Методы анализа и обработки медицинских изображений

Содержание

Слайд 2


Анализ изображений
Определение
Анализ изображений – область прикладной математики, изучающая методы извлечения полезной информации

Анализ изображений Определение Анализ изображений – область прикладной математики, изучающая методы извлечения
из изображений
Что означает “извлечение полезной информации”?
Улучшение изображений
Выделение объектов на изображении и расчет их характеристик
Сегментация изображений
Классификация и кластеризация изображений и объектов Высокоуровневое описание изображений
Многие задачи анализа изображений легко решаются человеком, но чрезвычайно сложны для компьютера

/ 40

Слайд 3


Связанные дисциплины
Решением трудноформализуемых задач занимается искусственный интеллект
Дисциплины, работающие с изображениями:
Цифровая обработка изображений

Связанные дисциплины Решением трудноформализуемых задач занимается искусственный интеллект Дисциплины, работающие с изображениями:
(digital image processing) Анализ изображений (image analysis)
Компьютерное зрение (computer vision) Распознавание образов (pattern recognition)
Используются методы:
Математической статистики Машинного обучения Искусственного интеллекта

/ 40

Слайд 4


Обработка изображений и анализ изображений
Обработка изображений: на входе – изображение, на выходе

Обработка изображений и анализ изображений Обработка изображений: на входе – изображение, на
– другое изображение
Анализ изображений: на входе – изображение, на выходе – количественные или качественные характеристики

/ 40

Слайд 5


Компьютерное зрение
Компьютерное зрение – научная дисциплина, изучающая методы высокоуровневого описания изображений и

Компьютерное зрение Компьютерное зрение – научная дисциплина, изучающая методы высокоуровневого описания изображений
видео
Высокоуровневое описание изображения связано с его пониманием. Понимание изображения ⇒ принятие решений

/ 40

Слайд 6


Распознавание образов
Распознавание образов – дисциплина, изучающая методы отнесения объектов или событий к

Распознавание образов Распознавание образов – дисциплина, изучающая методы отнесения объектов или событий
одной из заранее заданных категорий
Распознавание образов акцентирует внимание на задачах классификации, в том числе, изображений

/ 40

Слайд 7


Computer Imaging
Анализ изображений использует методы обработки изображений
Компьютерное зрение использует методы анализа изображений

Обработка

Computer Imaging Анализ изображений использует методы обработки изображений Компьютерное зрение использует методы
изображений, анализ изображений и компьютерное зрение образуют область, называемую computer imaging
Computer imaging – совокупность технологий получения, процессинга и визуализации изображений с помощью компьютера

/ 40

Слайд 8

Этапы computer imaging

Получение исходных данных (data acquisition) Реконструкция изображений (image reconstruction) Обработка

Этапы computer imaging Получение исходных данных (data acquisition) Реконструкция изображений (image reconstruction)
и анализ изображений (image analysis) Формирование результатов анализа

/ 40

Слайд 9

Этапы анализа медицинских изображений

/ 40

Этапы анализа медицинских изображений / 40

Слайд 10

Получение исходных данных
Data acquisition – получение сырых, необработанных данных, содержащих информацию об

Получение исходных данных Data acquisition – получение сырых, необработанных данных, содержащих информацию
измеренных физических величинах, описывающих связанные с проводимым исследованием физические явления
Этапы получения исходных данных:
Измерение физической величины Преобразование в электрический сигнал Фильтрация
Оцифровка
Виды и особенности используемых методов зависят от типа измеряемой величины

/ 40

Слайд 11

Реконструкция изображений
Реконструкция изображений (image reconstruction) – это математический процесс формирования интерпретируемых изображений

Реконструкция изображений Реконструкция изображений (image reconstruction) – это математический процесс формирования интерпретируемых
на основе множества исходных необработанных изображений, полученных на предыдущем этапе
Реконструкция изображений включает в себя комбинирование нескольких изображений, снятых под разными углами или в разные моменты времени
Математически, задача реконструкции относится к т.н. обратным задачам, заключающимся в восстановлении объекта на основе данных о его проекциях
Подходы к решению обратных задач:
Аналитический Итерационный

