Страница: 3/4
Основной прием, используемый в цифровой рентгенографии для достижения этой цели, — это вычитание изображений. Функция процесса вычитания в цифровой рентгенографии — это устранение или подавление потенциально мешающих эффектов, не представляющих интереса для рентгенолога, и повышение тем самым обнаружения представляющих интерес структур. Используются в основном два типа вычитаний — временное и энергетическое.
ВРЕМЕННОЙ МЕТОД
Временной метод вычитания — это метод, который можно использовать с целью удаления фоновых структур, когда выявляемость представляющего интерес объекта повышается введением контрастного реагента. Изображения регистрируют с контрастным реагентом и без контрастного реагента, а затем осуществляют вычитание этих изображений.
Основным ограничением цифрового временного вычитания является его подверженность влиянию артефактов, обусловленных движением пациента между моментами времени, когда получаются изображения с контрастом и без контраста.
Временное вычитание неэффективно при контрастных исследованиях (например желчного пузыря), когда между введением контрастного вещества и визуализацией проходит значительное время. До и после контрастных изображений, разделяемых интервалом времени, равным нескольким секундам, может быть ошибка регистрации.
ЭНЕРГЕТИЧЕСКИЙ МЕТОД
Наряду с временным вычитанием в технике цифровой рентгенографии применяется энергетическое вычитание, которое в меньшей степени подвержено действию артефактов. Временное вычитание зависит от изменений распределения контраста во времени, а при энергетическом вычитании используется выраженная разность свойств ослабления излучения различными органами и структурами человеческого организма.
В качестве примера пара изображений может быть получена при двух энергиях E1 и E2 — несколько ниже и несколько выше области нарушения равномерности зависимости коэффициента ослабления излучения йода от энергии излучения. Изображения затем вычитаются одно из другого. В связи с тем, что коэффициент ослабления мягкой ткани изменяется незначительно при двух значениях энергии, тени от всех областей мягких тканей будут практически устранены на разностном изображении. А так как изменения коэффициента ослабления йода значительны, изображение йода сохранится. Контраст (йод—мягкая ткань) возрастает при получении разности изображения.
АВТОМАТИЧЕСКИЙ АНАЛИЗ ИЗОБРАЖЕНИЯ
В медицинской рентгенологии разработан ряд диагностических методик, основанных на измерениях относительных размеров изображений органов (рентгенокардиометрия). Рентгенометрические методы широко применяются при рентгеновских исследованиях беременных, некоторых костных патологий в педиатрии и в других случаях.
Применение ЭВМ для рентгенометрических методов во много раз сокращает трудовые затраты персонала и повышает точность измерений.
Задача автоматического анализа медицинских изображений является особенно актуальной в условиях проведения обязательного диспансерного обследования населения. Ее решение должно радикальным образом трансформировать весь процесс "скрининга" (массового профилактического обследования).
Под автоматическим анализом в медицинской диагностике понимается частный случай распознавания изображений (автоматическая классификация), т. е. Отнесение изображения к определенному классу или группе, например норма, патология либо конкретный тип патологии. Математическая суть классификации есть отыскание некоторой функции, отображающей множество изображений во множество, элементами которого являются классы или группы изображений.
В большинстве случаев процесс автоматической классификации проводится в три этапа:
Предварительная обработка, состоящая в максимальном приближении исследуемого изображения к эталонному или нормализованному. Чаще всего для медицинских изображений это пространственно инвариантные операции, сдвиг, изменение яркости, изменение контраста, квантование и геометрические преобразования (изменение масштаба, поворот оси). Теория этих преобразований хорошо разработана и, как правило, не вызывает трудностей при использовании современных ЭВМ.
Выделение признаков, при которых функция, представляющее обработанное изображение, подвергается функциональному преобразованию, выделяющему ряд наиболее существенных признаков, которые кодируются действительными числами. Выделение признаков заключается в математических преобразованиях изображения в зависимости от задачи анализа. Это может быть вычитание из эталона, вычитание постоянной составляющей для исключения мешающих теней, дифференцирование или автокорреляция для выделения контура, частотная фильтрация и многие другие. Правильный выбор алгоритма обработки имеет решающее значение для следующего этапа преобразования и представляет наибольшую трудность.
