Table Of ContentУДК 004.932:616—073.756.8
Ковалев, В. А. Анализ текстуры трехмерных медицин-
ских изображений / В. А. Ковалев. — Минск : Белорус.
наука, 2008. — 263 с. — ISBN 978-985-08-0905-6.
Книга посвящена одному из новых и многообещающих направле-
ний компьютерного анализа томографических изображений — методам
анализа трехмерных (объемных) текстур. Указанные методы базируются
на использовании многосортных матриц совместной встречаемости,
комбинирующих яркостные, градиентные и ориентационные свойства
изображений. Использование предлагаемого аппарата иллюстрируется
на примере задач количественного анализа МРТ изображений головно-
го мозга, совмещения трехмерных медицинских изображений, а также
задач поиска изображений в базах данных по их содержанию.
Целевой аудиторией книги являются ученые и специалисты, рабо-
тающие в области медицинской информатики, а также в области систем
обработки и количественного анализа трехмерных изображений с при-
ложением к задачам медицинской диагностики. Кроме того, данная кни-
га может быть полезна для исследователей и специалистов, занимающих-
ся компьютерной томографией, радиологов, нейрологов, а также студен-
тов соответствующих специальностей, профессиональная деятельность
и научные интересы которых тесно связаны с применением компьюте-
ров в медицине.
Ил. 73. Табл. 12. Библиогр.: 196 назв.
Р е ц е н з е н т ы:
доктор физико-математических наук, профессор А. В. Тузиков,
доктор технических наук В. Л. Венгринович,
кандидат медицинских наук Г. Д. Ситник
ISBN 978-985-08-0905-6 © Ковалев В. А., 2008
© Оформление. РУП «Издательский
дом «Белорусская наука», 2008
ВВедение
Бурное развитие современных систем медицинской
диагностики приводит к постоянному увеличению коли-
чества цифровых изображений, получаемых в различных
медицинских учреждениях. Для эффективного использо-
вания в диагностическом процессе эти изображения долж-
ны быть оперативно проанализированы, количественно
оценены и проинтерпретированы.
В связи с появлением и постоянным развитием новых
физических методов трехмерного сканирования и визуа-
лизации внутренних органов человека, таких как магни-
торезонансная (МРТ), рентгеновская (КТ) позитрон-элек-
тронная (ПЭТ), ультразвуковая и другие виды томографии,
проблема компьютерной обработки и количественного ана-
лиза трехмерных (3D) медицинских изображений приоб-
рела особую остроту. Это вызвано как объективной слож-
ностью и высокой трудоемкостью анализа 3D изображе-
ний, так и ограниченностью имеющихся методов, алгорит-
мов и программных средств. Данное обстоятельство как раз
и определяет актуальность предлагаемой монографии.
Для того чтобы более детально определить роль и место
монографии в развитии средств анализа трехмерных ме-
дицинских изображений, кратко охарактеризуем основные
классы методов и алгоритмов, используемых при их обра-
ботке и анализе.
Базовые методы. В настоящее время в области обра-
ботки и анализа медицинских изображений выделяются
шесть основных классов методов и алгоритмов.
1. Улучшение качества. Методы данного класса исполь-
зуются для уменьшения шумов, удаления артефактов, ре-
3
форматирования и интерполяции, компенсации простран-
ственных искажений и повышения контраста области ин-
тереса на изображениях. Эффективность указанных мето-
дов особенно критична в случаях, когда различия между
изображениями анализируемых объектов и тканей в нор-
ме и при различных видах патологии являются незначи-
тельными. Как правило, возможность использования тех
или иных процедур улучшения качества существенно за-
висит от того, как будет проводиться последующий ана-
лиз — визуально или с помощью соответствующих компью-
теризированных методов. В случае компьютерного анализа
количество применяемых алгоритмов улучшения визуаль-
ного качества изображений должно быть сведено к мини-
муму.
