Содержание к диссертации
Введение
ГЛАВА 1. Методы проектирования интеллектуальных диагностических систем, анализирующих структуру
1.1. Особенности изображений глазного дна, получаемых посредством методики электронного фотографирования глазного дна с помощью ретинофота. 14
1.2. Способы диагностики зрительных патологий ... 19
1.3. Программно-аппаратные комплексы, для реализации алгоритмов обработки изображений глазного дна 24
1.4. Интеллектуальные технологии для классификации объектов и принятия решений 35
1.5. Цели и задачи исследования 44
ГЛАВА 2. Интеллектуальные операторы для сегментации сложноструктурируемых изображений 47
2.1. Исследование градиентных методов при сегментации сложноструктурируемых изображений... 47
2.2. Разработка алгоритма сегментации сложноструктурируемых изображений 49
2.3. Синтез морфологического оператора для препарирования изображения G1 52
2.4. Нечеткая модель формирования бинарного изображения границы сегмента 62
2.5. Выводы второй главы... 75
ГЛАВА 3. Способы и алгоритмы автоматизированной диагностики состояния глазного дна при диабетической ретинопатии 78
3.1. Алгоритмы формирования процедур анализа изображения глазного дна на примере диагностики диабетической ретинопатии 78
3.2. Процедуры препарирования изображения глазного дна для исследования на наличие диабетической ретинопатии 84
3.3. Процедуры измерения диаметра вен 1-го, 2-го и 3-го порядков при исследовании изображения глазного дна 87
3.4. Процедуры проверка изображения глазного дна на наличие экссудатов, отека макулы и кровоизлияния 89
3.5. Проблема масштабирования .92
3.6. Программная реализация функций предварительной обработки изображения глазного дна... 95
3.7. Выводы третьей главы.. 96
ГЛАВА 4. Экспериментальные исследования автоматизированной системы анализа изображений птатиого лна ) 99
4.1. Разработка нейросетевых моделей принятия решений по результатам анализа фотографий флюоресцентных ангиограмм глазного дна 99
4.2. Структура автоматизированной системы анализа изображений глазного дна и алгоритм ее работы ... 115
4.3. Экспериментальные исследования качества сегментации изображения глазного дна при различных видах патологий... 117
4.4. Выводы четвертой главы 127
Библиографический список
- Способы диагностики зрительных патологий
- Разработка алгоритма сегментации сложноструктурируемых изображений
- Процедуры препарирования изображения глазного дна для исследования на наличие диабетической ретинопатии
- Структура автоматизированной системы анализа изображений глазного дна и алгоритм ее работы
Введение к работе
Актуальность темы. Диабетическая ретинопатия (ДР) занимает одно из первых мест среди глазной патологии, приводящей к полной потере зрения и инвалидности. Широкая распространенность сахарного диабета (СД) (в развитых странах болеют до 4 – 5% населения) влечет за собой и рост числа больных ретинопатией. Несмотря на совершенствование методов контроля состояния больных СД, потеря зрения в результате осложнений СД остается очень серьезной проблемой. Это обусловлено, с одной стороны, тем, что на ранних стадиях ДР больные не предъявляют жалоб на снижение зрения, с другой – тем, что поражение сетчатки на ранних стадиях заболевания очень трудно выявить: для этого необходим тщательный квалифицированный офтальмологический контроль с применением современных методик.
Основными методами диагностики ДР считаются офтальмоскопия и ФАГД (флуоресцентная ангиография глазного дна). Во врачебной практике наличие патологических аномалий на изображении глазного дна определяется визуальным способом, что связано с высокой трудоемкостью и субъективностью оценки. Более того, эти изображения не имеют четкого морфологического описания сегментов и относятся к классу сложноструктурируемых изображений. При этом сложности структурирования таких изображений обусловлены как природой самого изображения, связанной с неравномерностью освещенности сегментов глазного дна и трудностями формализации описаний его морфологических структур, так и с зашумленностью хорошо структурируемых фрагментов изображения. Низкое качество сегментации таких изображений и отсутствие возможности объективного описания патологических структур приводит к тому, что большинство автоматизированных систем многоцелевого назначения не предназначены для определения патологий, а выполняют ряд вспомогательных операций, позволяющих повысить оперативность и (или) качество принимаемых решений.
