Mammográfiás röntgenfelvételek elfeldolgozását végz eljárások fejlesztése

Átírás

1 Mammográfiás röntgenfelvételek elfeldolgozását végz eljárások fejlesztése TDK dolgozat Készítette: Lasztovicza László VII. vill. Konzulens: Dr. Pataki Béla, Méréstechnika és Információs Rendszerek Tanszék Készült a Budapesti Mszaki és Gazdaságtudományi Egyetemen 2002

2 TARTALOMJEGYZÉK 1. BEVEZETÉS A MAMMOGRÁFIA [2] Kóros elváltozások a mammográfián A digitális mammográfia CAD ESZKÖZÖK HASZNÁLATA A MAMMOGRÁFIÁBAN A DOLGOZAT FELÉPÍTÉSE DIGITÁLIS KÉPFELDOLGOZÁS FOGALMAK KÉPJAVÍTÁS Fényességi érték transzformációk Lokális eljárások (ablakozó technikák) KÉPANALÍZIS Élek detektálása Morfológiai eljárások Hough transzformáció MAMMOGRÁFIÁS RÖNTGENKÉPEK ELFELDOLGOZÁSÁT VÉGZ ELJÁRÁSOK AZ EML HELYÉNEK MEGHATÁROZÁSA A feladat megfogalmazása A megoldás bemutatása Tesztelési eredmények A MELLIZOM TERÜLETÉNEK MEGHATÁROZÁSA A feladat megfogalmazása A megoldás bemutatása Tesztelési eredmények A MELLBIMBÓ HELYÉNEK MEGHATÁROZÁSA A feladat megfogalmazása A megoldás bemutatása Tesztelési eredmények AZ EREDMÉNYEK ÖSSZEFOGLALÁSA AZ ALGORITMUSOK FELHASZNÁLHATÓSÁGA A TESZTKÖRNYEZET HATÁSA AZ EREDMÉNYEKRE TOVÁBBI FEJLESZTÉS ÉS KUTATÁS AZ ALGORITMUSOK TOVÁBBFEJLESZTÉSE KAPCSOLÓDÓ KUTATÁSI TÉMÁK ÖSSZEFOGLALÁS...47 FORRÁSOK

3 1. rész Bevezetés Hazánkban és a világ számos részén is, az emlrák a ni daganatos megbetegedések és halálozások egyik vezet oka [1] (ld. 1. melléklet). Megelzésére jelenleg nem ismert módszer, sikeres gyógyítására az egyetlen lehetség a betegség felismerése kialakulásának kezdeti stádiumában. A mammográfiás szrvizsgálatok célja éppen ezért nem csak a kialakult, esetleg már fizikailag is tapintható daganatok vizsgálata, hanem sokkal inkább a rákkeletkezés számára talajt jelent daganatmegelz állapotok kiszrése, a kezdeti szakaszában lév betegség felismerése. A mammográfiás szrvizsgálat elssorban röntgenfelvételek készítését jelenti, a diagnózis e felvételek alapján készül. Indokolt esetben fizikális vizsgálatot, vagy ultrahangos vizsgálatot is végeznek kiegészítéskén. Kóros elváltozás gyanúja esetén biopsziás eljárással mintát vesznek az eml szövetébl a gyanú igazolására. További kiegészít vizsgálatok végezhetek az utóbbi években nagy figyelmet kapott mágneses rezonancia (MR) módszerrel. A dolgozat kapcsán végzett munkám során a mammográfiai szrvizsgálatokon készített, majd digitalizált röntgenfelvételek számítógépes módszerekkel való feldolgozásának lehetségeit vizsgáltam, közelebbi célként olyan képfeldolgozási algoritmusok fejlesztését kitzve, amelyek a digitalizált képek elemzését végz egyéb eljárások számára elfeldolgozási lépésként szolgálnak. Az elfeldolgozás célja a röntgenképek további feldolgozás szempontjából elnyösebb formára alakítása, vagyis a képeken megjelen alakzatok, mintázatok jellemz tulajdonságainak meghatározása, kiemelése, javítása. A képek érdemi vizsgálatához els lépésként a digitális képfeldolgozás alapvet módszereivel ismerkedtem meg, amelyek közül néhányat a dolgozatban példákon keresztül is bemutatok. A dolgozat további részeiben öt olyan algoritmust ismertetek, amelyek a megismert képfeldolgozási módszerek felhasználásával készültek, és a röntgenképek elfeldolgozása során kapnak szerepet. Az els algoritmus célja az eml kiemelése, elkülönítése a kép egyéb, zavaró vagy lényegtelen részeitl. A további algoritmusok a röntgenfelvételeken megjelen két jellemz tulajdonságot, a mellizom vonalát, illetve a mellbimbót próbálják megtalálni. A mellizom a medio-laterális típusú (ld. még 1.1. pont) röntgenfelvételeken lefelé keskenyed háromszög alakú foltként jelenik meg. A mellbimbó mind a medio-laterális, mind a craniocaudális (ld. még 1.1. pont) (a mammográfiás röntgenfelvételek két leggyakoribb típusa) felvételeken megjelenik, a felismerése azonban nehéz feladat, sok esetben csak indirekt jelek alapján lehetséges A mammográfia [2] A mammográfia az emlk alacsony dózisú röntgenvizsgálatát jelenti. A vizsgálat során mindkét emlrl minimálisan két-két eltér irányból felvett felvétel készül, ezt szükség esetén kiegészíthetik további irányú felvételek is. A diagnózis elssorban a röntgenfelvételek alapján történik, ezért a röntgenvizsgálatok közül a mammográfiás vizsgálat során készült felvételek a legjobb felbontásúak illetve a felvétel készítése során törekednek a nagyon jó képminségre 2

4 is, hiszen a vizsgálat célja nem a már kialakult daganatok megtalálása, hanem a kezdd betegségre utaló jelek minél korábbi felismerése. A kiemelked képminség és jó felbontás a számítógépes vizsgálat során is fontos, amire a digitalizálás során gondosan ügyelni kell. A mammográfiás röntgenfelvételek két leggyakoribb típusa a cranio-caudális (1. ábra), és a medio-laterális (2. ábra) felvétel. A cranio-caudális felvétel készítése során a vizsgált személy álló helyzetben van, az emlt vízszintes statívra helyezik, majd kompressziót alkalmaznak úgy, hogy a mellbimbó középen a kazetta síkjával párhuzamosan helyezkedjen el. A medio-laterális felvételre jellemz hogy a mellbimbó az emln kívülre vetül, míg a mellizom lefelé keskenyed, háromszög alakú foltként jelenik meg. A diagnózist a röntgenfelvételeken kívül segíthetik az ún. anamnézis adatok, amelyek a beteg családi körülményeit, betegségbeli eléletét, egyéb betegségeit és adatait tartalmazzák. A röntgenfelvétel értékelését minden esetben két szakorvos egymástól függetlenül végzi. Ha a két szakorvos véleménye eltér, egymással konzultálva hoznak döntést. Mindent összevetve a mammográfiás röntgenvizsgálat kiegészítve az emlk fizikális vizsgálatával bizonyos szerkezeti elváltozások jelenlétében képes kimutatni az eml állományában rejtetten növ ún. in-situ rákot is, ezért jelenleg az egyetlen módszer, amellyel az emlrák által okozott halálozás csökkenthet. Az emlrák okozta halálozás csökkenését különböz országokban végzett kontrollált szrvizsgálatok során bizonyítottak is. A felállított diagnózis az esetek 90-95%-ában pontos. 1. ábra Cranio-caudális felvétel 2. ábra Medio-laterális felvétel Kóros elváltozások a mammográfián A rákos sejtek közvetlen felismerése a mammográfiás röntgenfelvételen nem lehetséges. A kóros elváltozásokra indirekt jelek alapján lehet következtetni. A kóros elváltozásokra utaló jeleknek több fajtáját különböztetik meg, amelyek külön-külön, és egymással szabadon kombinálódva is megjelenhetnek a felvételeken. 3

