Результат интеллектуальной деятельности: СПОСОБ И СИСТЕМА СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ ОЧАГОВ ЛЕГКИХ

ОБЛАСТЬ ТЕХНИКИ

Заявленное изобретение относится к области обработки данных компьютерной томографии (КТ), в частности к способу и системе для выполнения сегментации КТ органов грудной клетки для выявления очагов легких.

УРОВЕНЬ ТЕХНИКИ

Известен способ сегментации очагов, при котором на начальном этапе специалистом выделяется область интереса, а затем с применением различных методов, таких как: бинаризация (threshold), морфологических операций, watershed и active contours алгоритмов, выбранная область уточняется [1].

Известен Graph Cut метод сегментации, который строит граф, основанный на изображении, и находит оптимальное решение в смысле минимизации энергетической функции [2]. Недостатком данного метода является высокая вычислительная сложность, большое время работы и потребление памяти.

Известен Level Set метод сегментации, который широко применяется в различных медицинских задачах. В данном подходе изображение рассматривается как поле внешних сил, под воздействием которых эволюционирует начальный контур (линия уровня). Существуют различные вариации этой модели, в работе [3] выведена модель, которая часто используется для сегментации опухолей головного мозга. Известны также способы построения модели для сегментации изображений серого/белого вещества головного мозга [4].

Известен способ сегментации очагов по средствам установки начальной точки и дальнейшего роста контура из нее (Click & Grow) [5]. Данный алгоритм имеет ряд недостатков, в частности он может требовать дополнительного взаимодействия с пользователем (установка новых точек) и сильно зависит от начальных данных. В работе [6] предложена модификация алгоритма (Single Click Ensemble Segmentation), которая во многом устраняет недостатки предшественника.

РАСКРЫТИЕ ИЗОБРЕТЕНИЯ

Предлагается новый автоматизированный алгоритм по выявлению очагов легких более 4 мм при анализе компьютерной томографии органов грудной клетки. Для нахождения очагов используется вычислительный автоматизированный способ, предназначенный для анализа формы предполагаемой области интереса. Предлагаемый алгоритм может быть использован совместно с известными алгоритмами, основанными на анализе текстуры.

Заявленное изобретение направлено на решение существующей технической проблемы, которая заключается в создании способа сегментации КТ-изображений органов грудной клетки, с помощью которого можно за более короткое время в автоматическом режиме выявлять очаги в легких более 4 мм.

Техническим результатом является повышение точности выявления очагов в легких за счет автоматической сегментации КТ-изображений.

Заявленное изобретение в первом предпочтительном варианте осуществляется за счет компьютерно-реализуемого способа сегментации изображений опухоли легких, при выполнении которого:

- получают данные компьютерной томографии (КТ), содержащие изображения, полученные в ходе исследования;

- выполняют первый этап сегментации данных КТ, на котором определяется область грудной клетки;

- удаляют из изображений выявленные костные структуры и мягкие ткани средостения, за исключением сегмента легких области грудной клетки;

- определяют параметр КТ-плотности, характеризующий яркость пикселей в заданном окне центра и ширины диапазона шкалы Хаунсфилда, областей изображения, полученных после первого этапа сегментации;

- определяют среднее значение упомянутого параметра КТ-плотности;

- определяют области изображений с параметром КТ-плотности выше среднего значения;

- выполняют второй этап сегментирования, при котором определяют набор разнородных структур на изображениях;

- выполняют фильтрацию полученных структур, при которой:

- определяют точки на изображении полученных структур и определяют средний показатель кривизны полученных структур;

- выявляют структуры, средний показатель кривизны которых близок или имеет незначительное отклонение от показателя кривизны окружности, площадь которой эквивалента площади анализируемой структуры.

В частном варианте осуществления заявленного способа на этапе фильтрации вычисляется среднеквадратичное отклонение кривизны структур от ее средней кривизны.

В другом предпочтительном варианте осуществления заявленного изобретения заявлена компьютерная система, которая содержит по меньшей мере один процессор и по меньшей мере одну память, содержащую машиночитаемые инструкции, которые при их исполнении по меньшей мере одним процессором осуществляют способ сегментации изображений опухоли легких, указанный выше.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

На Фиг. 1 представлена общая схема этапов заявленного способа.

На Фиг. 2 представлена детализация этапов выполнения заявленного способа.

На Фиг. 3 – Фиг. 4 представлены пример работы алгоритма фильтрации.

На Фиг. 5 представлен общий вид заявленной системы.

ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ

Согласно Фиг. 1 основными этапами выполнения заявленного способа (100) являются этапы сегментирования КТ-изображений, выявления на них необходимых сегментов со структурами для последующего анализа, и фильтрация сегментированного изображения.

Далее с отсылкой на Фиг. 2 будут представлены детальные шаги заявленного способа (100). Для того, чтобы извлечь из КТ-исследования органов грудной клетки изображение легких выполняется следующее. На этапе (101) получают КТ-изображения исследования для последующей обработки. В качестве начальных данных для способа сегментации (100) выбирается всё изображение.

