CC BY
75
рентгенографии [4], обладают большей информативностью.
Методика получения псевдоцветных изображений позволяет существенно расширить границы современной рентгенодиагностики и значительно облегчить работу оператора-рентгенолога, а также представляет возможность анализировать снимки со значительно меньшей вероятностью ошибок.
Рис. 5 | Пример обработанного снимка
являются более подходящими для восприятия человеческим глазом, так как они более приближены к реалистичному цветному изображению. Кроме этого, изображения, полученные данным методом, особенно в сочетании с методами микрофокусной
Литература
1. Жамова К. К., Бессонов В. Б. Грязнов А. Ю. Способ рентге-ноабсорбционной сепарации алмазов // Известия СПбГЭТУ «ЛЭТИ». 2012. Вып. 7. С. 8-14.
2. Шашлов Б. А. Цвет и цветовоспроизведение. М.: Книга, 1986. 224 с.
3. Грязнов А. Ю., Потрахов Е. Н., Потрахов Н. Н. Портативная установка для рентгеновского экспресс-контроля качества пищевой продукции // Биотехносфера. 2009. № 6. С. 26-28.
4. Грязнов А. Ю., Жамова К. К., Бессонов В. Б. Метод формирования псевдообъемных изображений в микрофокусной рентгенографии // Биотехносфера. 2013. № 4. С. 51-55.
УДК 004.93.02; 004.891.3
Н. Ю. Ильясова, канд. техн. наук, старший научный сотрудник, Институт систем обработки изображений РАН, г. Самара
Диагностический комплекс анализа изображений сосудов глазного дна
Ключевые слова: глазное дно, обработка изображений сосудов. Keywords: retina, blood-vessel image processing.
Представлен диагностический комплекс анализа изображений сосудов глазного дна, предназначенный для клинических исследований сосудистых патологий при ранних стадиях диабетической ретинопатии.
Глазное дно является наиболее типичным представителем сосудистых систем человека (СС), которое легко доступно (in vivo) в получении его изображения и на котором легко просматриваются всевозможные изменения. Доступность к неинвазивному осмотру и визуализации делает сосуды глазного дна наиболее информативными для анализа и прогно-
стически значимыми в оценке состояния всего организма. В связи с этим накоплен большой фактический материал по изучению, разработке и внедрению в медицинскую практику методов исследований изображений СС, установления связей изменений СС с многочисленными видами заболеваний. С патологии глаза начинаются такие заболевания, как сахарный диабет (СД), гипертония, и далее сопровождаются изменениями структуры сосудистого русла. Эффективность лечения заболеваний зависит от точности определения степени тяжести патологии. Поэтому одним из основных направлений в профилактике и лечении является совершенствование методов диагностики, включая прогнозирование возникновения заболеваний и раннюю диагностику.
Рис. 1 \ Примеры диагностических изображений глазного дна при различных стадиях сахарного диабета
Широкое внедрение компьютерной техники и разнообразных устройств ввода видеосигналов дало возможность проводить диагностику методами автоматизированного анализа цифровых изображений. Это позволяет повысить скорость и качество диагностики исследуемого объекта, чему также способствует комплекс количественных оценок геометрических характеристик сосудов [1].
Во многих странах интенсивно исследуется подход к количественной оценке изображений СС
Извилистость трассы Частота трассы Амплитуда трассы Извилистость толщины Частота толщины Амплитуда толщины Четкообразность Прямолинейность Средний диаметр
т
Т
□ J2
□ Л
0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6
Извилистость трассы Частота трассы Амплитуда трассы Извилистость толщины Частота толщины Амплитуда толщины Четкообразность Прямолинейность Средний диаметр
0 0,2 0,4 0,6 0
1 1,2 1,4 1,6
Рис. 2
Значения критериев разделимости признаков по классам «норма» и четырем стадиям сахарного диабета (слева — артерии 1-го порядка, справа — вены 2-го порядка)
для выявления общесосудистой патологии в общественных скрининг-центрах при быстрых и массовых обследованиях наиболее распространенных и социально значимых сосудистых заболеваний. Ведется разработка автоматизированных систем диагностики, в основе которых лежит цифровой анализ диагностических изображений [2, 3]. Однако на данный момент компьютерные системы анализа изображений глазного дна, как правило, не имеют прикладного обеспечения для измерения полного набора диагностических признаков и постановки диагноза, а содержат лишь средства регистрации изображений, учета диагностической информации о пациенте и предварительной обработки изображений в целях повышения их качества и маркировки. Поэтому актуальна задача разработки системы анализа субклинических морфологических изменений, позволяющей автоматизировать этапы диагностики и осуществляющей количественный мониторинг патологических изменений сосудов.