5 Mikromeszesedések A malignitásra gyanús folyamatok egyik legjellemzbb kísérje a mikromeszesedés, amely általában csoportosan jelentkezik. Elfordulásának gyakorisága a tumorban és annak közvetlen környezetében 30-60% között mozog. Lehetséges, és szokásos is a mikromeszesedések osztályozása formájuk szerint, amely segítséget nyújthat a diagnózisban. A különböz osztályokban más és más a malignitás esélye. A továbbiakban ezt az osztályozást nem ismertetjük. A képeken a mikromeszesedések általában jól látható szétszórtan elhelyezked, fényes foltokból álló csoportokként jelennek meg a képeken, de elfordulhatnak egyenként is. A 3. ábrán kiterjedt, rosszindulatú, csoportos mikrokalcifikáció látható (néhány megjelölve). 3. ábra Csoportos mikrokalcifikáció Csillag alakú terület A daganatok egy igen gyakori formájának megjelenési módja a csillag alakú terület. A középs részen található mag srsége magas (a képeken a magas denzitású területek világosabb foltokként jelennek meg), belle különböz formájú és hosszúságú nyúlványok spikulumok ágaznak szét. A 4. ábrán egy ilyen típusú, rosszindulatú elváltozás látható megjelölve. 4

6 4. ábra Csillag alakú terület Kerek képletek Az elváltozások harmadik jellegzetes formáját a kerek képletek adják. A szabályos felszín kerek képletek legtöbbször benignus folyamatot jeleznek, de 10 esetbl egyszer a malignus elváltozás is hasonló képet adhat. A szabályos kör vagy ellipszis forma elssorban a cisztákra jellemz. A sima kontúr, amelyet áttetsz háló övez, legtöbbször benignus elváltozást jelez. Az 5. ábrán egy ilyen típusú, rosszindulatú elváltozás látható megjelölve. 5. ábra Kerek képlet 5

7 A fentiekben bemutatott elváltozások a legjellemzbbek, de ezeken kívül a kóros folyamatok jellemzi lehetnek az eml szerkezetében megjelen torzulások vagy a két eml közötti aszimmetriák A digitális mammográfia A hagyományos (screening) mammográfiában a felvételeket a röntgenvizsgálatoknál szokásosan használatos filmeken rögzítik. A jó felbontás és képminség követelmény, amelyet az analóg felvétel megfelel beállítások esetén képes biztosítani. Az analóg filmek tárolása nehéz, a filmeken található információ továbbítása, cseréje nehezen oldható meg (a filmeket szállítani kell). A tárolás és információcsere megkönnyítése, a számítógéppel való feldolgozás igénye, a digitális röntgenberendezések fejlesztését igényli. A mammográfiás röntgenvizsgálat minségi igényei nagy felbontás és nagyon jó képminség a betegek védelme, vagyis a lehet legkisebb dózis alkalmazása, speciális igényeket támasztanak a digitális berendezésekkel szemben. A napjainkban elérhet mammográfiai célú digitális röntgenkészülékek [3] felbontása nem éri el az analóg filmekét, az alkalmazott dózis általában valamivel nagyobb, mint a hagyományos vizsgálat esetén, és a felvételek azonnali, teljes méret megjelenítésére képes nagy felbontású képernyk egyelre drágák. A digitális mammográfia elnye, hogy a felvételek digitális formában keletkeznek, így azonnal továbbíthatók, illetve a CAD (Computer aided diagnosis Számítógéppel segített diagnózis) rendszerek számára azonnal feldolgozhatók, a felvételek elemzése a készítéssel egy idben megkezddhet, amellyel költség és id spórolható meg CAD eszközök használata a mammográfiában A szrvizsgálatokon a megjelenés 40 éves kor fölött legalább kétévente javasolt. A rendszeres szrvizsgálat Magyarországon több mint 1 millió nt érintene. Ez évente mintegy 2 millió felvétel készítését jelentené. Mivel a szrvizsgálatok során keletkezett felvételek elemzése legalább két szakember munkáját igényli, és a röntgenképek kiértékelése magában is idigényes feladat, látható, hogy a rendszeres szrvizsgálat számára nehezen biztosítható megfelel számú szakorvos, továbbá feltételezve, hogy az egy szrésre es bérköltség 2000 forint, látható, hogy a költségvonzat a milliárdos nagyságrendet is elérheti. Ha a felvételek között 1%-nyi gyanús felvétel található és van egy rendszerünk, amely képes a negatív felvételek 50%-ának biztonságos kiszrésére, a felvételek elemzésének felétl kíméli meg az orvosokat. Látható tehát, hogy megfelel CAD eszközök használatával a költségek csökkenthetk, és ezen felül akár még a diagnózis megbízhatósága is javítható. A CAD eszközöket többféleképpen képzelhetünk el. Az egyszerbb rendszerek alapvet képjavítási funkciókat valósíthatnak meg, amelyek a képek vizuális tulajdonságainak javításával segíthetik a felismerést. A bonyolultabb rendszerek a mesterséges intelligencia és a gépi tanulás módszereit is felhasználva képesek lehetnek a gyanús elváltozások felismerésére. Az elvárások az utóbbi rendszerek fejlesztésének irányába mutatnak. Az ilyen intelligens CAD eszközök nem csak az általuk gyanúsnak ítélt elváltozásokra hívhatják fel az orvosok figyelmét, hanem ahogyan említettem, a negatív felvételek kiszrése által mentesíthetik ket a felvételek egy részének elemzése alól is. 6