Если в качестве начальных данных для используемого алгоритма сегментации задать все изображение, то результатом его работы будет набор сегментированных областей. Алгоритм сегментации основан на минимизации функционала энергии Mumford-Shah’а [4], он разделяет изображение на два класса таким образом, чтобы среднее значения КТ-плотности в первом классе соответствовало КТ-плотности костных структур и мягких тканей средостения, а во втором классе - более низкой КТ-плотности (воздух). Оба класса состоят из набора областей. В силу анатомического строения самая большая по площади (объему) сегментированная область из первого класса, где среднее значение КТ-плотности соответствует костным структурам и мягким тканям средостения, будет являться изображением грудной клетки (не включая легкие, т.к. их КТ-плотность значительно меньше). Таким образом, результатом первичной работы алгоритма будет изображение грудной клетки (102).

Далее на этапе (103) выполняется удаление из первоначальных КТ-изображений изображений костных структур и мягких тканей средостения, выявленных на предыдущем этапе сегментирования, В результате на первоначальном изображении останется только изображение области легких.

На этапе (104) выполняется определение параметра КТ-плотности, который характеризуетяркость пикселей в заданном окне центра и ширины диапазона шкалы Хаунсфилда (центр на уровне -500, а ширина окна 1500, значения шкалы Хаунсфилда экстраполируются на 256 значений градаций серого), областей изображения, полученных после первого этапа сегментации (сегментированные изображения легких).

Для наиболее корректной сегментации структур легких необходимо выбрать начальные данные для алгоритма сегментации (100) таким образом, чтобы внутри начального контура (начальных данных) находилось как можно больше искомых структур (патологических очагов легких), или близких к ним по геометрической форме. Для выполнения этого условия используется особенность КТ-изображений легких, а именно, то, что структуры, представляющие интерес для анализа (очаги легких), имеют большую КТ-плотность по сравнению с остальными, вследствие чего на этапе (105) определяют среднее значение параметра КТ-плотности для выявленных структур на сегментированных КТ-изображениях легких.

На этапе (106) для повышения достоверности определения областей интереса, характеризующих возможные злокачественные новообразования, определяются те области КТ-изображения, где параметр КТ-плотности (интенсивности) выше среднего значения.

Далее выполняется второй этап сегментирования: сегментируются выявленные области интереса (предполагаемые очаги в легких) (этап 107).

Результатом второго этапа сегментации (107) является набор разнородных структур (бронхи, сосуды, лимфоузлы, кальцынаты, фиброз, новообразования) из которых нужно выявить очаги размером более 4 мм. Далее на этапе (108) выполняется классификация (фильтрация) сегментированных структур, полученных на этапе (107). Предложенный способ фильтрации позволяет отделить очаги типа “матового стекла”, солидного типа, полусолидного типа от других структур легких [7]. Очаги с включением кальцинатоф исключаются из результатов анализа.

Т.к. очаги преимущественно гладкие и выпуклые, то определяются и отбираются только те структуры, чья средняя кривизна близка к кривизне окружности (сферы), площадь которой эквивалентна площади рассматриваемой структуры:

Поскольку координаты контура структуры носят дискретный характер, для вычисления его кривизны мы строим окружность по каждой точке контура и ее двух соседях в смысле наименьших квадратов (I. D. Coope, Circle Fitting by Linear and Nonlinear Least Squares, Journal of Optimization Theory and Application, Vol. 76, No. 2, February 1993.; Meghan K. Driscoll, Colin McCann, Rael Kopace, Tess Homan, John T. Fourkas, et al. Cell Shape Dynamics: From Waves to Migration, PLoS Comput Biol, Vol. 8, Issue 3, March 2012). Таким образом, зная кривизну контура в каждой точке можно вычислить его среднюю кривизну:

где – кривизна контура в i-той точке контура, – количество точек в контуре исследуемой структуры. Кривизна соответствующей этому контуру окружности вычисляется по формуле:

Такой критерий достаточно хорошо отсеивает различные нерегулярные структуры, но может плохо работать со структурами, чья кривизна почти в каждой точке равна нулю, за исключением малого количества точек, где она принимает высокие значения, что в среднем может дать, на первый взгляд, адекватную величину средней кривизны. Такими структурами могут быть, например, длинные прямые сосуды, бронхи. Для исключения вышеупомянутых объектов нужно вычислить среднеквадратичное отклонение σ кривизны такой структуры от ее средней кривизны:

Если это отклонение будет достаточно малым (меньше чем ), то принимается решение, что это искомая структура (очаг легкого), иначе – нет:

[]

В результате получается набор сегментированных областей, которые определяются как области интереса.

