CC BY
44
Главный недостаток предыдущего метода устранен: мы проходим результирующий массив только один раз, при заполнении. Т акже мы не ввели дополнительных вычислений. Можно с уверенностью сказать, что из рассмотренных методов полученный нами является наиболее оптимальным по точности и по скорости.
Для проверки выхода части результирующего изображения за границы экрана, необходимо для каждой точки проверять ее координаты, сравнивая их с максимально (минимально) возможными. Если точка лежит вне этих границ, то она просто отбрасывается при записи в результирующий массив.
В.Г. Адамов, М.В. Привалов
ИССЛЕДОВАНИЕ ЭФФЕКТИВНОСТИ РАБОТЫ МОДЕЛИ МОДУЛЯ
ТЕКСТУРНОЙ СЕГМЕНТАЦИИ ЭХОГРАММ ПРИ ОБРАБОТКЕ РЕАЛЬНЫХ УЛЬТРАЗВУКОВЫХ СНИМКОВ
При выявлении патологий внутренних органов в модуле текстурной сегментации информационно-диагностической системы производится текстурный анализ ультразвуковых эхограмм, включающий в себя текстурную сегментацию и классификацию изображений. В [1] показано, что с использованием искусственных нейронных сетей сегментация и классификация могут быть проведены одновременно. При этом возникает необходимость в проведении предварительной обработки изображений до подачи их на вход нейронной сети. Это обусловлено тем, что применение нейронных сетей с непосредственной подачей на их вход пикселов исходного изображения связано со следующими проблемами:
- при предъявлении пикселов изображения на вход нейронной сети возникают сложности при распознавании с учетом углов поворота участков текстур относительно краев изображения;
- так как текстура - пространственное свойство, то она должна обрабатываться в пределах некоторой области - окна определенного размера. С использованием такого окна возникает проблема выбора его размера. При выборе этого размера малым могут наблюдаться значительные ошибки внутри участков с однородной текстурой, так как при этом результат обработки становится статистически неустойчивым. Если же выбрать такое окно большого размера, возникает значительное количество ошибок распознавания вблизи границ текстурных участков за счет захвата окном двух и более различных текстур.
Первая проблема может быть решена путем применения предварительной статистической обработки ультразвуковых снимков. При этом рассчитываются статистики, не зависящие от поворота текстур внутри анализируемого окна. В качестве таких статистик могут быть применены статистики различия уровней серого (ОЬБ8) и статистики пространственной зависимости уровней серого (80ЬБ), описанные в [2], либо статистики микротекстуры Лоза. Однако применение статистик 80ЬБ и ОЬБ8 более приемлемо, так как в отличие от статистик, предложенных Лозом, они учитывают взаимное пространственное расположение пикселов друг относительно друга.
Для решения второй проблемы применим подход, описанный в [3]. Выбирается окно небольшого размера, и в этом окне по исходному изображению рассчитываются пространства статистик (GLDS или SGLD). При этом обеспечивается довольно низкий уровень ошибок, возникающих за счет смешения статистик вблизи границ двух или более участков с разными текстурами, происходящий из-за захвата этих текстурных участков окном, в котором производится анализ. Устранение статистической неустойчивости полученных данных, обусловленной малым размером окна при расчете текстурных свойств, производится путем фильтрации полученных пространств текстурных статистик при помощи сглаживающего фильтра, сохраняющего контуры, с использованием окна большего размера.
С учетом сказанного выше, в работе [4] была построена программная модель модуля текстурной сегментации ультразвуковых эхограмм. После построения данной модели был выполнен ряд экспериментов по обработке искусственно созданных изображений - моделей эхограмм, сформированных из текстур альбома Бродаца. Их задачей является исследование влияния на точность работы модели таких параметров, как размер окна при расчете статистик, размер окна для фильтрации пространств текстурных свойств, а также самого способа фильтрации. При этом в качестве текстурных свойств были использованы статистики GLDS - математическое ожидание (1), контраст (2) и второй угловой момент (3).
i K-1
м = ir I kPd (k); с1)
K k=0 K-1
CON =I k2pd(k); (2)
k=0 K-1
ANSM =I pd (k)2 . (3)
k=0
Здесь Pd(k) - вектор, представляющий собой разностную гистограмму второго порядка, где k-й элемент этого вектора представляет собой количество пикселов на анализируемом изображении, абсолютная разница яркостей которых равна к и отстоящих друг от друга на вектор d = (dr,d2), где d1 - расстояние между пикселами по горизонтали, а d2 - по вертикали; k-номер элемента вектора Pd (k), K - размерность этого вектора, равная количеству уровней серого, которые можно представить на данном изображении.
Для фильтрации пространства статистик были применены следующие
фильтры: квадрантный EPNSQ [3] и медианный. Полученные в [5] результаты
позволяют сделать вывод, что при распознавании искусственных текстур модель при меньших размерах окна фильтра функционирует лучше с применением квадрантного фильтра, а при больших размерах - с применением медианного фильтра. Однако в данных экспериментах наилучший результат (2,8%) был получен при использовании квадрантного фильтра с размером окна для расчетов 7 пикселов и размером окна фильтра 15 пикселов.
