birmaga.ru
добавить свой файл

1

УДК 681.3

АНАЛИЗ ТЕКСТУРЫ УЛЬТРАЗВУКОВЫХ СНИМКОВ
С ИСПОЛЬЗОВАНИЕМ ПРИЗНАКОВ РАЗНОСТНОЙ ГИСТОГРАММЫ ВТОРОГО ПОРЯДКА


В.Г. Адамов1, М.В. Привалов2

В работе разработан и описан подход к анализу текстуры ультразвуковых снимков внутренних органов человека на основе применения признаков разностной гистограммы второго порядка.

Введение

В настоящее время в большинстве систем диагностики для исследования внутренних органов используются снимки, полученные различными способами. К ним относят рентгеновские снимки, магниторезонансные снимки и ультразвуковые эхограммы. В ультразвуковой диагностике различают два вида патологий внутренних органов: очаговые и структурные. Очаговые представляют собой различные образования, а структурные выражаются в изменении ткани всего органа. Для облегчения работы врача-диагноста и улучшения качества диагностирования патологий, особенно структурных, необходимо выполнить анализ текстуры ультразвуковых эхограмм, который включает сегментацию и классификацию текстур.

1. Разработка метода анализа текстуры ультразвуковых снимков

1.1 Постановка задачи. При текстурном анализе производится разделение исходного изображения на области с однородным свойством – текстурой, затем определяются основные параметры этих областей, необходимые для принятия решения. Текстура объектов представляет собой некоторый повторяющийся рисунок, из которого формируются различные участки объекта. Основными этапами обработки текстуры изображений являются:


  1. Предварительная обработка;

  2. Определение признаков текстуры;

  3. Сегментация изображения;

  4. Классификация текстур.

Используемые на этапах определения признаков текстуры и сегментации методы и алгоритмы определяют качество обработки изображений определенного типа. При текстурном анализе должна рассматриваться определенная окрестность каждого пикселя, охватывающая несколько текстурообразующих элементов – элементарных фрагментов, из которых и формируется текстура. С этой целью при снятии входных данных, предъявляемых в дальнейшем для классификации классификатору, можно использовать метод скользящего окна, который часто применяется при обработке изображений. Как правило, окно имеет прямоугольную форму. При этом должна учитываться возможность появления одних и тех же текстур при различных углах поворота относительно краев изображения. Погрешность обработки участков, содержащих стыки двух и более текстур, должна быть невысокой. Однако, при непосредственном предъявлении на вход классификатора пикселей изображения возникают сложности учета углов поворота текстурных участков относительно краев изображения. Сложность состоит в том, что одна и та же текстура может быть захвачена окном, используемым для анализа, по-разному. В данном случае, при обработке текстуры под разными углами, на вход классификатора поступят различные данные, это приведет к тому, что в одном случае рассматриваемая текстура будет распознана правильно, а в другом возможна ошибка распознавания. Чтобы избежать такой ошибки, необходима настройка классификатора на все текстуры, повернутые под различными углами. Однако это резко увеличивает число распознаваемых классов, что приводит к ухудшению точности и быстродействия решения задачи классификации. Таким образом, очевидно, что прямая подача на входы классификатора пикселей изображения не позволяет эффективно решить задачу текстурного анализа ультразвуковых изображений, поэтому необходима предварительная обработка исходного изображения с целью получения признаков, которые слабо зависят от угла поворота текстуры относительно границ окна.


1.2 Анализ существующих методов. Существует целый набор различных признаков текстуры, которые применяются в ряде методов текстурного анализа: признаки на основе моментов низших порядков [Julesz, 1962], признаки, полученные от преобразования Фурье и декомпозиции вейвлет-пакетов [Chang, 1992], [Funn, 1992], признаки микротекстуры Лоза [Laws, 1980], [Hsiao, 1989], признаки, полученные от моделей случайных полей [Beck, 1996], признаки разностной гистограммы второго порядка [Dhawan, 1996], [Sahier, 1996], признаки, рассчитанные на основе фрактальных свойств [Chen, 1989].