2. Сегментация. Целью сегментации изображения яв-
ляется отделение анализируемого объекта, структуры или
области интереса от окружающего фона. В отличие от экс-
перта, для которого визуальная сегментация обычно не
представляет особых трудностей, автоматическое выделе-
ние объектов на медицинских изображениях, как правило,
является весьма сложной задачей. Сегментация принадле-
жит к числу базовых шагов, качество выполнения которых
во многом определяет точность, а порой даже саму возмож-
ность дальнейшего компьютеризированного анализа изоб-
ражений. Методы сегментации базируются на яркостной,
градиентной и текстурной информации изображения и
используют такие алгоритмы, как бинаризация по поро-
гу, морфологическая фильтрация, наращивание областей,
активные контуры, деформируемые шаблоны и др. При
этом могут привлекаться методы распознавания образов
и математической статистики, включая кластерный ана-
лиз, многомерное шкалирование, нейронные сети и линей-
ный дискриминантный анализ выборок вокселов.
3. Количественный анализ. Методы квантификации обыч-
но применяются к отсегментированным объектам и струк-
турам медицинских изображений с целью выделения су-
щественной диагностической информации об их разме-
рах, форме, текстуре, морфологии и особенности динамики
во времени. В зависимости от типа изображений и кон-
4
кретных диагностических задач вид используемых диагно-
стических признаков может варьироваться в очень широ-
ких пределах. Количество выходных признаков должно
быть небольшим, и они, по возможности, не должны кор-
релировать друг с другом. Как показывает практика, вы-
числение слишком большого количества диагностических
признаков может приводить к тому, что они вовсе не бу-
дут использоваться в реальном диагностическом процессе.
4. Совмещение. Совмещение двух цифровых изображе-
ний одной и той же части человеческого тела является важ-
ным в случае, когда полученная в результате совмещения
карта соответствия может быть использована для после-
дующей обработки или анализа изображений. Совмещае-
мые изображения могут представлять собой снимки од-
ного и того же пациента, полученные в различных модаль-
ностях (например, МРТ и ПЭТ) либо представленные в
одной модальности, но снятые в разное время. Кроме того,
в процессе диагностики может возникнуть необходимость
в совмещении изображений пациента с контрольным изоб-
ражением здорового человека либо с цифровым анатоми-
ческим атласом того или иного органа. Получаемая карта
соответствия может использоваться для прямого, т. е. по-
пиксельного, сравнения изображений, оценки изменения
формы и мониторинга роста новообразований, анализа
произошедших нелинейных деформаций и т. п.
Другим примером использования методов совмещения
является сегментация изображений. Например, после уста-
новления попиксельного соответствия МРТ изображения
головного мозга с предварительно размеченным электрон-
ным атласом можно автоматически выделить те или иные
анатомические структуры анализируемого изображения,
используя атлас как шаблон.
5. Сжатие, архивирование, хранение и поиск в базах дан-
ных. В последние годы в связи со значительным ростом ко-
личества и размеров снимаемых цифровых диагностиче-
ских изображений роль этого направления постоянно воз-
растает. Задачи данного типа носят преимущественно при-
кладной характер и традиционно решаются в рамках так
называемых систем архивирования и передачи медицин-
5
ских изображений (Picture Archiving and Communication
Systems, PACS), которые активно используют современ-
ные технологии баз данных, компьютерных сетей и грид-
систем. При этом обеспечивается хранение, конвертиро-
вание и доступ к файлам изображений в таких форматах,
как DICOM, Analyze, Vista/Lipsia, GE 5. X/GE Genesis (General
Electric), Siemens Magnetom Vision, MINC, Bruker Paravision,
а также в виде специализированных версий JPEG. Одной
из наиболее сложных и наукоемких проблем данного клас-
са является поиск изображений по их содержанию, задан-
ному изображением-образцом. Решение проблемы поиска
в базах изображений по образцу призвано обеспечить ком-
пьютерную поддержку такому распространенному диагно-
стическому приему, как сравнение полученного изобра-
жения с предыдущими и/или с похожими снимками и слу-
чаями из клинической практики, хранящими в цифровых
архивах.
6. Визуализация и виртуальная реальность. Используемые
здесь методы и алгоритмы развиваются на стыке трехмер-
ной компьютерной графики, систем компьютеризирован-
ной диагностики, а также различного рода тренажеров и
образовательных систем типа виртуальной операционной,
базирующихся на концепции погружения в виртуальную
реальность. Примером одной из достаточно простых, но
широко известных систем данного класса является Интер-
нет-проект виртуального человека (Visible Human), подде-
рживаемый Национальной медицинской библиотекой США.