/ 40

Слайд 12

Реконструкция изображений. Иллюстрация

/ 40

Реконструкция изображений. Иллюстрация / 40

Слайд 13

Компьютерный анализ изображений
Цель анализа изображений: улучшение интерпретируемости реконструированного изображения и извлечение из

Компьютерный анализ изображений Цель анализа изображений: улучшение интерпретируемости реконструированного изображения и извлечение
него значимой информации

Для естественных изображений:

Классификация Детекция объектов Треккинг объектов Стилизация
Синтез изображений

Для медицинских изображений:

Улучшение качества Устранение артефактов
Сопоставление нескольких изображений
Выделение контуров Сегментация Классификация текстур

/ 40

Слайд 14

Направления computer imaging
Улучшение изображений (image enhancement) Повышение качества изображений, улучшения их интерпретируемости

Направления computer imaging Улучшение изображений (image enhancement) Повышение качества изображений, улучшения их
и точности результатов последующего анализа
Высокоуровневый анализ изображений (high-level image analysis)
Понимание изображений
Визуализация изображений (image visualization) Визуальное представление улученных изображений и результатов анализа
Управление изображениями (image management) Сжатие, хранение, передача, предоставление доступа к изображениям

/ 40

Слайд 15

Улучшение изображений
Цель: подготовка изображения для последующего анализа, а также улучшение визуальной интерпретируемости

Улучшение изображений Цель: подготовка изображения для последующего анализа, а также улучшение визуальной
изображения
Задачи:
Оптимизация контрастности Устранение шумов
Улучшение качества границ объектов на изображении
...
В результате преобразований на изображениях могут появляться специфичные артефакты

/ 40

Слайд 16

Высокоуровневый анализ изображений
Выделение объектов на изображении (органов, патологических образований и т.п.)
Сегментация изображений

Высокоуровневый анализ изображений Выделение объектов на изображении (органов, патологических образований и т.п.)
(разбиение изображения на области)
Классификация изображений и объектов на них (отнесение объектов к одному из классов, например, тип опухоли и т.п.)
Кластеризация изображений и объектов на них (обнаружение схожих объектов на множестве изображений)
Поиск изображений, содержащих схожие объекты, среди множества изображений
Количественная оценка изображений (вычисление свойств идентифицируемых структур, таких как объем, диаметр, состав и пр.)

/ 40

Слайд 17

Визуализация изображений
Визуализация финальных и промежуточных результатов – неотъемлемая часть анализа изображений

/

Визуализация изображений Визуализация финальных и промежуточных результатов – неотъемлемая часть анализа изображений / 40
40

Слайд 18

Управление медицинскими изображениями
Управление изображениями включает в себя различные методы хранения, извлечения и

Управление медицинскими изображениями Управление изображениями включает в себя различные методы хранения, извлечения
передачи изображений
Стандарты и технологии:
Система архивирования и передачи медицинских изображений PACS (Picture Archiving and Communication System)
Экономичное хранение и доступ к изображениям разных модальностей
Информационная система RIS (Radiology Information System)
Планирование и интерпретация результатов исследований, выставление счетов пациентам и пр.
Стандарт DICOM (Digital Imaging and Communication Medicine)
Хранение медицинских изображений в файлах

/ 40

Слайд 19


Понятие цифрового изображения
Аналоговое двумерное изображение в реальном мире определяется как функция двух

Понятие цифрового изображения Аналоговое двумерное изображение в реальном мире определяется как функция
вещественных переменных
? ( x, y), где ? — амплитуда (например, яркости) изображения в точке с координатами (x, y )
Типы яркостей:
Вещественные (например, от 0 до 100%)
Целочисленные (например, от 0 до 255)
Квантование – представление целыми числами вещественных яркостей
Дискретизация – переход у узлам двумерной сетки на плоскости (x, y)
Оцифровка – перевод изображения в цифровую форму в результате квантования и дискретизации

