Спосіб визначення рівня яскравості в зоні інтересу цифрового медичного рентгенівського зображення

Реферат: Винахід стосується способів обчислення рівня яскравості в зоні інтересу цифрового медичного рентгенівського зображення по гістограмі зображення з використанням штучної нейронної мережі. Обчислення проводять у такий спосіб: одержують зображення, обчислюють гістограму зображення, перетворюють значення гістограми у вхідні аргументи нейронної мережі й обчислюють вихідне значення нейронної мережі. Як вхідні аргументи нейронної мережі використовують нормовані до одиниці значення гістограми, обчислені із заданим інтервалом угруповання. Рівень яскравості обчислюють як лінійну функцію від вихідного значення нейронної мережі. Навчання нейронної мережі проводять із використанням навчальної множини, обчисленого по заданій базі зображень, як множину цільових значень використовують рівні яскравості, обчислені для кожного зображення по зоні інтересу й масштабовані до області значень функції активації нейрона вихідного шару нейронної мережі. UA 105196 C2 (12) UA 105196 C2 UA 105196 C2 5 10 15 20 25 Галузь техніки Винахід стосується способів обробки цифрових медичних рентгенівських зображень, а саме обчислення рівня яскравості в зоні інтересу цифрового медичного рентгенівського зображення. Попередній рівень техніки Медичне рентгенівське зображення крім зображення проекцій органів пацієнта, як правило, містить зображення проекцій частин приладу (коліматора) і повітря. Під зоною інтересу звичайно розуміють таку частину зображення, у якій є присутнім зображення тільки проекцій органів пацієнта. Необхідність правильно визначити рівень яскравості виникає, наприклад, у наступних випадках 1) при візуалізації цифрового зображення на екрані монітора 2) для контролю експозиції при зйомці серії зображень. Візуалізація зображення із правильними рівнями яскравості й контрасту сприяє кращому розумінню рентгенівського зображення й, відповідно, правильній постановці діагнозу. При зйомці серії послідовних зображень на рентгенівському апараті, знаючи рівень яскравості в зоні інтересу попереднього зображення, можна правильно виставити час експозиції цифрового детектора для зйомки наступного зображення. Правильно підібрана експозиція дозволяє одержувати зображення істотно кращої якості без затемнених і/або засвічених областей з оптимальним відношенням сигнал-шум у зоні інтересу. Стандартна частота зйомки серії зображень становить 30 кадрів у секунду, тому надзвичайно важливо визначати рівень яскравості досить швидко, щоб встигати відрегулювати час експозиції й/або характеристики випромінювання рентгенівської трубки. Також необхідно, щоб спосіб обчислення рівня яскравості був стійким при обчисленнях на серії послідовних зображень. Відомо спосіб визначення рівня яскравості зображення [Р. Гонсалес, Р. Вудс, С.Едінс, Цифрова обробка зображень у середовищі MATLAB. Техносфера, 2006, стор.32]. Рівень яскравості в цьому способі обчислюють як середнє значення мінімальної й максимальної яскравостей. Level  Value  Value    2 , 1 30 35 40 де Value є квантиль рівня  яскравості пікселів по всьому зображенню. Параметр  вибирають досить малим, як правило, не більше 0,01. Цей спосіб не забезпечує необхідну точність обчислення рівня яскравості за наявності на зображенні областей із зображеннями повітря й/або коліматора. Найбільш близьким технічним рішенням, обраним як прототип, є спосіб визначення рівня яскравості, описаний в Патенті EP 0 409 206 B1, опубл. 01.10.1997, стор.6. Спосіб за прототипом полягає в тому, що після зчитування цифрового зображення в оперативну пам'ять пристрою проводять наступні обчислення: 1) Обчислюють гістограму зображення з інтервалом угруповання, рівним одиниці. 2) Визначають рівень яскравості A , при якому пікселі з меншою яскравістю вважають пікселями фону. 3) Аналізують гістограму на інтервалі з яскравістю пікселів, більших за A . Обчислюють яскравість MVP , що відповідає максимальному значенню гістограми в зазначеному інтервалі. 4) Вибирають вихідні значення для візуалізації зображення: рівень вікна WL 0  MVP (window level) і ширина вікна WW 0  2  MVP  A  (window width). 5) Обчислюють параметр WW  WW 0 2 . 