Во всех вышеописанных этапах для сегментации используется модель Active Contours с использованием математического фреймворка Level Set Methods (Dynamic Implicit Surfaces), а именно модель Chan-Vese (Tony F. Chan, Luminita A. Vese, Active Contours Without Edges, IEEE Transactions on Image Processing, Vol. 10, No. 2, February 2001). Внутреннее представление линий уровня реализуются с помощью Sparse Field Methods (Ross T. Whitaker, A Level-Set Approach to 3D Reconstruction From Range Data, The International Journal of Computer Vision, 29(3), October, 1998, pp. 203-231). Общий вид решаемого уравнения для сегментации:

где – линия уровня, служащая индикатором границы искомой области, – параметр модели, отвечающий за регуляризацию сегментируемого контура (гладкость), – отвечает за скорость сжатия контура, и соответствуют чувствительности контура к интенсивности цвета внутри и снаружи контура, – значение интенсивности изображения в каждой точке контура, и – средние цвета внутри и снаружи контура соответственно. Начальный контур эволюционируя согласно данному уравнению сегментирует искомые области.

На Фиг.3 и Фиг. 4 представлен пример выполнения заявленного способа (100). Окно интерфейса (200) отображает изображение сегментированных изображений, на которых с помощью выполнений этапов способа (100) определяются очаги легких (201, 202)

На Фиг. 5 представлен общий вид системы (300), реализующей заявленный способ (100).

Компьютерная система для сегментации КТ-изображений легких (300) может выполняться на базе широкого спектра электронно-вычислительных устройств, например, персонального компьютера, ноутбука, серверного кластера, смартфона и т.п.

В общем случае система (300) содержит один или более процессоров (301), выполняющих основную вычислительную работу при реализации этапов способа (100), и оперативную память (ОЗУ) (302), предназначенную для оперативного хранения команд, исполняемых одним или более процессорами (301).

Средство хранения данных (303) может представлять собой жесткий диск (HDD), твердотельный накопитель (SSD), флэш-память (NAND-flash, EEPROM, Secure Digital и т.п.), оптический диск (CD, DVD, Blue Ray), мини диск или их совокупности.

Интерфейсы ввода/вывода (В/В) (304) представляют собой стандартные порты и средства сопряжения устройств и передачи данных, выбираемые исходя из необходимой конфигурации исполнения системы (300), в частности: USB (2.0, 3.0, USB-C, micro, mini), Ethernet, PCI, AGP, COM, LPT, PS/2, SATA, FireWire, Lightning и т.п.

Средства В/В (305) также выбираются из известного спектра различных устройств, например, клавиатура, тачпад, сенсорный дисплей, монитор, проектор, манипулятор мышь, джойстик, трекбол, световое перо, стилус, устройства вывода звука (колонки, наушники, встроенные динамики, зуммер) и т.п.

Средства передачи данных (306) выбираются из устройств, предназначенных для реализации процесса коммуникации между различными устройствами посредством проводной и/или беспроводной связи, в частности, таким устройствами могут быть: GSM модем, Wi-Fi приемопередатчик, Bluetooth или BLE модуль, GPS модуль, Глонасс модуль, NFC, Ethernet модуль и т.п.

Компоненты системы (300) сопряжены между собой посредством общей шины передачи данных (310).

Литература

1. Yongqiang Tan, Lawrence H. Schwartz and Binsheng Zhao, Segmentation of lung lesions on CT scans using watershed, active contours, and Markov random field, Med. Phys. 40, 043502 (2013); http://dx.doi.org/10.1118/1.4793409.

2. Ye X, Beddoe G, Slabaugh G. Automatic graph cut segmentation of lesions in CT using mean shift superpixels. Journal of Biomedical Imaging. 2010; 2010:19.

3. Yezzi A Jr, Kichenassamy S, Kumar A, Olver P, Tannenbaum A., A geometric snake model for segmentation of medical imagery. IEEE Trans Med Imaging. 1997 Apr;16(2):199-209.

4. Tony F. Chan, Luminita A. Vese, Active Contours Without Edges, IEEE Transactions on Image Processing, Vol. 10, No. 2, February 2001.

5. Gu, Y.; Kumar, V.; Hall, LO.; Goldgof, DB.; Korn, R.; Bendtsen, C.; Gatenby, RA.; Gillies, RJ. Automated Delineation of Lung Tumors from CT Images: Method and Evaluation. World Molecular Imaging Congress; San Diego, CA, USA. 2011. p. 373

6. Yuhua Gu, Virendra Kumar, Lawrence O Hall, Dmitry B Goldgof, Ching-Yen Li, René Korn, Claus Bendtsen, Emmanuel Rios Velazquez, Andre Dekker, Hugo Aerts, Philippe Lambin, Xiuli Li, Jie Tian, Robert A Gatenby, and Robert J Gillies, Automated Delineation of Lung Tumors from CT Images Using a Single Click Ensemble Segmentation Approach, Pattern Recognit., 2013 Mar 1, 46(3): 692–702, doi: 10.1016/j.patcog.2012.10.005.

7. Lung-RADS. Dr Matt A. Morgan et al. https://radiopaedia.org/articles/lung-rads.