Для лучших результатов были проведены эксперименты по обработке реальных ультразвуковых снимков с заведомо известными диагнозами. Использовались снимки со здоровыми тканями печени и с такими патологиями, как киста
печени, гемангиома печени, а также метастазы. Нейронная сеть была обучена на участках с патологиями и без них, выделенных на данных снимках.
В результате анализа формировалось результирующее изображение с цветами - индексами.
Рис. 1.
На рис. 1 приведены результаты обработки обученной нейронной сетью ультразвукового снимка кисты печени. На полученном изображении белым цветом обозначены точки, относящиеся к данной патологии, черным - нормальные ткани, серым - ошибочно обработанные участки. В целом, патология была обнаружена, а погрешности можно объяснить тем, что при обучении нейронной сети использовались снимки различного качества, за счет чего нормальная ткань на одном снимке может быть принята за патологию с другого. Возможный путь снижения погрешности - предварительное улучшение качества изображений (фильтрация, устранение влияния яркости фона и т.п.)
ЛИТЕРАТУРА
1. Адамов В.Г., Привалов М.В. Применение нейронных сетей для обработки текстуры эхо-грамм в информационно-диагностических системах // Нау-кові праці Донецького державного технічного університету. Серія: Обчислювальна техніка та автоматизація, випуск 12. - Донецьк: ДонДТУ, 1999р. - с. 151-157.
2. Dhawan, Yateen Chitre, Analysis of mammographie microcalcifications using gray-level image structure features, IEEE Transactions on medical imaging, vol. 15, no. 3, June 1996.
3. Hsiao J., Sawchuk A. Supervised textured image segmentation using feature smoothing and probabilistic relaxation techniques, IEEE Transactions on pattern analysis and machine intelligence, vol. 11, no. 12, December 1989.
4. Адамов В.Г., Привалов М.В. Текстурная сегментация ультразвуковых эхограмм с применением сглаживания статистик различия уровней серого. // Наукові праці Донецького державного технічного університету. Серія: Обчислювальна техніка та автоматизація, випуск 20: - Донецьк: ДонДТУ, 2000р.
5. Адамов В.Г., Привалов М.В. Исследование влияния алгоритма фильтрации на точность работы модели модуля текстурной сегментации ультразвуковых эхограмм. // Наукові
праці Донецького державного технічного університету. Серія: Обчислювальна техніка та автоматизація, випуск 25: - Донецьк: ДонДТУ, 2001р.
Н.В. Посупонько, О.А.Губенко, В.Ф.Лысенко
ИСПОЛЬЗОВАНИЕ АВТОМАТИЗИРОВАННЫХ СИСТЕМ КОНТРОЛЯ ДЛЯ ПОВЫШЕНИЯ КАЧЕСТВА И ТЕХНИКО-ЭКОНОМИЧЕСКОЙ ЭФФЕКТИВНОСТИ ИЗДЕЛИЙ
Разработка и изготовление сложных технических объектов (ТО), а также обеспечение высокого уровня готовности и эффективности их применения в условиях эксплуатации требуют значительных затрат. Задача сокращения этих затрат при сохранении технической эффективности и качества изделий является в настоящее время наиболее актуальной.
Тактико-технические, экономические и эксплуатационные характеристики ТО можно связать интегральным показателем технико-экономической эффективности (Э), представляющим отношение технической эффективности (Эт) к стоимости жизненного цикла (СЖЦ) [1].
Критерий «техническая эффективность» характеризует меру целесообразности применения ТО и в упрощенном виде может быть представлен произведением трех вероятностных показателей:
- вероятности того, что объект будет непрерывно функционировать в течение срока службы - «надежность»;
- вероятности того, что объект готов к выполнению задания в произвольный момент времени - «готовность»;
- вероятности того, что при функционировании объект успешно выполнит свою задачу - «работоспособность».
Жизненный цикл ТО включает в себя периоды проектирования, изготовления, использования по назначению, оперативного и периодического технического обслуживания и ремонта (ТОР), утилизации. Эффективность эксплуатации ТО в первую очередь, связана с повышением доли времени использования их по назначению, поддержанию в исправном состоянии или возвращению в это состояние в течение определенного периода при приемлемых затратах на ТОР.
СЖЦ складывается из закупочной стоимости и стоимости эксплуатации. В стоимость эксплуатации входят затраты на ТОР, контрольно-диагностическое оборудование, ЗИП, обучение персонала, транспортные расходы. Закупочная стоимость определяется затратами на разработку и изготовление ТО. Требуемые значения показателя Э обеспечиваются системой технической эксплуатации (СТЭ), содержащей контрольно-диагностическое оборудование, реализующее функции определения технического состояния (ТС) при проведении регламентных и ремонтных работ.
Принятая система критериев позволяет однозначно определять общую эффективность ТО и производить её сравнение по технико-экономическим показателям. Так, при одинаковых параметрах технической эффективности, системы с более высокой СЖЦ имеют более низкий показатель общей эффективности. Необходимость повышения общей эффективности ТО в условиях