Таким образом, актуальной научно-технической задачей исследования является повышение качества диагностики патологических состояний на основе объективного анализа и количественной оценки патологических сегментов изображения глазного дна.
Работа выполнена в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России на 2009-2013 годы (государственный контракт № П424 от 12 мая 2010 г.) и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».
Объект исследования. Системы медицинского назначения для сегментации и классификации сложноструктурируемых изображений.
Предмет исследования. Методы и алгоритмы морфологического анализа изображений глазного дна для систем интеллектуальной поддержки диагностики диабетической ретинопатии.
Цель работы. Разработка методов и алгоритмов морфологического анализа изображений глазного дна для автоматизированной диагностики диабетической ретинопатии, обеспечивающих повышение качества выявления патологий в условиях нечетко выраженных границ сегментов.
Для достижения поставленной цели решены следующие задачи:
исследовать методы и средства сегментации и классификации морфологических структур сложноструктурируемых изображений;
разработать метод сегментации сложноструктурируемых изображений, предназначенный для автоматизированной системы морфологического анализа изображений глазного дна, а также структурные и алгоритмические решения для его реализации;
разработать алгоритмическое и программное обеспечение для автоматизированной системы диагностики диабетической ретинопатии;
разработать метод классификации морфологических образований на флюоресцентных ангиограммах глазного дна;
провести апробацию предложенных методов, алгоритмов и специального программного обеспечения в клинической практике врача-офтальмолога.
Методы исследования. Для решения поставленных задач использовались методология искусственного интеллекта, методы морфологического анализа изображений, теории нейронных сетей и распознавания образов, теории нечеткой логики принятия решений, экспертного оценивания, статистического анализа, экспертного оценивания и принятия решений. При разработке нейросетевых моделей и модулей нечеткого вывода в качестве инструментария использовался Matlab 7.10 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.
Научная новизна исследования. В диссертации получены следующие результаты, характеризующиеся научной новизной и выносимые на защиту:
- метод сегментации сложноструктурируемых изображений, построенный на основе градиентной обработки исходного черно-белого изображения, отличающийся тем, что процесс получения бинарного изображения, отражающего морфологическую структуру исходного изображения, разбит на три последовательных этапа: на первом этапе получают векторизованное изображение, на втором этапе получают препарированное векторизованное изображение, а на третьем этапе осуществляют переход к бинарному изображению, отражающему контуры границ сегментов исходного изображения, осуществляемый посредством нечеткой нейросетевой модели;
- интеллектуальный оператор, предназначенный для формирования границы сегмента, реализованный в виде многослойной нечеткой сети, включающей базу решающих правил и агрегирующие и классифицирующие слои, позволяющий реализовать итерационный процесс активации пикселей границы сегмента;
- гибридная нейронная сеть, отличающаяся параллельным включением нейронных сетей прямого распространения, настроенных на классификацию патологических сегментов по пространственно-яркостным характеристикам пикселей изображения, и последовательно включенной радиально-базисной нейронной сетью, позволяющая классифицировать морфологические образования на фотографиях флюоресцентных ангиограмм глазного дна.
Практическая значимость и результаты внедрения работы.
Разработанные методы и алгоритмы составили основу построения автоматизированной системы для врача – офтальмолога, предназначенной для диагностики диабетической ретинопатии, экспериментальные испытания которой показали целесообразность ее использования в медицинской практике. Применение предложенных в диссертации разработок позволяет создавать информационное обеспечение для проведения лечебно-оздоровительных мероприятий.