Результаты анализа литературных источников, показали, что для решения задачи анализа текстур достаточно эффективны методы, использующие признаки микротекстуры Лоза и признаки, рассчитываемые по разностной гистограмме второго порядка. Однако эти методы обладают некоторыми недостатками. Метод [Hsiao, 1989], использует в качестве текстурного признака энергию текстуры, рассчитываемую с использованием масок микротекстуры Лоза. Признаки Лоза слабо учитывают взаимное пространственное расположение пикселей друг относительно друга, что увеличивает погрешность обработки текстур внутри однородных участков и увеличивает погрешность обработки у границ. От этого недостатка свободны методы [Dhawan, 1996] и [Sahier, 1996], использующие признаки разностной гистограммы второго порядка. Но в данных методах не решена следующая проблема: при обработке пикселей изображения при малом размере окна возможна неверная классификация текстур по всему изображению, а при окне большого размера наблюдается значительное повышение погрешности обработки вблизи границы двух и более участков с различной текстурой.

1.3 Разработка метода текстурного анализа. С учетом результатов анализа и классификации методов обработки текстуры, приведенных в подразделе 1.1, а также сказанного выше в данном подразделе, можно сделать вывод, что рассмотренные методы обладают рядом недостатков, которые снижают эффективность обработки текстуры ультразвуковых эхограмм. В связи с этим целесообразно разработать метод, свободный от указанных недостатков и позволяющий эффективно проводить анализ текстур ультразвуковых эхограмм внутренних органов. Основным отличием предлагаемого метода от существующих является комплексное решение задачи учета угла поворота участков эхограмм с различной текстурой и задачи выбора размера окна для расчета признаков. Такое решение предполагает использовать способ расчета признаков, обеспечивающих наилучшее описание текстур ультразвуковых снимков, а также решение проблемы выбора размера окна для расчетов с помощью сглаживания пространств текстурных признаков и проведения по полученным признакам классификации текстур. Функционирование разрабатываемого метода текстурного анализа ультразвуковых эхограмм может быть представлено в виде схемы, показанной на рис. 1. Для реализации данного метода необходимо выполнить следующее:



Расчет признаков текстуры для малого окна

Сглаживание пространств признаков

Классификация

Рис. 1. Схема функционирования метода текстурного анализа



  1. Определить размер окна для блочных манипуляций с изображением.

  2. Выбрать параметры вектора входных данных, подлежащих классификации (метод расчета текстурных признаков, набор признаков).

  3. Выбрать систему идентификации текстур и определить параметры выходного вектора.

  4. Выбрать фильтр для сглаживания пространств текстурных признаков и его параметры.

  5. Выбрать классификатор, который способен решить задачу текстурного анализа в данных условиях наиболее эффективно.

  6. Подготовить классификатор к распознаванию текстур (Данная процедура зависит от типа выбранного классификатора).


В качестве фильтра, сглаживающего контуры, может быть использован квадрантный фильтр, сохраняющий контуры, а также медианный, рассмотренный ранее.

Алгоритм работы квадрантного фильтра, сохраняющего контуры, заключается в следующем. При фильтрации точки изображения рассматриваются четыре квадранта, расположенных вокруг нее. Для каждого квадранта рассчитываются два параметра: математическое ожидание и дисперсия . Для первого квадранта эти параметры рассчитываются следующим образом:

, (1)

. (2)
После расчетов выбирается квадрант с минимальной дисперсией:
. (3)

Значение яркости пикселя с координатами заменяется величиной , которая представляет собой математическое ожидание яркости пикселей в квадранте с минимальной дисперсией. Это производится исходя из тех соображений, что в квадранте, в котором будет присутствовать граница двух текстур, а, стало быть, будут присутствовать статистики для обеих текстур, никогда не будет минимальной дисперсии. Наоборот, минимальной будет дисперсия в том квадранте, в котором будут присутствовать статистики только одной текстуры.


1.4 Выбор признаков для анализа ультразвуковых снимков. Эффективность функционирования разработанного метода во многом зависит от используемых признаков текстуры. Как было сказано ранее, наиболее приемлемыми методами получения признаков текстуры являются метод Лоза [Laws, 1980] и методы, использующие разностную гистограмму второго порядка [Dhawan, 1996], [Sahier, 1996].

