способ определения уровня яркости в зоне интереса цифрового медицинского рентгеновского изображения

Формула изобретения

1. Способ определения уровня яркости в зоне интереса цифрового медицинского рентгеновского изображения, заключающийся в том, что получают названное изображение, вычисляют его гистограмму, преобразуют значения гистограммы во входные аргументы нейронной сети и вычисляют уровень яркости с использованием искусственной нейронной сети, отличающийся тем, что значения гистограммы вычисляют с заданным интервалом группировки, нормируют к единице и используют в качестве входных аргументов нейронной сети, уровень яркости вычисляют как линейную функцию от выходного значения нейронной сети, а обучение нейронной сети проводят с использованием обучающего множества, вычисленного по заданной базе изображений, в качестве множества целевых значений используют уровни яркости, вычисленные для каждого изображения по зоне интереса и масштабированные к области значений функции активации нейрона выходного слоя нейронной сети.

2. Способ по п.1, отличающийся тем, что в качестве нейронной сети используют искусственную нейронную сеть прямого распространения с одним скрытым слоем и выходным слоем из одного нейрона с сигмоидальными функциями активации нейронов.

3. Способ по п.2, отличающийся тем, что интервал группировки для вычисления значений гистограммы полагают равным отношению квантиля распределения яркости пикселей изображения с уровнем, близким к единице, к числу входных аргументов нейронной сети.

4. Способ по п.1, отличающийся тем, что уровень яркости в зоне интереса изображения вычисляют как среднее значение яркости пикселей, принадлежащих зоне интереса.

5. Способ по п.1, отличающийся тем, что значения гистограммы вычисляют по всем пикселям изображения.

6. Способ по п.1, отличающийся тем, что значения гистограммы вычисляют по пикселям, принадлежащим кругу, центр которого совпадает с центром изображения, а его диаметр равен минимальной стороне изображения.

Описание изобретения к патенту

Изобретение относится к способам обработки цифровых медицинских рентгеновских изображений, а именно к вычислению уровня яркости в зоне интереса цифрового медицинского рентгеновского изображения.

Медицинское рентгеновское изображение, помимо изображения проекций органов пациента, как правило, содержит изображения проекций частей прибора (коллиматора) и воздуха. Под зоной интереса обычно понимают такую часть изображения, в которой присутствует изображение только проекций органов пациента. Необходимость правильно определить уровень яркости возникает, например, в следующих случаях:

1) при визуализации цифрового изображения на экране монитора;

2) для контроля экспозиции при съемке серии изображений.

Визуализация изображения с правильными уровнями яркости и контраста способствует лучшему пониманию рентгеновского изображения и, соответственно, правильной постановке диагноза. При съемке серии последовательных изображений на рентгеновском аппарате, зная уровень яркости в зоне интереса предыдущего изображения, можно правильно выставить время экспозиции цифрового детектора для съемки следующего изображения. Правильно подобранная экспозиция позволяет получать изображения существенно лучшего качества без затемненных и/или засвеченных областей с оптимальным отношением сигнал-шум в зоне интереса. Стандартная частота съемки серии изображений составляет 30 кадров в секунду, поэтому чрезвычайно важно определять уровень яркости достаточно быстро, чтобы успевать регулировать время экспозиции и/или характеристики излучения рентгеновской трубки. Также необходимо, чтобы способ вычисления уровня яркости являлся устойчивым при вычислениях на серии последовательных изображений.

Известен способ [1, стр.32] определения уровня яркости изображения. Уровень яркости в этом способе вычисляют как среднее значение минимальной и максимальной яркостей

Level=(Value +Value_1- )/2

Value есть квантиль уровня яркости пикселей по всему изображению. Параметр выбирают достаточно малым, как правило, не более 0,01. Этот способ не обеспечивает необходимую точность вычисления уровня яркости при наличии на изображении областей с изображениями воздуха и/или коллиматора.

Наиболее близким техническим решением, выбранным в качестве прототипа, является способ определения уровня яркости, описанный в [2, стр.6]. Способ по прототипу заключается в том, что после считывания цифрового изображения в оперативную память устройства проводят следующие вычисления.

1) Вычисляют гистограмму изображения с интервалом группировки, равным единице.

