Реализация метода обработки визуальной информации в

Реализация метода обработки визуальной информации в медицинской системе
И.О. АТОВМЯН, М.В. МОШНИН1, М.Ю. ФЕДОТОВ, В.Б. ШУВАЛОВ
Московский инженерно-физический институт (государственный университет)
1
НИИ медицинской биофизики МИФИ
РЕАЛИЗАЦИЯ МЕТОДА ОБРАБОТКИ ВИЗУАЛЬНОЙ ИНФОРМАЦИИ
В МЕДИЦИНСКОЙ СИСТЕМЕ
Предложен метод выделения поражённых участков кожного покрова по фотографиям пациентов и определения количественных параметров очагов поражения. Метод основан на проверке попадания градиентов точек изображения в
определённые относительные интервалы, задаваемые между минимальным и максимальным значением градиента. Приведены формулы, лежащие в основе метода. Представлены результаты опытной эксплуатации, разработанной на основе
метода системы в дерматологической клинике НИИ МБФ МИФИ.
Объективная оценка эффективности различных методик лечения кожных заболеваний позволяет не только сравнивать их между собой, но и вносить в них соответствующие коррективы. Основными параметрами, которые позволяют объективно оценивать ход лечения болезни, являются
изменения цвета и площади пораженных участков кожи. Серия фотографий этих участков, сделанных при постоянных условиях съемки через определенные промежутки времени, позволяют
получить визуальные параметры динамики развития болезни. Разработка метода преобразования
визуальных параметров в количественные характеристики и является целью работы. Для реализации цели необходимо решить следующие задачи: распознавание пораженных участков поверхности тела по фотографии пациента, расчет площади пораженной поверхности и выделение цветовой
гаммы этих участков.
Анализ основных методов сегментации изображения и их практическая реализация показали
следующее:
 Методы сегментации с применением операторов Собела и Лапласа [1]. Эти методы
позволяют делить изображение на сегменты с высокой точностью определения краёв объектов, однако не содержат механизма дифференциации этих объектов.
 Метод порогового значения разности различных компонент цвета по цветовым моделям RGB и HSB [2]. Метод, как показали исследования, обладает низкой точностью
определения краёв, крайне чувствителен к помехам. Даже применение различных методов
сглаживания [3] изображения не позволяет значительно увеличить точность.
 Метод порогового значения модуля градиента цвета [2]. Обладает теми же недостатками, что и метод с применением оператора Собела и Лапласа, а также чувствителен к
помехам.
 Метод классификации участков изображения по различным цветовым компонентам
[4]. Обладает меньшей по сравнению с другими точностью определения принадлежности
той или иной точки изображения к определённому фрагменту. Крайне чувствителен к помехам и изменениям освещения.
Предлагаемый в работе метод относительных интервалов основан на комбинации элементов
перечисленных методов.
На первом этапе обработки производится вычисление градиентов для каждой точки изображения для трёх компонент цветовой модели RGB: координаты градиента в точке (x, y) вычисляются
как разность соответствующих компонент цвета этой точки и точек, расположенных справа и снизу от неё.
Gk ( x, y )  (Ck ( x  1, y )  Ck ( x, y ), Ck ( x, y  1)  Ck ( x, y )) ,
(1)
где Gk (x,y) – градиент k-й компоненты цвета по цветовой модели RGB в точке (x,y), Ck (x,y) – величина k-й компоненты цвета точки (x,y) по цветовой модели RGB.
Таким образом, получаются три матрицы градиентов. Размерность матрицы определяется размером изображения в точках. Элемент матрицы – градиент, представленный выражением (1). Далее для каждой матрицы определяются элементы с максимальным и минимальным модулем.
Наконец для всех точек изображения проверяется выполнение следующего условия:
Gkmin + Ak  (Gkmax  Gkmin ) | Gk ( x, y) | Gkmin + Bk  (Gkmax  Gkmin ) ,
где Gk min – минимальное значение модуля градиента для k-ой компоненты по цветовой модели
RGB, Gk maх – максимальное значение модуля градиента для k-й компоненты по цветовой модели
RGB, Ak и Bk – границы интервалов, задаваемых в относительных единицах в пределах от Gkmin до
Gk max (относительные интервалы).
Реализация метода обработки визуальной информации в медицинской системе
Точка изображения считается краем интересующего участка, если модули каждого из трёх градиентов в этой точке лежат в границах определённого, задаваемого в относительных единицах
между минимальным и максимальным значением модуля, интервала или хотя бы одного из интервалов, если их задано несколько для данной компоненты цвета. Конкретные значения этих границ
определяются экспериментально. Использование разных интервалов для разных цветовых компонент позволяет определять края только интересующих участков изображения. Например, величины градиентов синей и зелёной компоненты на границе поражённого псориазом участка кожи
больше, нежели красной, а на границе тела и фона на изображении величина градиента красной
компоненты выше, чем в первом случае.
Площадь поражения (в процентах от площади тела) на выделенных участках рассчитывается
следующим образом:
1) определяются контуры тела, с помощью метода относительных интервалов;
2) вычисляется площадь тела в точках, для чего берётся точка в центре картинки (исходя из
предположения, что центр изображения находится внутри контура тела). Подсчёт точек осуществляется рекурсивно с обходом соседних до достижения контура тела или края изображения;
3) подсчёт площади поражённых участков осуществляется таким же образом с помощью рекурсии, при указании внутренних точек контуров. Общая площадь поражения вычисляется по
следующей формуле:
S=
ND
100% ,
NB
где ND – количество точек, лежащих внутри контуров поражённых участков, NB – количество точек, лежащих внутри контура тела, D – множество точек, лежащих внутри контуров поражённых
участков.
Степень воспаления рассчитывается одновременно с площадью.
Для каждой точки, принадлежащей поражённому участку, рассчитывается частная степень воспаления:
S (x, y)
,
Pi =
255
где S (x, y) – насыщенность цвета в точке (x, y) по цветовой модели HSB. Pi в результате лежит в
отрезке [0, 1].
Далее рассчитывается интегральная степень воспаления по всем поражённым участкам, являющаяся по сути средней величиной:
 Pi
iD
.
P=
ND
Оценка цветового состава поражённых участков получается путем деления всего диапазона
степеней воспаления (от 0 до 1) на равные части, количество которых задаётся заранее. Количество точек, попавших в соответствующий диапазон, определяет распределение цветовой гаммы.
Данный метод реализован в разработанной на кафедре №29 МИФИ системе обработки визуальной информации. Работы проводятся совместно с НИИ медицинской биофизики МИФИ.
На рис. 1 приведён результат обработки изображения системой – слева исходное изображение,
справа обработанное. На правом снимке выделены контуры тела и контуры поражённых участков.
На рис. 2 представлена диаграмма распределения степени воспаления очагов поражения.
Столбцы – интервалы значений степени воспаления. Ширина каждого столбца – 0.1 (степень воспаления лежит в отрезке [0, 1]). Высота столбца – количество точек со степенью воспаления в
данном интервале, выраженное в процентах от общего количества точек поражённых участков.
На данный момент система проходит опытную эксплуатацию на основе данных, предоставляемых НИИ медицинской биофизики МИФИ. В исследовании используется кластер
из 10 процессоров, общей производительностью 3,121 Gflops. Проведённые исследования
Реализация метода обработки визуальной информации в медицинской системе
Рис. 1. Результат обработки изображения
Рис. 2. Диаграмма распределения степени воспаления
показывают высокую эффективность кластерной обработки изображений, обработка на кластере
позволяет значительно сократить время обработки. На рис. 3 представлен график зависимости
времени обработки изображения размером 612816 точек системой на кластере от количества задействованных в вычислении процессоров. Вид графика объясняется нелинейным характером зависимости сложности решения задачи от объема обрабатываемых данных. Для n ветвей алгоритма
(выполняемых, соответственно, на n процессорах) изображение делится на n2 частей (n по горизонтали и n по вертикали). Каждая ветвь при этом обрабатывает n частей последовательно. Обработка каждой части состоит из цикла прохода по каждой точке с вложенной в него рекурсией, обнаруживающей точки, принадлежащие контуру, прилегающие к текущей точке цикла и лежащие
только в рассматриваемой части изображения. При увеличении n уменьшается как количество точек в каждой части, так и средний размер частей контуров, попадающих в каждую часть.
Исследование эффективности метода показало следующее:
 Метод обладает достаточно высокой точностью определения границ участков
изображения по сравнению с методами пороговых значений, сравнимой с точностью методов Собела и Лапласа.
 Метод более устойчив к помехам, чем названные выше методы пороговых значений и сегментации по цветовым компонентам.
Реализация метода обработки визуальной информации в медицинской системе
Рис. 3. Зависимость времени обработки от количества процессоров кластера
(разрешение изображения 612816)
 Метод позволяет выделять участки дифференцированно, например, только поражённые псориазом участки кожного покрова, что является преимуществом перед методами
Собела и Лапласа.
 Границы относительных интервалов остаются постоянными для всех фотографий,
удовлетворяющих определённым условиям, а именно, фон должен быть однородным и белым, освещение должно быть как можно более равномерным, на пациенте не должно быть
элементов одежды, цвет которых сильно отличается от цвета фона или тела.
Помимо этого следует отметить, что:

Метод обнаруживает некоторое количество ложных контуров, то есть линий, не
являющихся на самом деле краями нужных участков. Основой вклад в эту ошибку вносят
неоднородности фона и помехи на изображении, к которым можно отнести, например, волосяной покров на груди. Для минимизации этой ошибки применяется метод удаления
контуров, размер которых меньше определённого значения. Размер контура определяется
как количество точек, составляющих одну замкнутую структуру. Минимальное значение
вычисляется, как определённая доля площади всего изображения.

Метод чувствителен к точному подбору границ интервалов.

Метод идентифицирует, как искомые участки, элементы изображения, сходные по
цветовому составу с поражёнными, например, родинки.
По этим причинам режим работы системы может быть только автоматизированным.
Таким образом, исследования показали, что разработанный метод обладает преимуществами по
сравнению с традиционными методами, главным из которых является возможность дифференцированной сегментации изображения. Однако высокая чувствительность к точному подбору границ
относительных интервалов накладывает отграничения на класс обрабатываемых изображений.
СПИСОК ЛИТЕРАТУРЫ
1. Р. Гонсалес Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. .: Техносфера, 2005.
2. Понс Д. Компьютерное зрение. Современный подход / Д. Понс, Ж. Форсайт. М. Вильямс,
2004.
3. Ласло М. Вычислительная геометрия и компьютерная графика на С++ / М. Ласло. М.: Бином, 1997.
4. Белявцев В.Г., Воскобойников Ю.Е. // Автометрия. 1998. № 3. С. 18.