Національний університет “Львівська політехніка”

ЗАГОРУЙКО ЛЮБОВ ВАСИЛІВНА

УДК 615.471:681.325

РОЗРОБКА НЕЙРОПОДІБНОЇ

МЕРЕЖІ І СИСТЕМИ ДЛЯ ОБРОБКИ

БІОМЕДИЧНИХ ЗОБРАЖЕНЬ

Спеціальність 05.11.17 – медичні прилади та системи

АВТОРЕФЕРАТ

дисертації на здобуття наукового ступеня

кандидата технічних наук

Львів - 2001

Дисертацією є рукопис.

Робота виконана в Вінницькому державному технічному університеті Міністерства освіти і науки України.

Науковий керівник: кандидат технічних наук

Тимченко Леонід Іванович,

Вінницький державний технічний університет,

старший викладач кафедри конструювання радіоелектронної та біомедичної апаратури

Офіційні опоненти: доктор технічних наук, доцент

Сторчун Євген Володимирович,

Національний університет “Львівська політехніка”,

доцент кафедри конструювання та технології виробництва

радіоапаратури

доктор технічних наук, старший науковий співробітник

Воробель Роман Антонович,

Фізико – механічний інститут ім. Г.В. Карпенка НАН України

(м. Львів), провідний науковий співробітник

Провідна установа: Національний технічний університет України “Київський політехнічний інститут”, кафедра звукотехніки та реєстрації інформації.

Захист відбудеться 23 травня 2001р. о 1600 годині на засіданні спеціалізованої вченої ради Д 35.052.10 у Національному університеті “Львівська політехніка” за адресою: 79013, м. Львів, вул. С. Бандери, 12.

З дисертацією можна ознайомитись в науково-технічній бібліотеці Національного університету “Львівська політехніка” за адресою: 79013, м. Львів, вул. Професорська, 1.

Автореферат розісланий 3 квітня 2001р.

Вчений секретар

спеціалізованої вченої ради Романишин Ю.М.

ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальність теми. Останні тенденції у галузі обробки сигналів показують, що для організації їх ефективної обробки бажано використовувати методи, розроблені самою природою. Підвищення інтересу до аналізу процесів, які відбуваються в корі головного мозку, призвело до виникнення моделей, які наділені деякими властивостями реальних нейронних мереж. Дослідження в нейробіології, і в першу чергу С. Зекі, вказують на багатоступеневий характер обчислень, які відбуваються в коркових зонах. Важливим припущенням є те, що для прийняття попереднього рішення не є необхідним отримання інформації з усіх сенсорних каналів обробки. Вивчення таких багатоступеневих (ієрархічних) систем, які ведуть спостереження в часових інтервалах, почалось порівняно недавно, проте можна з достатньою впевненістю припустити, що дослідження підуть шляхом, підказаним архітектурою й правилами побудови комп'ютерів, створених самою природою.

Сучасні гістологічні та електрофізіологічні дослідження показують, що як у сенсорних, так і особливо в асоціативних зонах кори існують численні нервові шляхи (горизонтальні волокна), які з'єднують розташовані поряд клітини. Одночасно із цими горизонтальними шляхами в іррадіації (розповсюдженні) збудження з однієї ділянки кори на іншу важливу роль відіграють і вертикальні шляхи кора®підкорка®кора. Наявність таких множинних горизонтальних та вертикальних шляхів підтверджує вірність просторової концепції організації нейронних мереж. А у поєднанні з ієрархічно організованими взаємодіями конвергентно-дивергентних структур, в горизонтальних та вертикальних шляхах можливо подати структури природних нейронних мереж. Причому такі структури наділені рядом особливостей. Для нейронної мережі кожному периферичному подразненню (вхідній інформації) відповідає свій просторово-часовий малюнок збудження, що за І. П. Павловим формує свій “динамічний структурний комплекс”.

Наявність даного механізму взаємодії також зумовлює такі відомі в нейробіології особливості організації обчислень у корі: топографічний характер відображення, одночасність (паралельність) дії сигналів, мозаїчність структури кори, груба ієрархічність кори, просторово корельований у часі механізм сприйняття, навчання. Проте, головним, невирішеним до цього часу, залишається питання: яким чином взаємодія нервових клітин, що виникає в момент взаємодії подразників, структурується в корі великих півкуль. Прототипом запропонованого в роботі підходу можна вважати принципи колективних обчислень у нейроподібних схемах колективного прийняття рішень, які потребують колективної взаємодії великої кількості простих рішень, в результаті яких приймається складне рішення шляхом комбінування даних на протязі будь-якого проміжку часу.

Однією з центральних ідей цієї роботи є дослідження наступного положення: яким чином при обробці біомедичних зображень для систем реального часу можливо структурувати мережу, тим самим оптимізуючи надмірність її багатоетапної структури (наприклад, випадкової нейронної мережі) на рівні міжелементних зв'язків?

Обробка біомедичних зображень із метою ідентифікації патології, її локалізації та аналізу динаміки змін в автоматичному режимі є надзвичайно важ-ливим елементом діагностики. Для розв'язання задач обробки та розпізнавання зображень широко та ефективно використовуються штучні нейронні мережі. В цій області досліджень, що інтенсивно розвивається, постійно з'являються нові задачі, зв'язані з розробкою нових структур нейронних мереж, метою побудови яких є підвищення достовірності діагностичної інформації з повною автоматизацією процедури діагностики. У дисертаційній роботі пропонуються й досліджуються математична модель нейроподібної мережі, методи сегментації та комп'ютерна система для обробки біомедичних зображень.