2) Определяют уровень яркости A, при котором пиксели с меньшей яркостью считают пикселями фона.

3) Анализируют гистограмму на интервале с яркостью пикселей, больших A. Вычисляют яркость MVP, которая соответствует максимальному значению гистограммы в указанном интервале.

4) Выбирают первоначальные значения для визуализации изображения: уровень окна WL₀=MVP (window level) и ширина окна WW₀=2×(MVP-A) (window width).

5) Вычисляют параметр WW=WW₀/2.

6) Используя нейронную сеть, для каждой пары значений (WL₀± WW, WW₀± WW) вычисляют индекс качества .

7) Применяя итерационную процедуру (hill climbing method), определяют такую пару (WL_c, WW _c), при которой индекс качества Q_c имеет максимальное значение. Во время итерационной процедуры параметр WW корректируется.

Индекс качества вычисляют с помощью искусственной нейронной сети прямого распространения, далее - нейронной сети, с одним скрытым слоем и с одним нейроном в выходном слое с сигмоидальными функциями активации нейронов. Уровень окна и ширина окна (WL_c, WW_c), соответствующие максимальному индексу качества Q_c, считают оптимальными параметрами для визуализации изображения.

Для обучения используют одно или несколько изображений, для которых опытным оператором устанавливают желаемые значения уровня окна и ширины окна (WLG, WWG). Далее составляют таблицу из 25-ти значений

(WLG± WWG/2± WWG/4, WWG± WWG/2± WWG/4) Q_i,

WWG=WWG/2;

Q_i - заданные значения индекса качества.

Для каждой пары (WL_i , WW_i) вычисляют входные аргументы нейронной сети (пять или более аргументов). Индекс качества Q_i, соответствующий паре (WL_i, WW_i), используют в качестве целевого значения. Таким образом, отмечая желаемые параметры уровня окна и ширины окна на заданном наборе изображений, оператор получает данные для обучения нейронной сети, после чего проводит ее обучение.

Недостатки способа по прототипу заключаются в следующем.

1) В применении к задаче контроля экспозиции, когда необходимо определить только уровень яркости, способ предоставляет избыточную информацию.

2) В способе не контролируется устойчивость алгоритма при вычислениях на серии последовательных изображений, что важно для контроля экспозиции при съемке серии изображений.

Задача изобретения заключается в определении уровня яркости, соответствующей среднему значению яркости в зоне интереса медицинского рентгеновского изображения.

Технический результат заявляемого способа заключается в вычислении уровня яркости в зоне интереса медицинского рентгеновского изображения. При этом способ является устойчивым при вычислениях на серии последовательных изображений. Дополнительным техническим результатом заявляемого способа является простота аппаратной реализации и высокая скорость исполнения алгоритма.

Технический результат в способе определения уровня яркости в зоне интереса цифрового медицинского рентгеновского изображения, включающем получение изображения, вычисление гистограммы изображения, преобразование значений гистограммы во входные аргументы нейронной сети и вычисление уровня яркости с использованием искусственной нейронной сети, достигается тем, что значения гистограммы вычисляют с заданным интервалом группировки, нормируют к единице и используют в качестве входных аргументов нейронной сети, уровень яркости вычисляют как линейную функцию от выходного значения нейронной сети, а обучение нейронной сети проводят с использованием обучающего множества, вычисленного по заданной базе изображений, в качестве множества целевых значений используют уровни яркости, вычисленные для каждого изображения по зоне интереса и масштабированные к области значений функции активации нейрона выходного слоя нейронной сети.

В качестве нейронной сети используют искусственную нейронную сеть прямого распространения с одним скрытым слоем и выходным слоем из одного нейрона с сигмоидальными функциями активации нейронов.

Интервал группировки для вычисления значений гистограммы полагают равным отношению квантиля распределения яркости пикселей изображения, с уровнем, близким к единице, к числу входных аргументов нейронной сети.

Уровень яркости в зоне интереса изображения вычисляют как среднее значение яркости пикселей, принадлежащих зоне интереса.

Значения гистограммы вычисляют по всем пикселям изображения.