6) Використовуючи нейронну мережу, для кожної пари значень WL 0  WW , WW 0  WW  обчислюють індекс якості Q i i0 . 7) Застосовуючи ітераційну процедуру (hill climbing method), визначають таку пару 8 45 WL c , WWc  , при якій індекс якості 50 Q c має максимальне значення. Під час ітераційної процедури параметр WW коректується. Індекс якості обчислюють за допомогою штучної нейронної мережі прямого поширення, далі - нейронної мережі, з одним схованим шаром і з одним нейроном у вихідному шарі із сігмоїдальними функціями активації нейронів. Рівень вікна й ширина вікна WL c , WW c  , що відповідають максимальному індексу якості Q c , вважають оптимальними параметрами для візуалізації зображення. 1 UA 105196 C2 Для навчання використовують одне або кілька зображень, для яких досвідченим оператором установлюють бажані значення рівня вікна й ширини вікна складають таблицю з 25-ти значень. WLG, WWG  . Далі WLG  WWG / 2  WWG / 4, WWG  WWG / 2  WWG / 4  Qi 5 WWG  WWG 2 ; Q i — задані значення індексу якості. Для кожної пари WL i , WW i  обчислюють вхідні аргументи нейронної мережі (п'ять або більше аргументів). Індекс якості Q i , що відповідає парі WL i , WW i  , використовують як цільове 10 15 20 25 30 35 40 45 50 55 значення. Таким чином, відзначаючи бажані параметри рівня вікна й ширини вікна на заданому наборі зображень, оператор одержує дані для навчання нейронної мережі, після чого проводить її навчання. Недоліки способу за прототипом полягають у наступному. 1) У застосуванні до завдання контролю експозиції, коли необхідно визначити тільки рівень яскравості, спосіб надає надлишкову інформацію. 2) У способі не контролюється стійкість алгоритму при обчисленнях на серії послідовних зображень, що важливо для контролю експозиції при зйомці серії зображень. Розкриття винаходу Задача винаходу полягає у визначенні рівня яскравості, що відповідає середньому значенню яскравості в зоні інтересу медичного рентгенівського зображення. Технічний результат способу, що заявляється, полягає в обчисленні рівня яскравості в зоні інтересу медичного рентгенівського зображення. При цьому спосіб є стійким при обчисленнях на серії послідовних зображень. Додатковим технічним результатом способу, що заявляється, є простота апаратної реалізації й висока швидкість виконання алгоритму. Технічний результат у способі визначення рівня яскравості в зоні інтересу цифрового медичного рентгенівського зображення, що включає одержання зображення, обчислення гістограми зображення, перетворення значень гістограми у вхідні аргументи нейронної мережі й обчислення рівня яскравості з використанням штучної нейронної мережі, досягається тим, що значення гістограми обчислюють із заданим інтервалом угруповання, нормують до одиниці й використовують як вхідні аргументи нейронної мережі, рівень яскравості обчислюють як лінійну функцію від вихідного значення нейронної мережі, а навчання нейронної мережі проводять із використанням навчальної множини, обчисленої за заданою базою зображень, як множини цільових значень використовують рівні яскравості, обчислені для кожного зображення по зоні інтересу й масштабовані до області значень функції активації нейрона вихідного шару нейронної мережі. Як нейронну мережу використовують штучну нейронну мережу прямого поширення з одним схованим шаром і вихідним шаром з одного нейрона із сігмоїдальними функціями активації нейронів. Інтервал угруповання для обчислення значень гістограми вважають рівним відношенню квантиля розподілу яскравості пікселів зображення, з рівнем близьким до одиниці, до числа вхідних аргументів нейронної мережі. Рівень яскравості в зоні інтересу зображення обчислюють як середнє значення яскравості пікселів, що належать зоні інтересу. Значення гістограми обчислюють по всіх пікселях зображення. Значення гістограми обчислюють по пікселях, що належать колу, центр якого збігається із центром зображення, а його діаметр дорівнює мінімальній стороні зображення. В основі алгоритму лежить експериментально встановлений факт існування статистичної залежності між гістограмою зображення й рівнем яскравості в зоні інтересу. Особливість способу, що заявляється, полягає в наступному. 