Диагностический комплекс анализа изображений сосудов глазного дна «OphthalmOffice» предназначен для трассировки сосудов, локализации области диска зрительного нерва, расчета первичных геомет-
Таблица Результаты дискриминантного анализа признакового пространства и классификация до и после применения алгоритма
Параметр алгоритма J1 J 2 Повышение критерия разделимости, % Ошибка класси-фика-ции
Артериолы 1,98166 3,52161 32 0,105
1-го порядка 2,62686 5,06405 0,024
Артериолы 2,26688 4,06699 14,1 0,073
2-го порядка 2,58673 5,28026 0,018
Венулы 2,05964 3,60372 25,9 0,061
1-го порядка 2,59395 4,86507 0,020
Венулы 2,36223 4,01792 15,8 0,143
2-го порядка 2,61406 4,86384 0,018
Примечание. В числителе — соответствующее значение до работы алгоритма формирования пространства эффективных признаков, в знаменателе — после работы алготритма.
биотехносфера
| № 3(33)72014
Пользователь
i i
СИСТЕМА ОЦЕНИВАНИЯ ДИАГНОСТИЧЕСКИХ ПРИЗНАКОВ СОСУДОВ ГЛАЗНОГО ДНА
Выделение трассы сосудов
Оценивание локальных параметров сосудов
Оценивание диагностических признаков сосудов
СИСТЕМА ОЦЕНИВАНИЯ ДИАГНОСТИЧЕСКИХ ПРИЗНАКОВ СОСУДОВ ДЗН
Локализация области ДЗН Оценивание глобальных параметров сосудов ДЗН
Построение профиля" яркости вдоль края 1 ДЗН
/- \ Оценивание глобальных цвето- яркостных параметров ДЗН
Оценивание локальных параметров сосудов ДЗН
СИСТЕМА ПЛАНИМЕТРИЧЕСКИХ ИССЛЕДОВАНИЙ
Определение параметров аффиного преобразования
Определение углов ветвления сосудов
Оценивание и сравнение геометрических характеристик характерных областей
СИСТЕМА ХРАНЕНИЯ ИНФОРМАЦИИ И ФОРМИРОВАНИЯ ОТЧЕТОВ
ПОДСИСТЕМА ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ
Модуль фильтрации и _выравнивания яркости_
Модуль регулировки яркости и контраста
Модуль выполнения поворотов и отражения изображений
ч >
ПОДСИСТЕМА ХРАНЕНИЯ
База данных
Файловая система
< ►
$
ПОДСИСТЕМА ГЕНЕРАЦИИ ОТЧЕТОВ
■
Модуль подготовки данных для _отчета_
Адаптер для генерации таблиц
Microsoft Excel
__
Адаптер для генерации веб-страниц
СИСТЕМА КЛАССИФИКАЦИИ И ДИАГНОСТИЧЕСКИХ ИССЛЕДОВАНИИ
Рис. 3 I Архитектура диагностического комплекса «OphthalmOffice»
рических параметров сосудов глазного дна [1] и диагностических признаков классификации сосудов, а также для проведения планиметрических исследований, включая динамический анализ изображений. Его основные функциональные возможности сводятся к следующим: ввод и предварительная обработка изображений глазного дна; количественная оценка основных параметров изменений микрососудов при заболеваниях, к которым относятся средний диаметр, неравномерность и извитость сосудов; объективный контроль динамики изменения размеров патологических участков в ходе анализа последовательных изображений; оценка степени патологии; автоматическое ведение базы данных о пациентах.
