Автоматизированная система обработки визуальной

Автоматизированная система обработки визуальной информации...
И.О. АТОВМЯН, М.В. МОШНИН1, М.Ю. ФЕДОТОВ, В.Б. ШУВАЛОВ
Национальный исследовательский ядерный университет «МИФИ»
1
НИИ медицинской биофизики НИЯУ МИФИ
АВТОМАТИЗИРОВАННАЯ СИСТЕМА ОБРАБОТКИ
ВИЗУАЛЬНОЙ ИНФОРМАЦИИ С ФУНКЦИЯМИ ОБУЧЕНИЯ ПО ОБРАЗЦУ
Предложен вариант системы обработки визуальной информации, которая позволяет распознавать контуры тела
человека на изображении, определенных участков на теле и провести расчет количественных характеристик выделенных участков. В системе реализованы методы распознавания образов на основе анализа цветового состава изображения
и производных цветовых компонент по моделям RGB и HSV. В системе заложен механизм обучения, в котором используется добавление новых шаблонов в базу для распознавания на основе результатов анализа обработанных ранее изображений.
Отсутствие формализованных методик количественной оценки качества лечения кожных
заболеваний значительно усложняет процесс выбора способа их лечения. На кафедре 29 НИЯУ
МИФИ разработана система обработки изображений пациентов «Dermal photo processor», позволяющая получать количественные оценки качества лечения.
Наиболее наглядными при оценке качества лечения являются такие характеристики, как
площадь поражения тела и цветовой состав пораженных участков, так как он характеризует этапы
протекания заболевания. Сравнивая эти характеристики на разных стадиях лечения, можно оценить эффективность используемого метода. Входными данными при этом являются фотографии
пациентов, сделанные в процессе лечения. Система позволяет проводить обработку этих снимков
дистанционно. На рис. 1 изображена структурная схема системы.
Клиентское
приложение
(Оператор – врач)
…
Клиентское
приложение
(Оператор – врач)
Сервер приложений. Принимает задания от клиентов и
ставит в очередь на обра-
ботку
Вычислительный многомашинный комплекс (для непосредственной обработки изображений)
Рис. 1. Структурная схема системы
Система состоит из клиентской части на стороне оператора и серверной, которая, в свою
очередь, состоит из сервера приема заявок на обработку и непосредственно обработчика.
Под степенью поражения понимается относительная суммарная площадь пораженных
участков кожи, выраженная в процентах от площади тела (имеется в виду участок тела, изображенный на снимке). Расчет степени поражения подразумевает:
 определение границ тела пациента на снимке;
 определение пораженных участков в границах тела.
Если эти две задачи решены, то вычисление относительной площади сводится к подсчету
точек (пикселей) изображения, попавших внутрь границ тела и внутрь границ пораженных участков соответственно. Таким образом, относительную площадь поражения можно выразить формулой:
n
 Si
(1)
S  i=1 ,
Sb
где Si – площадь i-го пораженного участка; Sb – площадь тела.
Выделение границ тела. Обычно на снимке тело человека четко отличается от фона, поэтому для решения задачи выделения границ могут быть использованы существующие методы
определения краев участков изображения, например, по пороговым значениям цветовых компо-
Автоматизированная система обработки визуальной информации...
нент точек изображения, первых и вторых производных этих компонент. В системе использован
метод пороговых значений со следующим условием края:
3
gl
T ,
 Gkxy
(2)
k=1
где T – пороговое значение цветовых компонент точек изображения; Gkxy – модуль градиента в
точке (x, y) по k-й компоненте цветовой модели RGB, индекс gl означает величину, усредненную
по региону из 8 соседних точек.
Gkxy =
Ck  x+1 y  Ckxy  + Ckx y+1  Ckxy 
2
2
,
(3)
где Ckxy – величина k-й компоненты по цветовой модели RGB в точке (x, y).
В данной формуле неизвестным является порог. Метод, используемый в системе для его
определения, будет рассмотрен ниже. На рис. 2 приведен пример обнаружения системой краев тела.
Рис. 2. Пример обнаружения системой краев тела человека на снимке
На рисунке изображено главное окно клиентской части системы. Слева исходное изображение, справа – обработанное алгоритмом поиска краев тела. Результат – линии, распознанные системой как край, выделены. Из рисунка видно, что помимо действительных краев тела система
распознала и другие линии в качестве таковых. Это обусловлено резкостью этих линий на фоне
остального изображения. Однако данный факт не является проблемой, поскольку для дальнейшей
обработки важны только точки, находящиеся внутри контура тела на изображении. Однако возникает вопрос, что именно считать внутренней областью контура. Ответственность за ее определение лежит на операторе. Он должен указать системе одну внутреннюю точку области, обнаружение остальных точек будет произведено автоматически с помощью стандартного алгоритма «заливки».
Выделение пораженных участков. Для выделения пораженных участков на теле человека
простой метод пороговых значений, использованный на первом этапе обработки применять нельзя, так как пораженные участки обычно не настолько контрастны по сравнению с остальным кожным покровом, а их границы зачастую бывают весьма размыты. В связи с этим в системе реализован метод поиска непосредственно внутренних областей пораженных участков, нежели четких
границ. Используемый метод позволяет решить сразу две задачи: обнаружить пораженные участки
для дальнейшего расчета площади поражения и получить количественные характеристики цветового состава этих участков (как функциональную, так и интегральную). Метод основан на анализе
цветового состава внутренней области контура тела и состоит в следующем: точка считается принадлежащей пораженному участку, если величины всех трех цветовых компонент этой точки попадают хотя бы в один из набора интервалов допустимых значений:
Автоматизированная система обработки визуальной информации...
H   Hb ± I Wh ,
S   Sb ± I Ws ,
V  Vb ± I Wv ,
(4)
где H, S, V – компоненты цвета текущей точки по цветовой модели HSV, H – оттенок, S насыщенность, V яркость, Hb, Sb, Vb – базовые значения компонент, I – ширина интервала допустимых значений компонент, Wh, Ws, Wv – весовые коэффициенты для ширины интервала.
В приведенной формуле неизвестными являются величины центров интервалов и весовые
коэффициенты, влияющие на ширину интервала. Решение задачи нахождения центров рассмотрено ниже. Что же касается весовых коэффициентов, то они выбирались при разработке системы
экспериментально, исходя из степени влияния величины той или иной компоненты на однозначность определения принадлежности точки к пораженному участку. Если точка идентифицирована
как принадлежащая к пораженному участку, то для нее рассчитывается так называемая степень
воспаления. В качестве степени воспаления используется величина насыщенности цвета, нормированная на интервал (0, 1). При этом полагаем, что чем больше эта величина, тем более воспален
участок кожи.
На рис. 3 приведен пример обнаружения системой пораженных участков. Линиями обозначены границы участков (границы формируются отдельно по команде оператора простым обозначением краевых точек пораженных участков). Внутренняя область пораженных участков окрашивается на экране оттенками красного. Чем больше степень воспаления в точке, тем ярче оттенок.
Рис. 3. Пример обнаружения системой пораженных участков
После выполнения обоих этапов обработки становится возможным расчет степени поражения (по формуле (1)) и интегральной степени воспаления:
m
 Di
D=
i=1
m
,
(5)
где Di – степень воспаления в конкретной точке, m – количество точек на пораженных участках.
Механизм обучения по образцу. Используемый в системе метод нахождения неизвестных в формулах для распознавания границ тела и пораженных участков заключается в следующем. Применяется обратный анализ данных, то есть пользователь предоставляет системе конечный результат обработки, на основе которого система определяет неизвестные величины. Такое обучение системы, так же как и непосредственно обработка, проходит в два этапа. Для их выполнения в системе предусмотрены средства ручного редактирования контуров тела и границ пораженных участков.
На первом этапе оператор вручную обводит границы тела человека на снимке, затем указывает точку внутри этих границ. Такой предварительный результат отправляется системе, которая
вычисляет пороги для обнаружения границ тела. Вычисление происходит в основном аналогично
формуле условия границы тела, а именно: вычисляются градиенты для всех точек изображения
для каждой компоненты цветовой модели RGB, производится усреднение модулей градиентов по
Автоматизированная система обработки визуальной информации...
восьми соседним точкам. Наконец, из всех точек, помеченных оператором как граница тела, в качестве порога выбирается наименьшая сумма модулей градиентов по трем цветовым компонентам.
 3 gl 
(6)
T = min   Gkp
, pB,
 k=1

