Segmentacija rengenskih snimaka
Željko Knok, Klaudio Pap
Sažetak
U svakodnevnoj medicinskoj praksi opće je poznato, da rengenski snimci značajno pomažu liječnicima specijalistima u dijagnostici. Pojedini dijelovi snimke su nedovoljno uočljivi te mogu dovesti do pogrešnog zaključka tj. dijagnostike. U cilju što kvalitenije analize snimaka javlja se potreba za podjelu snimka na sastavne dijelove. Osnovni cilj takve podjele je jednostavnija i kvalitetnija analiza. Autori u ovam radu prezentiraju mogućnost segmetacije snimaka kroz praktične primjere. Za potrebe segmentacije koristi se matlab alat. Segmentacija se koristi za lociranje objekata i njihovih granica u snimci. Kako je problem segmentacije vezan uz različite metode. U ovom radu je predstavljena segmentacija klasifikacijom s izborom optimalnog praga intenziteta.
Ključne riječi: Segmentacija, matlab, klasifikacija
Segmentation of X-rays
Željko Knok, Klaudio Pap
Abstract
In everyday medical practice it is well known that X-ray images significantly help medical specialists in the diagnosis. Some parts of the x-ray image are not sufficiently visible and can lead to false conclusion, that is, diagnostics. In order to achieve a better analysis of the images, a need is emerging to divide the images into components. The main objective of such a division is a simpler and better analysis. In this paper, the authors present the possibility of segmentation of images through practical examples. For the purpose of segmentation, the MATLAB tool is used. Segmentation is used to locate objects and their edges in the image. Since the problem of segmentation is associated with different methods, this paper presents the segmentation by classification with a selection of the optimal intensity threshold.
Keywords: Segmentation, the MATLAB, classification
1. UVOD
U dijagnostici rendgenskih snimaka važan je detalj prepoznavanje lomova na slici, a s time je u neposrednoj vezi i prepoznavanje rubova (granični slučaj). Prepoznavanje rubova ima široku primjenu. Tipičan slučaj je identifikacija objekta na slici, a osnovni korak je podjela slike na područja ili okvire, koji odgovaraju različitim objektima na slici, tj. segmentacija slike. Za potrebe ovog rada koriste se digitalne slike sivih tonova, tj. rendgenski snimci. U postupku predobrade slike važnu ulogu ima konverzija slike u binarni oblik. Slika sivih tonova pretvara se u binarni ekvivalent graničnim procesom određivanja praga (eng. Thresholding). Nakon ovog procesa dobije se slika u dva tona, binarnoj nuli odgovara ton bijele boje, a binarnoj jedinici ton crne boje. Često ulazne slike sadrže određenu količinu šuma koji je vidljiv kroz izolirane točke i područja. Za eliminaciju navedenih točaka i područja koristi se metoda filtracije. Postupkom segmentacije klasifikacijom izbora optimalnog praga intenziteta moguće je klasificirati dijelove slike, uz pretpostavku da je validno proveden proces predobrade slike. U okviru MATLAB alata pod nazivom Image processing toolbox nalaze se funkcije za ulazno-izlazne operacije, prikazivanje i obradu slike koje se koriste za potrebe ovog rada. Za obradu slika u ovom radu koriste se digitalni zapisi odjela Radiologije Županijske bolnice u Čakovcu.
2. POJAM SEGMENTACIJE SLIKE
Binarne slike u općem slučaju sadrže dva tipa elemenata: objekt od interesa ili prednji plan (eng. foreground) i pozadinu (eng. background). S obzirom na prisustvo samo dva elementa, oni mogu biti prikazani putem dva nivoa sive boje, npr. bijela i crna. Izbor crne i bijele boje je stvar konvencije i nije nužno nepromjenljiv [1]. Priroda binarnih slika i sam izvor nastanka može biti različit od crteža, skeniranih fotografija, kao i različitih digitalnih aparata. U postupku analize slike prvi korak je svakako izdvajanje prostornih značajki slike. Amplitudna segmentacija je najjednostavnija metoda segmentacije slike, a posebno je korisna kada amplitudne značajke slike precizno definiraju područja slike. Za određivanje praga segmentacije u ovom radu koristi se histogram slike. Histogram za sive slike predstavlja relativnu frekvenciju pojave različitih amplituda (nijanse sive boje). U području gdje je svjetlina točaka približno jednaka ocrtava se modalni histogram. Mod histograma se definira kao vrijednost koja se najčešće pojavljuje. U praksi se i svaki lokalni maksimum histograma naziva modom. Kao primjer može poslužiti Slika 1, Višemodalni histogram, na kojoj se može primijetiti nekoliko modova, segmentacijom na dvije regije za prag, može se odabrati vrijednost između dva najjača moda (približno 120).