Основные теоретические и практические результаты работы внедрены в учебном процессе Юго-Западного государственного университета при подготовке специалистов 200402 «Инженерное дело в медико-биологической практике» (дисциплина «Автоматизация обработки экспериментальных данных»), в НИР 1.15.10Ф гос. рег. № 01201059181 от 07.09.2010, выполняемой по заказу Министерства образования и науки РФ и использованы в ходе профилактических обследований больных сахарным диабетом в ОБУЗ Офтальмологическая клиническая больница – Офтальмологический центр (г. Курск).
Экономическая и социальная значимость результатов диссертационного исследования состоит в улучшении качества медицинского обслуживания населения, страдающего сахарным диабетом.
Соответствие диссертации паспорту научной специальности. Содержание диссертации соответствует п. 2 «Исследование, разработка и создание медицинской техники, изделий, инструментов, методов и способов диагностики и лечения человека, которые рассматриваются как средства восстановления нарушенной поливариантной системы» области исследования специальности 05.11.17 - Приборы, системы и изделия медицинского назначения.
Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на Международной научно-практической конференции «Информационные технологии в медицинских и педагогических исследованиях (Курск, 2009); на XVII, XVIII и XIX Международных конференциях «Лазерно-информационные технологии в медицине, биологии и геологии» (Новороссийск, 2009, 2010, 2011); на I Международной конференции «Инновационные технологии управления здоровьем и долголетием человека» (Санкт-Петербург, 2010); IX Международной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии (Владимир-Суздаль, 2010); на XIII и XIV Международных научно-технических конференциях «Медико-экологические информационные технологии» (Курск, 2010, 2011); на Международной научно-технической конференции «Интегральные процессы в науке-2011» (Курск, 2011), на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск, 2009, 2010, 2011).
Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 14 печатных работ, из них 4 работы в рецензируемых научных журналах.
Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1], [8], [10] и [13] автор предложил алгоритмы синтеза морфологических операторов для обработки изображений биомедицинских сигналов; в [2], [3], [4] и [11] соискателем предложены структуры нечетких нейросетевых решающих модулей и алгоритмы их обучения, предназначенных для сегментации изображений глазного дна; в [5], [7] и [12] автором разработаны алгоритмические решения анализа изображений глазного дна на основе нечеткого моделирования принятия решений; в [12] соискатель предложил гибридные нейросетевые информационные технологии сегментации изображений.
Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 88 отечественных и 19 зарубежных наименований. Работа изложена на 132 страницах машинописного текста, содержит 55 рисунков и 7 таблиц.
Способы диагностики зрительных патологий
Во всем многообразии задач от обработки изображений глазного дна до машинного зрения можно выделить компьютеризованные процессы низкого, среднего и высокого уровня. Процессы низкого уровня включают лишь примитивные операции над изображениями типа уменьшение шума, повышение контрастности или улучшение резкости. Низкоуровневые процессы характеризуются тем, что на вход и выход поступают изображения. Процессы среднего уровня связаны с такими задачами, как сегментация (разделение изображений на области и выделение в них объектов), описание объектов и их сжатие для придания им удобной формы для дальнейшей компьютерной обработки, а также классификация (распознавание) выделенных объектов. В среднеуровневых процессах на входе имеются изображения, а на выход поступают атрибуты и признаки, извлеченные из этих изображений (например, границы, контуры и другие отличительные признаки объектов). Наконец, процессы высокого уровня занимаются «осмыслением» множества распознанных объектов, как это делается в анализе изображений, а еще далее стоят действия, связанные с когнитивными функциями, обычно ассоциируемые с человеческим зрением.
Следовательно, цифровая обработка изображений глазного дна связана с процессами, имеющими" изображения на входе и на выходе, а также с процессами извлечения определенных признаков изображений вплоть до распознавания отдельных объектов. Эту задачу можно уже отнести к области анализа изображений или машинного зрения в зависимости от уровня сложности информации, ожидаемой от исследуемого объекта. 1.1. Особенности изображений глазного дна, получаемых посредством методики электронного фотографирования глазного дна с помощью ретинофота Новейшие технологии получения изображений представляют все более широкие возможности, но при выборе прибора для получения изображения глазного дна стоит руководствоваться разумными соображениями, чтобы свести стоимость получения изображения для дальнейшей обработки в автоматизированной системе исследования изображения глазного дна к минимальной стоимости с целью повышения ее конкурентоспособности [22, 31, 34, 39].