Значения гистограммы вычисляют по пикселям, принадлежащим кругу, центр которого совпадает с центром изображения, а его диаметр равен минимальной стороне изображения.

В основе алгоритма лежит экспериментально установленный факт существования статистической зависимости между гистограммой изображения и уровнем яркости в зоне интереса.

Особенность заявляемого способа заключается в следующем.

1) В качестве входных аргументов нейронной сети используют нормированные к единице значения гистограммы изображения, вычисленной с заданным интервалом группировки.

2) Уровень яркости вычисляют как линейную функцию от выходного значения нейронной сети.

3) Обучение нейронной сети проводят с использованием обучающего множества, вычисленного по заданной базе изображений, в качестве множества целевых значений используют уровни яркости, вычисленные для каждого изображения по зоне интереса и масштабированные к области значений функции активации нейрона выходного слоя нейронной сети.

Для идентификации статистической зависимости между гистограммой и уровнем яркости используют искусственную нейронную сеть прямого распространения [3, стр.55]. Выделим основные этапы в осуществлении способа.

1) Сбор и классификация базы данных из медицинских рентгеновских изображений.

2) Построение множества обучающих примеров - множества входных аргументов нейронной сети и множества целевых значений.

3) Выбор функции ошибки и алгоритма обучения нейронной сети.

4) Обучение набора нейронных сетей с различной архитектурой, с различным числом входов, слоев и нейронов.

5) Выбор нейронной сети, с наименьшим числом параметров, наилучшим образом подходящей для решения задачи.

Осуществление способа определения уровня яркости поясняется следующими чертежами.

На фиг.1 представлен пример цифрового медицинского рентгеновского изображения с одного из рентгеновских аппаратов.

На фиг.2 изображена зона интереса, соответствующая изображению на фиг.1.

На фиг.3 представлен пример гистограммы 16-разрядного изображения. По горизонтали идет шкала яркости, а по вертикали - количество пикселей с данной яркостью. Вертикальными линиями показано разбиение интервала [0, Bright] на 32 части. Значение Bright определено как квантиль яркости изображения с уровнем =0,999.

На фиг.4 представлена типичная гистограмма относительной ошибки для обучающей выборки

Error=100×(Level'/Level-1),

Level' - уровень яркости, вычисленный с помощью заявляемого способа;

Level - уровень яркости, вычисленный по зоне интереса.

На фиг.5 представлена типичная гистограмма относительной ошибки для тестовой выборки.

Этап подготовки базы данных изображений заключается в классификации изображений по типам органов и в построении для каждого изображения бинарного изображения с зоной интереса. Построение бинарного изображения с зоной интереса можно сделать с помощью специализированного программного обеспечения или вручную, обозначая на изображении зону интереса в любом стандартном редакторе. На первом этапе организуют базу данных, которая состоит из множества пар {image, Roi}, где Image-исходное изображение и Roi-изображение соответствующей зоны интереса. В нашем случае было собрано и обработано около десяти тысяч изображений.

Перейдем ко второму этапу - к этапу построения множества обучающих примеров. Для каждой пары {Image, Roi} вычисляют гистограмму изображения Hist, с интервалом группировки, равным единице, и уровень яркости по зоне интереса Level. В качестве уровня яркости выбирают среднее значение яркости пикселей по всем пикселям зоны интереса

Level - уровень яркости в зоне интереса;

p_k - значение яркости k-того пикселя;

M - количество пикселей в зоне интереса.

В результате таких вычислений для каждой пары изображений {Image, Roi} получают пару гистограммы и уровня яркости {Hist, Level}.

Гистограмму можно вычислять как по всему изображению, так и по заранее выбранной области. Как правило, пациента при съемке располагают так, чтобы изображение проекций снимаемых органов приходилось на центр цифровой матрицы. Поэтому во втором варианте вычисления гистограммы в качестве такой области можно выбрать окружность, центр которой совпадает с центром изображения, а диаметр, например, равен наименьшей стороне изображения.

Перейдем к вычислению для каждой пары {Hist, Level} входных аргументов Input и целевого значения Target. Входные аргументы и целевые значения, образующие множество обучающих примеров, должны удовлетворять следующим условиям:

1) Пары {Input, Target} должны быть инвариантными относительно умножения изображения на константу и не зависеть от размера изображения (с поправкой на дискретность яркости пикселей).