/ 40

Слайд 20


Виды цифровых изображений
Цифровое изображение – дискретная аппроксимация реального изображения
На пересечении строки и

Виды цифровых изображений Цифровое изображение – дискретная аппроксимация реального изображения На пересечении
столбца расположен элемент изображения, называемый пикселем (pixel, picture element)
Каждому пикселю может быть сопоставлено:
Бинарное число (0 или 1)
Бинарное изображение (black-white image)
Целое число
Изображение в оттенках серого (grayscale image) Индексированное изображение (paletted, or indexed, image)
Три целых числа
Цветное изображение (color image)
Три целых числа и время Цветное видео (color video)

/ 40

Слайд 21


Пространственное разрешение изображения

Физический размер области, характеризуемой одним пикселем изображения, называется пространственным разрешением

Пространственное разрешение изображения Физический размер области, характеризуемой одним пикселем изображения, называется пространственным
изображения (resolution)
Например, пространственное разрешение отсканированных документов 300 dpi (dots per inch) означает, что 1 физический дюйм листа бумаги представлен на изображении 300 пикселями
Высокое пространственное разрешение важно для того, чтобы различать структуры, расположенные на небольшом расстоянии друг от друга

/ 40

Слайд 22


Яркостное разрешение изображения

Яркостное (или полутоновое) разрешение (color depth) определяется числом различных значений

Яркостное разрешение изображения Яркостное (или полутоновое) разрешение (color depth) определяется числом различных
полутона (уровня серого), которое способен точно воспроизвести АЦП сканера
Высокое яркостное разрешение важно для того, чтобы различать структуры, яркость которых слабо отличается друг от друга
Глаз человека способен различить до сотен оттенков серого и до 10 млн. цветов

/ 40

Слайд 23


m,n

Динамический диапазон изображения
Динамическим диапазоном изображения называется интервал значений яркости
[?min, ?max],
где
?max = max

m,n Динамический диапазон изображения Динамическим диапазоном изображения называется интервал значений яркости [?min,
?(m,n) – максимальное значение яркости,

?min = min ?(m,n) – минимальное значение яркости

m,n
Динамический диапазон определяет контраст изображения
Если динамический диапазон занимает весь диапазон уровней серого, то говорят, что изображение имеет высокий контраст
Изображение с малым динамическим диапазоном имеет низкий контраст и обычно выглядит тусклым, размытым и серым

/ 40

Слайд 24


/ 40

Гистограмма яркости

/ 40 Гистограмма яркости

Слайд 25


Гистограмма яркости. Иллюстрация

/ 40

Гистограмма яркости. Иллюстрация / 40

Слайд 26


Понятие границы
Определение
Границей (edge) называется множество пикселей, соединяющих две области изображения с различными

Понятие границы Определение Границей (edge) называется множество пикселей, соединяющих две области изображения
характеристиками яркости
Что означает “различные характеристики яркости”?
Интуитивно: на границах происходит перепад яркости изображения
Сложности: на реальных изображениях перепад яркости редко скачкообразный, амплитуда может быть небольшой, происходит на фоне шума

/ 40

Слайд 27


Модели перепадов яркости на границах

/ 40

Модели перепадов яркости на границах / 40

Слайд 28


Цели выделения границ
Как правило, результат выделения границ – совокупность линий на изображении,

Цели выделения границ Как правило, результат выделения границ – совокупность линий на
представляющих границы между объектами
Цели:
Расчет характеристик границ и их использование для дальнейшего анализа
Сегментация изображения
Выделение объектов на изображении и их классификация Упрощение представления изображения
Требования:
Минимум ложных границ Минимум необнаруженных границ Точная локализация границы Робастность

