Képalkotó és képfeldolgozó eljárások hatékonyságának növelése az orvosinformatikában Benyó Balázs a műszaki tudomány kandidátusa Tézisfüzet MTA doktora pályázat Budapest 2013.
ii
Tartalomjegyzék 1. Bevezetés 1 2. Kutatási célok 3 2.1. SPECT képrekonstrukciós eljárás kidolgozása......... 3 2.2. Foggyökér csatorna automatizált meghatározása CT felvételeken 4 2.3. Agyi MR felvételek gyors szegmentálása............ 5 2.4. Kutatási célkitűzések összefoglalása............... 6 3. Megoldáshoz alkalmazott módszerek 7 3.1. Párhuzamos GPU algoritmusok alkalmazása SPECT képrekonstrukcióhoz.......................... 7 3.2. Foggyökér csatorna meghatározása szegmentálás, döntési fa és régiónövesztés felhasználásával.................. 8 3.3. Agyi MR felvételek szegmentálása gyorsított fuzzy c-means algoritmussal........................... 9 4. Új tudományos eredmények 10 4.1. Elnyelési korrekcióval és detektorválasz kompenzációval kiegészített párhuzamos SPECT képrekonstrukciós MLEM algoritmus GPU-ra adaptált változatának kidolgozása........ 10 4.2. A foggyökér csatorna geometriájának CT felvételek alapján történő automatikus meghatározására szolgáló eljárások kidolgozása............................... 13 4.3. Térben lassan változó intenzitású zajjal terhelt MR koponyafelvételeken agyi régiók elkülönítésére szolgáló algoritmus kidolgozása............................. 15 5. Eredmények hasznosítása 17 6. Tézisekben hivatkozott saját publikációk, irodalomjegyzék 20 i
1. fejezet Bevezetés Az orvosbiológia és mérnöki tudományok határterülete egyike a legdinamikusabban fejlődő tudományterületeknek. Ennek az interdiszciplináris tudományterületnek a gyors fejlődését több tényező is motiválja. Egyfelől a tudományterülettel határos mérnöki területek (informatika, elektronika, automatizálás, nanotechnológia stb.) fejlődése olyan új technológiák és eszközök megjelenéséhez vezetett, amelyek lehetőséget teremtettek új orvosi diagnosztikai és terápiás eljárások kidolgozására, illetve a meglevő eljárások hatékonyabb változatainak kifejlesztésére. Másfelől a népesség mai társadalmakban tapasztalható elöregedése egyre növekvő követelményeket támaszt az egészségügyi ellátórendszerrel szemben, ami gyorsabb, olcsóbb, kevesebb emberi munkát igénylő, vagyis hatékonyabb orvosi diagnosztikai és terápiás módszerek kidolgozását követeli meg. Ezen egymást erősítő hatások eredményezték az interdiszciplináris tudományterület napjainkban tapasztalható gyors fejlődését mind tudományos, mind gazdasági szempontból. A hatékonyabb diagnosztikához, illetve terápiához szükséges új módszerek kidolgozása különös kihívást jelent a területen dolgozó kutatók számára több okból is. Az első kihívás, amellyel leggyakrabban kell szembenézni a kutatóknak a biológiai rendszerek modellezése során jelentkezik. A megfigyelt élettani, biológiai rendszerek az átlagos mérnöki rendszerekkel összehasonlítva lényegesen nagyobb bonyolultságú, összetett rendszerek, így azok leírása, modellezése általában nem lehetséges a mérnöki gyakorlatban szokásos módszerek közvetlen alkalmazásával. Az élettani, biológiai rendszerek kezeléséhez a fiziológiai folyamatok pontos megértése szükséges annak érdekében, hogy azoknak a megfigyelés szempontjából lényeges jellemzőit ki tudjuk emelni. A kutatóknak tehát nemcsak együtt kell dolgozni az interdiszciplináris terület más határterületén dolgozókkal, de azok tudásának java részét is el kell sajátítaniuk a hatékony diagnosztikai módszerek kidolgozásához szükséges modellek megalkotásához. 1
A másik gyakran előforduló kihívás az orvosbiológiai mérnöki kutatások során, hogy a kidolgozott módszerek és algoritmusok rendkívül nagy számításigényűek. Ez természetesen más tudományterületeken is számtalanszor előforduló probléma. A különbség az, hogy az orvosi gyakorlat igen szigorú követelményeket támaszt egy-egy kezelés vagy diagnosztikai művelet végrehajtási idejére vonatkozóan, vagyis a kidolgozott algoritmusok végrehajtási idejének csökkentése ezen a területen igen fontos gyakorlati jelentőséggel bír. Azaz, amennyiben gyakorlatban felhasználható módszereket kívánunk kidolgozni, nem kerülhető el az algoritmusok számítási igényének olyan mértékben történő csökkentése, hogy azok futási ideje összhangba kerüljön az orvosi gyakorlat által támasztott követelményekkel. 2