8 1.3. A dolgozat felépítése A dolgozat alapveten két részre osztható, amelyek tükrözik a feladat kapcsán elvégzett munkát is. A röntgenképek érdemi vizsgálatához szükséges volt az alapvet képfeldolgozási feladatok és az itt használatos eljárások megismerése. A 2. részben a képjavítás és képanalízis területérl mutatok be néhányat a megismert képfeldolgozási eljárások közül, példával együtt. A példákat minden esetben a dolgozathoz írt demonstrációs program segítségével készítettem el. A felhasznált röntgenképeket egy az internetrl szabadon letölthet mammográfiái képadatbázisból vettem [4]. A vizsgált képek kivétel nélkül medio-laterális típusúak (ld. még 1.1 pont illetve 2. ábra) voltak. A kitzött feladatok elsdleges célja olyan eljárások fejlesztése, amelyek a további feldolgozó eljárások elfeldolgozási lépéseként funkcionálnak, illetve döntéstámogatási és intelligens elemzési funkciók részbeni bemenetét képzik. A digitalizált röntgenfelvételek elzetes elemzése során azt tapasztaltam, hogy a felvételek többségén, az emln kívül, egyéb alakzatok is találhatóak és a felvételek többsége zajjal terhelt, vagyis az emln kívül nagy számban találhatóak kis fényességi érték képpontok. A képek feldolgozása során ezek a képelemek zavaróak lehetnek, ami felveti egy olyan eljárás kidolgozásának igényét, amely felismeri ezeket a zavaró elemeket, és eltávolítja ket a képrl. A 3. részben elsként egy olyan algoritmust mutatok be, amely a rendelkezésre álló tesztképek alapján igen jó hatásfokkal képes az emlt elkülöníteni a zavaró elemektl. A medio-laterális (ld. még 1.1. pont illetve 2. ábra) felvételeken az eml mellett jellegzetes módon jelenik meg a mellizom. A kép fels részérl indulva, általában világos foltként, keskenyed háromszöget alkotva fut le, majdnem a kép közepéig. A mellizom jelenléte a jó felvétel egyik ismérve, így annak hiánya jelezheti, hogy a felvétel rossz, vagy nem lehet teljesen megbízható diagnózist adni, mivel az eml egy része hiányzik a képrl. A két mell közti szimmetria miatt a mellizom és az eml határvonala tájékozódási pontként szolgálhat a két emlrl készült röntgenfelvételek összehasonlításakor. A mellizom nem tartozik szorosan az eml szerkezetéhez, így annak eltávolítása a képrl növelheti az eml szerkezetét vizsgáló eljárások hatásfokát is. A 3. részben bemutatok két algoritmust, amelyek a mellizom és az eml határvonalát próbálják megtalálni. Az utolsóként bemutatott két algoritmus a mellbimbó helyét próbálja megtalálni. A mellbimbó a képeken sok esetben nem látható tisztán, ami a feladat megoldását nehezíti. Az egyes eljárásokat a fent említett adatbázis képeivel teszteltem, a részletes eredmények megtalálhatóak a 3. rész megfelel pontjainál. Az eredmények összefoglaló elemzése található a 4. részben. Az 5. részben a lehetségesen kapcsolódó kutatási témák rövid bemutatása, az algoritmusok további fejlesztési terveinek bemutatása és a dolgozat összefoglalása található. A dolgozatban ismertetett képfeldolgozási módszereket és a kidolgozott eljárásokat Java nyelven implementáltam, és egy grafikus felület segédprogramban gyjtöttem össze ket, amelyet egy a dolgozathoz csatolt CD-n mellékeltem. A program funkcióinak rövid leírása a 2. mellékletben található. 7

9 2. rész Digitális képfeldolgozás Digitális képfeldolgozáson legtöbbször egy kétdimenziós kép feldolgozását értjük, és a továbbiakban is ebben az értelmében használjuk a kifejezést. Digitális képek létrehozása sokféle módon képzelhet el, azonban valamennyiben közös, hogy a digitalizált kép valamilyen folytonos idej folyamat mintavételezésének eredményeként jön létre. A különböz emberi tevékenységek szorosan kapcsolódnak a vizuális környezethez. A vizuális információ feldolgozása segíti az embert a világban való eligazodásban. A digitális számítógépek megjelenésével és fejldésével lehetségessé vált ennek a vizuális információnak a digitális formában való reprezentációja, és ami fontosabb ennek a hatalmas mennyiség információnak a gyors feldolgozása és elemzése. A digitális képfeldolgozás szokásos feladatai a képjavítás és képhelyreállítás, illetve a képanalízis. A digitalizálás során a mintavételez és kvantáló rendszerek hibákkal terhelik a képeket, amelyek kiküszöbölése és az eredeti kép minél pontosabb visszaállítása a képhelyreállítás feladata. A vizuális látvány javításával, a képek jellemz tulajdonságainak kiemelésével a különböz képjavító eljárások foglalkoznak. A képfeldolgozás végs célja a képeken található információ értelmezése. Ezzel a képanalízis foglalkozik. A digitális képfeldolgozás területén alkalmazott eljárások sok esetben empirikus jellegek, vagyis olyan paraméterekkel operálnak, amelyek kísérletezéssel, próbálgatással állíthatóak be az optimális értékre. Kevés olyan eljárás van továbbá, amely általánosan használható egy adott feladat megoldására, a legtöbb esetben (és a valós alkalmazások szinte kivétel nélkül ilyenek) a feladatok megoldása több eljárás együttes alkalmazásával illetve az egyes eljárásoknak a feladathoz való alakításával lehetséges. A digitális képfeldolgozás területérl a képjavítás és képanalízis területével ismerkedtem meg szorosabban munkám során. A továbbiakban e két területet és néhány szokásos eljárást, fként a késbbiekben is használt illetve a demonstrációs programban megvalósított eljárásokat, mutatom be röviden. A képfeldolgozás területével való ismerkedésben a [6, 7] irodalmak segítettek Fogalmak Elsként néhány olyan fogalmat ismertetek, amelyekre a hátralév részekben többször hivatkozom, és jelentésük nem feltétlenül egyértelm. a. Kép A kép két független változóval megadható folytonos függvény (folytonos kép) mintavételezett értékeinek sorozata, szokásos reprezentációja egy kétdimenziós mátrix. A kép értelmezhet diszkrét értékeket felvev kétdimenziós függvényként is. A továbbiakban a színes képekkel nem foglalkozunk, kép alatt kizárólag szürke árnyalatú képeket értünk. A képeket kétdimenziós mátrixokkal adjuk meg, a mátrix dimenzióinak mérete megegyezik a kép méreteivel. 8

10 b. Képpont Képpontnak nevezzük a kép éppen vizsgált elemét. A képpont tehát a képmátrix (vagy a kép, mint mintavételezett értékekbl képzett sorozat) egyik eleme. A képponthoz szokás hozzáérteni a képpont mátrixban felvett értékét, amelyet fényességi értéknek nevezünk. c. Fényességi érték Fényességi értéknek nevezzük a képpontok által felvett értékeket. Színes képek esetén a fényességi érték az egyes színekre értend. További szokásos elnevezései a világosságkód, vagy szürkeségi árnyalat. A fényességi értékek a mintavételezéstl és a kép reprezentációjától függen felvehetnek egész, vagy valós értéket is. A továbbiakban csak 8 bites képekkel, és egész értékekkel foglalkozunk. A képpontok csak 0 és 255 közötti egész értékeket vehetnek fel. Minél nagyobb egy képpont fényességi értéke, annál világosabbnak látszik a képen. d. Hisztogram A hisztogram (a képfeldolgozás területén) egy olyan függvény, amelynek értelmezési tartománya a fényességi értékek tartománya. A hisztogram által az értelmezési tartományának pontjaiban felvett értéke a kép megegyez fényességi érték pontjainak száma. A hisztogramnak szokásos valószínség számítási értelmezést adni, mely szerint a hisztogram a valószínségi változóként értelmezett fényességi érték srségfüggvénye. e. Kumulatív hisztogram A kumulatív hisztogram értelmezési tartománya megegyezik a hisztogramméval, azonban az egyes pontjaiban felvett értékei a hisztogramban az adott pontig felvett értékek összege. A kumulatív hisztogram valószínség számítási értelmezése: a hisztogramhoz, mint srségfüggvényhez tartozó eloszlásfüggvény Képjavítás A képjavítás feladata a kép vizuális, illetve a további feldolgozás szempontjából lényeges tulajdonságainak javítása. A vizuális tulajdonságok javítása elssorban a képek megjelenítésénél hasznos, de a további feldolgozást nem feltétlenül segíti. Ezzel szemben a további feldolgozás szempontjából lényeges tulajdonságok nem feltétlenül hordoznak vizuális információt. A terület eljárásainak tipikus képviseli a kontraszt javítása, vagy az élek élesítése Fényességi érték transzformációk A fényességi érték transzformációk a legegyszerbb eljárások, egyben a legáltalánosabbak is, ezért gyakran használatosak más eljárások részeként. 9