Зв'язок роботи з науковими програмами, планами, темами. Подані в дисертаційній роботі результати були отримані автором під час проведення досліджень в рамках виконання науково-дослідних робіт, які проводились разом із санаторієм “Авангард” м. Немирова (держбюджетна НДР № 30 – Д – 174, номер держреєстрації 0197U12880) й НВО “Астрофізика” м. Москва (роботи проводились для модернізації апаратури, яка розроблялась в рамках госпдоговірних тем “Преоб-разователь” (держбюджетна НДР № 4236), “Курд” (держбюджетна НДР № 6703) і “Кибер” (держбюджетна НДР № 6720, номер держреєстрації 01890065739), що виконувались СКТБ “Квантрон” ВПІ за період з 1983р. по 1991р.).

Мета і задачі дослідження. Метою роботи є розробка структури нейроподібної мережі й методу багаторівневої сегментації напівтонових біомедичних образів та створення на його основі системи для обробки термозображень.

Об'єктом дослідження є нейроподібні мережі з просторовою організацією зв'язків.

Предметом досліджень є застосування нейроподібної мережі для обробки біомедичних зображень, зокрема, томографічних зображень, термозображень та їх суміщених зображень.

Методи дослідження: методи математичного аналізу для створення математичної моделі нейроподібної мережі; апарат штучних нейронних мереж для створення структури нейроподібної мережі; методи контрольованого та неконт-рольованого навчання штучних нейронних мереж для розробки підконтрольного навчання для нейроподібної мережі; математичний апарат препарування зображень для розробки методу сегментації.

Для досягнення поставленої мети потрібно розв'язати наступні задачі:

·

· проаналізувати семантичну інтерпретацію створення штучних нейроподібних мереж та обґрунтувати доцільність їх застосування для завдань обробки біомедичних образів;

· розробити математичну модель структури нейроподібної мережі та метод її навчання;

· розробити методику проведення експериментальних досліджень та показати ефективність використання нейроподібних мереж;

· розробити методи ручної та автоматичної (багаторівневої) сегментації біомедичних зображень на основі операції рекурсивного узагальнено-контурного препарування та створити на їх основі систему для обробки термозображень.

Наукова новизна одержаних результатів. В роботі отримано наукові результати, які дозволяють за рахунок багаторівневої обробки зображень та їх компактного подання на різних рівнях ієрархії розробити нейроподібну мережу та створити систему для обробки біомедичних зображень.

1. Вдосконалено математичну модель структури нейроподібної мережі, яка дозволяє проектувати інформаційні технології для нейроподібної обробки біомедичних зображень з орієнтацією на організацію у гілках цієї мережі систолічних обчислень.

2. Розвинуто семантичну (фреймову) інтерпретацію багатоетапного сприйняття сенсорної інформації, яка дозволяє математично формалізувати багаторівневу стратегію побудови структури нейроподібної мережі.

3. Використовуючи властивість інваріантності суми вхідних елементів мережі до суми хвостових елементів дістав подальший розвиток принцип підконтрольного навчання мережі на основі прямих зв'язків, тобто прямого функціонування із простою процедурою нормування вихідних результатів, що збільшує швидкість самої процедури навчання.

4. На основі операції рекурсивного узагальнено–контурного препарування вперше розроблено метод багаторівневої сегментації, який дозволяє за допомогою простих обчислювальних операцій адаптувати поріг до зображення і адекватно порогу, що аналізується, реалізувати багаторівневий процес розподілу зображення на окремі його сегменти.

Практичне значення отриманих результатів. Практична вагомість отриманих результатів роботи полягає в наступному:

·

· проведено експериментальні дослідження багаторівневої сегментації термозображень на основі операції рекурсивного узагальнено-контурного препарування;

· для підвищення ефективності діагностичного процесу та моніторингу виявленої патології удосконалено мережне перетворення термозображень, томографічних та їх суміщених зображень із наступним кореляційним аналізом;

· створено зразок комп'ютерної системи для обробки термозображень, яка реалізує формалізацію найбільш важливих термофункціональних і термоморфологічних ознак. Для реалізації комп'ютерної системи вдосконалено метод обчислення площі контурів термозображень на основі застосування модифікованого методу ланцюгового кодування, який дозволяє в середньому на 15%ё20% знизити похибку визначення площі;

· впроваджено в навчальний процес комп'ютерну біомедичну систему, що відображено в курсах лекцій по дисциплінах “Мікрокомп'ютерні біомедичні системи” та “Медична апаратура спеціального призначення“ для спеціальності 7.091002 “Біотехнічні та медичні апарати і системи” (акт про впровадження результатів дисертаційної роботи на факультеті радіоелектроніки ВДТУ від 12.04.00р.);

· впроваджено результати мережного перетворення та застосування Q- перетворення зображень, що використовувались при модернізації апаратури, яка розроблялась в рамках госпдоговірних тем “Преобразователь”, “Курд” і “Кибер” (акт про впровадження результатів дисертаційної роботи в НВО “Астрофізика” від 02.12.99р.).