Самым недорогим прибором для получения изображения глазного дна является ретинофот (ретино- + фотографирование) - аппарат для фотографирования глазного дна [53].
Обычно ретинофот используется в комплексе с компьютерной системой для воспроизведения и архивирования изображений ВAS-420.
Цифровые системы воспроизведения и архивирования изображений ВА8-420 в комплекте с фундус-камерой РР-350 позволяют получать, хранить и обрабатывать в дальнейшем снимки глазного дна электронным способом. Эффективность цифровой системы воспроизведения и архивирования изображений заключается в немедленной визуализации и получении снимков, снятых с помощью вспышки [33].
Для получения фотографии глазного дна используется следующая методика.
Всем больным расширяют зрачки с помощью мидриатических капель (1% раствор тропикамида и 1% раствор атропина). В компьютер вносятся следующие данные о пациенте: фамилию, имя, отчество, год рождения, дата фотографирования, диагноз в сжатом виде.
Выполняются по два снимка глазного дна каждого глаза с охватом 60 поля зрения: первый снимок — макула в центре, с охватом участка височнее макулы и диска зрительного нерва (ДЗН), второй снимок — с центром на-зальнее ДЗН, с охватом ДЗН и участка, расположенного назальнее ДЗН.
При оценке снимков тщательно, в деталях осматривается макулярная область сетчатки и ДЗН, для этого используются возможности автоматизированных систем для исследования и обработки изображений с его увеличением, с выделением отдельно взятого сосуда или участка, с увеличением контрастности и регулирования яркости изображения.
Использование метода фотографирования глазного дна с помощью компьютера в наше время предпочтительнее в связи с компьютеризацией общества в целом, а также в силу преимуществ этого метода над всеми существующими методами: экономичность, информативность, продуктивность, мобильность, комфортабельность при исследовании для больного, электронное архивирование снимков глазного дна и всех данных пациента. Эта система может перевозиться в фургонах для осуществления скрининга населения на периферии и сельских местностях, где нет офтальмологов [35].
Говоря об особенностях изображения глазного дна у здоровых людей и больных сосудистыми заболеваниями необходимо ввести и рассмотреть понятие нормального глазного дна.
Нормальное глазное дно - это такое состояние его элементов, которое является общепризнанным эталоном отсутствия патологии. К этим элементам относятся: сетчатка (сетчатая оболочка), диск зрительного нерва, сосуды сетчатки, макула.
Нормальная сетчатая оболочка при рассмотрении изображения соответствует следующему описанию [41].
Цвет сетчатки зависит от циркулирующей в сосудистой оболочке крови (рис. 1.1-1.2). Нормальная сетчатка при офтальмоскопии имеет красный цвет, но между хориокапиллярным слоем и сетчаткой располагается пигментный эпителий. В зависимости от плотности пигментного эпителия цвет сетчатки может варьировать от тёмно-красного у брюнетов, более светлого у блондинов до коричневого у лиц монголоидной расы и тёмно-коричневого у лиц негроидной расы.
При уменьшении количества пигмента в пигментном эпителии может быть виден рисунок сосудистой оболочки в виде относительно широких полос - проекция сосудов хориоидеи, между ними могут быть тёмные участки (общая картина в виде так называемого паркетного глазного дна).