11 A kimenetet a bemeneti fényességi értékek különböz átviteli függvényekkel megadott átskálázásával kapjuk meg, vagyis a bementi és kimeneti értékek között egy (nem feltétlenül egy-egy értelm) leképezés jön létre: v = f u, ahol v a kimeneti fényességi értéket, míg u a bemenetit jelöli. A kontraszt javítása Az alacsony kontraszt általában a nem megfelel megvilágítás, vagy a képalkotó berendezésben keletkezett fényveszteség eredménye. Többféle kontrasztjavítási transzformáció létezik, amelyek közül egy az alábbiakban látható: ( ) αu, v = β γ ( u a) ( u b) + v + v b a,, 0 u < a a u < b b u < L Itt u a transzformálni kívánt fényességi értéket jelöli v a transzformáltat, v a és v b pedig a kimenet a és b pontokban felvett értékeit. Az α, β, γ paraméterek segítségével szabályozhatjuk a javítás minségét, azaz a sötétebb, vagy világosabb fényességi érték tartományokat húzzuk-e szét. Az a és b paraméterek meghatározásának egy módja, a kumulatív hisztogram alapján a képpontok számának bizonyos százalékánál (szokásos az 5 illetve 95% megadása). Az eljárás a sok paraméter miatt meglehetsen esetleges, és az egyes képeknél próbálgatást igényel. A 6. ábrán látható példánál az egyes paraméterek értékei a következképpen alakultak: = = 0,2, = 5, az a paraméter a képpontok számának 55%-ánál, míg a b a 95%-ánál található fényességi értéket vette fel. 6. ábra Kontrasztjavítás (baloldalon a kiindulási kép) 10

12 Hisztogram alapú eljárások A hisztogram definíciója a 2.1 pontnál található. A hisztogram alapú eljárások általánosságban a hisztogram valószínség számítási jelentését használják ki, aminek segítségével a fényességi értékek eloszlását szabadon változtathatjuk. A következkben a hisztogram alapú eljárások egy széles körben használt képviseljét, a hisztogram kiegyenlítést mutatom be, amelynek célja a fényességi értékek egyenletes eloszlásának kialakítása, és ez által a kontraszt javítása. Tekintsük a fényességi értéket (u ) valószínségi változónak. Az u bemeneti változó vehessen fel L különböz értéket. Legyenek x i ezek az értékek ( i = 0,1,..., L 1). Ekkor az egyes fényességi értékek gyakoriságai, p u ( x i ), a hisztogram alapján az alábbiak szerint határozhatók meg: ( x ) h ( x ) i p u i = L 1, i = 0,1,..., L 1 h( xi ) i= 0 A kimeneti fényességi értékek meghatározása ez után úgy történik, hogy: v = u xi = 0 p u ( x ) v v min v ' = Int ( L 1) + 0, 5, 1 vmin Az eljárás elnye, hogy automatikus, nem kell sok paramétert állítani, viszont némely esetben nem az elvárásoknak megfelel eredményt ad. A 7. ábrán a hisztogram kiegyenlítésre láthatunk példát. i 7. ábra Hisztogram kiegyenlítés (baloldalon a kiindulási kép) 11

13 Lokális eljárások (ablakozó technikák) A lokális eljárások a kép egy adott pontját, illetve annak környezetét vizsgálják. A vizsgált pont és környezete együttes elnevezése ablak. Az ablakban található értékek reprezentálhatóak egy mátrix segítségével. A vizsgálatokat az ablak méretének megfelel vizsgáló mátrix (más néven maszk) segítségével végezzük. A bemeneti kép összes képpontjára elvégezve az adott maszk által definiált mveletet kapjuk meg az eredmény képet. A könnyebb vizsgálhatóság miatt az ablak mérete általában páratlan. Az eljárások tulajdonképpen a konvolúció elméletén alapulnak. A képet egy eltolás invariáns operátorral (a maszkkal) konvolálva kapjuk meg az eredményt. Átlagolás A legegyszerbb ablakozó eljárás az átlagolás. Az átlagolás, mint ahogy a neve is jelzi, a vizsgált területen található képpontok átlagát képzi, és ezzel az átlaggal helyettesíti a vizsgált képpontot. Az eljárás eredményeképpen a kép elmosódott lesz, ugyanakkor a képen található zaj is csökken. Az eljárás képlettel az alábbiak szerint fejezhet ki: v 1 N ( k, l) = u( m k, n l) W ( k, l W ) A képlet a konvolúció diszkrét formájából kis átalakítás után megkapható. A konvolúciós mátrix (vagyis a maszk) elemeinek értéke megegyezik, és összeadva az egységet adják. Az átlagolás tulajdonképpen alulátereszt szrként fogható fel, mivel a magasabb frekvenciájú képrészleteket (tipikusan az éleket) elnyomja, így a kép elmosódottá válik. Az eljárás eredménye a 8. ábrán látható, az alkalmazott ablak mérete 11x11 képpont volt. 8. ábra Átlagolás (baloldalon a kiindulási kép) 12

14 Statisztikus szrések A statisztikus szrk egy nemlineáris leképezést valósítanak meg a kiindulási és az eredményül kapott kép pontjai között. Az eljárások a vizsgált terület képpontjait rendezik, majd a szrés típusától függen kiválasztanak egy elemet, amely a vizsgált képpont új értékét adja. Az egyik legelterjedtebb képviseljük a medián szr. Egyéb gyakrabban használatos típusok a minimum és maximum szr, amelyeknél a rendezés után kapott vektor minimumát illetve maximumát választjuk ki. Medián szréskor a maszk rendezése után kiválasztjuk a középs elemet, amellyel a vizsgált képpontot helyettesítjük. Az eljárás alkalmas az impulzus jelleg zajok kiszrésére, azonban az éleket az ablak méretétl függen torzítja. A 9. ábrán egy 5x5-ös ablakkal végzett medián szrés eredményét láthatjuk. 9. ábra Medián szrés (baloldalon a kiindulási kép) Élek élesítése (unsharp masking) Az eljárás alapja, hogy egy az életlen vagy alulátereszt szrvel szrt képpel arányos képet kivonunk az eredetibl. Általánosságban az eljárás a következképpen írható le: ( m, n) u( m, n) + λg( m n) v =,, ahol > 0 m n m, n pontban. Gyakran használatosak gradiens függvényként a diszkrét Laplace függvény változatai: λ és g (, ) egy alkalmasan definiált gradiens az ( ) g 1 4 ( m, n) = u( m, n) [ u( m 1, n) + u( m, n 1) + u( m + 1, n) + u( m, n + 1) ] 13