Особистий внесок здобувача. Усі основні результати дисертаційної роботи отримано автором самостійно.

В публікаціях особисто здобувачем отримано: на основі нейробіологічної інтерпретації паралельно-ієрархічної мережі в [1] запропоновано семантичну (фреймову) інтерпретацію мережної обробки зображень; в [2] розроблено математичну модель структури нейроподібної мережі; в [3] запропоновано застосувати математичну модель однієї гілки структури нейроподібної мережі для операції паралельного додавання чисельної інформації; в [4] проведено дослідження можливості застосування моделі структури нейроподібної мережі для обробки зображень людських облич; в [5] на основі операції рекурсивного узагальнено-контурного препарування удосконалено метод багаторівневої сегментації; в [6] запропоновано в методі підконтрольного навчання нейроподібної мережі застосувати для обробки зображень хвостові елементи мережі.

Апробація результатів дисертації. Основні теоретичні та практичні результати роботи доповідались на наступних міжнародних та регіональних наукових конференціях:

·

· 5-й науково-технічній конференції “Вимірювальна та обчислювальна техніка у технологічних процесах”(м. Хмельницький, 1998 р.);

· SPIE симпозіумі “Machine Vision Systems for Inspection and Metrology VII” (Boston, Massachusetts USA, 1998 р.);

· SPIE симпозіумі “Machine Vision Applications, Architectures, and Systems Integration IV” (Pittsburgh, USA, 1997 р.);

· міжнародній конференції “Pattern Recognition and Information Processing” (Minsk, Belarus, 1999 р.);

· SPIE симпозіумі “Machine Vision Systems for Inspection and Metrology VIII” (Boston, Massachusetts USA, 1999 р.).

Публікації. На тему дисертаційної роботи опубліковано 6 друкованих робіт, у тому числі 3 статті у наукових журналах, що входять до переліку ВАК України, 3 статті у збірках праць міжнародних науково-технічних конференцій та симпозіумів.

Структура та обсяг роботи. Дисертація, загальним обсягом 214 сторінок, складається із вступу, п'яти розділів, висновків, разом викладених на 156 сторінках основного тексту, списку літератури із 125 найменувань, 80 рисунків, що займають 20 сторінок, 4 таблиць, що займають 5 сторінок, а також 4 додатків, викладених на 40 сторінках.

ЗМІСТ ДИСЕРТАЦІЇ

У вступі обґрунтована актуальність обраної теми досліджень та приведені вихідні теоретичні положення. Формулюється мета та завдання досліджень, а також наукова й практична цінність роботи.

У першому розділі досліджується сучасний стан питання, проблематика, існуючі парадигми і класифікаційний аналіз у галузі нейроподібних методів та штучних нейронних мереж при розпізнаванні біомедичних образів, а також приводяться вихідні теоретичні дані для розробки нейроподібного підходу на основі просторових мереж.

У другому розділі розроблено та досліджено нову тривимірну мережу та її застосування для аналізу біомедичних образів і проведено семантичний аналіз природних та штучних структур нейронних мереж.

Запропоновано математичну модель багаторівневої структурної організації нейронних мереж. Розглянемо дану модель. Нехай маємо інформаційний потік, заданий у вигляді множин , де n – розмірність і –ої множини. У загальному випадку базисна структура нейроподібної мережі описується за допомогою шести різновидів множин:

. (1)

. (2)

. (3)

(4)

(5)

(6)

, (7)

Кількість множин виду (1) визначається величиною . Простіше можна описати базисну мережу, якщо множини (1)(7) подати парами. Наприклад, множина описується першим виразом формули (2) при та другим виразом при . Тобто виходить, що перші елементи множини відображають стан базисної мережі для першого рівня (). Решта елементів формується з першого виразу формули (2) та відображають стан базисної мережі на наступних рівнях. Кількість множин виду (2) - . Кількість множин виду (3) - . Очевидно, що кількість множин виду (4) обмежується однією послідовністю. Кількість множин виду (5) не є сталою величиною для різних . Якщо , то дана множина взагалі відсутня. Якщо , то їх кількість . Кількість множин виду (6) також змінюється в залежності від , але більш складним чином. Наприклад, для , кількість таких множин -2, для їх уже 6, а для їх 8.

Множина утворює основну базисну мережу, а множина - хвостову базисну мережу. Сукупність множин і утворює повну базисну мережу, яка подана множиною (7). Таким чином, базисна нейроподібна мережа утворюється з основної й хвостової мереж, які є невід'ємними складовими для опису взаємодії паралельних потоків даних.

Для значної кількості застосувань при розпізнаванні біомедичних образів потрібна класифікація зображень у реальному масштабі часу. Часто послідовна обробка не забезпечує достатньої швидкості і необхідно розпаралелювання обчислень для забезпечення реального масштабу часу. При цьому іноді припускається не просто збільшення кількості процесорів і розподіл завдань між ними, але й переформулювання завдань.