Разработка алгоритма сегментации сложноструктурируемых изображений
В настоящее время известно достаточно много методов сегментации изображений. Большая часть их основана на том факте, что на границе двух сегментов происходит скачкообразное изменение определенных параметров изображения; яркости, цвета, текстуры и т.п., которые могут быть обнаружены некоторым градиентным оператором. Поэтому большинство методов сегментации включает последовательную обработку изображения градиентным и пороговым операторами. Учитывая, что анизотропные градиентные операторы более эффективны, чем не анизотропные, в качестве градиентного оператора используют два анизотропных градиентных оператора, в результате чего получают векторное изображение, каждый пиксель которого характеризуется двумя параметрами, определяемыми как j Glx=dG/dx , (2Л) Gly=dG/dy , где G- исходное изображение, G1 -изображение полученное в результате обработки изображения G градиентным оператором, X и у - направления, характеризующие анизотропию градиентного оператора. Многие изображения не имеют четкого морфологического описания менто-о и относятся к классу сложноструктурируемых изображений. При структурированного изображения. Очень часто изображения получают в условиях различной освещенности, как так. и зашумленностью хорошо ттттохая структурированность обусловлена как природой самого изобра 48 всего изображения, так и его частей. Также возникают ситуации, когда одни и те же сегменты на различных изображениях имеют различную цветовую окраску. Во многих случаях сложноструктурируемых изображения получаются из хорошо структурированных изображений за счет того, что объемные изображения с явно выраженными сегментами проецируются на двумерную плоскость. Проекции сегментов накладываются друг на друга, при этом образуются псевдосегменты или искаженные сегменты, что приводит к снижению ценности априорных данных.
В качестве примера сложноструктурированного изображения рассмотрим фотографию флюорисцентной ангиограммы глазного дна с инволюционной центральной хориоретинальной дистрофией (ЦХРД). Эта фотография показана нарис. 2.1, а.
На этом изображении можем выделить три диагностически значимых сегмента; 1) диск зрительного нерва, 2) зона отслойки пигментного эпителия, 3) кровеносные сосуды. Для выделения этих сегментов используем два наиболее мощных известных метода сегментации, основанных на градиентных операторах типа (2.1): детектор Канни с автоматическим определением порога и детектор «лапласиай гауссиана» с управляемой в интерактивном режиме дисперсией. На рис. 2.2, б показан результат сегментации с помощью детек 49 тора Канни, а на рис. 2.2, е результат сегментации с помощью детектора
Экспертная оценка сегментированных изображений показывает неудовлетворительную сегментацию посредством известных методов так как ни один из них не выделил ни одного из трех необходимых сегментов. Таким образом, операторы типа (2.1) с последующими операторами пороговой обработки не удовлетворяют критериям точности выделения границ сегментов так как не учитывают морфологические особенности изображения. Для учета морфологических особенностей изображения должны быть априорные данные о структуре границ сегментов. При сегментации сложно изображений такие данные нельзя представить на формальном уровне, следовательно, непосредственно занести в алгоритм сегментации посредством математических выражений или алгоритмических проце TJVT) Следовательно такие задачи необходимо решать посредством моделирования мышления лица, принимающего решения (ЛПР), то есть необходимо использовать интеллектуальные морфологические операторы. В связи с проведенным анализом известных подходов к сегментации изображений, для сегментации сложноструктурируемых изображений целе гпобразно использовать интеллектуальные операторы, которые моделируют те. утетггр "стбловека. Такие операторы можно построить на основе теорий морфологического анализа, нечеткой логики и нейронных сетей. Полагая что о структуре изображения нет априорных сведений, в качестве сегментируемого изображения будем использовать изображения градиентов G1 исходного изображения С . Эффективность такого подхода показана в нейрофизиологических исследованиях [73].
Укрупненная схема алгоритма предлагаемого метода сегментации изображения показана на рИс.2.2. Схема ориентирована на работу с черно-белым изображением, поэтому в ней предусматривается преобразование цветного изображения в черно-белое (блок 3). Сегментация черно-белого изображения включает три этапа, реализуемых блоками 4, 5 и 6.