2. fejezet Kutatási célok Kutatómunkám célja a bevezetőben ismertetett kihívásokkal összhangban olyan új mérnöki módszerek és algoritmusok elméleti és gyakorlati kidolgozása, amelyek közvetlenül, a korábbiaknál hatékonyabban használhatók az orvosi gyakorlat diagnosztikai feladatainak megoldására. A doktori értekezésemben ismertetett munkámat a következő területeken végeztem: Képminőség javítását eredményező nukleáris képalkotó berendezésekben alkalmazott képrekonstrukciós eljárások továbbfejlesztése. Számítógépes tomográfiai (CT) felvételek alapján a foggyökér csatorna térbeli elhelyezkedésének meghatározására szolgáló, automatikusan végrehajtható, új képfeldolgozó eljárások kidolgozása. Mágneses rezonancián alapuló (MR) képalkotó berendezéssel készített koponyafelvételek szegmentálására szolgáló képfeldolgozó módszerek létrehozása. 2.1. SPECT képrekonstrukciós eljárás kidolgozása A SPECT (Single Photon Emission Computed Tomography egy-fotonos számítógépes tomográfia) eljárás a mindennapi orvosi diagnosztika egyik alapvető képalkotó módszere [19]. A SPECT vizsgálatoknál számos, a képalkotás során fellépő fizikai jelenség befolyásolja negatívan az eredményül kapott kép minőségét, és ezáltal csökkenti azok klinikai diagnosztikai értékét [8]. Az orvosi diagnosztikai munka minőségének javítása érdekében szükséges ezen jelenségek negatív hatásának ellensúlyozása. A képminőség javítására 3
szolgáló módszerek azonban olyan mértékben megnövelik a képrekonstrukciós algoritmusok számításigényét, és ezáltal azok végrehajtási idejét, hogy azok gyakorlati alkalmazása igen nehézkessé, számos esetben lehetetlenné válik [13]. Az elmúlt néhány évben a GPU (Graphical Processing Unit) kártyák rohamos teljesítménynövekedésével olyan párhuzamos számítást lehetővé tevő hardver eszközök jelentek meg az egészségügyi intézmények által megfizethető árkategóriában, amelyek megteremtik az elvi lehetőségét a képrekonstrukciós algoritmusok párhuzamos végrehajtásának. Ezzel a képrekonstrukció futási ideje olyan mértékben csökkenthető, amely lehetővé teszi azok gyakorlati alkalmazását. Ezen elvi lehetőség kiaknázásához azonban ki kell dolgozni a képrekonstrukciós algoritmusok olyan párhuzamos változatát, amely képes a hagyományos számítógépek működésétől eltérő, SIMD (Single Instruction Multiple Data) elven működő GPU-k számítási erőforrásainak hatékony kihasználására [7]. A kutatás keretében a következő két, a képalkotás során fellépő fizikai jelenség által okozott képminőség-romlás kompenzálásával foglalkoztam: Gamma foton elnyelődés inhomogén elnyelő közegben; SPECT detektor távolságfüggő felbontásából eredő torzítás. A kutatómunkám célja egy olyan párhuzamos képrekonstrukciós algoritmus kifejlesztése volt, amely képes a fenti két fizikai hatás jelentős kompenzációjára, és a futási ideje a hardver erőforrások hatékony kihasználása által alkalmassá teszi azt klinikai környezetben történő alkalmazásra. 2.2. Foggyökér csatorna automatizált meghatározása CT felvételeken A tartósan sikeres fogászati beavatkozás elvégzéséhez igen fontos információ a kezelendő fog geometriájának, elsősorban a gyökércsatorna elhelyezkedésének, illetve alakjának pontos ismerete. A fog belső szerkezetének megismerése a kezelés megkezdése előtt azért lényeges, mert segítséget ad a kezelés megfelelő megtervezéséhez. A kezelés menete és időtartama igen eltérő lehet egy egyenes, illetve egy többszörös görbülettel rendelkező gyökércsatorna esetén. Sajnos a fogak gyökércsatornája anatómiai helyzetüktől függően igen nagy változatosságot mutat [5]. Mára a fogkonzerváló központok által megfizethető árkategóriába kerültek olyan új, 3D képalkotó technológiát alkalmazó berendezések, mint amilyen 4
például a cone beam computer tomográfiás (CBCT) berendezés. Ezek a berendezések megteremtik a lehetőségét a fogak belső szerkezetének meghatározására [10, 15, 12]. A CT felvételeket automatikusan feldolgozó algoritmusok kidolgozása azonban komoly kihívást jelent. A berendezések által alkalmazható sugárdózis szigorúan szabályozott [6], más berendezésekkel összehasonlítva azoknál általában alacsonyabb, így az általuk készített felvételek jel-zaj viszonya is rosszabb. A CT berendezések fogászati gyakorlatban történő terjedésével lehetőség nyílik a gyökércsatorna térbeli elhelyezkedésének és alakjának előállítására. A fent ismertetett ma létező eljárások általános hiányossága azonban az, hogy a képfeldolgozásnak csak egyes lépéseire adnak megoldást. Ahhoz, hogy egy-egy eljárást a gyakorlatban is alkalmazni tudjunk olyan módszereket kell kidolgozni, amelyek megvalósítják a képfeldolgozás minden egymás után illeszkedő lépését, és amelyek egymással kompatibilis eredményt szolgáltatnak. A kutatómunkám célja olyan eljárások kidolgozása volt, amelyek hatékonyan alkalmazhatók micro-ct és CBCT berendezésekkel készített fogászati felvételek feldolgozására, a foggyökér csatorna fogon belüli elhelyezkedésének és alakjának meghatározására. Az eljárásoknak megfelelően pontosnak és automatikusan végrehajthatónak kell lenni annak érdekében, hogy azok a gyakorlatban alkalmazhatók legyenek. 2.3. Agyi MR felvételek gyors szegmentálása A mágneses rezonanciás (MR) képalkotás az orvosi gyakorlatban gyakran alkalmazott vizsgálati módszer elsősorban az eredményül kapott képek jó felbontása és a különböző szöveti régiók kontrasztos megjelenítése miatt [18]. Az MR képek automatikus feldolgozása, szegmentálása azonban közel sem triviális feladat. A képeken megjelenő, különböző forrásból származó zaj gyakran komoly nehézséget okoz a feldolgozás során. Az egyik leggyakoribb zajtípus az úgynevezett inhomogén intenzitású zaj, amely a tér egy adott irányába lassan változó, alacsony frekvenciájú, a hasznos jelhez viszonyítva viszonylag nagy amplitudójú additív zaj. E jelenség következményeként előfordul, hogy azonos anyagú lágyszöveti területek egymástól lényegesen különböző intenzitású pontokként jelennek meg egy MR képen. Míg a magas frekvenciájú zajok eltávolítására számos gyors és viszonylag pontos eljárás létezik [4], addig az inhomogén intenzitású zaj kompenzálása lényegesen nehezebb és számításigényesebb feladat [17], így annak megvalósítása komoly kihívást jelent az MR képek szegmentálása során. A kutatómunkám célja olyan képfeldolgozó módszer kidolgozása volt, amely alkalmas az MR képeken megjelenő inhomogén intenzitású zaj kom- 5