Відомі методи аналізу зображень будуються на розподілі процесу на декілька ієрархічних рівнів: передобробки типу знаходження контуру, маркування компонент і т. д. Кожен із цих рівнів містить обробку компонентів, які послідовно ускладнюються. Такі ієрархії містять фіксовану кількість рівнів і носять вузькоспеціалізований характер. З іншого боку, розпаралелювання процесів аналізу біомедичного зображення більш високого рівня є складним, т.я. структурні компоненти розподілені по всьому зображенню. Формування біомедичних зображень для мережної обробки має деякі особливості:

1. При розподілі вихідного зображення деяка інформація, що з'єднує цей розподіл, губиться. Тому краще подавати вихідне зображення таким чином, щоб структурована інформація зберігалась.

2. Організація зв'язків між паралельними каналами породжує процес послідовного інтегрування розподілених результатів у мережі.

Паралельні підходи при аналізі біомедичних зображень можуть базуватись на різних принципах. Серед альтернативних методів розпізнавання образу – аналіз просторової структури, яка достатньо добре підходить для реалізації паралелізму.

Спочатку вхідне зображення перетворюється так, щоб замість значення яскравості, компоненті зображення були присвоєні деякі структуровані значення. Мета обробки полягає у тому, щоб віднайти будь-які структуровані просторові взаємозв'язки. Такі просторові взаємозв'язки не присутні в біомедичних зображеннях випадково й актуальні в завданнях аналізу структурованих зображень.

Багатоступенева мережа створює гнучку ієрархію в поданні зображення, яка залежить від структурної складності вхідного зображення. При аналізі образів мережа перетворює компоненти зображення у паралельних каналах. Потім перетворені компоненти подаються для подальшої обробки в залежності від їх інформаційного змісту, причому пріоритет надається тим з них, які є найбільш корельованими. Результат обробки зображення подається як вектор образу і може бути співставлений з раніше обчисленими векторами.

По аналогії з радіально-базисними мережами завдання навчання запропонованої паралельно-ієрархічної мережі практично зводиться до ідеї підконтрольного навчання елементів вихідного прошарку мережі.

Використовуючи загальну ідею структурної організації штучних нейронних мереж за схемою: вхідний прошарок> прихований прошарок> вихідний прошарок (рис. 1), можна синтезувати навчальну паралельно-ієрархічну мережу, в якій у якості вхідного прошарку використовувати 1–ий рівень мережі, в якості прихованого прошарку рівні – 2 ч k, а в якості вихідного – вихідний прошарок, який традиційно застосовується у штучних нейронних мережах.

Використовуючи властивість нейроподібної мережі, яка визначає довжину мережного алгоритму, можна визначити кількість елементів прихованого прошарку і тим самим формалізувати процедуру обчислення кількості елементів прихованого прошарку. А застосовуючи властивість інваріантності суми вихідних елементів () нейроподібної мережі до суми хвостових елементів (), нескладно створити систему рівнянь для отримання таких налагоджувальних коефіцієнтів у вигляді (8), щоб просто скласти нормуюче рівняння (9).

(8)

(9)

У виразах (8) та (9) - еталонні, , - поточні складові (ознаки) біомедичного зображення, яке розпізнається.

Для нормування результатів нейроподібної мережі з налагоджувальними коефіцієнтами, які отримуються на основі коефіцієнтів виду (8), використовуємо основну властивість нейроподібної мережі - . Тоді ліва частина нормуючого рівняння (9) це відношення суми добутків середніх значень налагоджувальних коефіцієнтів і хвостових елементів до суми хвостових елементів мережі, а права, при вірному розпізнаванні, наближується до одиниці, тобто d®1. Ступінь цього наближення до одиниці відображає міру подібності біомедичних зображень, що розпізнаються, і в ідеальному випадку, при вірному розпізнаванні d ? 1.

Середні значення вагових коефіцієнтів визначаються таким чином: , де N – розмірність вибірки P, . Використовуючи нормуюче рівняння (9), в якому , можливо по значенню d, що приймається, достатньо просто провести попередню процедуру класифікації біомедичних образів, а потім у відповідності з системою (8) сформувати налагоджувальні коефіцієнти , тим самим провівши процедуру визначення вагових коефіцієнтів для кожного класу.

У третьому розділі проведено обробку біомедичних зображень із використанням багаторівневої мережної структури та вибором багатоступеневого локального перетворення для нейроподібної мережі. З використанням методів попередньої обробки розроблено також нейроподібну мережу для розпізнавання біомедичних зображень. Використовуючи важливу властивість нейроподібної мережі – інваріантність суми елементів кожного рівня до суми вхідних елементів, розроблено метод підконтрольного навчання нейроподібної мережі, який, наприклад, на відміну від алгоритму зворотного функціонування, що традиційно застосовується, не потребує виконання повільнодіючої процедури навчання від вихідного прошарку мережі до її вхідного прошарку.

Запропонована операція рекурсивного узагальнено-контурного препарування для попередньої обробки зображень, яка полягає у послідовному формуванні областей (сегментів) зображення з від'ємними (додатними) препаратами, відповідних сегментам із менш (більш) темними градаціями сірого. Таке послідовне формування сегментів зображення – це не що інше, як багаторівневий процес сегментації областей біомедичних зображень з від'ємним (додатним) розподілом контурних препаратів.

