Art. 06 – Vol. 21 – Nr. 2 – 2011

Tehnologii avansate pentru procesarea imaginilor biomedicale, utilizând algoritmi de recunoaştere a formelor

Studiu de caz: Afecţiuni ale ficatului

Dragoş Nicolau
dragos@ici.ro
Dragoş Barbu
dbarbu@ici.ro
Laura Ciocoiu
ciocoiu@ici.ro
Dragoş Smada
dsmada@ici.ro
Institutul Naţional de Cercetare – Dezvoltare în Informatică – ICI, Bucureşti

Rezumat: Lucrarea de faţă prezintă un sistem interactiv bazat pe algoritmi de analiză, segmentare  şi recunoaştere de organe în imaginile obţinute prin rezonanţă magnetică (MRI),  ultrasunete (US) sau tomografie computerizată (CT). Scopul segmentării imaginilor este de a grupa clusterele de pixeli în regiuni continue, de exemplu regiuni care corespund suprafeţelor individuale, obiecte sau părţi naturale ale obiectelor. Segmentarea este utilizată pentru recunoaşterea organelor, privite ca obiecte, estimarea limitelor de întâlnire între organe, în cazul mişcării sau a sistemelor stereo, compresia imaginilor, editarea de imagini sau a căutării imaginilor  în baze de date.

Cuvinte cheie: analiză,  imagine medicală, segmentare, compresie, reconstruţie.

Introducere: Lucrarea de faţă prezintă un sistem pentru procesarea imaginilor biomedicale, utilizând algoritmi de recunoaştere a formelor în vederea obţinerii unui diagnostic atât local, cât şi în Internet, îmbutăţind astfel actul medical. Imaginile biomedicale sunt obţinute prin achiziţionarea, în timp real, a semnalelor  obţinute prin rezonanţa magnetică (MRI),  ultrasunete (US) sau tomografie computerizată (CT).

Prelucrarea digitală a imaginilor biomedicale reprezintă un domeniu de sine stătător. Acest domeniu are la bază o teorie matematică riguroasă, bine pusă la punct, dar implementările sunt mari consumatoare de resurse, în special pentru utilizarea în timp real a informaţiilor extrase din imagini. Imaginea este o descrierea variaţiei intensităţii luminii pe o suprafaţă. O imagine este deci un semnal bidimensional; prin urmare, prelucrarea imaginilor poate fi considerată şi o ramură a prelucrării digitale de semnal.

Achiziţia şi prelucrarea imaginilor biomedicale presupune: prelucrarea, compresia şi stocarea imaginilor, restaurarea şi ameliorarea imaginilor prin corecţii geometrice, radiometrice, ajustări de contrast, filtrarea zgomotului etc., fotogrametrie, adică măsurători ale unor obiecte, fenomene făcute pe baza unor imagini, recunoaşterea formelor (pattern matching, shape recognition, face recognition), vederea artificială (computer vision, robot vision), inteligenţa artificială, sinteza de imagini, imagini generate de calculator.

Inteligenţa artificială şi prelucrarea imaginilor sunt domenii ce se întrepătrund. Un număr important din algoritmii performanţi folosiţi la prelucrarea imaginilor utilizează metode şi tehnici din domeniul inteligenţei artificiale cum ar fi: reţele neuronale, arbori de decizie, K-Nearest Neighbor (cel mai apropiat vecin de distanţa K), Vectori Suport Maşină, clasificatori parametrici. Pe de altă parte, inteligenţa artificială presupune zona de interesectare şi  construirea de sisteme capabile să realizeze funcţii ale intelectului uman: învăţarea prin experienţă, înţelegerea limbajului natural, utilizarea unui raţionament pentru rezolvarea unor probleme sau luarea unor decizii. Toate aceste presupun însă şi acumularea unei anume cantităţi de informaţie (bază de cunoştinţe, informaţii din mediu, etc.). Această informaţie este preluată de sistemele inteligente prin sensori şi crează o imagine a mediului în momentul preluării datelor (snapshot). Din imaginea astfel obţinută trebuie extrase informaţiile utile. Toate acestea ţin de domeniul vederii artificiale (Computer Vision, Robot Vision); este o disciplină comună atât prelucrării de imagine, cât şi inteligenţei artificiale şi încearcă să raspundă la următoarele întrebări: ce informaţie trebuie extrasă din imaginile preluate, cum poate fi extrasă această informaţie, cum se reprezintă aceasta, cum poate fi utilizată.

