|
3.3. Классификация методов анализа медицинских изображений
Все методы вычисления характеристик можно разделить на локальные и глобальные. При локальных методах общего вида значение пикселя после преобразования зависит от его значения до преобразования и значений других пикселей, лежащих в некоторой окрестности от рассматриваемого. Огромное количество фильтров и эффектов в современных пакетах растровой графики основано на преобразованиях такого вида. Отметим один класс фильтров – линейные фильтры. В таких фильтрах новое значение пикселя представляет собой линейную комбинацию значений пикселей из его окрестности, т. е. функция f из приведенного выше определения линейна. Область, которая определяет окрестность, называется апертурой. Обычно используют квадратную апертуру 3х3 или 5х5 пикселей. Таким образом, локальное линейное преобразование определяется не функцией, а матрицей весовых коэффициентов aij и коэффициентом c. В зависимости от этих параметров методом преобразования можно выполнять сглаживание, повышение резкости, оконтуривание. Алгоритм вычисления строки преобразованного изображения таков. Выбираем пиксель, для которого вычисляем новое его значение. Берем значение соседнего (слева) пикселя и умножаем его на первый коэффициент матрицы-строки. Вначале суммируем полученный результат со значением центрального пикселя, умноженным на второй член матрицы, а затем – полученный результат со значением правого соседнего пикселя, умноженным на третий коэффициент матрицы. Далее всю сумму делим на делитель и прибавляем смещение. Получаем новое значение рассматриваемого пикселя. Записываем результат в новой строке (строке преобразованного изображения). Переходим к следующему пикселю и т. д., пока не вычислим новые значения всех пикселей строки. Локальные методы работают с некоторыми фрагментами изображений, или локальными окрестностями. С помощью локальной информации изображения определены два пути развития анализа глобальными методами, которые оперируют с изображением как с единым целым: – внутри одного изображения, для определения развития и общего содержания локальных характеристик; – по вертикали изображений с разным увеличением, позволяющим на основе взаимосвязи локальных и глобальных характеристик для разных типов медицинских изображений исключить избыточные методы исследования и получить больше информации о развитии регионов. Глобальные методы рассмотрим очень кратко. Остановимся только на одном классе глобальных преобразований – геометрических преобразованиях . Геометрические преобразования возникают тогда, когда необходимо, например, сместить изображение, изменить его масштаб или повернуть. В глобальных преобразованиях новое значение каждого пикселя изображения может зависеть в общем случае от всех других (или части) необязательно соседних пикселей. Важный класс глобальных преобразований – линейные преобразования с невырожденной матрицей, или аффинные преобразования.
Заключение
Новые возможности в применении сложных методов обработки изображений для решения задач медицинского анализа изображений прежде всего направлены на задачи мониторинга и диагностики заболеваний. Проблемы надежности и точности этих методов решаются посредством использования аппарата анализа изображений, операций математической морфологии, методов биологической морфометрии. Дополняя традиционные методы изучения патологии человека и животных, автоматизированные методы позволяют повысить скорость и качество обработки многих исследований, снизить уровень ручного труда. Подробное описание понятий позволяет получить полную картину проблемы автоматизации исследований на основе анализа медицинских изображений. Характеристики лежат в основе признаков, по которым выполняются классификация и распознавание объектов. Именно правильное определение на основе характеристик, их понимание специалистами, выполняющими анализ медицинских изображений, обусловливает качество и эффективность работы. Следовательно, можно найти признаки для групп команд программного кода, ориентированного на решения подобных задач, а это является первым шагом в создании новой технологии интеллектуального программного обеспечения для задач медицины. Теоретические основы и разработка новых подходов к автоматизации исследований создают благоприятные условия для решения ряда проблем медицинской диагностики и мониторинга заболеваний, способствуют дальнейшему развитию их практической базы. Вместе с тем актуальными остаются разработка инвариантных методов и алгоритмов, а также создание на их основе универсальных программных систем, способных самостоятельно адаптироваться к задачам и решать их. Система автоматического анализа, основанная на системе оценки характеристик объектов на медицинских изображениях, несомненно, станет следующей ступенью в развитии современных интеллектуальных программ.
Список литературы
1. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. – М. Техносфера, 2006. – 1072 c.
2. Форсайт, Д.А. Компьютерное зрение. Современный подход / Д.А. Форсайт, Д. Понс. – М. : Изд. дом «Вильямс», 2004. – 928 c.
3. Физика визуализации изображения в медицине : в 2 т. С. Уэбб [и др.] ; под общ. ред. С. Уэбба. – Т. 1. – М. : Мир, 1991. – 292 c.
4. Вегерхофф, Р. Основы световой микроскопии и формирования изображения / Р. Вегерхофф, О. Вайдлих, М. Кэссенс. – GIT VERLAG GmbH & Co. KG, 2006. – 52 c.
5. Гонсалес, Р. Цифровая обработка изображений в среде MATLAB / Р. Гонсалес, Р. Вудс, C. Эддинс. – М. : Техносфера, 2006. – 616 c.
6. Ткаченко, Ю.А. Клиническая термография (обзор основных возможностей) / Ю.А. Ткаченко, М.В. Голованова, А.М. Овечкин. – М. : ЗАО «Союз восточной и западной медицины», 1998. – 270 c
7. Физика визуализации изображений в медицине : в 2 т. / Дж. Бамбер [и др.] ; под общ. ред. С. Уэбба. – Т. 2. – М. : Мир, 1991. – 408 c.
8. Исследование антропометрических показателей стопы методом компьютерной плантографии / А.И. Перепелкин [и др.] // Вестник Гиппократа. – 2007. – №1 (10). – С. 104–107.
9. Нанотехнологии в биологии и медицине / С.В. Анисимов [и др.]. – СПб. : Любавич, 2009. – 320 c.
10. Абламейко, С.В. Обработка оптических изображений клеточных структур в медицине / С.В. Абламейко, А.М. Недзьведь. – Минск : ОИПИ НАН Беларуси, 2005. – 156 c.
11. Bovik, A. Handbook of Image and Video Processing / A. Bovik. – Boston : Elsevier Academic Press, 2005. – 1372 p.
12. Bradski, G. Learning OpenCV: Computer Vision with the OpenCV Library / G. Bradski, A. Kaehler. – USA, Sebastopol : O'Reilly Media, 2008. – 578 p.
Интернет источники
ziyonet.uz
repo.ssau.ru/
researchgate.net
cyberleninka.ru
Do'stlaringiz bilan baham: |