Математично вибір порога для k кроків рекурсивного узагальнено-контурного препарування можливо подати наступною критеріальною системою:

(10)

де , , - розподіл нульових, від'ємних та додатних препаратів на k – му кроці рекурсивного узагальнено-контурного препарування (k= 1,2,…,n), n – кількість рівнів сегментації, t – кількість рівнів шкали сірого. Критеріальна система виду (10) дозволяє шляхом обчислення порогу для кожного рівня t шкали сірого подати зображення, що досліджується, відповідними контурними препаратами на k рівнях сегментації.

Використовуючи критеріальну систему виду (10), вперше запропоновано метод рекурсивного узагальнено-контурного препарування, результати обробки якого при аналізі томографічного зображення (рис. 2) подані на рис. 3.

В загальному вигляді цей метод можна описати так. На першому рівні автоматичної сегментації (k=1), шляхом перебору всіх рівнів сірого t, визначаємо таке значення t, при якому . На довільному k – му рівні, також проводячи перебір всіх рівнів сірого t, визначаємо таке значення t, при якому .

Отже, на кожному рівні сегментації, використовуючи критеріальну систему виду (10), обчислюється своє значення порога. Цим досягається властивість адаптивності методу рекурсивного узагальнено-контурного препарування, тобто для кожного нового зображення, що формується, обчислюється поріг, який визначається розподілом у ньому напівтонів за шкалою сірого.

Рис. 3. Результат обробки після першого і другого кроків методу багаторівневої сегментації (+ додатні, - від'ємні, 0 нульові препарати).

Виходячи з опису методу багаторівневої сегментації для його реалізації необхідні наступні операції. Це – визначення яскравості пікселів, їх середнього значення та їх різниць. Крім того, необхідні операція порівняння – “більше”, “менше”, “дорівнює” різниць яскравостей з фіксованим значенням порога й операція маскування (зсуву) у випадку обробки зображення шляхом його сканування еталонним масочним зображенням. Потім потрібні операції додавання для обчислення кількості додатних, від'ємних та нульових препаратів і операція обчислення максимуму їх добутку.

Як видно з перелічених операцій, при реалізації запропонованих методів не використовуються трудомісткі та повільні обчислювальні операції, притаманні, наприклад, ортогональним перетворенням, що робить перспективним застосування даного підходу для мультимедійної обробки біомедичних зображень у реальному масштабі часу з наступною їх класифікацією.

Таким чином, суть дисертаційної роботи полягає в розробці двох взаємозалежних етапів обробки біомедичних зображень.

Першому етапу відповідає попередня обробка, що реалізує багаторівневу сегментацію зображення. Перевагою запропонованого методу сегментації у порівнянні із широко відомим методом Вайта (фірма IBM) є формалізація обчислення порога, тобто поріг адаптується до самого зображення. Це дозволяє більш точно (у середньому на 5%ё10%) виділяти однорідні сегменти і контур зображення.

Другий етап зв'язаний з безпосередньою обробкою й розпізнаванням зображення. У відповідності зі структурою нейроподібної мережі проводилась обробка тих пікселів напівтонового зображення, які лежать всередині його контуру. Причому при навчанні використовувалась головна обчислювальна властивість мережі – рівність суми вхідних елементів і суми вихідних (хвостових) елементів. Це дозволило скоротити на порядок час навчання мережі за рахунок того, що немає необхідності емпіричного визначення кількості елементів її прихованого прошарку, а також саме навчання робити за прямою схемою.

Четвертий розділ роботи присвячено розробці комп'ютерної системи для обробки термозображень, яка містить реалізацію операції рекурсивного узагальнено-контурного препарування виду (10) для багаторівневої сегментації зображень. Система реалізована на базі тепловізора “Радуга”, комп'ютера типу “Pentium” і розробленого інтерфейсного пристрою. У системі реалізовані режими ручної та автоматичної сегментації, останній з яких розглянутий на основі операції рекурсивного узагальнено-контурного препарування. При розробці системи необхідні процедура комп'ютерної формалізації важливих у термодіагностиці термофункціональних ознак – обчислення діапазону температур (максимальної та мінімальної температури області, яка обстежується) та процедура визначення площі зони інтересу термозображення.

Розроблений у роботі метод обчислення площі контуру термозображення базується на методі Фрімена кодування ліній, що розмежовують чорні та білі області двоградаційного термозображення. Ланцюгові ланки складаються із прямолінійних відрізків, які з'єднують сусідні елементи термозображення по вертикальному, горизонтальному та діагональному напрямках. Для визначення площі на кожному кроці методу при знаходженні вертикального напрямку контурної лінії враховується елементарна площа, яку займає один піксель. При знаходженні діагонального напрямку контурної лінії враховується площа, яку займає половина квадрата. Розраховується площа зовнішнього контуру термозображення на першому кроці методу, а на другому його кроці аналізується створений зовнішнім контуром перший внутрішній контур. Причому, для всіх наступних кроків методу при знаходженні вертикального та діагонального напрямків контурної лінії термозображення правило обчислення елементарних площ зберігається. Аналогічним чином обчислюється площа другого внутрішнього контуру, яка створюється першим внутрішнім контуром термозображення. Таким чином, на кожному кроці методу обчислюється площа контуру термозображення, яка створюється попереднім контуром термозображення.