penzálására, illetve a képek szegmentálására. Az eredményül kapott algoritmust annak számításigénye, illetve a megvalósított változatának futási ideje alkalmassá teszi orvosi diagnosztikai alkalmazásokban történő használatra. 2.4. Kutatási célkitűzések összefoglalása Kutatómunkám során a következő problémák megoldását tűztem ki célul: Elnyelési korrekcióval és detektorválasz kompenzációval kiegészített SPECT képrekonstrukcióra szolgáló MLEM algoritmus párhuzamosított, GPU-ra szabott változatának kidolgozása. Foggyökér csatorna térbeli elhelyezkedésének meghatározására szolgáló algoritmusok kidolgozása micro-ct, illetve cone beam CT (CBCT) felvételek alapján. Térben lassan változó inhomogén zajjal terhelt mágneses rezonanciás (MR) képalkotóval készített felvételeket feldolgozó, a különböző agyi régiók elkülönítésére alkalmas, a korábbiaknál gyorsabb szegmentáló algoritmus kidolgozása. 6
3. fejezet Megoldáshoz alkalmazott módszerek A disszertációban bemutatott kutatások közös motivációja az orvosi diagnosztikai és terápiás munka hatékonyságának javítása. Mindhárom kutatási terület eredményei a kép alapján történő orvosi diagnosztika során hasznosulnak. A közelmúltban az orvosi képalkotás területén megjelent különböző számítógépes tomográfiai módszerek amelyek 3D információt képesek szolgáltatni a vizsgált szervekről közös jellemzője, hogy a vizsgálat során nagy mennyiségű adatot gyűjtenek, majd az adatok számítógépes feldolgozása szolgáltatja az orvosi diagnosztikában felhasználható információt [19]. Ez indokolja, hogy mindhárom kutatott területen az egyik legfontosabb követelmény, illetve kihívás az algoritmusok számításigényének csökkentése volt. Ennek eléréséhez a problémára szabott módszerek alkalmazására és új eljárások kidolgozására volt szükség mindhárom esetben. A kutatás minden alkalommal az orvosi diagnosztikai feladat alapos megismerésével kezdődött, majd ezek után indult el az egyes feladatoktól függő kutatómunka. A következő fejezetekben röviden összefoglalom az egyes területeken végzett kutatómunka legfontosabb lépéseit, a kutatás módszereit. 3.1. Párhuzamos GPU algoritmusok alkalmazása SPECT képrekonstrukcióhoz Irodalmi adatok és gyakorlati kísérletek alapján elemeztem az MLEM elven működő SPECT képrekonstrukciós algoritmusok gyakorlati alkalmazásának nehézségeit. Megvizsgáltam a párhuzamos programvégrehajtásra alkalmas hardver platformokat, és kiválasztottam a vizsgálandó SPECT képrekonstrukciós feladatokra leginkább alkalmas platformot, a GPU-t. 7
Irodalomkutatás alapján, valamint gyakorlati kísérletek segítségével kidolgoztam, majd implementáltam a SPECT rekonstrukció GPU-n futó párhuzamos változatát. Ezután a GPU hardver erőforrások jellemzőinek figyelembe vételével finomítottam, illetve módosítottam, adott esetben átszerveztem az algoritmust, illetve annak számítási lépéseit. Matematikai fantomok, fizikai fantomok, valamint valós betegfelvételek rekonstrukciója alapján validáltam a kidolgozott algoritmus képrekonstrukciós képességeit, és összehasonlítottam a rekonstruált felvételek minőségét a hagyományos algoritmus által generált felvételek minőségével. Végül tesztfeladatok végrehajtásával megvizsgáltam a javasolt algoritmus hatékonyságát különböző számítási kapacitású GPU hardvereken. 3.2. Foggyökér csatorna meghatározása szegmentálás, döntési fa és régiónövesztés felhasználásával Irodalmi adatok és gyakorlati kísérletek alapján megvizsgáltam a gyökércsatorna felismerésére alkalmazható módszereket. A munka első fázisában a micro-ct képek feldolgozására szolgáló eljárást dolgoztam ki. Itt számos irodalmi képfeldolgozó módszerből merítettem, így a kidolgozott eljárás tartalmaz többek között fuzzy c-means (FCM) [3] szegmentálást, illetve régiónövesztést [1], amelyeket azonban adaptálni kellett a feladathoz. Az automatikus végrehajtás érdekében a klasszikus képfeldolgozástól távolabb eső módszereket, mint döntési fa [16] is alkalmazni kellett. Az eljárás kidolgozása valós felvételek alapján elvégzett validációval zárult. A cone beam CT (CBCT) felvételeket feldolgozó eljárás kidolgozásának első fázisában a micro-ct képek feldolgozására hatékonynak bizonyult eljárást, illetve az eljárás során alkalmazott módszereket vizsgáltam meg a CBCT felvételekre történő felhasználásuk szempontjából. Sajnos elég gyorsan bebizonyosodott elsősorban a felvételek igen eltérő minősége miatt, hogy az első fázisban micro-ct képek feldolgozására kidolgozott apparátus szinte egyik eleme sem használható hatékonyan, elsősorban a felvételek felbontásának és minőségének igen eltérő volta miatt. Az eljárás magja végül az FCM szegmentáló módszer egy olyan változata lett, amely hatékonyan tudja kezelni a voxelek elhelyezkedéséből, illetve anyagi jellemzőiből származtatott információkat. Az eljárás kidolgozása a valós felvételeken történő kiértékeléssel, illetve validációval zárult. 8