15 Az eljárás eredményeként kapunk egy olyan képet, amelyen az élek jobban látszanak, mint az eredeti képen. A 10. ábrán láthatunk egy példát. 10. ábra Unsharp masking (baloldalon a kiindulási kép) Inverz kontraszt-arány transzformáció Az emberi látás azon képessége, amellyel egy objektumot az egyenletes fényeloszlású háttértl el tud különíteni, az objektum méretétl és a kontraszt-aránytól függ. A kontrasztarány definíciója a következ: σ γ =, µ ahol µ az objektum átlagos fénysrsége, σ pedig az objektum és környezete fénysrségének szórása. Az inverz kontraszt-arány transzformáció célja, hogy az objektumokat a képen kiemelje a háttérbl. Alkalmazása tulajdonképpen az alacsony kontrasztú éleket javítja. A transzformáció a következképpen adható meg: v ( m, n) ( m, n) ( m, n) µ =, σ ahol µ ( m,n) a fényességi értékek egy adott ablakon vett átlaga (ld. még fent), míg ( m,n) fényességi értékek ugyanezen ablakon számolt szórása. µ ( m,n) és ( m,n) szerint számolhatóak: µ 1 N ( m, n) = u( m k, n l) W ( k, l) W σ a σ az alábbiak 14

16 σ 1 N ( m, n) [ u( m k, n l) µ ( m, n) ] = W ( k, l) W Az eljárásra példa a 11. ábrán látható. Az ablakozó mveleteket egy 3x3-as ablakra végeztem el ábra Inverz kontraszt-arány transzformáció (baloldalon a kiindulási kép) 2.3. Képanalízis A képanalízis célja, hogy a képeken található objektumok jellegzetes tulajdonságait meghatározza, majd ezekbl következtessen a képen található objektumok minségi, vagy mennyiségi jellemzire. Ezekbl a jellemzkbl azután lehetségessé válik a képen látható objektumok értelmezése, a kép információtartalmának elemzése. A képanalízis teszi lehetvé például a mholdak által készített képek értelmezését, segítve a meteorológia, a térképészet munkáját, vagy éppen a röntgenfelvételek diagnosztikai vizsgálatát. A képanalízis módszerei tehát a képek objektumainak jellegzetes tulajdonságait szeretnék meghatározni, mint amilyenek az élek, az objektumok határai, a közöttük látható összefüggések. A kép részekre bontása után megállapíthatjuk az egyes objektumok jellemzit, a képelemek közötti összefüggések elemzésével pedig kép információtartalmát nyerhetjük ki. A képanalízis jellemz feladatai a lényegkiemelés, a szegmentálás és osztályozás. 15

17 Élek detektálása Az élek detektálása alapvet feladat, hiszen az élek jellemzik az objektumok határait. Hasznosak lehetnek például az objektumok szegmentálásánál, de a felismerést és az értelmezést is segíthetik. Az élek úgy képzelhetek el, mint a fényességi értékek hirtelen változásai. Egy folytonos képet tekintve élet akkor találunk, ha a kép egy adott pontbeli iránymenti deriváltja lokális maximumot vesz fel, vagyis az élek detektálására használhatjuk a gradienst. Az els derivált mellett használható a második derivált is, amely eljelet vált ott, ahol az els derivált maximumot vesz fel, így a második derivált nulla-átmeneteit elemezve is detektálhatjuk az éleket. A továbbiakban csak az els deriváltra épül módszerekkel foglalkozunk. Ha egy r görbe mentén θ irányban mérjük a g gradienst, az alább megadott: g r g x g y = + = g x cosθ + g y sinθ x r y r g kifejezés a maximális értékét akkor veszi fel, amikor = 0, amibl θ r g x sinθ + g g y cosθ g = 0θ g = tan 1 g g y x g r max = 2 2 g x + g y A fenti koncepciókra építve kétféle éldetektálási módszer használatos, amelyekben a deriváltakat különböz maszkokkal közelítjük. Gradiens operátorok A gradiens operátorok két operátormátrix segítségével reprezentálhatóak, amelyek a kép két ortogonális irányában mérik a gradienst. A gradiens nagysága és iránya a konvolúció elvégzése után kapott mátrixokból az alábbiak szerint határozható meg: 2 2 ( m, n) = g ( m, n) g ( m n) g, θ g ( m, n) 1 + = tan 1 g g ( m, n) ( m, n) 16

18 Kompasz operátorok A kompasz operátorok néhány választott irányban mérik a gradienst. A különböz irányokban az egyes operátormátrixoknak az óramutató járásával ellenkez irányú 45 -os elforgatásával mérhetjük. Az adott pontban mért gradienst a legnagyobb abszolút érték mérés adja: g { } ( m n) max g ( m, n), =, ahol k az irányokat jelöli. A gradiens irányát a következ összefüggés alapján kaphatjuk: k θ = π 2 kπ 4, k + feltéve, hogy k = 0 esetén a mátrix iránya északi. Az éleket alkotó pontok meghatározásakor nem minden detektált pontot tekintünk valamilyen élhez tartozónak, hanem szokásosan csak a detektált képpontok meghatározott százalékát. A képpontok kiválasztása úgy történik, hogy legnagyobb abszolút érték gradienssel rendelkez képpontokat tartjuk meg. A gradiens operátorokkal való éldetektálásra a 12. ábrán, míg a kompasz éldetektálásra a 13. ábrán látható példa. A példákban az élek tagjaként felismert pontok 5%-át tekintettem valóban valamilyen élhez tartozónak. k 12. ábra Gradiens éldetektálás (baloldalon a kiindulási kép) 17

19 13. ábra Kompasz éldetektálás (baloldalon a kiindulási kép) Morfológiai eljárások A morfológia kifejezés sok tudományterületen elfordul, de a jelentése mindenütt hasonló. Az alakzatok, formák vizsgálatát jelenti. A képfeldolgozásban ez a képen megjelen objektumok struktúrájának, formájának vizsgálatát jelenti. A morfológiai eljárások általában a halmazelméletbl kölcsönzik a mveleteket, ami azt jelenti, hogy a képeken található objektumokon egy elre megadott halmazzal különböz halmazmveleteket végezve kapjuk az eredményt. A területnek két alapvet operátora van. Tekintsünk a képen egy objektumot egy X halmaznak és adjunk meg egy B halmazt. B x jelölje B olyan transzlációját, amikor B középpontja az x pontban van. Az els operátor, amit megadunk az erózió (erosion). X eróziója B-vel mindazon x pontok halmaza, amelyekre X tartalmazza B -et, azaz: { x } X B B X Az erózió tehát az objektum méretének csökkenéséhez vezet. A másik alapmvelet a kiterjesztés (dilation), ennek az ellenkezje, vagyis az objektum méretének növekedését eredményezi. Definíció szerint a kiterjesztés mindazon x pontok halmaza, amelyekre B x és X metszete nem üres halmaz. X B { x : B x X } A morfológiai mveletek közül két további mveletet mutatok be, amelyeket a késbbiek során használni is fogok. Az els a határvonal keresése, amely egy olyan mvelet, amelyben az objektum határán lév pontok maradnak csak meg. Képlettel kifejezve a mvelet a következ: X = X X B : x x 18