где p – текущая точка, B – множество точек границы тела.
На втором этапе оператор выделяет границы пораженных участков и также указывает одну
внутреннюю точку каждого участка (при этом система сразу производит расчет всех количественных характеристик). Результат отправляется системе на анализ. Механизм обучения выбирает в
качестве центров интервалов для условия принадлежности точки пораженному участку непосредственно значения цветовых компонент по модели HSV во внутренних точках определенных оператором пораженных участков.
Результаты обоих этапов обучения сохраняются на диске для дальнейшего использования
при обработке изображений. При этом на диске хранятся результаты каждой проведенной пользователем процедуры обучения. Конкретный результат (шаблон N из набора) при обработке нового
изображения выбирается по методу наименьших квадратов:
2
3
 N  3

O 

(7)
N min    Gki   Gki  ,
o 
k =1
 
 i=1  k=1
где Gki – модуль градиента в i-й точке по k-й компоненте модели RGB, O – множество образцов,
полученных в результате обучения, GkiO – модуль градиента в i-й точке по k-й компоненте модели
RGB текущего образца, N – общее количество точек изображения.
Рассмотренные методы позволили реализовать в системе следующие возможности: автоматизированное обнаружение пораженных участков тела человека, расчет количественных характеристик (степени поражения и степени воспаления), обучение системы по образцу для увеличения
качества автоматизированной обработки в дальнейшем.
В настоящее время система «Dermal photo processor» проходит опытную эксплуатацию в
“Псориаз-Центре” НИЯУ МИФИ.