Принцип работы метода Лоза заключается в следующем. Пространство текстурных признаков является результатом свертки исходного изображения и некоторой маски микротекстуры, представляющей собой узкополосный фильтр. В качестве такой маски может использоваться одна из масок E5L5, R5R5, E5S5, L5S5, как это сделано в методе [Hsiao, 1989]. Результаты свертки служат для расчета различных макростатистических признаков текстуры. Наиболее эффективным макростатистическим признаком Лоза для решения задачи текстурной сегментации является стандартное отклонение математического ожидания [Hsiao, 1989]:

, (5)

Однако, как было сказано выше, признаки Лоза обладают следующим недостатком: они слабо учитывают взаимное пространственное расположение пикселей друг относительно друга. Свободны от этого недостатка признаки разностной гистограммы второго порядка. К ним относятся статистики различия градаций серого (GLDS – Gray Level Difference Statistics) и статистики пространственной зависимости градаций серого (SGLD – Spatial Gray Level Dependence). К признакам GLDS относятся контраст (6), второй угловой момент (7), математическое ожидание (8) и энтропия (9):
(6)

(7)

(8)

(9)

Для выбора конкретного набора признаков требуется выполнить исследования их разрешающей способности при обработке текстуры ультразвуковых снимков, а также их быстродействия.


2. Основные результаты и выводы

Разработан метод анализа текстуры изображений, отличающийся от существующих комплексным решением задачи обработки текстур с различными углами поворота относительно краев изображения и задачи выбора размера окна для анализа текстуры.

В разработанном методе целесообразно применять признаки разностной гистограммы второго порядка. Для выбора набора признаков, способного обеспечить требуемое качество описания текстур необходимо выполнить исследование их разрешающей способности.

Список литературы

[Julesz, 1962] B. Julesz, «Visual pattern discrimination», IRE Trans. Inform. Theory, vol. IT-8, pp. 84-92, Feb. 1962.

[Chang, 1992] T. Chang and C.-C. Jay Kuo, “Texture analysis and classification with tree-structured wavelet transform”, UCS-SIPI Report #198, Feb. 1992.

[Funn, 1992] D. F. Funn, W. E. Higgins, J.Wakeley “Determining Gabor filter parameters for texture segmentation”, Proc. SPIE Intelligent Robots and Computer Vision XI, vol. 1,826, pp.51-63, 1992.

[Laws, 1980] K. I. Laws, “Textured images segmentation”, Ph. D. dissertation, Univ. Southern California, Los Angeles, CA, USCIPI Rep. 940, 1980.

[Hsiao, 1989] J. Hsiao, A. Sawchuk, Supervised textured image segmentation using feature smoothing and probabilistic relaxation techniques, IEEE Transactions on pattern analysis and machine intelligence, vol. 11, no. 12, December 1989.

[Beck, 1996] J. S. Bleck, U. Ranft and al. «Random field models in the textural analysis of ultrasonic images of the liver», IEEE Trans. on Medical Imaging, vol. 15, no. 6, pp. 796-804, 1996.

[Dhawan, 1996] Atam P. Dhawan, and al. «Analysis of Mammografic Microcalcifications Using Grey-Level Image Structure Features», IEEE Trans. on Medical Imaging, vol. 15, no. 3, June 1996.

[Sahier, 1996] B. Sahier, and al., «Classification of Mass and Normal Breast Tissue: A Convolution Neural Network Classifier with Spatial Domain and Texture Images», IEEE Trans. on Medical Imaging, vol. 15, no. 5, Oct. 1996.


[Chen, 1989] C. C. Chen, J. J. Daponite, M. D. Fox, “Fractal feature analysis and classification in medical imaging”, IEEE Trans. Med. Imag., vol. 8, no. 2, pp. 133-142, 1989.


1 83000, Донецк, ул. Артема, 58, ДонНТУ, adamov@kita.dgtu.donetsk.ua

2 83000, Донецк, ул. Артема, 58, ДонНТУ, max@kita.dgtu.donetsk.ua