Программа выделения в реальном времени гладких объектов в трехмерных медицинских изображениях - Дипломная работа

ПРАВИТЕЛЬСТВО РОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ «ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»Используя инструменты компьютерной обработки на изображениях томограмм, возможно определить границы объектов, таких как органы или опухоли, измерить их объем и обнаружить изменение в их размерах. В данной работе поставлена задача создания такого инструмента, с использованием контроля кривизны выделяемой поверхности для того, чтобы сегментация не выходила за пределы объекта. Учитывая предыдущие наработки в области методов контроля сегментации на основе кривизны поверхности, для реализации программы выбраны наиболее надежные из изученных методов для их применения к реальным медицинским изображениям. Это позволяет создать инструмент, способный эффективно выполнять сегментацию трехмерных изображений путем расширения области выделения, основываясь на заданном пользователем начальном регионе. Taking into account previous research on methods of curvature-based segmentation control, an attempt is made to apply the most reliable of those methods to real medical images and construct software that can be used resource-efficiently to perform image segmentation from the user-defined source area.В работе рассматривается выделение объектов в трехмерных медицинских изображениях. Основываясь на изображениях таких образований, может быть принято решение о проведении дополнительных процедур для определения злокачественности образования. Процесс выделения сегментов, содержащих замкнутые объекты, или сегментация, похож на трехмерную вариацию алгоритма заливки двумерной области цветом. Существуют и другие подходы к сегментации, но в данной работе за основу был взят именно этот по причинам, рассмотренным далее. Человеческий организм состоит из множества различных тканей, и нет гарантии, что на изображении не окажется тканей со схожей плотностью, но не имеющих отношения к выделяемому объекту.В материале [7] проведен достаточно подробный сравнительный анализ различных алгоритмов, которые осуществляют сегментацию, и применяются в анализе медицинских изображений. Во многих случаях, в том числе в случае, рассмотренном в ВКР, таких сегментов всего два - выделяемый объект и фон. Алгоритм использует только яркость точки для определения принадлежности к сегменту Алгоритм использует яркость, окружение точки и заранее известную информацию о предполагаемой форме выделяемого объекта, например, математическое описание этой формы Говоря о степени автономности алгоритма, нужно учитывать, что, для того чтобы использовать полностью автоматически алгоритм, нужно быть уверенным, что он сработает с достаточной точностью на любых входных параметрах.Различные проекты используют разные способы подсчета кривизны, в зависимости от формата представления данных и решаемой задачи. В работе [9] кривизна легочных узелков используется для дифференциации доброкачественных и злокачественных образований. В работе [11] метод, основанный на измерении кривизны, используется для детектирования изображений костей на компьютерных томограммах. Таким образом, необходимо иметь структуру данных, позволяющую эффективно работать с трехмерным массивом точек, часто разреженным, при этом по возможности не держа в памяти большое число копий матрицы изображения целиком, и имея возможность быстрого доступа к соседям точки. Древовидные структуры и, в особенности, kd-деревья, позволяют структурировать набор точек по различным принципам, сохраняя быстрый доступ по координатам и возможность использования множества существующих алгоритмов работы с деревьями.В первой главе был проведен обзор материалов, посвященных сегментации трехмерных изображений, выделены критерии оценки качества алгоритмов сегментации.Принцип работы оператора Собеля заключается в том, что область изображения подвергается свертке с матрицей оператора и результирующая матрица содержит значения производных в каждой из точек по направлению, заданному матрицей оператора. Если для какой-либо точки не существует соседей: необходимых для подсчета (например, точки с координатами i-1,j,k), то есть точка находится на краю изображения хотя бы по одному из измерений, то существует несколько способов разрешения такой проблемы. Для каждой из точек-кандидатов вычисляется метрика кривизны поверхности, и если она оказывается выше порогового значения, точка добавляется к объекту. Рисунок 4 Результат тестирования алгоритма выделения объектов с контролем кривизны. а) Исходный объекта, сфера с дефектами различного размера и направления б) Изображение, обработанное с порогом 500, дефекты удалены частично в) Изображение, обработанное с порогом 1000 г) Изображение, обработанное с порогом 1200 В описании операций под «белой» точкой подразумевается точка бинарного изображения, в которой значение равно единице, а «черной» точкой называется точка с значением ноль.

Оглавление

Реферат Abstract

Основные определения, термины и сокращения Введение

Глава 1. Кривизна и анализ дискретных поверхностей 1.1 Способы сегментации изображений

1.2 Кривизна в сегментации изображений

1.3 Структуры хранения точек в трехмерном изображении 1.4 Общий порядок операций при сегментации

1.5 Прочие полезные методики Выводы по главе

Глава 2. Описание выбранных методов

2.2 Метод выделения объектов с контролем кривизны 2.2 Метод пороговой фильтрации

2.3 Метод постобработки изображения 2.4 Используемые структуры данных Выводы по главе

Глава 3. Разработка программы 3.1 Язык и платформа разработки 3.2 Средства работы с матрицами 3.3 Средства визуализации

3.4 Особенности реализации Выводы по главе

Глава 4. Экспериментальная проверка алгоритмов 4.1 Данные для экспериментов

4.2 Результаты экспериментов на реальных данных Выводы по главе

Заключение

Список использованных источников Приложения