Vizualizează articolul complet

Concluzii: Scopul lucrării este prezentarea cercetărilor pentru elaborarea unei tehnologii pentru procesarea imaginilor biomedicale utilizând algoritmi de recunoaştere a formelor. Principala idee constă în modelarea şi simularea funcţiilor unor organe, cum ar fi ficatul. Am ales acest organ – ficatul şi glandele – pancresul şi splina, deoarece bolile lor sunt greu de diagnosticat timpuriu, ele nu prezintă simptome imediat de la apariţie. Când pacienţii prezintă simptome, ele sunt vagi şi este posibil să nu le observe. Astfel, este important să furnizăm doctorilor tehnologii pentru procesarea imaginilor biomedicale pentru bolile acestor organe.

Sistemul se bazează pe integrarea cunoştinţelor specifice ale pacientului, fizice, afective şi spirituale şi predispoziţia, obţinute prin procesarea imaginilor biomedicale (ex. MRI, CT, US). Datorită dimensiunilor mari ale imaginilor MRI, CT sau ultrasunete, software-ul BioMed dezvoltă instrumente inovative pentru segmentarea şi reprezentarea imaginilor ficatului şi a pancreasului în 3D (interpretarea volumului) obţinute de la UltraSunete (US), a datelor de la Rezonanţa Magnetică şi crearea hărţilor pentru Imaginea Difuziunii Ponderate a Rezonanţei Magnetice (Diffusion Weighted Imaging (DWI)) şi imaginii structurale MRI; acest instrument va include şi funcţionalitatea semi-cantitativă a măsurării leziunii.

Pentru atingerea acestor obiective BioMed dezvoltă un instrument depozitar al tehnicilor de recunoaştere a formelor aplicate bazelor de date biologice şi medicale: Reţele Neuronale Artificiale, arbori de decizie, cel mai apropiat vecin de distanţă k (K-Nearest Neighbor), Vectori Maşină Suport, clasificatori parametrici.

Sistemul va dezvolta şi aplicaţii e-learning pe Internet pentru scenarii reale. O unealtă de vizualizare medicală prietenoasă va fi dezoltată pentru a asigura o introducere corectă a datelor, simularea modelului şi vizualizarea datelor medicale la rezultat.

BIBLIOGRAFIE:

Pratt, William K. Digital image processing: PIKS Scientific inside. 4th ed., A Wiley-Interscience publication, ISBN: 978-0-471-76777-0, 2007.