нетривиальность перехода от 2D к 3D. Некоторые спе-
циалисты, занимающиеся обработкой и анализом тради-
ционных двумерных изображений, полагают, что весь су-
ществующий арсенал «двумерных методов» может быть
легко адаптирован и применен к трехмерным изображе-
ниям путем простого добавления еще одной размерности,
а именно путем «добавления» в имеющиеся формулы к су-
ществующим двум измерениям X, Y еще и Z, а также до-
бавления еще одного цикла (по третьему измерению мас-
сива пикселов) в существующее программное обеспечение.
К сожалению, это не так. Ситуация здесь скорее такая же,
как и в случае перехода от 1D к 2D, т. е. при переходе от
6
обработки сигналов к обработке изображений, где добав-
ление еще одной размерности часто меняет суть самой
задачи.
В качестве иллюстрации приведем простой пример.
Известно, что анизотропия 2D изображений текстур мо-
жет быть количественно охарактеризована круговой диа-
граммой распределения ориентации градиентов типа «розы
ветров». При этом вычислительная процедура состоит в
равномерном разбиении окружности на секторы одина-
ковых размеров и подсчете круговой гистограммы, т. е.
количества векторов градиентов, ориентация которых по-
падает в пределы каждого сектора. Прямой перенос дан-
ной процедуры в 3D сразу же наталкивается на то, что раз-
биение сферы на равные углы по широте и долготе не
приводит к получению равных секторов телесных углов в
3D. Поэтому вместо тривиального деления окружности на
равные секторы уже требуется решать так называемую
задачу равномерной укладки поверхности единичной сфе-
ры «плитками» равного размера, решению которой посвя-
щена не одна научная статья.
Цели и задачи книги. Известно, что на сегодняшний
день значительная доля медицинских изображений пред-
ставлена трехмерными изображениями и их пропорция
в общем объеме диагностических изображений постоян-
но растет. Тем не менее на практике большинство томо-
графических изображений все еще анализируется «вручную».
Данная монография посвящена вопросам разработки и
применения автоматизированных методов текстурного ана-
лиза изображений. Она основана на оригинальных под-
ходах автора, опыте решения различных практических за-
дач, а также на многочисленных вычислительных экспе-
риментах.
Таким образом, основной целью книги является систе-
матическое изложение методов анализа трехмерных (объ-
емных) текстур медицинских томографических изобра-
жений. Указанные методы базируются на использовании
расширенных многосортных матриц совместной встреча-
емости, комбинирующих яркостные, градиентные и ори-
ентационные свойства изображений и обеспечивающих
детальное представление их структуры и строения.
7
С точки зрения основных классов методов анализа изоб-
ражений, приведенных выше, содержание книги посвящено
решению задач типа 3—5, т. е. задач количественного ана-
лиза и совмещения трехмерных медицинских изображе-
ний, а также задач поиска изображений в базах данных
по их содержанию.
Содержание и предпочтительный порядок чтения. Пер-
вая глава монографии является базовой и служит ключом
к пониманию всего остального материала. В ней вводится
понятие многомерных матриц (гистограмм) совместной
встречаемости определенных характеристик пар вокселов
трехмерных изображений. Обсуждаются инвариантные свой-
ства таких матриц по отношению к ряду геометрических
преобразований изображений, включающих поворот, зер-
кальное отражение и масштабирование. Даются практи-
ческие советы по вычислению матриц совместной встре-
чаемости различных видов и их использованию при ре-
шении практических задач. Возможности предложенного
подхода демонстрируются на достаточно сложных задачах
классификации трехмерных МРТ изображений и сегмен-
тации патологических изменений белого вещества голо-
вного мозга пожилых людей.
Во второй главе подробно рассматривается, как аппа-
рат расширенных матриц совместной встречаемости мо-
жет быть использован для решения такой фундаменталь-
ной проблемы, как оценка структурной асимметрии моз-
га человека и ее зависимости от пола, возраста и наличия
патологических изменений. На большом фактическом ма-
териале, включающем сотни МРТ изображений высокого
разрешения, показано, что асимметрия мозга увеличива-
ется в лобно-затылочном направлении, начиная с его цент-
ральной области. Кроме того, было установлено, что муж-
ской мозг более асимметричен, чем женский, а также были
определены участки мозга, в которых асимметрия стати-
стически значимо изменяется с возрастом. Проведенные
исследования показали высокую чувствительность пред-
ложенного метода к различиям в структуре изображений
и подтвердили возможность его использования как ново-
го инструмента цифровой морфологии в нейрологии.