Второй этап предусматривает препарирование изображения G1, в результате чего получаем изображение G2. Для пояснения задач второго этапа рассмотрим изображение 01 (эритроциты), полученное в результате обработки исходного изображения О (микрофотография мазка крови) градиентными методами, представленное на рис.2.3.
Сегменты изображения 01, полученные в результате обработки исходного изображения О (пролиферативная диабетическая ретинопатия: обширные поля ишемии сетчатки с неоваекуляризацией, ФАГД, поздняя венозная фаза): а) - градиентными методами (изображение бинаризиро-вано пороговым методом); б) - сегменты изображения 02, полученные после препарирования изображения 01 посредством линейной фильтрации (изображение после фильтрации бинаризировано пороговым методом) Анализ этого изображения показывает, что на изображении присутствуют как лишние фрагменты границы и лишние сегменты, так и имеются недостающие фрагменты границ сегментов и ошибочно объединенные сегменты. В задачу препарирования изображения входит ликвидация этих артефактов, то есть получения изображения 02. Изображения 01 и 02 являются полутоновыми.
Третий этап - это синтез бинарного изображения G3, который осуществляется посредством интеллектуального оператора. В данном случае интеллектуальный оператор является альтернативой пороговых методов обработки (синтеза границы сегмента).
В задачи интеллектуального оператора входят: 1) на основе нечеткого анализа атрибутов предыдущих пикселей границы сегмента в 03 и морфологического анализа окрестности предыдущего пикселя границы сегмента в 02 выбор последующего пикселя границы сегмента; 2) на основе анализа изображения 02 выбор начального пикселя границы сегмента; 3) на основе анализа предыдущих пикселей границы сегмента 02 и морфологического анализа окрестности текущего пикселя изображения 03 определение пикселя -конца границы сегмента.
Синтез морфологического оператора для препарирования изображения Gl Под морфологическим оператором понимаем набор арифметических и логических операций, осуществляемых над множеством пикселей изображения G1, попавших в прямоугольное «окно» W, в центр которого помещен активный пиксель. Под активным пикселем понимаем текущий пиксель изображения, просматриваемого путем построчной развертки. Следовательно, процесс препарирования включает две процедуры: 1) процедура формирования «окна» морфологического оператора; 2)процедура операций над пикселями, входящими в «окно» морфологического оператора.
Процедуры препарирования изображения глазного дна для исследования на наличие диабетической ретинопатии
После получения векторного двумерного массива G2 формируется векторный одномерный массив R, получаемый в результате упорядочения по убыванию яркости (2.27) массива G2. Проверка выполнения первого условия осуществляется в блоке 8 рис.2.14. С этой целью выбирается прямоугольная маска W1, центральный элемент которой устанавливается в пиксель изображения G3 с координатами к, I . Если в маске Ж1на изображении G3 находится хотя бы один бинаризи-рованный пиксель, то пиксель с координатами к, /, не может быть началом границы сегмента. Отметим, что ничто не мешает ему быть пикселем, включенным в границу сегмента.
Проверка выполнения второго (порогового) условия осуществляется в блоке 10 рис.2.15. Порог: выбирается таким образом, чтобы шум или изменение освещенности не влияли на результаты сегментации. Для определения этого уровня необходимо провести статистический анализ составляющей (2.27) изображения G2V С этой целью исследуется гистограмма G2, и анализируется ее модальность. Блок 8 рис.2.15, в котором осуществляется этот процесс, может быть реализован в автоматическом или интерактивном режиме. В блоке 12 рис.2.14 определяется последующий пиксель границы сегмента относительно направлений 90 ,..., 97, а в блоке 13 - его координаты. Начало
Схема алгоритма поиска первого пикселя границы сег 74 Эти координаты становятся текущими координатами границы сегмента при условии выполнения правила «развернутого угла». Это правило требует, чтобы направление движения текущего пикселя отличалось от направления движения предшествующего пикселя не более чем на 180. Так как пиксель может двигаться только в фиксированных направлениях 90 ,..., 6 7, то разрешенные перемещения .для этих восьми направлений отражены в табл.2.2.