1) Як вхідні аргументи нейронної мережі використовують нормовані до одиниці значення гістограми зображення, обчисленої із заданим інтервалом угруповання. 2) Рівень яскравості обчислюють як лінійну функцію від вихідного значення нейронної мережі. 3) Навчання нейронної мережі проводять із використанням навчальної множини, обчисленої за заданою базою зображень, як множину цільових значень використовують рівні яскравості, обчислені для кожного зображення по зоні інтересу й масштабовані до області значень функції активації нейрона вихідного шару нейронної мережі. 2 UA 105196 C2 5 10 15 20 Для ідентифікації статистичної залежності між гістограмою і рівнем яскравості використовують штучну нейронну мережу прямого поширення [Саймон Хайкин, Нейронної мережі. Повний курс. И.Д.Вільямс, 2006, стор. 55]. Виділимо основні етапи в здійсненні способу: 1) Збір і класифікація бази даних з медичних рентгенівських зображень. 2) Побудова множини навчальних прикладів - множини вхідних аргументів нейронної мережі й множини цільових значень. 3) Вибір функції помилки й алгоритму навчання нейронної мережі. 4) Навчання набору нейронних мереж з різною архітектурою, з різним числом входів, шарів і нейронів. 5) Вибір нейронної мережі, з найменшим числом параметрів, що щонайкраще підходить для рішення задачі. Здійснення способу визначення рівня яскравості пояснюється наступними кресленнями. Короткий опис креслень На фіг. 1 представлено приклад цифрового медичного рентгенівського зображення з одного з рентгенівських апаратів. На фіг. 2 зображена зона інтересу, що відповідає зображенню на фіг. 1. На фіг. 3 представлений приклад гістограми 16-ти розрядного зображення. По горизонталі йде шкала яскравості, а по вертикалі – кількість пікселів з даною яскравістю. Вертикальними лініями показана розбиття інтервалу 0,Bright на 32 частини. Значення Bright визначене як квантиль яскравості зображення з рівнем   0,999 . На фіг. 4 представлена типова гістограма відносної помилки для навчальної вибірки Error  100  Level Level  1 , 25 30 35 де Level — рівень яскравості, обчислений за допомогою способу, що заявляється; Level — рівень яскравості, обчислений по зоні інтересу. На фіг. 5 представлена типова гістограма відносної помилки для тестової вибірки. Етап підготовки бази даних зображень полягає в класифікації зображень по типах органів і в побудові для кожного зображення бінарного зображення із зоною інтересу. Побудова бінарного зображення із зоною інтересу можна зробити за допомогою спеціалізованого програмного забезпечення або вручну, позначаючи на зображенні зону інтересу в будь-якому стандартному Image Roi , , редакторі. На першому етапі організують базу даних, що складається з множини пар  де Image - вихідне зображення й Roi - зображення відповідної зони інтересу. У нашім випадку було зібрано й оброблено біля десяти тисяч зображень. Перейдемо до другого етапу — до етапу побудови множини навчальних прикладів. Для Image Roi обчислюють гістограму зображення Hist з інтервалом угруповання, , кожної пари  рівним одиниці, і рівень яскравості по зоні інтересу Level. Як рівень яскравості вибирають середнє значення яскравості пікселів по всіх пікселях зони інтересу Level  1  pk M kRoi Level — рівень яскравості в зоні інтересу; p k — значення яскравості k  того пікселя; 40 M — кількість пікселів у зоні інтересу. У результаті таких обчислень для кожної пари зображень Hist,Level . 45 Image,Roi одержують пару гістограми й рівня яскравості Гістограму можна обчислювати як по всьому зображенню, так і по заздалегідь обраній області. Як правило, пацієнта при зйомці розташовують так, щоб зображення проекцій органів, що знімаються, доводилося на центр цифрової матриці. Тому в другому варіанті обчислення гістограми як така область можна вибрати окружність, центр якої збігається із центром зображення, а діаметр, наприклад, дорівнює найменшій стороні зображення. Hist Далі обчислюють для кожної пари  ,Level вхідні аргументи Input й цільові значення Target . Вхідні аргументи й цільові значення, що утворюють множину навчальних прикладів, 50 повинні задовольняти наступним умовам: Input, Target повинні бути інваріантними щодо множення зображення на константу й не Пари  залежати від розміру зображення (з виправленням на дискретність яскравості пікселів). 