/ 40

Слайд 29


Линейный фильтр
Линейный фильтр характеризуется некоторой матрицей К, называемой ядром (kernel)
Применение линейного фильтра

Линейный фильтр Линейный фильтр характеризуется некоторой матрицей К, называемой ядром (kernel) Применение
– это вычисление свёртки изображения с матрицей К

/ 40

Слайд 30


Пример вычисления свертки

/ 40

Пример вычисления свертки / 40

Слайд 31


Виды преобразований изображений
Точечные преобразования (point) Локальные преобразования (local) Глобальные преобразования (global)

Операция свертки

Виды преобразований изображений Точечные преобразования (point) Локальные преобразования (local) Глобальные преобразования (global)
реализует локальные преобразования изображения

/ 40

Слайд 32


Виды соседства
В локальных преобразованиях для расчета новой яркости пикселя используется информация о

Виды соседства В локальных преобразованиях для расчета новой яркости пикселя используется информация
яркостях соседних с ним пикселей
Виды соседства:
4-соседство 8-соседство

/ 40

Слайд 33


Градиентный фильтр 2 × 2
Для оценки градиента могут быть использованы ядра 2

Градиентный фильтр 2 × 2 Для оценки градиента могут быть использованы ядра
× 2:

Недостатки:
Сильная чувствительность к шумам
Обе компоненты вектора градиента относятся к одной и той же точке ( i + 0.5, j+ 0.5), лежащей между пикселями исходного изображения

33 / 40

Слайд 34


Оператор Робертса
Ядра оператора Робертса:

Оператор Робертса оценивает градиент на основе перепадов яркости в

Оператор Робертса Ядра оператора Робертса: Оператор Робертса оценивает градиент на основе перепадов
диагональных направлениях

/ 40

Слайд 35


Оператор Превитта
Ядра оператора Превитта:

Особенности:
Имеет центральный элемент
Учитывает яркости пикселей в 8-соседстве при расчете

Оператор Превитта Ядра оператора Превитта: Особенности: Имеет центральный элемент Учитывает яркости пикселей
частных производных
Является сепарабельным

/ 40

Слайд 36


Оператор Собеля
Ядра оператора Собеля:

Особенности:
Дает больший вес пикселям, расположенным в 4-соседстве от текущего

Оператор Собеля Ядра оператора Собеля: Особенности: Дает больший вес пикселям, расположенным в
и меньший вес – расположенным в диагональном соседстве
Является сепарабельным
Оператор Собеля – один из наиболее популярных операторов, используемых для оценки градиента изображения

/ 40

Слайд 37


Сепарабельный линейный фильтр
Определение
Двумерный линейный фильтр называется сепарабельным, если его ядро может быть

Сепарабельный линейный фильтр Определение Двумерный линейный фильтр называется сепарабельным, если его ядро
представлено как произведение двух или более одномерных ядер
Двумерная свертка может быть заменена на последовательность одномерных:
? = K * ? = (K1K2) * ? = K1 * (K2 * ?)

37 / 40

Слайд 38


Градиентные операторы
Градиентные операторы:
Оператор Робертса Оператор Превитта Оператор Собеля Оператор Кирша Оператор Робинсона
Модификации

Градиентные операторы Градиентные операторы: Оператор Робертса Оператор Превитта Оператор Собеля Оператор Кирша
операторов Превитта, Собеля и пр. на

случай ядер более высоких размерностей (например, 5 × 5,

7 × 7)
В результате применения градиентных операторов получаются 4 градиентных изображения:
в горизонтальном направлении в вертикальном направлении изображение нормы градиента
изображение угла наклона градиента

/ 40

Слайд 39


Выделение границ. Иллюстрация

/ 40

Выделение границ. Иллюстрация / 40
Имя файла: Методы-анализа-и-обработки-медицинских-изображений.pptx
Количество просмотров: 44
Количество скачиваний: 1