Если правило «развернутого угла» выполнено, то в блоке 14 определяем координаты следующего пикселя как К = к + Ак; , (2.29) L = l + Ali, (2.30) где і - номер последующего пикселя границы сегмента относительно маски рис.2.8 , а Akt и A/f определяются согласно табл.2.3. Таблица 2.3 Перевод номера пикселя в приращение координат 1 1 2 3 4 5 6 7 8 Аkt -1 -1 -1 0 1 1 1 0 А/, -1 0 1 1 1 0 -1 -1 Одной из основных процедур выделения границы сегмента является определение конца границы сегмента. В качестве детектора конца границы сегмента используем следующее решающее правило; Если { (последующая координата пикселя границы вышла за кадр изо бражения) или (последующая координата пикселя границы сегмента уже выбрана) }, то « конец границы сегмента», иначе « текущий пиксель при надлежит границе сегмента». (2.31)
Введено понятие класса сложноструктурируемых изображений, как изображений с нечеткой морфологией, обусловленной как природой самого объекта так и зашумленностью изображения за счет того, что объемные изображения с четко выраженными сегментами проецируются на двумерную плоскость, так, что проекции сегментов накладываются друг на друга, образуя при этом псевдосегменты.
Проведенные исследования показали, что при построении алгоритмов выделения сегментов на изображениях с нечеткой морфологией на их входе целесообразно использовать изображения, имеющие векторную структуру, полученную посредством обработки исходного черно-белого изображения двумя, адаптированными ко взаимно-перпендикулярным направлениям, градиентными операторами.
Разработан алгоритм сегментации сложноструктурируемых изображений, построенный на основе градиентной обработки исходного черно-белого изображения, отличающийся тем, что процесс получения бинарного изобра { 76 морфологическую структуру исходного изображения разбит на три последовательных этапа: на первом этапе получают векторизованное изображение, на втором этапе получают препарированное векторизованное изображение, а на третьем этапе осуществляют переход к бинарному изображению, отражающему контуры границ сегментов исходного изображения, осуществляемый посредством интеллектуального морфологического оператора, построенного на основе нечеткой нейросетевой модели.
Сформирован морфологический оператор, основанный на операциях «дилатация» и «эрозия , отличающийся теоретико-множественным подходом к (Нормированию «окна» локальной обработки, и правилами продукци-онного типа осуществляющими выбор между двумя морфологическими операциями в векторном подокне «окна» наблюдения, основанными на сравнении ориентации подокна и направления вектора, характеризующего активный пиксель, позволяющий снизить влияние проекционных помех и пробелов данных при сегментации сложноструктурируемых изображений.
Разработана структура интеллектуального оператора синтеза границы сегмента реализованная в виде многослойной нечеткой сетевой модели, включающей базу решающих правил и агрегирующие и классифицирующие слои позволяющая реализовать итерационный процесс активации пикселей границы сегмента. Разработан алгоритм реализации интеллектуального оператора, вклю-ггаютттий ПРоцеДУРы выбора начального пикселя границы сегмента и процедуру определения конца границы сегмента, отличающийся параллельной реализацией процедур трех решающих правил, реализующих способы выбо ра ттлеТТТТОЧТИТЄЛЬНОГО направления движения пикселя границы сегмента, ос-ноТЧРРНЫХ соответственно, на сравнении атрибута направления текущего пикселя и выделенного направления в «окне»; минимизации модуля разности атрибутов направлений текущего и предыдущего пикселей; и минимизации модуля разностей атрибутов яркости текущего и предыдущего пикселей. Р зработанные модели и алгоритмы реализованы в пакет MATLAB и ап обированы на задачах сегментации изображений глазного дна.