2) Целевые значения Target должны лежать в области значений функции активации нейрона выходного слоя.

Затем необходимо обеспечить инвариантность пар {input,Target} относительно умножения изображения на константу следующим образом. Для гистограммы Hist определяют интервал яркости [0, Bright] такой, что верхний предел Bright есть квантиль уровня яркости пикселей изображения. Разделим интервал [0, Bright] на S равных интервалов и вычислим Input_i как сумму значений гистограммы Hist_k, принадлежащих интервалу I,

Input_i - значение входного аргумента с индексом i;

Hist_k - значение гистограммы Hist с индексом k.

В итоге значения Input _i нормируют к единице

Число S определяет количество входов нейронной сети и подбирается путем численных экспериментов вместе с параметром . Входные аргументы Input есть нормированные к единице значения гистограммы, вычисленной с интервалом группировки, равным отношению Bright/S. Далее для каждого Level вычисляют отношение Target'=Level/Bright. Вычисленные таким образом пары {Input, Target'} инвариантны относительно умножения изображения на константу и не зависят от размера изображения.

Перейдем к построению множества целевых значений. В качестве функций активации нейронов используют сигмоидальную функцию

область значений которой есть интервал [0, 1], поэтому множество целевых значений Target' также необходимо привести к этому интервалу. Для этого используют линейное преобразование

Приведем выражение для вычисления уровня Level по выходному значению нейронной сети Output

Level=Bright×(C₁×Output+С₂)

C₁=max{Target'}-min{Target'};

С₂=min{Target'}.

Уровень яркости вычисляют как линейную функцию от выходного значения нейронной сети.

В качестве функций ошибки нейронной сети используют следующие два варианта. Первый вариант есть среднеквадратичная ошибка с регуляризацией

Второй вариант - средневзвешенная квадратичная ошибка с регуляризацией

Ratio - параметр регуляризации;

W_i - вес, соответствующий обучающей паре {Input, Target} с индексом i;

N - количество обучающих пар, участвующих в вычислении ошибки;

- сумма квадратов всех параметров нейронной сети.

Первое слагаемое в этих выражениях определяет точность обучения нейронной сети, а второе слагаемое, регуляризующий член, обеспечивает устойчивость нейронной сети. Веса W_i вычисляют по формуле

т.е. парам с большим значением соответствует меньший вес W_i.

Для обучения нейронной сети используют стандартный алгоритм обучения - метод сопряженного градиента с обратным распространением ошибки [4, стр.525]. Параметр регуляризации Ratio подбирают таким образом, чтобы исключить случайные выбросы более 0,5 процента при многократном вычислении уровня Level при вращении изображения. В нашем случае этот параметр оказался равным Ratio=0,9999.

Чтобы обойти проблему переобучения, используют стандартный прием, в котором множество обучающих примеров {Input, Target} делится на две части. Одну из них используют для обучения нейронной сети, а вторую для ее тестирования. Как мы писали выше, после сбора базы данных изображений проводят их классификацию по типу органов. Далее разделяют множество обучающих примеров на две выборки в соотношении 80 и 20 процентов таким образом, чтобы 80 процентов каждой группы изображений попали в обучающую выборку, а оставшиеся 20 процентов в выборку для тестирования.

Численные эксперименты показали, что для решения поставленной задачи оказалось возможным использовать нейронную сеть прямого распространения с одним скрытым слоем, с числом входов от 30 до 60 и числом нейронов от 5 до 10 в скрытом слое. Параметр можно выбрать из интервала от 0,98 до 0,9999. Для реализации заявляемого способа определения уровня яркости в конкретном аппарате была выбрана нейронная сеть с наименьшим количеством параметров при прочих равных условиях.

Источники информации

1) Р.Гонсалес, Р.Вудс, С.Эддинс. Цифровая обработка изображений в среде MATLAB. Техносфера, 2006.

2) Патент EP 0409206 B1, опубл. 01.10.1997.

3) Саймон Хайкин, Нейронные сети. Полный курс. И.Д.Вильямс, 2006.

4) Moller, Neural Networks, vol.6, 1993.