СПОСОБ АВТОМАТИЧЕСКОЙ ДИАГНОСТИКИ МАРКЁРОВ ГИПОКСИИ ГОЛОВНОГО МОЗГА ЧЕЛОВЕКА

Изобретение относится к области систем компьютерной обработки и анализа медицинских изображений.

Известен способ ранней медицинской диагностики, основанный на исследовании биологических жидкостей (БЖ) человека (см. Шабалин В.Н., Шатохина С.Н. Морфология биологических жидкостей человека, Москва, Хризостом, 2001, с.122-123). Капля БЖ наносится на предметное стекло и медленно высушивается, остается тонкая сухая пленка (фация). Особенности состояния организма сказываются на процессе кристаллизации веществ, содержащихся в жидкости, поэтому на изображении фации возникают характерные структуры (маркеры). Авторами этого метода доказано, что по составу и расположению этих маркеров можно с большой уверенностью судить не только об уже имеющихся и проявившихся заболеваниях, но и о самой начальной их форме, когда никаких симптомов еще не наблюдается, и даже о предрасположенности к некоторым болезням.

Главным недостатком способа является то, что рассмотреть и оценить изображения фаций можно только в микроскоп. При массовых профилактических обследованиях населения требуется проанализировать большое количество изображений. Даже в случае применения современных средств оцифровки изображения, находящегося под микроскопом, и вывода его на экран монитора человеческий фактор остается недостатком метода визуального анализа изображений фаций. Кроме того, произвести качественный анализ изображений могут только квалифицированные специалисты-операторы, которых, к сожалению, имеется немного. Глаза оператора быстро утомляются, поэтому анализ становится недостаточно качественным, мелкие и слабо выраженные маркеры пропускаются, что ведет к некачественной диагностике. Выходом из этой ситуации является алгоритмическая обработка изображений фаций, введенных в компьютер без участия оператора.

Известны методы, в которых анализ изображений фаций осуществляется на основе теории распознавания образов. В этом случае идентификация признаков ангиоспазма осуществляется автоматически. В диссертационной работе А.С. Копыловой на соискание ученой степени к.т.н. (2012) «Разработка и моделирование алгоритмов распознавания маркеров на изображениях фаций сыворотки крови» (прототип предлагаемого решения) был рассмотрен способ компьютерного обнаружения маркеров гипоксии головного мозга - жгутовых трещин (ЖТ). Данные маркеры представляют собой радиальные трещины (РТ) с приподнятыми краями фации, формирующими их стенки. На фиг. 1 представлено изображение фации сыворотки крови, увеличенное в 400 раз, с ЖТ. В работе были выделены характерные особенности (ЖТ):

1) ЖТ располагаются по обе стороны вдоль трещин;

2) ЖТ представляют собой множество коротких слегка волнистых линий;

3) ЖТ обладают ярко выраженной анизотропией.

В упомянутой выше диссертационной работе предложен алгоритм распознавания ЖТ, заключающийся в следующем. Для определения трещин определяют на изображении длинные темные линии, на границе которых имеются значительные перепады яркости. Для этого на изображении выделяют точки, одновременно принадлежащие скелету изображения и множеству (множество темных точек на изображении). Для выделения скелета обрабатывают изображение скользящим кругом радиусом (r) 3 пикселя. В каждом положении этого круга вычисляют дисперсию значений яркости. Так как для точек скелета характерно большое значение дисперсии яркости, отмечают все точки круга, в котором значение дисперсии превышает некоторый порог (например, 80). Для устранения разрывов применяют процедуру дилатации, т.е. устранение разрывов линий путем их перекрытия. Пиксели, принадлежащие РТ, образуют множество .

Затем определяют граничные точки множества и выделяют из них длинные прямолинейные участки . Для этого исследуют каждую из полученных кривых. Из каждой точки кривой откладывают векторы и (фиг. 2), направленные в четвертые точки на этой линии в прямом и противоположном направлениях. Находят угол α между данными векторами. Для очень тупых углов . Такие точки выделяют. От каждой такой точки ищут приблизительно прямолинейные участки границы (так как РТ представляют собой длинные прямые линии), признаком чего является .