Структура автоматизированной системы анализа изображений глазного дна и алгоритм ее работы
Флюоресцентная ангиография глазного дна (ФАГД) позволяет определить дефекты заполнения, экстравазальный выход флюоресцеина из новообразованных хориоидальных сосудов, флюоресцирующие дефекты ретиналь-ного пигментного эпителия (РПЭ) с учетом их размера, локализации, длительности существования, характера и интенсивности флюоресценции. Однако описательный характер трактования ангиографических данных не отражает полную картину временного взаимоотношения интенсивности флуоресценции патологического очага и ретинальной и/или хориоидальной циркуляции. При сравнительной оценке ангиограмм особые трудности создают: разная степень прозрачности хрусталика, разная концентрация флуоресцеина, применяемого для внутрдвенного введения, а также нестабильные параметры скорости сердечных сокращений, калибра сосудистой системы и вязкости крови у различных пациентов. В связи с этим, огромное значение в диагностике патологий глазного дна имеет количественная оценка флуоресценции, позволяющая нивелировать вышеперечисленные признаки.
Флюоресцентная ангиография позволяет исследовать сосуды дна глаза при их контрастировании флюоресцеином. В локтевую вену вводят 5—10 мл 5—ю% раствора натриевой соли флюоресцеина. Через 2—3 с начинают серийное фотографирование глазного дна с интервалом между съемкой кадров от 0,3 до 2 с. Скорость фотографирования зависит от конструкции фундус-камеры. Интерпретация флюоресцентной ангиограммы основывается на сопоставлении клинической картины с особенностями прохождения флюоресцеина через сосуды хориоидеи и сетчатки. При этом учитывают, что флюоресцеин не проходит через неповрежденную стенку ретинальных сосудов, но свободно проходит через стенку сосудов хориокапиллярного слоя. Таким образом, окрашивание ткани сетчатки флюоресцеином всегда свидетельствует о патологии. Время прохождения флюоресцеина по сосудам хориоидеи и сетчатки можно рассчитать; его увеличение указывает на нарушение проходимости сосудистой сети. Выделяют следующие фазы циркуляции флюоресцеина по сосудистой системе дна глаза: хориоидальную фазу, которая наступает через 9 с после введения флюоресцеина; раннюю артериальную фазу (контрастированы только артерии сетчатки) — от 9,4 до 9,7 с; раннюю венозную фазу (артерии контрастированы полностью, в венах — пристеночное контрастирование) — о 10 до 14 с; венозную фазу (вены полностью контрастированы, флюоресцеин из артерий уже начинает выходить) — от 15 до 18 с.
Таким образом, на входе системы анализа и классификации имеем множество фотографий глазного дна, сделанных с определенными интервалами времени, не обязательно одинаковыми, но позволяющими ранжировать фотографии по времени съемки.
Технология анализа патологических образований на изображении глазного дна включает два этапа. На первом этапе, согласно теоретических положений, обоснованных во второй главе, выделяются границы сегментов на изображении, которые определяют множество пикселей, которые могут быть отнесены к искомому классу.
На втором этапе необходимо проверить гипотезу о принадлежности выделенных множеств пикселей к определенному классу. Гипотеза, как правило, двухальтернативная, поэтому при исследовании изображения на наличие патологических отклонений принимается бинарное решение: сегмент принадлежит к искомому классу (патологии или морфологическому образованию) или не принадлежит.
Таким образом, на входе системы анализа и классификации имеем множество фотографий ФАГД, сделанных с определенными интервалами времени, не обязательно одинаковыми, но позволяющими ранжировать фотографии по времени съемки. На рис. 4.1 показаны три таких фотографии, которые представляют три фазы ФАГД при типичной центральной серозной хориоретинопатии.
Построив пространство информативных признаков, например, на основе пространственно-яркостных или цветовых характеристик пикселей, на основе кортежа фотографий ФАГД можно построить классифицирующие модели, позволяющие отнести пиксель изображения к той или иной морфологической структуре. Такой подход, несмотря на некоторые сложности вычислительных процедур, позволяет непосредственно выделить те фрагменты фотографии ФАГД, которые относятся к искомой патологии, не прибегая к предварительной сегментации изображений.