3 UA 105196 C2 Цільові значення Target повинні лежати в області значень функції активації нейрона вихідного шару. 5 Input, Target щодо множення зображення на Потім необхідно забезпечити інваріантність пар  константу в такий спосіб. Для гістограми Hist визначають інтервал яскравості [0,Bright] такий, що верхня межа Bright є квантиль рівня  яскравості пікселів зображення. Розділимо інтервал S рівних інтервалів і обчислимо належать інтервалу I , Inputi  Hist k [0,Bright] на Inputi як суму значень гістограми Hist k , що kI Inputi — значення вхідного аргументу з індексом i ; 10 Hist k — значення гістограми Hist з індексом k . У підсумку значення Inputi нормують до одиниці Inputi  Inputi  Inputk k Число S визначає кількість входів нейронної мережі й підбирається шляхом чисельних експериментів разом з параметром  . Вхідні аргументи Input нормовані до одиниці значення 15 гістограми, обчисленої з інтервалом угруповання, рівним відношенню Bright S . Далі для кожного Input, Target Level обчислюють відношення Target  Level Bright . Обчислені в такий спосіб пари  інваріантні щодо множення зображення на константу й не залежать від розміру зображення. Побудова множини цільових значень здійснюють у такий спосіб. Як функції активації нейронів використовують сигмоїдальну функцію f x   20 1 1  exp x  , область значень якої є інтервал 0,1 , тому множину цільових значень Target також необхідно привести до цього інтервалу. Для цього використовують лінійне перетворення Target  Target  minTarget maxTarget  minTarget Приведемо вираз для обчислення рівня 25 Level за вихідним значенням нейронної мережі Output Level  Bright C1  Output  C2  C1  maxTarget minTarget ; C2  minTarget . 30 Рівень яскравості обчислюють як лінійну функцію від вихідного значення нейронної мережі. Як функції помилки нейронної мережі використовують наступні два варіанти. Перший варіант є середньоквадратична помилка з регуляризацією Error  Ratio  1 N 2  Outputi  Targeti 2  1  Ratio   xk N i1 k Другий варіант - середньозважена квадратична помилка з регуляризацією N 2 Error  Ratio   Wi  Outputi  Targeti 2  1  Ratio   xk i1 35 k Ratio — параметр регуляризації; Wi — вага відповідна навчальній парі Input, Target з індексом i ; N — кількість навчальних пар, що беруть участь в обчисленні помилки; 2  xk k — сума квадратів всіх параметрів нейронної мережі. 4 UA 105196 C2 Перший додаток у цих виразах визначає точність навчання нейронної мережі, а другий додаток, регуляризуючий член, забезпечує стійкість нейронної мережі. Ваги Wi обчислюють по формулі Wi  5 1 Target 2 i N 1  i1 Target  i 2  тобто парам з більшим значенням Targeti відповідає менша вага Wi . Заключний етап — етап навчання набору нейронних мереж різної архітектури. Для навчання нейронної мережі використовують стандартний алгоритм навчання — метод сполученого градієнта зі зворотним поширенням помилки [Moller, Neural Networks, vol. 6, 1993, стор.525]. Ratio підбирають таким чином, щоб виключити випадкові викиди більше 0,5 відсотка при багаторазовому обчисленні рівня Level при обертанні зображення. У Параметр регуляризації 10 нашому випадку цей параметр виявився рівним Ratio  0,9999 . Щоб обійти проблему перенавчання, використовують стандартний прийом, у якому множина Input, Target 15 20 25 30 35 40 45 50 навчальних прикладів ділиться на дві частини. Одну з них використовують для навчання нейронної мережі, а другу для її тестування. Як ми писали вище, після збору бази даних зображень проводять їхню класифікацію за типом органів. Далі розділяють множину навчальних прикладів на дві вибірки в співвідношенні 80 і 20 відсотків таким чином, щоб 80 відсотків кожної групи зображень потрапили в навчальну вибірку, а 20 відсотків, що залишилися, у вибірку для тестування. Чисельні експерименти показали, що для рішення поставленої задачі виявилося можливим використовувати нейронну мережу прямого поширення з одним схованим шаром, із числом входів від 30 до 60 і числом нейронів від 5 до 10 у схованому шарі. Параметр  можна вибрати з інтервалу від 0,98 до 0,9999. Для реалізації способу визначення рівня яскравості, що заявляється, в