3.3. Agyi MR felvételek szegmentálása gyorsított fuzzy c-means algoritmussal Irodalomkutatás során elemeztem az agyi területekről készült MR felvételek szegmentálásakor fellépő problémákat. Irodalmi adatok alapján implementáltam a hagyományos FCM algoritmust [3], illetve kiegészítettem azt az egyik lehetséges, térben lassan változó inhomogén zajt leíró zajmodellel [2, 11, 14]. Az így kapott algoritmus alkalmazását korlátozó tényezőket elemezve kidolgoztam az új, általam javasolt algoritmust. Ezután összehasonlítottam a hagyományos és a javasolt algoritmus számításigényét a feldolgozandó bemeneti kép paramétereinek függvényében. Mivel a lépésszám becslés igen kedvező eredményt adott, implementáltam az algoritmust. Mesterségesen előállított tesztképek, majd valós MR felvételek segítségével validáltam a javasolt algoritmust mind a szegmentáció minősége, mind annak futási ideje szempontjából. 9
4. fejezet Új tudományos eredmények 4.1. Elnyelési korrekcióval és detektorválasz kompenzációval kiegészített párhuzamos SPECT képrekonstrukciós MLEM algoritmus GPU-ra adaptált változatának kidolgozása 1. tézis: Iteratív SPECT (Single Photon Emission Computed Tomography egy-fotonos számítógépes tomográfia) képrekonstrukció párhuzamos megvalósítása során alkalmazható módszereket dolgoztam ki, amelyek biztosítják a rekonstrukciót végző algoritmus SIMD (Single Instruction, Multiple Data) típusú GPU hardver eszközön történő végrehajtásakor a rendelkezésre álló számítási erőforrások hatékony kihasználását. A javasolt módszerek alkalmazásával sikerült a létrehozott rekonstrukciós algoritmus futási idejét az orvosi gyakorlat által támasztott követelményeknek megfelelő határok alá csökkenteni. A párhuzamos, képminőség javító eljárásokat tartalmazó algoritmust implementáltam, majd számos, szimulációval, illetve valós méréssel előállított rekonstrukciós feladaton validáltam, és elemeztem annak futási idejét. Bebizonyosodott, hogy a kidolgozott algoritmus a képminőséget negatívan befolyásoló fizikai jelenségek hatásának csökkentése eredményeképpen a korábban használt képrekonstrukciós algoritmusoknál nem csupán gyorsabb, de jobb minőségű képet eredményez, így lehetővé teszi az orvosi diagnosztikai munka minőségének jelentős javítását. 10
Tézis kifejtése SPECT eljárással készített képek rekonstrukciójára alkalmazható párhuzamos képrekonstrukciós algoritmust dolgoztam ki. Az algoritmus iteratív rekonstrukciót hajt végre, a Maximum Likelihood Expectation Maximization (MLEM) elvet követve. Annak érdekében, hogy az algoritmus hatékonyan tudja kihasználni a SIMD típusú GPU hardver erőforrásait, a projekciós képeket előállító előrevetítő operátor, illetve az aktivitáseloszlást módosító visszavetítő operátor számításának hagyományos menetét megváltoztattam. Nem a voxeltömbben tárolt aktivitás értékeket reprezentáló mátrixelemeken történik az iteráció és annak számítása, hogy azok milyen hatást váltanak ki az egyes detektorpixeleken, hanem a detektorpixeleken iterálva az egyes detektorpixelekhez történik a beütésszám számítása. Ez a számítás több detektorpixelre párhuzamosan kerül végrehajtásra a GPU processzorain. A gyors végrehajtás érdekében a hardver lehetőségeit figyelembe véve az algoritmus lépéseit módosítottam, illetve átszerveztem. Ezek a módosítások elsősorban a processzorokon futó szálak által gyorsan elérhető, osztott elérésű memória hatékony kihasználását teszik lehetővé. Az új algoritmus által megvalósított képrekonstrukciós eljárást validáltam, hogy igazoljam a beépített képminőség javító módszerek hatékonyságát. A képrekonstrukciós algoritmus a képminőséget negatívan befolyásoló fizikai jelenségek hatásának csökkentése eredményeképpen a korábban használt képrekonstrukciós algoritmusoknál jobb minőségű képet eredményez (4.1. ábra). Az eredmények elemzése során tesztfeladatok végrehajtásával megvizsgáltam mennyire képes kihasználni az algoritmus a GPU biztosította hardver erőforrásokat. Igazoltam, hogy az algoritmus képes a GPU adta hardver erőforrások hatékony kihasználására, ezáltal sikerült a rekonstrukció idejét az orvosi gyakorlat által támasztott követelményeknek megfelelő határok alá csökkenteni. Továbbfejlesztési lehetőségek A kutatást több irányban is lehetséges folytatni. A hatékony erőforrás kihasználást lehetővé tevő algoritmussal olyan mértékben sikerült csökkenteni a képrekonstrukció futási idejét, hogy abba további képjavító módszerek is beépíthetők anélkül, hogy az algoritmus végrehajtási ideje meghaladná a klinikai alkalmazás által elfogadható időkorlátot. Itt kézenfekvő opció annak vizsgálata, hogy a szóráskorrekciós módszerek miként építhetők be az algoritmusba. Ezenkívül lehetséges az ismertetett módszert más képi modalitások esetén is alkalmazni, itt a Pozitron Emissziós Tomográfia (PET) lehet a kutatás elsődleges célpontja. 11