20 A B halmaz ebben az esetben lehet például egy 3x3-as mátrix, amelynek minden elemét figyelembe vesszük a halmazmveletek során. A mvelet tehát veszi az objektum azon pontjait, amelyekre a B mátrixot X tartalmazza, majd kivonja az X halmazból. A második mvelet a felnyitás, amely a mveleti halmaztól függen szétválaszt egy objektumot több részre. A felnyitás definíciója: B = ( ) X X B B Elször tehát vesszük mindazon pontokat, amelyekre X tartalmazza a B halmazt, majd az eredményhalmazhoz hozzávesszük mindazon pontokat, amelyekre a metszete B-vel nem üreshalmaz. A 14. ábrán a határok megkeresésére láthatunk egy példát. A példában a megadott vizsgáló halmaz egy 3x3-as egységmátrix volt, és minden 0-nál nagyobb fényességi érték képpontot valamilyen objektumhoz tartozónak tekintettem. 14 ábra Objektumok határának megkeresése (baloldalon a kiindulási kép) Hough transzformáció A Hough transzformáció segítségével egyeneseket deríthetünk fel a képen. Kiindulásként tekintsük az egyenes alábbi formában megadott egyenletét: s = xcosθ + ysinθ amely megadja az origótól s távolságra lév, az origóval szöget bezáró normálissal s,θ rendelkez egyenes pontjait. A Hough transzformáció során az egyenes pontjait az ( ) 19

21 térbe képezzük, aminek eredményeként az egyenes ebben a térben egy pont formájában jelenik meg. A transzformációt ezek után úgy képzelhetjük el, hogy a képen meghatározzuk például egy objektum határait, amint a 14. ábrán látható, de végezhetünk éldetektálást is, ezután az s és a paraméter néhány kvantált értékére minden ( i y i ) tér minden pontjához egy ( s,θ ) x, pontot leképezünk az (,θ ) s térbe, a C számlálót rendelünk, amelyet növelünk, ha a leképezés az adott pontba történt. A számláló lokális maximumai adják ezek után a különböz pontokon át húzható egyeneseket. A 15. ábrán látható egy példa az eljárásra. A példában az elz pontban megadott algoritmust használtam fel a határok képzésére. A leképezés után azokat az egyeneseket jelöltem meg, amelyekre a hozzájuk tartozó számlálónál mérhet lokális maximum meghaladta a globális maximum 10%-át. 15. ábra Hough transzformáció (baloldalon a kiindulási kép) 20

22 3. rész Mammográfiás röntgenképek elfeldolgozását végz eljárások A digitális röntgenkészülékek hiánya miatt a mammográfiás röntgenfelvételek számítógépes feldolgozása a felvételek szkennelése, digitalizálása után történhet. Erre a célra kereskedelmi forgalomban kaphatóak speciális röntgenfilm szkennerek, amelyek nagyon jó minségben képesek a felvételek digitalizálására. A digitalizált röntgenfelvételekkel szemben támasztott minségi igények a legalább 50 m-es felbontás és a bites színmélység. A képfeldolgozó eljárásoknak tehát meg kell küzdeniük a nagy méret okozta számítási igénnyel, és a minségi igények által támasztott követelményekkel. Az elfeldolgozó eljárások célja a további feldolgozás formájától függen többféle lehet. A legtöbb esetben a feladat a lényeges jellemzk kiemelése, a felesleges képelemek eltávolítása, de elfeldolgozásnak minsülhet a képpontokból olyan sajátvektorok elállítása, amelyek valamilyen osztályozási célt szolgálnak. A röntgenfelvételek mindazonáltal zajosak, és a digitalizálás során is keletkezhetnek különböz torzulások, amelyek nehezítik a feldolgozást. Sok esetben a röntgenfelvételeken olyan képelemek is megjelennek, amelyek orvosi információkat tartalmaznak, például a kép típusa, száma és egyéb adatok. Mammográfiás röntgenképek esetén az eml elkülönítése ezektl a képelemektl a feldolgozó eljárások hatékonyságát javíthatja, mind diagnosztikai, mind sebességi jellemziket tekintve. További jellemzi vizsgált felvételeknek a mellbimbó, illetve a medio-laterális típusú felvételeknél, a mellizom megjelenése. Két vagy több kép összehasonlításakor a mellbimbó és a mellizom helyének ismerete segíthet a képek megfelel részeinek megtalálásában. A mellizom nem tekinthet az eml részének, ezért az eml szerkezetének vizsgálatakor az eredményeket torzíthatja. Az eredmények javíthatóak, ha a feldolgozáskor a mellizom területét nem vesszük figyelembe. Az alábbiakban 5 algoritmust mutatok be, amelyek a fenti feladatokat végzik. Az els algoritmus az eml helyét határozza meg, és szegmentálja a kép többi részétl. További kett a mellizom és az eml közötti határvonal, míg az utolsó kett eljárás a mellbimbó keresését végzi Az eml helyének meghatározása A feladat megfogalmazása A feladat röviden az eml helyének meghatározása, egyben a képen található zaj és egyéb zavaró képelemek eltávolítása. A zaj a felvétel készítésekor és a digitalizálás során keletkezhet. A röntgenfelvétel készítésekor a szórt sugarak, porszemek és a képalkotó berendezés hibái miatt a felvételen zaj keletkezik. A keletkezett zaj valamilyen valószínségi eloszlással (általában Gauss) leírható. A digitalizálás során kvantálási zaj adódik a képhez. A 21

23 készítés és a digitalizálás során egyaránt hozzáadódhat a képhez impulzus jelleg zaj. A legáltalánosabb esetben a fent említett problémák egyszerre jelentkezhetnek. A zaj kiszrésére alkalmas módszerek különböz mértékben torzítják a képet. A simító szrk (Gauss-zaj esetén) homályosítják a képet, míg a medián szrk (impulzus zaj esetén) az éleket torzítják. További problémát jelent, hogy a zaj eredményeként a képen található objektumok mintegy összeérnek, ami azt jelenti, hogy a gép szempontjából csak egy adott fényességi érték küszöb fölött válnak szét az objektumok, amelyeket az emberi szem amúgy különállónak érzékel. A feladat tehát egy olyan algoritmus készítése, amely zaj jelenléte esetén is szét tudja választani azokat az objektumokat, amelyeket az emberi látás különállónak észlel, ezután az objektumok közül kiválasztja az emlt. Utolsó lépésként igény szerint vagy törli a kép emln kívüli részeit, vagy valamilyen módon kiemeli az emlt A megoldás bemutatása A megoldás els lépése a képeken található már korábban említett zavaró hatások vizsgálata volt. A zavaró hatásokat három csoportba soroltam, amelyek részben összefüggnek egymással. Az egyes csoportok tulajdonságainak jellemzése: 1. Zaj A feladat szempontjából az impulzus jelleg zajok lényegtelenek, hiszen nem alkotnak olyan objektumokat a képeken, amelyek elérik a zavaró nagyságot. Az egyéb zajok mértéke képenként változó lehet. A f problémát az jelenti, hogy ha a zaj mértéke egy bizonyos fényességi értéket meghalad, akkor az eljárások úgy értelmezik, mintha külön objektum, vagy valamilyen objektum (pl. az eml) része lenne. Mivel ez képenként változó, egy minden képre használható küszöb meghatározása nehézségekbe ütközhet. A nagy küszöb megadása az eml határán található képpontok elnyomásához vezet, azaz ezek a pontok elvesznek, az eml torzul. 2. Idegen elemek Az emlhöz nem tartozó és nem zajnak minsül képelemek tartoznak ide. Lehetnek különböz feliratok, illetve címkék. Ezek az objektumok legtöbbször adminisztrációs információkat tartalmaznak, mint a felvétel típusa, száma, dátuma. Az idegen elemek néhány esetben az eml felett láthatóak, így nehezen vagy egyáltalán nem különíthetek el az emltl. Néhány esetben az emberi szem számára különállónak érzékelt objektumok kicsiny fényességi értékekkel ugyan, de összeérnek, amely megzavarhatja az eljárásokat. 3. Egyéb zavaró hatások Sok esetben nem meghatározható eredet, vagy a film készítése, vagy a digitalizálás során keletkezett hibák láthatóak a képeken. Jellemzen ilyen, amikor a kép nem pontosan illeszkedik a szkennerre, vagy egy vékony vonal (sötét is világos is lehet) húzódik át a kép egy részén. A megadott csoportokra a 16. ábrán láthatunk példákat. Az ábrán, a baloldali képen a zaj hatását láthatjuk. A kép hisztogram kiegyenlítéssel készült. A jobboldali képen a 2. és 3. csoportra láthatunk példát. A bekeretezett részek közül az (1)-és és (2)-es számú egy-egy címkét jelölnek, az utóbbi az eml felett van. A (3)-as rész a szkennelés során keletkezett 22