конкретному апараті була обрана нейронна мережа з найменшою кількістю параметрів за інших рівних умов. Кращий варіант здійснення винаходу Кращим варіантом здійснення винаходу є спосіб визначення рівня яскравості в зоні інтересу цифрового медичного рентгенівського зображення, що включає одержання зображення, обчислення гістограми зображення, перетворення значень гістограми у вхідні аргументи нейронної мережі й обчислення рівня яскравості з використанням штучної нейронної мережі. Значення гістограми обчислюють із заданим інтервалом угруповання, нормують до одиниці й використовують як вхідні аргументи нейронної мережі. Рівень яскравості обчислюють як лінійну функцію від вихідного значення нейронної мережі. Навчання нейронної мережі проводять із використанням навчальної множини, обчисленої по заданій базі зображень, як множину цільових значень використовують рівні яскравості, обчислені для кожного зображення по зоні інтересу й масштабовані до області значень функції активації нейрона у вихідному шарі нейронної мережі. Як нейронну мережу використовують штучну нейронну мережу прямого поширення з одним схованим шаром і вихідним шаром з одного нейрона із сігмоїдальними функціями активації нейронів. Інтервал угруповання для обчислення значень гістограми вважають рівним відношенню квантиля розподілу яскравості пікселів зображення з рівнем, близьким до одиниці, до числа вхідних аргументів нейронної мережі. Рівень яскравості в зоні інтересу зображення обчислюють як середнє значення яскравості пікселів, що належать зоні інтересу. Значення гістограми обчислюють по пікселях, що належить колу, центр якого збігається із центром зображення, а його діаметр дорівнює мінімальній стороні зображення. Промислова застосовність У способі визначення рівня яскравості в зоні інтересу цифрового медичного рентгенівського зображення, що заявляється, використовуються відомі чисельні способи обробки й аналізу даних. При цьому для одержання даних використовуються відомі апаратні елементи й пристрої. 55 5 UA 105196 C2 ФОРМУЛА ВИНАХОДУ 5 10 15 20 25 1. Спосіб визначення рівня яскравості в зоні інтересу цифрового медичного рентгенівського зображення, який полягає в тому, що одержують назване зображення, обчислюють його гістограму, перетворюють значення гістограми у вхідні аргументи нейронної мережі й обчислюють рівень яскравості з використанням штучної нейронної мережі, який відрізняється тим, що значення гістограми обчислюють із заданим інтервалом групування, нормують до одиниці й використовують як вхідні аргументи нейронної мережі, рівень яскравості обчислюють як лінійну функцію від вихідного значення нейронної мережі, а навчання нейронної мережі проводять із використанням навчальної множини, обчисленої за заданою базою зображень, як множину цільових значень використовують рівні яскравості, обчислені для кожного зображення по зоні інтересу й масштабовані до області значень функції активації нейрона вихідного шару нейронної мережі. 2. Спосіб за п. 1, який відрізняється тим, що як нейронну мережу використовують штучну нейронну мережу прямого поширення з одним схованим шаром і вихідним шаром з одного нейрона із сигмоїдальними функціями активації нейронів. 3. Спосіб за п. 2, який відрізняється тим, що інтервал групування для обчислення значень гістограми вважають рівним відношенню квантиля розподілу яскравості пікселів зображення, з рівнем, близьким до одиниці, до числа вхідних аргументів нейронної мережі. 4. Спосіб за п. 1, який відрізняється тим, що рівень яскравості в зоні інтересу зображення обчислюють як середнє значення яскравості пікселів, що належать зоні інтересу. 5. Спосіб за п. 1, який відрізняється тим, що значення гістограми обчислюють по всіх пікселях зображення. 6. Спосіб за п. 1, який відрізняється тим, що значення гістограми обчислюють по пікселях, що належить колу, центр якого збігається із центром зображення, а його діаметр дорівнює мінімальній стороні зображення. 30 6 UA 105196 C2 7 UA 105196 C2 Комп’ютерна верстка І. Скворцова Державна служба інтелектуальної власності України, вул. Урицького, 45, м. Київ, МСП, 03680, Україна ДП “Український інститут промислової власності”, вул. Глазунова, 1, м. Київ – 42, 01601 8