Розроблений метод, алгоритм та програма обчислення контурів термо-зображення і визначення їх відсоткового співвідношення дозволяє у середньому на 15%ё20% знизити похибку визначення площі. Розроблені також метод, алгоритм і програма масштабування для дослідження невеликих контурів термозображення, що дозволяє збільшити ефективність обчислення малих площ.

Приклад роботи комп'ютерної системи у ручному режимі сегментації поданий на рис. 4. Реалізована у системі схема автоматичної сегментації дозволяє послідовно виділяти окремі сегменти термозображення (рис. 5), які відповідають визначеним градаціям шкали сірого.

Для оцінки ефективності розробленого методу багаторівневої сегментації була використана стандартна нормована кореляційна функція на основі нерівності Шварца–Буняковського.

Експериментальні дослідження розробленої комп'ютерної системи вміщували обробку тестових термо-зображень ручним та автоматичним методами з подальшим порівнянням їх результатів за допомогою нормованої кореляційної функції Шварца–Буняковського.

База даних тестових термозображень була створена у лабораторії функціональної термодіагностики санаторію “Авангард” м. Немирова і використовувалась для досліджень в НВО “Астрофізика” м. Москва. Вона містила більше, ніж 500 термозображень, скомпонованих за різноманітними групами захворювань внутрішніх органів.

Схема проведення експериментальних досліджень на розробленій комп'ютерній системі для ручної та автоматичної сегментації подана на рис. 6.

а) б) в)

Рис. 5. Приклад роботи системи в автоматичному режимі сегментації термозображень а) термозображення, яке досліджується; б) оброблене термозображення після першого кроку автоматичної сегментації; в) графіки розподілу контурних препаратів для термозображення, що досліджується.

Порівняльний аналіз результатів ручного та автоматичного методів сегментації (відповідних зображень нульових, додатних та від'ємних контурних препаратів) показав повну їх адекватність, тобто майже абсолютне співпадання результатів ручного й автоматичного методів сегментації термозображень (коефіцієнт кореляції визначався у межах 0,95ё0,99).

У п'ятому розділі роботи приводяться результати експериментальних досліджень компактного подання та автоматичної (багаторівневої) сегментації термозображень, томографічних та їх суміщених зображень на основі операції рекурсивного узагальнено-контурного препарування, а також результати експериментальних досліджень нейроподібної мережі для обробки зображень різних зрізів головного мозку людини.

Завданням лікаря-дослідника є вірно диференціювати ту чи іншу патологію. Часто це завдання тяжко виконати, т.я. людський зір при ідентифікації зображень суттєво обмежений сприйняттям напівтонів за шкалою сірого і, як наслідок, об'єктивно не здатний проводити діагностику в повному динамічному діапазоні шкали сірого. Крім того, невеликі зміни в зрізових зображеннях головного мозку людини по тій же причині також важко розпізнати. Тому стає актуальною розробка та реалізація нових підходів автоматизації процесу розпізнавання патологічних процесів, що допомагають лікарю-досліднику вірно поставити діагноз.

Експериментальні дослідження містили обробку тестових зображень зрізів головного мозку людини у нормі (рис. 7а) та різноманітні варіанти патології (рис. 7б), що були виявлені у динаміці з наступним порівнянням за допомогою нормованої кореляційної функції. На досліджуваних зображеннях визначається псевдотуморозна аневризма задньої мозкової артерії справа, яка викликає незначну дислокацію мозку та вдавлення просторів (шлуночків мозку) (рис. 7б).

а)

б)

Рис. 7. а) суміщене зображення зрізу головного мозку в нормі та результати обробки, що використовуються для подальшого аналізу в нейроподібній мережі; б) суміщене зображення зрізу з патологією головного мозку в динаміці та результати обробки, що використовуються для подальшого аналізу в нейроподібній мережі.

Одним із завдань експериментальних досліджень є реалізація та аналіз нейроподібної мережі для автоматичного розпізнавання патологічних процесів, які виявлені у головному мозку людини. З цією метою було відібрано ряд тестових томографічних та термозображень зрізів головного мозку людини, досліджених різними медичними технічними засобами – томографом та тепловізором. Їх суміщене зображення перетворюється так, щоб кожен піксель містив інформацію відносно просторової структури його периферії. Найбільш корельована інформація добувається першою, що забезпечує методу стійкість до малих структурних змін.

Для оцінки ефективності використання методу паралельно-ієрархічного перетворення для розпізнавання результатів обробки в нейроподібній мережі таких зображень, оцінки динаміки патологічного процесу, використовувалась також нормована кореляційна функція на основі нерівності Шварца–Буняковського. Застосування нормованої кореляційної функції найбільш виправдано, т.я. використання інших альтернативних (не нормованих) методів порівняння, наприклад, на основі квадратичної або іншої міри подібності призводить до невірних оціночних результатів.

Проведений кореляційний аналіз (рис. 8) показує, що з часом виявлена патологія головного мозку повільно прогресує (коефіцієнт кореляції змінюється в межах 0,15ё0,1), що вказує лікарю-досліднику на деяку стабільність виявленої патології.

В додатках наведено документи про впровадження результатів дисертаційної роботи, опис програм користувача комп'ютерної системи для режимів ручної та автоматичної сегментації термозображень, а також фрагменти лістингів програм обробки термозображень.