24 hiba, a kép rosszul illeszkedik a szkennerre. A (4)-el jelölt rész egy vonalat rejt, amely egészen a kép alsó részén található szürke részig húzódik le. Megjegyzend, hogy ritkán látható egy képen ilyen sok hiba egyszerre, mint a jobboldali képnél. 16. ábra Zavaró hatások a röntgenfelvételeken A megoldáshoz a vizsgálatok alapján két olyan feltételt adtam meg, amelyek teljesülését a megoldás során nem vizsgálom: a. Az eml minden vizsgált képen látszik b. Az eml a legnagyobb összefügg objektum Az els feltétel egyértelm, míg a második a képek vizsgálatából adódik. Teljesen általános esetben a szegmentálás eredményeképpen néhány objektum keletkezik képen. Tegyük fel, hogy ezek közül az eml az egyik, a kérdés hogyan állapítjuk meg melyik az. Egy ember a formája alapján felismerné feltéve, hogy már látott ilyen képet. A gépnek meg kell adnunk olyan jellemzket, amelyek alapján minsíteni tudja az objektumot. A legegyszerbb ilyen jellemz az objektum mérete. A röntgenfelvétel során a röntgensugaraknak át kell hatolniuk az emln, ami mindenképpen nyomot hagy a felvételen. Ez azért fontos, mert így biztosítva van, hogy a fényképezett objektumok összefüggek, hiszen csak akkor lehet 0 a fényességi érték egy pontban, ha a röntgensugár akadály nélkül érkezett oda. Ha nem az eml a legnagyobb összefügg objektum a képen, akkor a kép nagy valószínség szerint hibás, így diagnózisra alkalmatlan. A képpontok környezetének fontos szerepe van az algoritmusban, azonban a környezet sokféleképpen értelmezhet. A következkben a képpontok környezetén a képponttal bármilyen kapcsolatban lév képpontokat, vagyis a képpontot körülvev további 8 pontot értem. A továbbiakban az algoritmus bemutatása következik: A megvalósított algoritmus folyamatábrája az 17. ábrán látható. 23

25 Start Igen Képmátrix bvítése (padding) n = 0 n = 0; level = 25 A vizsgált képpont értéke >= 15? Nem Nem n = n + 1, n > képpontok száma? A vizsgált képpont értéke >= level Igen Nem Igen Van olyan szomszédja, amelyre fényességi érték < 15? Nem A vizsgált képpont egy tartomány határán van? Igen Nem Igen Minden ilyen szomszéd fényességi értéke = 25 Nem A képpont fényességi értékének 0-ra állítása A vizsgált képpont értéke még mindig >= level? n = 0 Igen Képpont tartományba sorolása Nem A vizsgált képpont a kiválasztott tartomány határán van? Igen Nem Nem Nem n = n + 1; n > képpontok száma? Megadott távolságú szomszédainak a tartományhoz vétele n = n + 1; n > képpontok száma? Igen A legnagyobb tartomány kiválasztása Kisebb tartományok törlése, level = 15 Igen Stop Elször járunk ebben a pontban? Igen 17. ábra Az algoritmus folyamatábrája 24

26 Az algoritmus lépései általánosan: 1. Elfeldolgozás, a képmátrix bvítése és a képpontok környezetének javítása 2. A képen található tartományok meghatározása (nagyobb küszöbérték mellett) 3. A legnagyobb tartomány kiválasztása, a többi törlése 4. A képen található tartományok meghatározása (kisebb küszöbérték mellett) 5. A legnagyobb tartomány kiválasztása, amely az eml lesz A megvalósított algoritmus lépéseinek részletes leírása: 1. lépés A bemeneti képmátrixot kibvítjük olyan módon, hogy minden szélén felveszünk egyegy újabb sort, illetve oszlopot és azt 0 értékekkel töltjük fel. Az algoritmus során így nem kell ellenriznünk, hogy a mátrix határain belül mozgunk-e. Ha szükséges több sorral is kiegészíthetjük a mátrixot. 2. lépés A kép összes 15-nél nagyobb fényességi érték pontját megvizsgáljuk, van-e olyan szomszédja, amelynek fényességi értéke kisebb, mint 15. Ha van, akkor annak a pontnak a fényességi értékét 25-re növeljük. A képeken elforduló rendellenességek között található olyan, amelynek eredményeképpen az eml egyes részei nagyobb fényességi értéken vizsgálva elválnak az emltl, aminek eredménye, hogy az algoritmus egy késbbi lépésben kizárja ezeket a képpontokat a további vizsgálatból. A rendellenesség megjelenési formája egy sötét csík (az alkotó pontok fényességi értéke kisebb, mint 15), amely végighúzódik az emln. 3. lépés A képen található összes, 25-nél nagyobb fényességi érték képpontokat tartalmazó tartomány határán található képpontok értékét 0-ra állítjuk. Ezt egy egyszer morfológiai eljárással meg tudjuk tenni (ld pont). A határpontok megkereséséhez egy 3x3-as vizsgálómátrixot alkalmazunk. A kép 25-nél nagyobb fényességi érték pontjai összefügg tartományokat alkotnak, amelyeket halmazoknak tekinthetünk. A tartományok mint halmazok, és a vizsgálómátrix mint halmaz között egy-egy értelm megfeleltetést próbálunk létrehozni, vagyis a vizsgált képpontot a vizsgálómátrix középpontjával, környezetét pedig a mátrix megfelel elemével vetjük össze, és ha minden elem párosítható, azaz a vizsgált képpont és a környezetében található képpontok fényességi értéke 25-nél nagyobb, akkor nem teszünk semmit, ellenkez esetben a képpont fényességi értékét 0-ra állítjuk. A lépés eredményeként a képen található tartományok egyértelmen elkülönülnek, illetve a vékony vonallal összekötött tartományok több részre esnek szét. 4. lépés Meghatározzuk az egy tartományba tartozó képpontok halmazait. A 25-nél nagyobb fényességi érték képpontok esetén megvizsgáljuk, hogy valamely szomszédjuk már tagja-e valamelyik tartománynak, ha igen, akkor a képpontot megjelöljük, mint a tartomány tagját, ha nem, akkor új tartományt hozunk létre. Ha vannak olyan szomszédai, amelyek két külön tartományba tartoznak, akkor a tartományokat megjelöljük, mint szomszédos tartományokat. 25

