
Тип работы:	Предмет:	Язык работы:

Математические методы определения границ структур на медицинских изображениях

Работа №	18468
Тип работы	Магистерская диссертация
Предмет	физика
Объем работы	50
Год сдачи	2018
Стоимость	4900 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено	387

Не подходит работа?

Узнай цену на написание

Содержание

Введение 3
Цели и задачи 4
Общая классификация методов анализа и обработки медицинских изображений
5
Выделение объектов интереса на медицинских изображениях 10
Детектирование и выделение границ на изображениях 11
Различные методы выделения границ 11
Детекторы первого рода или операторы, основанные на градиенте 12
Классические операторы 12
Оператор Роберта 12
Оператор Собеля 13
Оператор Превитта 13
Детектор границ Canny 15
Алгоритм детектора границ Canny 16
Детекторы границ второго рода 18
Оператор Marr-Hildrith 18
Метод нечёткой логики (Fuzzy logic) 19
Вейвлетные (Wavelet Based) детекторы границ 21
Гибридные детекторы границ 21
Морфологическая водораздельная трансформация (метод водораздела или
Morphological Watershed Transformation) 23
Модель 25-ти соседей (Twenty-Five Neighborhood Model) 25
Методы исследования 27
Выбор типа изображений 28
Программный комплекс 29
Результаты работы программного комплекса 30
Критерии оценки качества оконтуривания изображения 36
Оценка количества потерянных пикселей в контуре и устойчивость к шумам. .37 Средний процент потерянных пикселей 40
Среднеквадратическая ошибка определения контура 41
Индекс структурного сходства 43
Результаты и выводы 44
Список литературы 46

Введение

Не смотря на развитие современного медицинского диагностического оборудования первичные графические данные, получаемые при сканировании пациентов, не всегда могут дать высокого разрешения и чёткости картинки. Медицинские изображения, обычно, нечёткие и имеют структуры с размытыми границами что усложняет их интерпретацию и требует большого опыта и временные затраты.
До сих пор ещё не внедрена автоматическая обработка и интерпретация медицинских графических данных. Поэтому автоматизация некоторых стадий обработки облегчит процесс взаимодействия с медицинскими изображениями и сократит время на обработку, что количественно и качественно улучшит процесс диагностики.
Помимо всего прочего большинство программ, используемых в клиниках, не имеют достаточно широкого функционала для оконтуривания и выделения областей интереса с последующей их обработкой, а расширенные функции стоковых медицинских программ часто необходимо закупать отдельно, что могут позволить себе не все клиники.
Так же не во всех медицинских учреждениях присутствует специальное оборудование для обработки первичных медицинских графических данных.
Всё вышесказанное делает целесообразным процесс частичной автоматизации и облегчения обработки медицинских изображений, в частности оконтуривание границ структур на этих изображениях.
Цели и задачи
Целью данной работы является создание программного комплекса обработки медицинских изображений по оконтуриванию объектов на них. Для достижения этой цели необходимо выполнить ряд задач, приведённый ниже:
• Изучение существующих алгоритмов оконтуривания изображений
• Выбор наиболее подходящих методов для использования в программном комплексе
• Подготовка базы медицинских изображений для тестирования программы
• Тестирование на различных группах медицинских изображений
• Выделение критериев оценки работы программы
• Оценка работы программного комплекса

Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!

ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ

Курсовые Статьи Диплом Рязань

Заключение

В результате данной работы был разработан программный комплекс для первичной обработки, оконтуривания и контроля качества обработки первичных графических медицинских данных. Что поможет повысить качество обработки медицинских изображений врачом, интерпретирующим медицинские изображения, снизить время на обработку отдельного изображения и частично автоматизировать оконтуривание и выделение объектов интереса. Тем самым повысится общая эффективность диагностических работ.
Для проверки работоспособности и функционала программного комплекса было проведено тестирование более чем на 500 реальных медицинских изображениях.
Проведена количественная и качественная оценка методов оконтуривания результаты которой были представлены в данной работе.
На основании проведённых тестов наиболее привлекательными являются детекторы границ на основе метода Canny, т.к. они показывают наибольшую шумоустойчивость, точность локализации и передачи границ.
В дальнейшем данную программу возможно дополнить графическим интерфейсом для повышения комфорта работы и упрощения процесса использования программного комплекса.