(a) Hagyományos algoritmus eredménye (b) Javasolt algoritmus eredménye (c) Hagyományos rekonstrukciós algoritmus eredménye (d) Javasolt rekonstrukciós algoritmus eredménye 4.1. ábra Agyról készült SPECT felvétel rekonstrukciójának eredménye a hagyományos és a javasolt algoritmussal. A témában született publikációk [J4], [J5], [C1], [C2], [C7], [C10], [C11], [C12], [C13]. 12
4.2. A foggyökér csatorna geometriájának CT felvételek alapján történő automatikus meghatározására szolgáló eljárások kidolgozása 2. tézis: Olyan képfeldolgozó eljárásokat dolgoztam ki, amelyek fogakról készített CT felvételek alapján képesek automatikusan a foggyökér csatornát pontosan azonosítani és a foggyökér csatorna középvonalának térbeli alakját meghatározni. Az egyik eljárás micro-ct felvételek, a másik eljárás cone beam CT felvételek feldolgozása során alkalmazható. Az eljárásokat validáltam valós micro-ct és cone beam CT felvételek felhasználásával. A validáció során igazoltam, hogy mindkét eljárás az esetek több, mint 90%-ban automatikusan képes volt a gyökércsatorna kézi feldolgozással azonos pontosságú felismerésére, annál lényegesen rövidebb idő alatt. Tézis kifejtése Két, összetett automatikus eljárást dolgoztam ki a foggyökér csatorna felismerésére és középvonalának meghatározására micro-ct, illetve CBCT felvételek alapján. Az eljárások az automatikus végrehajtás mellett megadják a lehetőséget a kézi beavatkozásra, amennyiben a felhasználó így szeretne javítani a gyökércsatorna felismerésének eredményén. A két eljárás kidolgozása során képfeldolgozó módszereket dolgoztam ki, illetve módosítottam annak érdekében, hogy azokat lehetséges legyen automatikusan végrehajtani a két eljárás során a foggyökér csatorna pontos meghatározása céljából. Mindkét kidolgozott eljárást implementáltam, majd validáltam valós micro- CT és CBCT felvételeken. A felvételek több, mint 90%-a esetén az eljárások pontosan meghatározták a gyökércsatorna középvonalát automatikusan, kézi beavatkozás nélkül. Az eljárások eredménye alapján elkészíthető a fogak gyökércsatorna középvonalának matematikai leírása (4.2. ábra). A megvalósított eljárások a jövőben hozzájárulhatnak a foggyökér csatornát érintő fogászati beavatkozások hatékonyabb tervezéséhez, ezáltal azok sikerességének növeléséhez. A kidolgozott eljárások gyakorlatba ültetése jelentős változást hozhat a fogászati beavatkozások során. A javasolt hatékony automatikus eljárások lényegesen egyszerűsíthetik a kezelés megtervezését, illetve kiszámíthatóvá 13
tehetik, adott esetben csökkenthetik a kezelés időtartamát, amely előnyös mind a beavatkozást végző szakember, mind pedig a páciens számára. További előnye az automatikus végrehajtást lehetővé tevő eljárásoknak, hogy azokat nagy tömegű CT felvételen végrehajtva pontosabb képet kaphatunk az egyes fogak jellemző foggyökér csatorna felépítéséről, illetve a lehetséges extrém csatorna alakokról, amely igen hasznos információ lehet a fogászati eszközök tökéletesítése során. Továbbfejlesztési lehetőségek A bemutatott kutatás kézenfekvő folytatása lehet annak vizsgálata, hogy a kidolgozott algoritmusok milyen módon építhetők be képalkotó berendezések képrekonstrukciós környezetébe. Ezáltal olyan szolgáltatással bővülhet a képalkotó berendezések funkcionalitása, amely igen nagy segítség a fogászati diagnosztikai munkában. 4.2. ábra Egy őrlőfog gyökércsatornájának, illetve középvonalának a javasolt eljárással rekonstruált képe CBCT felvétel alapján. A témában született publikációk [J1], [B1], [C3], [C4], [C5], [C6]. 14
4.3. Térben lassan változó intenzitású zajjal terhelt MR koponyafelvételeken agyi régiók elkülönítésére szolgáló algoritmus kidolgozása 3. tézis: Új csoportos osztályozáson alapuló módszert adtam egycsatornás intenzitás képek gyors feldolgozására, amely alkalmazható térben lassan változó intenzitású zajjal terhelt felvételek szegmentálása során. A módszer alapján kidolgoztam a zajos MR koponyafelvételeken agyi régiók elkülönítésére szolgáló fuzzy c-means (FCM) szegmentáló algoritmus gyorsított változatát. A javasolt szegmentáló algoritmust mesterségesen előállított fantom képeken, illetve valós MR felvételeken validáltam, valamint összehasonlítottam annak futási idejét a hagyományos FCM szegmentáló algoritmus futási idejével. Beigazolódott, hogy a javasolt algoritmus futási ideje a hagyományos algoritmus futási idejénél legalább egy nagyságrenddel kisebb amellett, hogy a hagyományos algoritmussal azonos minőségű szegmentálást biztosít. Tézis kifejtése Kidolgoztam az MR felvételeken