfill(bot,'holes'),... strel('disk',30)); b9=b8&(~b2); b10=bwperim(imfill((b9 t6),'holes'));