Литература

[1] Bradley, D. Adaptive Thresholding Using the Integral Image / D. Bradley, G. Roth // Journal of Graphics Tools. - 2007. - №12. - P. 13-21.
[2] Огнев, И. В. Обработка изображений методами математической морфологии в ассоциативной осцилляторной среде / И. В. Огнев, Н. А. Сидорова // Технические науки. Информатика и вычислительная техника. - 2007. - №4. - С. 87-97.
[3] Gonzalez, R. С. Digital Image Processing / R. С. Gonzalez, R. E. Woods // Hardcover from Prentice Hall. - 2002.
[4] Haralick, R. M. Image Segmentation Techniques / R. M. Haralick, L. G. Sapiro // Computer Vision, Graphics and Image Processing. - 1985. - №29. - P. 100-132.
[5] Kass, M. Snakes: Active Contour Models / M. Kass, A. Witkin, D. Terzopoulos // International Journal of Computer Vision. - 1987. - №1. - P. 321-331.
[6] Сакович, И. О. Обзор основных методов контурного анализа для выделения контуров движущихся объектов / И. О. Сакович, Ю. С. Белов // КФ МГТУ им. Н.Э. Баумана. - 2014.
[7] Дегтярева, А. А. Деформируемые модели в задаче локализации объекта на
изображении / А. А. Дегтярева // Лаборатория компьютерной графики и мультимедиа, ВМиК, МГУ им. Ломоносова. - 2007.
[8] McInerney, T. Deformable Models in Medical Image Analysis: A Survey / T. McInerney, T. D. Terzopoulos // Medical Image Analysis. - 1996. - №1. - P. 91-108.
[9] Галушкин, А. И. Нейронные сети: основы теории / А. И. Галушкин // М.: Горячая линия - Телеком. - 2010.
[10] Нагиев, К. П. Применение свёрточных нейронных сетей для сегментации биомедицинских диагностических изображений / К. П. Нагиев // Труды Международной научно-технической конференции, Том 1 «Перспективные информационные технологии». - 2015. - С. 344-348.
[11] Электронный ресурс Wikipedia:
https://ru.wikipedia.org/wiki/Свёрточная_нейронная_сеть.
[12] Дороничева, А. В. Методы анализа медицинских изображений / А. В. Дороничева, Н. Э. Косых, С. К. Полумиенко, С. З. Савин // Современные проблемы науки и образования. - 2014. - № 4. С. 148-170.
[13] Rashmi, Algorithm and technique on various edge detection: A survey / Rashmi, M. Kumar, R. Saxena // Signal & Image Processing: An International Journal (SIPIJ).
- 2013. - №3. - P. 65-75.
[14] Prasad, R. A Review on Edge Detection Algorithms / R. Prasad, S. Sresh // International Journal of Mechanical Engineering and Computer Applications. - 2016.
- №1. - P. 7-11.
[15] Jena, K. K. Application of COM-SOBEL Operator for Edge Detection of Images / K. K. Jena // International Journal of Innovative Science, Engineering & Technology. - 2015. - №4. - P. 48-51.
[16] Maxwell, J. C. Digital image processing: Mathematical and Computational Methods. - 1868.
[17] Canny, J. A Computational Approach to Edge Detection / J. Canny // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1986. - №6. - P. 679¬698.
[18] Bao, P. Canny Edge Detection Enhancement by Scale Multiplication / P. Bao, L. Zhang, X. Wu // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2005. - №9. - P. 1485-1490.
[19] Власов, А. В. Модификация алгоритма Канни применительно к обработке рентгенографических изображений / А. В. Власов, И. В. Цапко // Вестник науки Сибири. - 2013. - №4. - С. 120-127.
[20] Saini, S. Comparative Study Of Image Edge Detection Algorithms / S. Saini, B. Kasliwal, S. Bhatia. - 2013.
[21] Sridhar, S. Digital Image Processing / S. Sridhar // Oxford university publication. - 2011.
[22] Bala, J. A Novel Hybrid Technique for Sub-pixel Edge Detection using Fuzzy Logic and Zernike Moment / J. Bala, R. Dhir // International Journal of Computer Sciences and Engineering. - 2014. - №4. - P. 26-31.