Для обеспечения достоверности результатов диагностики тестирование системы проводилось на натурных изображениях, полученных в Медико-стоматологическом университете Москвы на кафе-
дре офтальмологии при исследовании 151 пациента с сахарным диабетом (СД), разделенных на четыре группы: функциональную (1-я стадия СД), субклиническую (2-я стадия СД), манифестную (3-я стадия СД) и препролиферативную (4-я стадия СД) (рис. 1, также см. обложку с. 3). Объем выборки составил 9255 измерений, включая четыре группы сосудов, диагностируемые офтальмологами отдельно: артери-олы первого порядка, артериолы второго порядка, венулы первого порядка, венулы второго порядка.
Для анализа информативности и формирования более эффективных диагностических признаков изображений кровеносных сосудов была применена процедура дискриминантного анализа, на максимизации критериев разделимости [5]. Был разработан алгоритм, основанный на отборе признаков, имеющих наибольшее значение критерия разделимости, а также на полном переборе с последующим фор-
Пользователь
СИСТЕМА ВВОДА И ВЫВОДА
Загрузка и сохранение выборок
____'
Отображение и сохранение двумерных и трехмерных графиков взаимного расположения данных
Организация пользовательского интерфейса
Обучающая выборка
Результат обработки
Выборка
Параметры дискриминант-ного анализа
Выборка
Отфильтрованная выборка
СИСТЕМА ФОРМИРОВАНИЯ ЭФФЕКТИВНЫХ ПРИЗНАКОВ
Дискриминантный анализ Модуль преобразования признаков
Параметры классификации
Выборка с новыми признаками
Обучающая выборка
Параметры кластеризации
СИСТЕМА КЛАССИФИКАЦИИ ВЫБОРОК
СИСТЕМА ФИЛЬТРАЦИИ ВЫБОРОК
^ Кластеризация пространства признаков
Расчёт критериев модальности гистограмм выборок
Классификация методом опорных векторов
Анализ ошибки классификации
Результат классификации
_ У _
СИСТЕМА АНАЛИЗА ДАННЫХ
Интеллектуальный анализ данных
Формирование нормативных значений
Отфильтрованная выборка
Результат обработки
Рис. 4 | Архитектура системы классификации и диагностических исследований
мированием новых признаков, максимизирующих данный критерий. Критерии разделимости Jl и J2 формируются с использованием матриц рассеяния между классами W и внутри классов B:
J1 = ^ + B)-1 в); J2 = 1П W-1 (W + B)\.
В результате дискриминантного анализа было показано, что для каждой группы сосудов эффективен свой набор признаков по критерию разделимости, что подтверждается клиническими исследованиями [4] (рис. 2). Подсчитана ошибка классификации (метод опорных векторов) для каждой группы сосудов до и после работы алгоритма (табл.). Технология анализа признакового пространства, включающая алгоритм формирования пространства эффективных признаков, позволила снизить ошибку классификации сосудов по классам «норма» и четырем степеням «патологии» до 2,4 %.
Клинические испытания методологии количественного оценивания морфологических признаков
подтвердили достоверность результатов, а также высокую воспроизводимость. Метод цифровой обработки изображений глазного дна был утвержден департаментом здравоохранения Москвы и разрешен для применения в медицинской практике [4].
Диагностический комплекс логически разделен на следующие системы: система обеспечения хранения информации и формирования отчетов, система оценивания диагностических признаков сосудов глазного дна и ДЗН, система планиметрических исследований, система классификации и диагностических исследований (рис. 3).