ОСНОВНІ РЕЗУЛЬТАТИ РОБОТИ ТА ВИСНОВКИ

У дисертаційній роботі розв'язано наукову задачу створення структури нейроподібної мережі з просторовою організацією зв'язків та розробки методу багаторівневої сегментації біомедичних зображень.

Найбільш суттєві теоретичні та практичні результати дисертаційної роботи полягають у наступному:

1. Розвинуто семантичний (фреймовий) опис багатоетапного сприйняття сенсорної інформації, який дозволяє математично формалізувати багаторівневу стратегію побудови структури нейроподібної мережі та організувати на кожному рівні цієї мережі паралельну змістовну інтерпретацію біомедичних зображень, що скорочує при використанні сигнальних процесорів типу TMS 320C40 час обробки в 1,2 раза.

2. Вперше одержано теоретичні положення структурної організації нейроподібної мережі, для якої запропоновано застосувати математичну модель однієї гілки мережі до операції паралельного додавання чисельної інформації та організувати паралельно-послідовний процес її обробки, що дозволяє в порівнянні з відомими методами подання чисел збільшити швидкість операції додавання в 2 рази.

3. Використовуючи властивість інваріантності суми вхідних елементів мережі до суми хвостових елементів розвинуто принцип підконтрольного навчання мережі на основі прямих зв'язків, тобто прямого функціонування із простою процедурою нормування вихідних результатів, що в порівнянні з методом навчання мережі зі зворотним функціонуванням на порядок збільшує швидкість самої процедури розпізнавання.

4. Розвинуто метод паралельно-ієрархічної обробки біомедичних зображень, який у поєднанні з методом рекурсивного узагальнено-контурного препарування застосовується для ефективного моніторингу термозображень, томографічних та їх суміщених зображень.

5. Розвинуто створення в комп'ютерній системі режимів інтерактивного (ручного) та автоматичного методів сегментації однорідних областей термозображень, перший з яких в порівнянні із методом кодування Фрімена дозволяє на 15%ё20% знизити похибку визначення площі.

6. На основі методу рекурсивного узагальнено-контурного препарування вдосконалено метод багаторівневої сегментації, який на відміну від методу препарування напівтонових зображень, запропонованого Вайтом, дозволяє адаптувати поріг до аналізованого біомедичного зображення та більш точно (у середньому на 5%ё10%) виділяти однорідні сегменти і контур зображення.

7. Проведені експериментальні дослідження багаторівневої сегментації біомедичних зображень та їх мережне перетворення, результати кореляційної обробки якого підтвердили адекватність отриманих теоретичних і експериментальних результатів, а порівняння методів сегментації на основі запропонованного методу й сегментації на основі нарощування областей показало конкурентоспроможність першого методу (коефіцієнт кореляції визначався в межах 0,95 ё 0,99).

8. Використовуючи метод автоматичної сегментації томографічних зображень на основі аналізу їх гістограм зв'язностей встановлено, що у 98% випадків при досліджені різної патології головного мозку з підвищеною і зниженою щільністю тканин сегментація була проведена вірно, тобто вірно виділені сегменти з підвищеною або зниженою щільністю тканин головного мозку людини.

ПУБЛІКАЦІЇ ПО ТЕМІ ДИСЕРТАЦІЙНОЇ РОБОТИ

1. Загоруйко Л.В., Тимченко Л.І. Семантичний підхід до створення просторових нейронних мереж //Вимірювальна та обчислювальна техніка в технологічних процесах - 1999. - №1. - С. 23-29.

2. Тимченко Л.И., Мартынюк Т.Б., Загоруйко Л.В.. Подход к организации многоуровневой схемы систолических вычислений // Электронное моделирование - 1998. - Т. 20 - N5. - С. 33-42.

3. L. Timchenko, T. Martyniuk, L. Zagorujko, A. Gertsiy, A. Kozhemiako. Mathematical Model of Algorithm of Parallel Information Processing //Вимірювальна та обчислювальна техніка в технологічних процесах - 1998. - №2. - С. 178-181.

4. L. Timchenko, S. Chepornyuk, M. Grudin, D. Harvey, Y. Kutaev, A. Gertsiy, L. Zagorujko. Three-Dimensional Multistage Network Applying for Facial Image Decomposition // Proc. of SPIE Symposium “Machine Vision Applications, Architectures, and Systems Integration IV”.- Pittsburgh, (USA). - 1997. - P. 90-95.

5. L. Timchenko, Y. Kutaev, A. Gertsiy, L. Zagorujko. Compact Representation of the Facial Images for Identification in a Parallel-Hierarchical Network // Proc. of SPIE Symposium “Machine Vision Systems for Inspection and Metrology VII”. - Boston (USA). – 1998. – Р. 157-167.

6. L. I. Timchenko, Y. F. Kutaev, A. A. Gertsiy, L. V. Zagorujko, Y. O. Galchenko, M. Tamer. Approach to Parallel-Hierarchical Network Learning for Real-Time Image Sequences Recognition // Proc. of SPIE Symposium “Machine Vision Systems for Inspection and Metrology VIII”.- Boston (USA). - 1999. - P. 71-81

АНОТАЦІЯ

Загоруйко Л. В. Розробка нейроподібної мережі і системи для обробки біомедичних зображень. - Рукопис.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.11.17– медичні прилади та системи. - Національний університет “Львівська політехніка”, Львів, 2001.