Классификация признаков. Полученные в результате предыдущей операции наборы действительных чисел, описывающие выделенные признаки, сравниваются с эталонными числами, заложенными в память машины. ЭВМ на основании такого сравнения классифицирует изображение, т. е. относит его к одному из известных видов, например норма или патология. Набор действительных чисел, характеризующих выделенные признаки, при этом можно рассматривать как точку в n-мерном пространстве. Если в это пространство предварительно введены области, занимаемые тем или иным классом в пространстве, называемом пространством признаков, либо, что случается чаще, задана плотность вероятности для каждого класса, появляется возможность с известной вероятностью отнести данное изображение к определенному классу.
Медицинские изображения, получаемые при рентгеновской, изотопной либо ультразвуковой диагностики различны как по характеру их сложности, так и по виду заложенной в них информации, определяемой прежде всего механизмом взаимодействия используемого вида излучения с органами и тканями. Однако они обладают общих признаков, важных для проблемы автоматической классификации; это прежде всего отсутствие:1) эталона нормы из-за индивидуальных особенностей каждого организма; 2) эталона патологии при огромном разнообразии ее форм.
Указанные два обстоятельства чрезвычайно затрудняют выполнение двух последних этапов автоматической классификации и подчас делают вообще невозможным решение задачи с помощью современного уровня техники.
Полная автоматическая классификация при дифференциальной диагностике пока еще невозможна. Может быть осуществлен только предварительный отбор по принципу норма–патология, экономически обоснованном лишь для тех случаев, когда проводится массовое диспансерное обследование.
Решать задачу автоматического анализа привычных для диагноста изображений в большинстве случаев не имеет смысла. Необходимо создавать специальные условия формирования изображения, которые бы облегчали прежде всего выполнение второго этапа анализа. Ниже приведены некоторые принципиальные пути организации автоматического анализа медицинских изображений.
1. Функциональная диагностика. В первую очередь необходимо использовать такую важную особенность многих органов, как функциональная подвижность. Возможность регистрации органа в нескольких фазах позволяет получить эталон. Вычитая изображение двух фаз, можно избавиться от фона, многократно уменьшить количество анализируемой информации и перейти от исследования изображения органа к исследованию его функции, что во много раз проще, поскольку позволяет непосредственно обратиться к выделению признаков действительными числами.
При профилактическом исследовании легких принципы функциональной диагностики подробно разработаны проф. И. С. Амосовым. Предложенная им рентгенополиграфическая решетка позволяет на одной рентгенограмме получить изображение двух фаз легких и тем самым осуществить квазисубтракцию изображений.
Еще одним примером устройства для получения функциональных изображений является много лет используемая рентгенокимография, при которой также широко применяется количественный анализ признаков.
Достаточно полную количественную информацию о динамике сердечных сокращений содержит серия кинокадров сердца, снятых с большой скоростью с экрана усилителя рентгеновского изображения.
2. Искусственное контрастирование. Существует еще одна форма эталона – искусственное контрастирование. Широко известны динамические и апостерлорные субракторы, применяемые при церебральной и кардиологической ангиографии. Для всех этих методов на основе субстракции может быть разработан алгоритм автоматического анализа с помощью существующих ЭВМ той или иной сложности.
3. Анализ контура. Еще одной доступной для современного уровня вычислительной технологии формой выделения признаков может явиться группа патологий, связанная с изменением контура исследуемого органа. Известны методики диагностики по контуру сердца. Для весьма ограниченной группы патологий подобные методики можно использовать при получении контрастированного контура пищевода в желудке.
4. Количественное определение патологии. В некоторых случаях патология органа может быть однозначно выделена на изображении количественно. Таких случаев не много. Делались попытки выделить патологии на маммографическом изображении. Больше возможностей подобного рода представляют диагностика (изотопная) и вычислительная томография (рентгеновская, эмиссионная и на основе ядерного магнитного резонанса).
5. Сравнение с предыдущим исследованием. Этот прием может оказаться особенно эффективным при периодических профилактических обследованиях. Вычитание изображения, сделанного, например, через год при ежегодном диспансерном обследовании, из предыдущего позволяет с высокой степенью достоверности выделить происшедшие за истекший период изменения при идентичности геометрических и физико-технических условий проведения исследования.
Реферат опубликован: 16/06/2005 (8487 прочтено)