Система классификации и диагностических исследований (рис. 4) предоставляет средства проведения корреляционного и дискриминантного анализа для формирования пространства более информативных признаков, средства формирования оптимальной выборки признаков по критерию эффективности разделения по группам патологии для настройки классификатора, средства кластерного анализа для фильтрации обучающей выборки в целях удаления
биотехносфера
| № 3(33)/204
Иллюстрации к статьям:
А. Ю. Грязнов, К. К. Жамова, В. Б. Бессонов, А. О. Лившиц, Е. С. Кунашик «Методика получения псевдоцветных рентгеновских изображений в двухэнергетичной рентгенографии» (с. 17-20)
Н.Ю. Ильясова
«Диагностический комплекс анализа изображений сосудов глазного дна» (с. 20-24)
Рис. 1. Примеры диагностических изображений глазного дна при различных стадиях сахарного диабета
А. А. Насонова, А. С. Крылов «Выделение сосудов на изображениях глазного дна и его оценка качества» (с. 24-25)
Рис. 1. Изображение глазного дна и результат выделения ^судов
24
Материалы Russian-German conference on Biomedical Engineering
недостоверных данных и получения нормативных значений признаков по группам патологии. Она также обеспечивает пользователя возможностью управлять процессом проведения исследований. Система анализа данных служит для формирования диагностического решения, а также нормативных значений признаков для каждого вида патологии сосудов. Таким образом, интеллектуальный анализ данных позволяет пользователю выявлять степень патологии, определять нормативные значения признаков для каждой степени патологии заболевания, а также вероятность развития данного заболевания как близость вектора признаков диагностики сосуда к нормативным значениям.
Заключение
В статье представлен диагностический комплекс анализа изображений глазного дна. В отличие от европейских аналогов он дает возможность анализа субклинических морфологических изменений, позволяет автоматизировать этапы диагностики и осуществляет количественный мониторинг патологических изменений сосудов. Особенностью является использование элементов экспертных систем, под которыми имеются в виду: база данных диагностических признаков, корреляционный, дискрими-
нантный и кластерный анализ с отбраковкой недостоверных данных, прогноз степени патологии на основе экспертных оценок. Система позволяет проводить раннюю диагностику диабетической ретинопатии, а также решать задачу повышения точности оценивания локальных геометрических параметров, формирования новых и эффективных признаков диагностики сосудистых патологий.
Работа выполнялась при поддержке грантов РФФИ 12-01-00237-а, 14-01-00369-а, 14-07-97040-р_поволжье_а; программы № 6 фундаментальных исследований ОНИТ РАН «Биоинформатика, современные информационные технологии и математические методы в медицине» 2014 гг.
Литература
1. Ильясова Н. Ю., Куприянов А. В., Храмов А. Г. Информационные технологии анализа изображений в задачах медицинской диагностики. М.: Радио и связь, 2012. 424 с.
2. Abramoff M., Suttorp M. Web-based screening for diabetic retinopathy in a primary care population: The eye check project // Telemedicine and e-Health. 2005. Vol. 11(6). P. 668-674.
3. Pai R., Hoover A., Goldbaum M. Automated Diagnosis of Retinal Images Using Evidential Reasoning // International Conference on SENG, 2002.
4. Информационное письмо № 1 «Метод цифровой обработки изображений глазного дна» / Л. К. Мошетова, Н. Д. Ющук, Д. И. Цыганов и др. М., 2003. 14 с.
5. Фукунага К. Введение в статистическую теорию распознавания образов. М.: Наука, 1979. 270 с.
УДК 004.932
А. А. Насонова, аспирант,
А. С. Крылов, д-р физ.-мат. наук, профессор, заведующий лабораторией, Московский государственный университет им. М. В. Ломоносова
Выделение сосудов на изображениях глазного дна и его оценка качества
Ключевые слова: детектирование сосудов, изображение глазного дна, метрика, оценка качества. Keywords: blood vessel detection, fundus image, metric, quality estimation.
Представлен алгоритм выделения сосудов на изображениях глазного дна. Метод включает предобработку изображения, состоящую из выравнивания освещенности изображения и акцентирования сосудов при помощи фильтров Габо-ра. Также представлена метрика для сравнения результатов автоматического детектирования сосудов и выделения сосудов, выполненного специалистом вручную.
Введение
Фотографии глазного дна используются для диагностики заболеваний сетчатки. Выделение сосудов является достаточно сложной задачей обработки изображений глазного дна (рис. 1, также см. обложку с. 3) из-за высокого уровня шума, неравномерной освещенности, присутствия объектов, похожих на сосуды. Среди методов обнаружения сосудов на изо-