  1. JAIN, ANIL K. Fundamentals of digital image processing. Prentice Hall Information and System Sciences Series, ISBN: 0-13-336165-9, 1989.
  2. Bankmann, Isaac N. Handbook of Medical Imaging. Processing and Analysis. Academic Press Series în Biomedical Engineering, ISBN: 0-12-077790-8, October 2000.
  3. Handbook of Biomedical Image Analysis. Vol. 1: Segmentation Models Part A. Eds.: D. L. W. Jasjit Suri, Swamy Laximinarayan Kluwer Academic/ Plenum Publishers, 2005.
  4. Handbook of Biomedical Image Analysis. Vol. 2: Segmentation Models Part B. Eds.: D. L. W. Jasjit Suri, Swamy Laximinarayan Kluwer Academic/ Plenum Publishers, ISBN:0-306-48605-9, 2005.
  5. LEE, CHRISTINA W. C.; M. E. TUBLIN; B. E. CHAPMAN. Registration of MR and CT Images of the Liver: Comparison of Voxel Similarity and Surface Based Registration Algorithms. Comput Methods Programs Biomed, 2005, May; 78(2):101-14.
  6. MARTIN-FERNANDEZ, M.; ALBEROLA-LOPEZ, C. An Approach for Contour Detection of Human Kidneys from Ultrasound Images using Markov Random Fields and Active Contours. Medical Image Analysis, 2005.
  7. MASUTANI, Y.; K. UOZUMI; AKAHANE MASAAKI; OHTOMO KUNI. Liver CT Image Processing: a Short Introduction of the Technical Elements. European journal of radiology, 2006; 58(2):246-51.
  8. FASQUEL, J.-B.; V. AGNUS; J. MOREAU; L. SOLER; J. MARESCAUX. An Interactive Medical Image Segmentation System Based on the Optimal Management of Regions of Interest Using Topological Medical Knowledge. Computer methods and programs în biomedicine, 82 (3) 216–230, 2006.
  9. SEONG-JAE LIM; YONG-YEON JEONG; YO-SUNG HO. Automatic Liver Segmentation for Volume Measurement în CT Images. J. Visual Communication and Image Representation, 17(4): 860-875 (2006).
  10. STOITSIS, JOHN; IOANNIS VALAVANIS; STAVROULA G. MOUGIAKAKOU; SPYRETTA GOLEMATI; ALEXANDRA NIKITA; KONSTANTINA S. NIKITA. Computer Aided Diagnosis Based on Medical Image Processing and Artificial Intelligence Methods. Nuclear Instruments and Methods în Physics Research Section A, Volume 569, Issue 2, pp. 591-595.
  11. CHIA-HSIANG, WU; SUN YUNG-NIEN. Segmentation of Kidney from Ultrasound B-mode Images with Texture-Based Classification. Computer Methods and Programs în Biomedicine, 84(2-3): 114-123 (2006).
  12. CAMPADELLI, PAOLA; ELENA CASIRAGHI; ANDREA ESPOSITO. Liver Segmentation from Computed Tomography Scans: A Survey and a New Algorithm. Artificial Intelligence în Medicine, 45(2-3): 185-196 (2009).
  13. BEZY-WENDLING, JOHANNE; KRETOWSKI MAREK. Physiological modeling of tumor-affected renal circulation. Computer Methods and Programs în Biomedicine, 91(1): 1-12 (2008).
  14. ZAFER, ISCAN; YÜKSEL AYHAN; DOKUR ZÜMRAY; KORÜREK MEHMET; ÖLMEZ TAMER. Medical Image Segmentation with Transform and Moment Based Features and Incremental Supervised Neural Network. Digital Signal Processing, Vol. 19, Issue 5, September 2009, pp. 890-901.
  15. SPIEGEL, MARTIN; HAHN DIETER A.; DAUM VOLKER; WASZA JAKOB; HORNEGGER JOACHIM. Segmentation of Kidneys Using a new Active Shape Model Generation Technique Based on Non-Rigid Image Registration. Computerized Medical Imaging and Graphics, 33 (2009), No. 1, pp. 29-39.
  16. Takayuki, Kitasaka; Mori Kensaku; Suenaga Yasuhito. Development of Advanced Image Processing Technology and Its Application to Computer Assisted Diagnosis and Surgery. K. Aizawa, Y. Nakamura, and S. Satoh (Eds.): Pacific Rim Conference on Multimedia 2004, LNCS 3331, Springer-Verlag Berlin Heidelberg, 2004, pp. 514–521.
  17. WALA, TOUHAMI; BOUKERROUI DJAMAL; COCQUEREZ JEAN-PIERRE. Fully Automatic Kidneys Detection în 2D CT Images: A Statistical Approach. J. Duncan and G. Gerig (Eds.): MICCAI 2005, LNCS 3749, Springer-Verlag Berlin Heidelberg 2005 pp. 262–270.
  18. WONG, KOON-PONG. Medical Image Segmentation: Methods and Applications în Functional Imaging. Springer, ISBN: 0-306- 48605-9; Handbook of Biomedical Image Analysis, Vol.2: Segmentation Models, Part B, Chapter 3, 2005, pp. 111-182.
  19. BOMMANNA RAJA, K.;  M. MADHESWARAN; K. THYAGARAJAH. Ultrasound Kidney Image Analysis for Computerized Disorder Identification and Classification Using Content Descriptive Power Spectral Features. Journal of Medical Systems, Vol. 31, 2007, pp. 307–317.

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.