alkalmazható, hagyományos FCM algoritmus inhomogén, térben lassan változó intenzitású zajt kompenzáló és képszegmentáló módszerének olyan új változatát, amely az eredeti algoritmusnál lényegesen kisebb számítási komplexitású algoritmust eredményezett. A gyorsítás alapötlete a következő. A fuzzy klaszterezés során alkalmazott négyzetes költségfüggvény (hibafüggvény) iteratív minimalizálása során megkeressük azokat a számítási műveleteket, amelyek csak a képpontok intenzitás értékétől és nem azok helyétől függenek, és a költségfüggvény minimalizálását ezekre az intenzitás értékekre végezzük el. Mivel egy képen megjelenő intenzitás értékek száma jóval kisebb a képpontok számánál, az eljárás számításigénye ezzel jelentősen csökkenthető. A javasolt algoritmust implementáltam, majd benchmark kísérletekkel megmutattam, hogy a javasolt algoritmus alkalmazásával akár két nagyságrenddel is csökkenhet a nagy számításigényű részműveletek futási ideje úgy, hogy közben a szegmentálás minősége nem romlik. Az agyról készült MR képek zaj kompenzálási és szegmentálási feladatának végrehajtása során a javasolt gyors algoritmus alkalmazása 25-30-szoros gyorsulást eredményezett 15
a hagyományos FCM megoldáshoz képest anélkül, hogy számottevően csökkent volna a szegmentálás pontossága. A kidolgozott algoritmus hatékony működését a 4.3. ábrán bemutatott szegmentálási példa demonstrálja. A bal oldalon található eredeti kép feldolgozása hibás eredményre vezet a zaj kompenzálása nélkül, míg a javasolt algoritmussal helyes osztályozási eredményt kapunk. Továbbfejlesztési lehetőségek Az ismertetett kutatás legkönnyebben megvalósítható folytatása lehet a javasolt módszer alkalmazása különböző típusú FCM algoritmusokkal, pl. annak integrálása lehetőségfüggvényeket alkalmazó vagy hibrid c-means algoritmusokkal. 4.3. ábra Valós MR kép osztályozása három osztályra: (a) eredeti kép, (b) osztályozás a zaj kompenzálása nélkül, (c) osztályozás a javasolt algoritmussal. Témában született publikációk [J2], [J3], [C8], [C9]. 16
5. fejezet Eredmények hasznosítása Röviden ismertetem, hogy az új tudományos eredmények mely gyakorlati alkalmazásokban, illetve mely kutatási, valamint kutatásfejlesztési projektekben kerültek felhasználásra és hasznosításra. A kidolgozott képrekonstrukciós algoritmus A kidolgozott SPECT képrekonstrukciós algoritmus beépítésre került a ME- DISO Orvosi Berendezés Fejlesztő és Szerviz Kft. InterViewXP alkalmazásába [9]. Az alkalmazás felhasználói választhatják a detektált projekciós képek rekonstrukcióját az 1. tézispontban bemutatott rekonstrukciós algoritmussal. Az algoritmus beépítésre került a Mediso Kft. szabványos rekonstrukciós szoftver könyvtárába, így a jelenleg fejlesztés alatt álló SPECT berendezések a javasolt algoritmus által megvalósított rekonstrukciós opcióval is rendelkeznek. A kutatás eredményei bevezetésre kerültek az egyetemi oktatásba. Az eredmények bemutatásra kerülnek a BME Villamosmérnöki és Informatikai Kar Műszaki és biológiai rendszerek elmélete, valamint Bevezetés az egészségügyi mérnöki tudományokba című tárgyak keretében. A képrekonstrukciós algoritmusok kidolgozása témában született eredmények a következő alapkutatási és kutatásfejlesztési projektek keretében kerültek alkalmazásra: 2008 2011, TeraTomo, NKTH: TECH_08_A2 (2008) NTP program: Különböző modalitású orvosi diagnosztikai tomográfiás berendezésekbe építhető teraflop kapacitású képrekonstrukciós rendszer kifejlesztése (BME konzorciumi projektvezető: Benyó Balázs). 17
Konzorciumi tagok: MEDISO Orvosi Berendezés Fejlesztő és Szerviz Kft., Budapesti Műszaki és Gazdaságtudományi Egyetem Irányítástechnika és Informatika Tanszék, Nukleáris Technika Intézet, Semmelweis Egyetem, Radiológiai és Onkoterápiás Klinika. 2006 2009, PETCT_06, Jedlik Ányos program: Multi-modalitású képalkotó-rendszer sorozatgyártásra történő kifejlesztése orvos-biológiai kutatás és humán orvos-diagnosztika céljára (BME konzorciumi projektvezető: Benyó Balázs). Konzorciumi tagok: MEDISO Orvosi Berendezés Fejlesztő és Szerviz Kft., Debreceni Egyetem, Nukleáris Medicina Intézet, MTA Atommag Kutató Intézet, Debrecen, Budapesti Műszaki és Gazdaságtudományi Egyetem Irányítástechnika és Informatika Tanszék, Atomfizika Tanszék. 2004 2008, OTKA 46726: Biztonságkritikus diagnosztikai célú informatikai rendszerek kutatása (témavezető: Benyó Balázs). Foggyökér csatorna felismerésére kidolgozott módszerek A kutatás eredményei bevezetésre kerültek az egyetemi oktatásba. A Semmelweis Egyetem Fogorvostudományi Karon oktatott Endodoncia című tárgy keretében a kidolgozott módszer segítségével a hallgatók számára lehetővé vált a gyökércsatorna térbeli szerkezetének megismertetése, amely korábban csak síkbeli vetületi képek alapján volt lehetséges. Jelenleg folyik a cone beam CT-re kidolgozott módszer gyakorlati alkalmazásának bevezetése, amely a meglevő cone beam CT készülékkel készített 3D képek feldolgozásával lényegesen megváltoztathatja a foggyökér-betegségek kezeléséhez kapcsolódó beavatkozásokat. Az eredmények ugyancsak bemutatásra kerülnek a BME Villamosmérnöki és Informatikai Kar Műszaki és biológiai rendszerek elmélete, valamint Bevezetés az egészségügyi mérnöki tudományokba című tárgyak keretében. 18