У дисертаційній роботі розв'язано наукову задачу створення структури нейроподібної мережі з просторовою організацією зв'язків та метода багаторівневої сегментації біомедичних зображень, виконання якої дозволяє відповідно моделювати функції природних нейронних мереж та автоматизувати процес обробки біомедичних зображень. Дисертація містить теоретичні та експериментальні дослідження нейроподібних методів та просторової мережі для моніторингу та розпізнавання біомедичних зображень. Розроблена математична модель структурної організації мережної обробки біомедичних зображень. Запропоновані методи та система для сегментації та аналізу біомедичних зображень, що дозволяє покращити якість попередньої обробки, а також провести оцінку динаміки розвитку патологічних процесів.

Ключові слова: нейроподібна мережа, рекурсивне узагальнено-контурне препарування, томографічні та термозображення, ручна та автоматична сегментація.

АННОТАЦИЯ

Загоруйко Л.В. Разработка нейроподобной сети и системы для обработки биомедицинских изображений. - Рукопись.

Диссертация на соискание учёной степени кандидата технических наук по специальности 05.11.17 - медицинские приборы и системы. - Национальный университет “Львовская политехника”, Львов, 2001.

В диссертационной работе решена научная задача создания структуры нейроподобной сети с пространственной организацией связей и метода многоуровневой сегментации биомедицинских изображений, выполнение которой соответственно даёт возможность моделировать функции естественных нейронных сетей и автоматизировать процесс обработки биомедицинских изображений. Диссертация содержит теоретические и экспериментальные исследования нейроподобных методов и пространственной сети для мониторинга и распознавания биомедицинских изображений. Разработана математическая модель структурной организации сетевой обработки биомедицинских изображений. Предложенные методы и система для сегментации и анализа биомедицинских изображений позволяют улучшить качество предварительной обработки, а также произвести оценку динамики развития патологических процессов.

Ключевые слова: нейроподобные сети, рекурсивное обобщённо-контурное препарирование, томографические и термоизображения, ручная и автоматическая сегментация.

ABSTRACT

Zagorujko L.V. The development of neuro - similar network and system for the processing of biomedical images. – Manuscript.

Thesis for the candidate's degree by speciality 05.11.17 - medical devices and Systems. - National University “Lvivska Polytechnica”, Lviv, 2001.

The dissertation is dedicated to an actual problem. It is some segmentation and further identification of the half-tone biomedical images. In the dissertation the methods, mathematical and structural and functional models, algorithms and a computer system of recognition of the biomedical images have been researched.

The purpose of the dissertation is the development and research of the new approach to multilevel granting and compact transformation of the half-tone biomedical images and creation on their basis different neuro-similar methods, systems and spatial networks for identification of biomedical images.

In the dissertation theoretical and experimental researches have been presented including structural, functional, algorithmic, mathematical and program solutions of a new type neuro-similar networks on the basis of the bridge-hierarchical transformation.

In the first section the state of the art of a problem is researched. The problems application and classification analysis in the area of neuro-similar methods and synthetic neuronic networks have been considered. The initial theoretical reasons for development neuro-similar approach are realized on the basis of spatial networks for identification of biomedical images and the semantic analysis of real and artificial structures neuronic networks have been presented. The purpose and research problems have been stated. The scientific and practical value of research has been defined.

In the second section the new three-dimensional networks and their application for the analysis of images is researched. It is a multistage architecture, which studies partial correlations between structural components of the image. Originally the image is divided into fragments to be processed by parallel channels. In each channel the structural components are handled and are then selected depending on their information operation, for mixing with components from other channels for further processing. The initial outcome of a conclusion is represented as vector of an image, whose components are calculated synchro for obtaining the most fast recall.

In the third section on the basis of a designed principle of spatial association the parallel image analysis with usage of multilevel network and selection of multistage local transformation for neuro-similar network have been conducted. With application of neuro-similar methods of the previous processing the spatial network for image recognition is also designed. Utilizing the relevant property of a spatial network invariance of the total of units of each level to the total of input units the algorithm of neuro-similar network controlled training has been developed as aroused to that of with return operation. The algorithm doesn't require a slow training operation from the input layer to the output.

The fourth section of the dissertation is dedicated to the development of the computer system for processing the thermo-image. The system contains implementation methods of the operation for the pyramid-shaped generalized-planimetric preparation for multilevel segmentation of the images. The system is implemented on the thermovision display device "Rainbow", on the computer of "Pentium"-type and on the designed interface unit. In a system there are implemented modes of manual and automatic segmentation, the last has been considered on the basis of the operation of the pyramid-shaped generalized-planimetric preparation.

In the fifth section the outcomes of experimental research of compact granting both multilevel and automatic segmentation of the images have been presented on the basis of operation of planimetric preparation of the biomedical images and the analysis of their histograms of connectivity. The outcomes of experimental researches of the neuro-similar network for processing termo–images and tomographical images of the section of the main brain of a person have been also considered.

The scientific novelty comprises: the research