[23] Aborisade, D. O. Novel Fuzzy logic Based Edge Detection Technique / D. O. Aborisade // International Journal of Advanced Science and Technology. - 2011. - №20. - P. 75-82.
[24] Balabantaray, B. K. Hybrid edge detection technique for part identification in robotic assembly system under vision guidance / B. K. Balabantaray, B. B. Biswal // Proceedings of 5th International and 26th All India Manufacturing Technology, Design and Research Conference. - 2014. - P. 1-6.
[25] Balabantaray, B. K. A Quantitative Performance Analysis of Edge Detectors with Hybrid Edge Detector / B. K. Balabantaray, O. P. Sahu, N. Mishra // Journal of Computers. - 2017. - №2. - P. 165-173.
[26] Zhang, X. Study on the Image Segmentation Based on ICA and Watershed Algorithm / X. Zhang, L. Chen, L. Pan, L. Xiong // Intelligent Computation Technology and Automation (ICICTA). - 2012. - P. 505-508.
[27] Lapeer, R. J. A combined approach to 3D medical image segmentation using marker-based watersheds and active contours: the active watershed method / R. J. Lapeer, A. C. Tan, R. V. Aldridge // Medical Image Understanding and Analysis. - 2002.
[28] Sharif, J. M. Red blood cell segmentation using masking and watershed algorithm: A preliminary study / J. M. Sharif, M. F. Miswan, Ngadi // Biomedical Engineering (ICoBE). - 2012. - P. 258-262.
[29] Tulsani, H. Segmentation using Morphological Watershed Transformation for Counting Blood Cells / H. Tulsani, S. Saxena, N. Yadav // International Journal of Computer Applications & Information Technology. - 2013. - №2. - P. 28-36.
[30] Roerdink, J.B.T.M. The watershed transform: definitions, algorithms and parallelization strategies / J.B.T.M. Roerdink, A. Meijster // Fundamenta Informaticae. - 2000. - №41. - P. 187-228.
[31] Nayak, D. R. A Cellular Automata based Optimal Edge Detection Technique using Twenty-Five Neighborhood Model / D. R. Nayak, S. K. Sahu, J. Mohammed // International Journal of Computer Applications. - 2013. - №10. - P. 27-33.
[32] Mohammed, J. Two-Dimenssional Cellular Automata and its Reduced Rule Matrix / J. Mohammed, B. Mohanty, S. Sahoo // OMS. - 2012. - №1. - P. 97-104.
[33] Аль-Хомза Наджи, Архипов Е.А., Никитин O.P.', Пасечник A.C.
Сравнительный анализ алгоритмов сжатия графической информации / Наджи Аль-Хомза, Е.А. Архипов, O.P. Никитин, A.C. Пасечник // Методы и устройствапередачши обработки*информации: межвуз. сб; науч: тр; — СПБ.: Гидрометеоиздат, 2004. - Вып. 5.- С. 172-178. 89.
[34] Аль-Хомза Наджи, Архипов Е.А., Никитин O.P., Пасечник А.С. Алгоритм сжатия медицинского изображения Wavelet и JPEG / Наджи Аль-Хомза, Е.А. Архипов, O.P. Никитин, А.С. Пасечник // Физика и радиоэлектроника в медицине и экологии: Материалы: международной* научно — технической конференции. -Владимир: Изд. ВООО ВОИПУ «РОСТ», 2004. - Часть 1. - С. 34¬36.
[35] Аль-Хомза Наджи, Архиповл Е.А., Никитинл O.P., Пасечник А.С. Сравнение алгоритмов сжатия Wavelet и JPEG-2000 / Наджи Аль-Хомза; Е.А. Архипов, O.P. Никитин; А.С. Пасечник, // Физика! и радиоэлектроника в медицине и экологии: Материалы« международной научно — технической конференции: -Владимир: Изд. ВООО ВОИПУ «РОСТ», 2004: - Часть, 1. - С. 36-39.
[36] Аль-Хомза Наджи, Архипов Е.А., Никитин O.P., Пасечник А.С.
Применение волнового алгоритма сжатия медицинских изображений / Наджи?. Аль-Хомза;. EAS. Архипов; OiP. Никитин; А.С. Пасечник // Физика« и радиоэлектроника в медицине и экологии: Материалы международной научно — технической конференции. - Владимир: Изд: ВООО ВОИПУ «РОСТ»; 2004; - Часть 1L- С. 39-41.