A foggyökér csatorna felismerése és rekonstrukciója témában született eredmények a következő alapkutatási és kutatásfejlesztési projektek keretében kerültek alkalmazásra: 2010 2014, OTKA K80266: Új módszerek kidolgozása az orvosi diagnosztika hatékonyságának növelésére (Témavezető: Benyó Balázs), 2010 2012, Minőségorientált, összehangolt oktatási és K+F+I stratégia, valamint működési modell kidolgozása a Műegyetemen (TÁMOP- 4.2.1/B-09/1/KMR-2010-0002): IKT-P1-T9: Modell alapú mérnöki módszerek kidolgozása orvosi és műszaki alkalmazásokhoz (Altémavezető: Benyó Balázs). Agyi területek szegmentálására kidolgozott algoritmus A kutatás eredményei bevezetésre kerültek az egyetemi oktatásba. Az eredmények bemutatásra kerülnek a BME Villamosmérnöki és Informatikai Kar Műszaki és biológiai rendszerek elmélete, valamint Bevezetés az egészségügyi mérnöki tudományokba című tárgyak keretében. Az agyi területek szegmentálása témában született eredmények a következő alapkutatási projektek keretében kerültek alkalmazásra: 2003 2007, OTKA F046726: Biztonságkritikus diagnosztikai célú informatikai rendszerek kutatása (Témavezető: Benyó Balázs), 2006 2010, OTKA T69055: Új mérési, szabályozási eljárások kidolgozása, orvosinformatikai alkalmazása betegségek korai diagnosztizálására és az optimális terápia megvalósítására (Témavezető: Benyó Zoltán Benyó Balázs résztvevő), 2010 2014, OTKA K80266: Új módszerek kidolgozása az orvosi diagnosztika hatékonyságának növelésére (Témavezető: Benyó Balázs). 19
6. fejezet Tézisekben hivatkozott saját publikációk Folyóirat cikkek [J1] Balázs Benyó. Identification of dental root canals and their medial line from micro-ct and cone-beam ct records. BioMedical Engineering On- Line, 11(81):1-17, October 2012. (IF=1,405) [J2] László Szilágyi, S.M. Szilágyi, and Balázs Benyó. Efficient inhomogeneity compensation using fuzzy c-means clustering models. Computer Methods and Programs in Biomedicine, 108(1):80 89, 2012. (IF=1,516) [J3] László Szilágyi, Sándor M. Szilágyi, Balázs Benyó, and Zoltán Benyó. Intensity inhomogeneity compensation and segmentation of MR brain images using hybrid c-means clustering models. Biomedical Signal Processing and Control, 6(1):3 12, January 2011. (IF=1,00) [J4] Ákos Szlávecz, Tamás Bükki, Cecília Steinbach, and Balázs Benyó. A novel model-based PET detector block simulation approach. Biomedical Signal Processing and Control, 6(1):27 33, January 2011. (IF=1,00) [J5] Ákos Szlávecz, Zoltán Puskás, and Balázs Benyó. GPGPU based acceleration of the single scatter simulation algorithm for positron emission tomography. Scientific Bulletin of the "Politehnica" University of Timisoara, Romania, Transactions on Automatic Control and Computer Science, 55(69)(4):185 195, 2010. 20
Könyvfejezet [B1] László Szilágyi, Csaba Dobó-Nagy, Balázs Benyó: Identification of the root canal from dental micro-ct records. In: San Martín C, Kim SW (Eds.): Progress in Pattern Recognition, Image Analysis, Computer Vision, and Applications, Springer, LNCS vol. 7042, pp. 339-346 (2011), ISBN: 978-3-642-25084-2. Konferencia publikációk [C1] Ákos Szlávecz and Balázs Benyó. Optimal scanning protocol for 180 degree data acquisition in parallel spect imaging. In Proc. of IFAC BMS 2012 8th IFAC Symposium on Biological and Medical Systems, pages 12 17, Budapest, 2012. ISBN: 978-3-902823-10-6. [C2] Kári Béla, Szlávecz Ákos, Hesz Gábor, Bükki Tamás, Pártos Oszkár, Györke Tamás, and Benyó Balázs. 3D gyors iteratív kép rekonstrukciós eljárás parallel leképezésű spect modalitáshoz. Magyar Radiologia, 86(1):26 27, 2012. [C3] Balázs Benyó, László Szilágyi, and Csaba Dobó-Nagy. Root canal and center line identification from cone-beam CT volume data. International Journal of Computer Assisted Radiology and Surgery, 5(Suppl 1):S236 S237, 2010. [C4] Balázs Benyó, László Szilágyi, Gábor Csaba Molnár, Zsolt Németh, and Csaba Dobó-Nagy. Automatic identification of the root canal from CBCT. International Journal of Computer Assisted Radiology and Surgery, 6(suppl 1):S210 S211, 2011. [C5] Balázs Benyó, László Szilágyi, and Csaba Dobó-Nagy. A skeletal approach to root canal centreline detection from dental micro-ct records. In CONTROL 2010 UKACC International Conference on Control 2010, Coventry, pages 1 6, Coventry, 2010. [C6] Balázs Benyó, László Szilágyi, Zsolt Németh, Gábor Csaba Molnár, and Csaba Dobó-Nagy. Identification of the root canal and its centreline from dental cone beam CT records. In Proc. of IFAC BMS 2012 8th IFAC Symposium on Biological and Medical Systems, pages 1 5, Budapest, 2012. ISBN: 978-3-902823-10-6. 21