27 A szomszédos tartományok egy tartománynak minsülnek, így a képpontok vizsgálata után a szomszédosnak minsített tartományokat összevonja az algoritmus egy tartományba. 5. lépés A legnagyobb tartomány kiválasztása a tartományokba tartozó képpontok megszámlálásával. Az algoritmus nem veszi figyelembe, ha két maximális pontszámú tartomány van, ez ugyanis a kiindulási feltevéseknek ellentmondana. A legnagyobb tartomány pontjai megadják az eml pontjait, kivéve a 25 fényességi érték alatti pontokat. A következkben tehát megismételjük a 3-5-ig lév lépéseket, de most 15-ös fényességi értéket választva határként, ezáltal finomítva a megoldást. 6. lépés Utolsó lépésként a kapott tartomány bvítése következik. A kapott tartomány határpontjait 5 pixellel kitoljuk, így finomítva a felbontást és kiküszöbölve egy olyan jelenséget, amely akkor jelentkezik, ha az eml határán vannak olyan kisebb tartományok, amelyeket a 25-ös határnál külön tartományként érzékelt az algoritmus, és törölte ket. Opcionálisan lehetséges választani, hogy a megtalált tartományon kívül es képpontokat törölje a program, vagy a megtalált tartományt írja körül. Az algoritmus alkalmazásának eredményét a 18. ábrán láthatjuk. A baloldali kép a kiindulási kép, mellette az eredményül kapott kép látható, az algoritmus által feleslegesnek ítélt részek törlésével. Látható, hogy az algoritmus az emlvel teljesen összefügg idegen elemek eltávolítására nem képes. 18. ábra Az algoritmus alkalmazása egy képen 26

28 Tesztelési eredmények Az algoritmust a már korábban is említett mammográfiai adatbázison [4] teszteltem. Az adatbázisban 322 db kép található, amelyek kivétel nélkül medio-laterális típusúak. A tesztelés során az eredmény szempontjából 3 csoportot különböztettem meg. a. Hibátlan mködés Az eml pontos felismerése. Megjegyzend, hogy a 15-ös fényességi érték határ miatt, az eml szélén található, ezen érték alatti fényességi érték képpontokat az algoritmus nem tekinti az eml részeinek. b. Az eredményt jelentsen nem befolyásoló hibás mködés Az ide tartozó hibáknak további három típusát különböztettem meg: 1) Pontok törlése az emlbl Akkor fordulhat el ez a hiba, ha a 25-ös fényességi érték határú vizsgálatnál az eml szélén néhány képpont önálló tartományként jelenik meg. Ekkor az algoritmus törli ezt a tartományt, vagyis információt vesztünk. (19. ábra, 1. kép) 2) Idegen képelemek hozzávétele az emlhöz Az algoritmus olyan képpontokat is az emlhöz tartozónak ismer fel, amelyek nem tartoznak hozzá. Történhet a zaj miatt, illetve okozhatják az eml felett elhelyezked címkék, feliratok. (19. ábra, 2. kép) 3) Az emlhöz tartozó részek elhagyása A felvételeken néhány esetben az eml alatti testfelület visszahajlik a képre. Ez szorosan nem tartozik az emlhöz, így elhagyása sem minsül súlyos hibának. (19. ábra, 3. kép) c. Hibás mködés Az algoritmus hibásan mködik, ha az emlt nem ismeri fel. A vizsgált képek tulajdonságai: 1024x1024 képpont; 8 bites színmélység, vagyis 256 db szürke árnyalat. A tesztelés eredményei az 1. táblázatban láthatóak. A b. esetet több részre osztottam az itt elforduló hibák típusa szerint. 19. ábra Tipikus példák az algoritmus rendellenes mködésére (a képek balról számozva) 27

29 Hibátlan mködés 301 (93,48%) Az eredményt jelentsen nem befolyásoló hibás mködés 1. típusú 2. típusú 3. típusú 5 (1,55%) 8 (2,485%) Hibás összesen: 21 (6,52%) 8 (2,485%) Hibás mködés 0 (0%) 1. táblázat - Teszteredmények Az eredmények szerint az esetek több, mint 90%-ában az emlt minden részletével együtt felismerte az algoritmus, néhány esetben kisebb anomáliák jelentkeztek, hibás felismerés nem fordult el. A mködésben jelentkez anomáliák az eml felismerését nem befolyásolták, vagyis az algoritmus gyakorlatilag minden esetben alkalmazható. Az alkalmazás során jelentkez hibák közül a b. csoport 3. típusú hibái egyáltalán nincsenek hatással a további feldolgozó algoritmusokra, st talán még célszer is, ha a feldolgozó algoritmusok nem veszik figyelembe a képnek ezen részeit, mivel lényeges információt nem tartalmaz, csak hibaforrás lehet. A 2. típusú hibák esetében hasonló az eredmény, hiszen a címkék alapveten világos foltként jelennek, tehát szintén besorolhatóak a felismer algoritmus által. A helyzet azonban fordított, mert míg az elz esetben a hiba az volt, hogy nincsenek jelen a képen bizonyos elemek, addig ebben az esetben a hiba az, hogy jelen vannak, ami nagyobb gondot okoz. Az 1. típusú hibák okozhatják a legnagyobb problémát. Mivel ezek többnyire pontszer hibának tekinthetek, leginkább talán a mikrokalcifikációk felismerését végz algoritmusoknak okozhatnak problémát, ha a hiba helyén éppen egy mikrokalcifikáció volt, ami azonban kevéssé valószín az eml széléhez ilyen közel. A jelenleg megvalósított algoritmus 256 árnyalatú képek esetén mködik, illetve megfelel tesztesetek híján a cranio-caudális felvételek esetében produkált mködés nem látható elre. Valószínleg a felvétel típusa nem befolyásolja jelentsen az eredményeket, hiszen az algoritmus szempontjából fontos tulajdonságait tekintve a két felvételtípus gyakorlatilag megegyezik. További kérdés, hogy a konstans érték fényességi érték határok, illetve a morfológiai eljárások során használt vizsgáló halmazok nagyobb méret képek esetén is megfelelek-e. Az algoritmus továbbfejlesztési lehetségei a hibák kiküszöbölésén kívül, a más típusú és nagyobb színmélység (12-16 bit) felvételekre való alkalmazhatóság vizsgálata, illetve a fényességi érték határ csökkentése A mellizom területének meghatározása A feladat megfogalmazása A medio-laterális felvételek jellegzetesen megjelen eleme a mellizom, a legtöbb esetben jól elhatárolhatóan jelenik meg a felvételeken. A mellizom megjelenésében egy viszonylag homogén, általában az eml többi részénél világosabb terület, amely lefelé keskenyed háromszöget alkot. A 20. ábrán bekeretezve látható a mellizom. 28