8
Третья глава книги посвящена оценке и картированию
статистической значимости возрастных изменений на ос-
нове МРТ изображений мозга специально подобранной
группы здоровых добровольцев. Как и в предыдущих за-
дачах, структура трехмерных томографических изображе-
ний описывалась с помощью расширенных матриц сов-
местной встречаемости. В результате проведенного иссле-
дования были построены карты статистической значимо-
сти возрастных изменений в системе координат атласа Та-
лайрака. Проведенный анализ подтвердил, что подход,
основанный на описании трехмерных изображений с ис-
пользованием расширенных матриц совместной встреча-
емости, выделении информативных признаков с помощью
метода главных компонент и последующем многофактор-
ном статистическом оценивании значимости происходя-
щих изменений является эффективным способом анали-
за текстурных различий на томографических изображениях.
В четвертой главе обсуждаются результаты использо-
вания многомерных матриц совместной встречаемости для
построения диагностических признаков болезни Альцгей-
мера и деменции передних долей мозга на основе изобра-
жений, полученных с помощью SPECT томографии еди-
ничных фотонов. Результаты проведенного исследования
подтверждают, что величина межполушарной асиммет-
рии, подсчитанная путем сопоставления SPECT паттер-
нов полушарий мозга, может служить новым диагности-
ческим признаком болезни Альцгеймера. При этом пока-
зано, что предложенный диагностический признак обладает
рядом существенных преимуществ по сравнению с тради-
ционно используемыми признаками SPECT изображений.
Пятая глава монографии посвящена описанию метода
эластичных экспоненциальных деформаций, разработан-
ного автором для решения задач совмещения двумерных
и трехмерных изображений. Данный метод представляет
интерес для многих приложений, где требуется сравни-
вать или распознавать изображения, отличающиеся слож-
ными нелинейными геометрическими изменениями, ко-
торые можно аппроксимировать последовательностью эла-
стичных деформаций. Поскольку проблема нелинейных
9
деформаций и совмещения изображений является доста-
точно новой темой для русскоязычного читателя, изложе-
ние начинается с рассмотрения упрощенной версии ме-
тода, применяемой для решения общеизвестной задачи
совмещения 2D изображений лиц людей.
В шестой главе рассматривается проблема поиска ме-
дицинских изображений в больших базах данных по их
содержанию. Характеризуется современное состояние про-
блемы и возможные пути ее решения на основе исполь-
зования матриц совместной встречаемости различных ти-
пов. Приводится общая схема организации систем поиска
медицинских изображений на основе матриц совместной
встречаемости. Изложение иллюстрируется на широком
спектре примеров с использованием баз данных реальных
биомедицинских изображений. В частности, рассматри-
вается поиск изображений по 2D форме объектов, поиск
цветных изображений клеток крови и цветокодированных
SPECT изображений мозга, поиск полутоновых 2D изоб-
ражений мозга в норме и при шизофрении, а также поиск
трехмерных МРТ изображений в условиях различных фор-
мулировок понятия близости изображений в пространстве
признаков.
В приложении дается краткое иллюстрированное опи-
сание нейроанатомического пространства Талайрака, си-
стема координат которого используется при решении задач,
связанных с анализом изображений головного мозга.
Поскольку содержание различных глав книги являет-
ся в достаточной степени независимым, их выбор и поря-
док чтения может определяться самими читателями. Од-
нако во всех случаях следует начинать с первой главы и
затем в зависимости от конкретных научных и профессио-
нальных интересов читателя приступать к изучению одной
или нескольких последующих глав. В минимальном ва-
рианте следует внимательно прочесть первую главу, посвя-
щенную собственно методу описания структуры трехмер-
ных изображений и бегло просмотреть последнюю главу,
в которой иллюстрируются различные способы его прак-
тического применения на примере задачи поиска биоме-
дицинских изображений различных типов.
10