[C7] Béla Kári, Ákos Szalvecz, Gábor Hesz, Tamás Bükki, Oszkár Pártos, Tamás Györke, and Balázs Benyó. Novel high speed 3D iterative recon- struction algorithm for parallel projection based spect imaging. In 10th Asia-Oceania Nuclear Medicine and Biology Congress, page 45, Teheran, Iran, 2012. Paper OP066. [C8] László Szilágyi, László Dávid, Sándor Miklós Szilágyi, Balázs Benyó, and Zoltán Benyó. Improved intensity inhomogeneity correction techniques in MR brain image segmentation. In 17th IFAC World Congress, pages 9625 9630. IFAC by Pergamon Press, 2008. [C9] László Szilágyi, Sándor Miklós Szilágyi, Balázs Benyó, and Zoltán Benyó. Application of hybrid c-means clustering models in inhomogeneity compensation and MR brain image segmentation. In 7th IFAC Sympo- sium on Modelling and Control in Biomedical Systems, pages 204 209, Oxford, 2009. Elsevier Advanced Technology. [C10] Ákos Szlávecz, Balázs Benyó, Gábor Hesz, and Tamás Bükki. An optimized SPECT reconstruction algorithm with attenuation correction and resolution recovery. International Journal of Computer Assisted Radiology and Surgery, 4(Suppl 1):S353 S354, 2009. [C11] Ákos Szlávecz, Balázs Benyó, Péter Várady, and Tamás Bükki. Reconstruction of myocardial short-scan SPECT images. In Intelligent Engineering Systems, 2005. INES 05. Proceedings. 2005 IEEE International Conference on, pages 37 41, 2005. [C12] Ákos Szlávecz, Gábor Hesz, Zoltán Puskás, Béla Kári, Oszkár Pártos, Tamás Györke, Tamás Bükki, Balázs Domonkos, and Balázs Benyó. A Fast Iterative GPU-based Reconstruction Algorithm for SPECT Imaging Involving Collimator and Attenuation Compensation. European Journal of Nuclear Medicine and Molecular Imaging, 37(Supplement 2):S284, October 2010. [C13] Ákos Szlávecz, Gábor Hesz, Tamás Bükki, Béla Kári, and Balázs Benyó. GPU-based acceleration of the MLEM algorithm for SPECT parallel imaging with attenuation correction and compensation for detector response. In Proceedings of the 18th IFAC World Congress. Milan, Italy., pages 6195 6200, August 28. - September 2. 2011. 22
Irodalomjegyzék [1] R. Adams and L. Bischof. Seeded region growing. IEEE T Pattern Analisys and Machine Intelligence, 16(6):641 647, 1994. [2] Mohamed N. Ahmed, Sameh M. Yamany, Nevin Mohamed, Aly A. Farag, and Thomas Moriarty. A modified fuzzy c-means algorithm for bias field estimation and segmentation of mri data. Medical Imaging, IEEE Transactions on, 21(3):193 199, 2002. [3] J.C. Bezdek. Pattern recognition with fuzzy objective function algorithms. Kluwer Academic Publishers, 1981. [4] W. Cai, S. Chen, and D. Zhang. Fast and robust fuzzy c-means clustering algorithms incorporating local information for image segmentation. Pattern Recognition, 40(3):825 838, 2007. [5] Cs. Dobó-Nagy and J. Szabó. A mathematically based classification of root canal curvatures on natural human teeth. J Endodontics, 21(11):557 560, 1995. [6] European Commission. Radiation Protection No. 172. Cone Beam CT for Dental and Maxillofacial Radiology: Evdence Based Guidelines, 2012. [7] M Magdics, B Tóth, L Szécsi, B Csébfalvi, L Szirmay-Kalos, A Szlavecz, G Hesz, B Benyó, A Cserkaszky, D Légrády, et al. Detector modeling techniques for pre-clinical 3d pet reconstruction on the gpu. Full 3-D Concerence, pages 375 378, 2011. [8] G. Mariani, L. Bruselli, T. Kuwert, E.E. Kim, A. Flotats, O. Israel, M. Dondi, and N. Watanabe. A review on the clinical uses of spect/ct. Eur J Nucl Med Mol Imaging, 37:1959 1985, 2010. [9] Mediso. Interview xp software package, 2010. http://www.mediso.hu/. 23
[10] Ove A Peters. Current challenges and concepts in the preparation of root canal systems: a review. Journal of Endodontics, 30(8):559 567, 2004. [11] Dzung L. Pham and Jerry L. Prince. Adaptive fuzzy segmentation of magnetic resonance images. Medical Imaging, IEEE Transactions on, 18(9):737 752, 1999. [12] William C Scarfe, Martin D Levin, David Gane, and Allan G Farman. Use of cone beam computed tomography in endodontics. Int J Dent, 2009(634567), 2009. 1-20. [13] Y. Seo, C Mari, and BH Hasegawa. Technological development and advances in single-photon emission computed tomography/computed tomography. Semin Nucl Med, 38:177 198, 2008. [14] MY Siyal and Lin Yu. An intelligent modified fuzzy c-means based algorithm for bias estimation and segmentation of brain mri. Pattern Recognition Letters, 26(13):2052 2062, 2005. [15] Michael V Swain and Jing Xue. State of the art of micro‐ ct applications in dental research. International journal of oral science, 1(4):177 188, 2009. [16] Sergios Theodoridis. Pattern recognition. Elsevier, London, UK, 2nd edition edition, 2003. [17] Uroš Vovk, Franjo Pernuš, and Boštjan Likar. A review of methods for correction of intensity inhomogeneity in mri. Medical Imaging, IEEE Transactions on, 26(3):405 421, 2007. [18] W.M. Wells, W.E.L. Grimson, R. Kikinis, and F.A. Jolesz. Adaptive segmentationof mri data. Medical Imaging, IEEE transaction on, 15(4):429 442, August 1996. [19] Miles N Wernick and John N Aarsvold. Emission tomography: the fundamentals of PET and SPECT. Academic Press, 2004. 24