Далее учитывают, что ЖТ представляют собой множество коротких слегка волнистых линий, похожих на волоски. Для определения границ отростков используют алгоритм Canny (см. Canny J.F. Finding edges and lines in images, Master's thesis, MIT, Cambridge, USA, 1983, стр.12-59). Для гистерезистной фильтрации максимальных пикселей, необходимой для устранения ложных контуров, вводится два порога и . - высокий порог - минимальное значение длины градиента, при котором пиксель может инициализировать край, - низкий порог - минимальное значение длины градиента, при котором пиксель может инициализировать контур. Значения порогов и являются константами (20 и 8 соответственно).

Обнаруженные границы образуют множество . Множество представлено на фиг. 3. Выделяют из пикселей множества короткие компактные линии . Параллельно каждой линии проводят прямую на небольшом расстоянии и определяют число линий , которые она пересекает, так как волоски ЖТ располагаются перпендикулярно РТ. В случае, если превышает порог, проверяют еще один отличительный признак ЖТ - ярко выраженную анизотропию: яркость изображения в районе боковых отростков быстрее изменяется в поперечном к ним направлении (вдоль трещины), чем в продольном. Рассматривают каждую точку линии . Анизотропия в точке изображения оценивают как отношение нормированной вариации V изображения по направлению ее максимума к нормированной вариации V в поперечном направлении:

где ; ; - прямолинейный отрезок длины линии ; - прямолинейный отрезок длины , перпендикулярный к . Середины этих отрезков располагаются в точке . Вариацию по отрезку вычисляют как сумму модулей разностей яркостей в соседних точках отрезка. Экспериментально определено, что лучше брать модули разности не в соседних точках, а в точках на расстоянии 3 пикселя друг от друга. Если показатель анизотропии W превышает установленный порог, то принимают решение о наличии ЖТ в этой точке. Среди таких точек могут быть и ложные, которые расположены на изображении хаотично небольшими группами. Истинные же точки образуют протяженные кластеры, поэтому ложные точки легко отсеиваются. Наличие всех описанных выше признаков идентифицирует ЖТ.

Целью изобретения является повышение вероятности правильного обнаружения и снижение вероятности ложной тревоги компьютерного обнаружения маркеров гипоксии головного мозга - ЖТ.

Прототип предлагаемого решения при определении пороговых значений обнаружителя Canny не учитывает то, что из-за неоднородности изображения пороговое значение должно быть переменным в зависимости от локальной текстуры.

Для устранения указанного недостатка предлагается ввести переменные пороги для и на основе одноконтурной адаптивной псевдоградиентной процедуры:

,

где - положительный параметр, определяющий величину шагов процедуры; - следующее за значение порога; q - параметр, равный устанавливаемой вероятности превышения порога; - упорядоченные в порядке некоторой развертки значения функции; . В процедуре следующее значение увеличивается на , если достигает порог , в противном случае оценка уменьшается на . Описанная выше процедура применяется к обоим значениям и , что позволяет улучшить определение границ отростков. Применение описанной выше процедуры увеличивает вероятность правильного обнаружения ЖТ (см. таблица 1).

Описание предлагаемого способа. Полученные изображения фаций обследуемых пациентов загружаются в компьютер. Далее осуществляется распознавание маркеров гипоксии головного мозга и предварительная диагностика пациентов на наличие гипоксии головного мозга.

Основной отличительной способностью способа является то, что улучшены характеристики алгоритма распознавания маркеров гипоксии головного мозга на изображениях фаций сыворотки крови.

Результаты использования предлагаемого способа. Оценка эффективности алгоритмов проводилась на 2356 реальных медицинских изображений фаций сыворотки крови. Размер изображений 1024×768. Диапазон увеличения изображений ФСК от 63 до 400 раз. В таблице 1 приведены сравнительные данные обнаружения маркеров гипоксии головного мозга между прототипом и предлагаемым решением, показывающие достаточно высокую эффективность предложенного алгоритма. Предлагаемое решение увеличивает процент верно обнаруженных маркеров и уменьшает процент пропущенных маркеров.

Заявляемый способ позволяет автоматически диагностировать маркеры гипоксии головного мозга по средствам обработки изображений фаций, введенных в компьютер, что будет способствовать сокращению времени на диагностику при массовых медицинских обследованиях.