Slika 1 Višemodalni histogram[4]
3. ODBIRANJE PRAGA SEGMENTACIJE
Određivanje praga pomoću računala ima veliku primjenu u obradi digitalnih slika s obzirom na jednostavnost i brzinu. Moguće je odrediti konstantnu osvijetljenost ili prag na osnovu kojih se objekt može odvojiti od pozadine. Međutim, za promatranje rendgenskih snimaka koji su dati u nijansama sive boje potrebno je provesti niz postupaka (obrade slike) kako bi se mogao kvaliteno odrediti prag segmentacije slike. Određivanje praga predstavlja transformaciju ulazne slike f u izlaznu sliku g na način:[1]
(1)
gdje je:
T prag,
g(x,y)=1 predstavlja elemente slike koji opisuju objekt, a
g(x,y)=0 predstavlja elemente slike koji opisuju pozadinu.
Za proces konverzije slike u binarni oblik, izbor praga je od posebne važnosti. Sam proces bože biti napravljen iteraktivnim putem ili nekom od metoda za izbor praga. Obzirom da i najjednostavnije slike sadrže mnoštvo tonova sive boje unutar promatranog objekta i njegove pozadine, konverzija slike u rijetkim slučajevima može biti provedena korištenjem vrijednosti jednog praga. Rješenje ovog leži u određivanju promjenljive vrijednosti praga, tj.vrijednost praga varira i predstavlja funkciju lokalnih svojstava slike. Globalni prag se određuje na osnovu cijele slike, a lokalni ovisi o poziciji unutar slike.
3.1. RUČNO ODABIRANJE PRAGA
Postupak se svodi na određivanje praga segmentacije na osnovu histograma slike. Obzirom na mogućnost izbora gradijenta, u ovom slučaju radi se o globalnom definiranju praga. Na slikama koje slijede dat je histogram slike i nakon toga, uz ručno odabiranje praga (T), prikazi istih. Programska potpora su naredbe i funkcije u programskom alatu MATLAB [4]. Za ovu vrstu odabira gradijenta ili praga koristi se programski kod, koji je dat u nastavku:
close all;clear all;clc
a=rgb2gray(imread('ruka1.jpg')); %odabir i digtalizacija slike
imshow(a);
T=30; %ručno određivanje praga
[m,n]=size(a); %veličine ulazne slike
for i=1:m %1 do m
for j=1:n %1 do n
if a(i,j)>T %vrijednost piksela veća od T
b(i,j)=a(i,j); %vrijednost piksela neizmijenjena
else
b(i,j)=255; %vrijednost piksela na 255
end
end
end
figure(1);
imshow(b);
Slika 2 Izvorna slika ruke s histogramom
(a) (b)
Slika 3 Prikaz slike s ručno odabranim pragom za (a) T=30 i (b) T=20
3.2. AUTOMATSKO ODABIRANJE PRAGA- IZBOROM OPTIMALNOG PRAGA INTENZITETA
U okviru programskog alata MATLAB mogu se koristiti razne funkcije, za segmentaciju u ovom radu koristi se funkcija graythresh(). U pozadini ove funcije leži algoritam za određivanje globalnog praga segmentacije. Radi se o algoritmu u kojem se gradijent za segmentaciju određuje maksimiziranjem vrijednosti varijante između klasa. Pored navedene funkcije u programskom kodu koristi se i funkcija im2bw. Osnovna sintaksa ove funkcije je:
BW = im2bw(I,level) (2)
gdje je:
I - ulazni intenzitet slike, a
level - globalni prag
U izlaznoj binarnoj slici BW vrijednost 1 bit će na koordinatama svih piksela slike kod kojih je vrijednost intenziteta veća od praga, a vrijednost 0 na svim ostalim. Programski kod koji se koristi u ovom radu slijedi u nastavku:
close all;clear all;clc; warning off;
a=rgb2gray(imread('ruka1.jpg')); %slika u sivim tonovima
figure(1)
imshow(a); %prikaz slike
[T, VM]=graythresh(a);
b=im2bw(a,graythresh(a));
figure(2);imshow(b);
Slika 4 Izvorna slika ruke s histogramom
(a) (b)
Slika 5 Prikaz slike nakon automatskog odabira praga na osnovu algoritma (a) i njen komplement (b)
DISKUSIJA
Ručno odabiranje praga pokazalo se, uz histogram, boljim rješenjem jer je moguće s različitim vrijednostima gradijanta postići željeni rezultat. Kroz histogram ovih slika uočava se velika raspodjela gustoće intenziteta u tamnim nijansama slike, tako da je kod ručne obrade odabran prag koji je veći od maksimuma tamnih tonova. Ovo je specifičan slučaj za ovaj tip slike jer je pozadina tamna i u većim dijelovima prevladava i u samom objektu promatranja.
Automatska obrada za određivanje optimalnog praga intenziteta nije dala očekivane rezultate, s istim razlozima kao i kod ručnog odabiranja praga. Kako je ovim postupkom izvršena jedna vrsta "poravnavanja" svih tonova slike za određivanje globalnog praga, kvalitetan konačan rezultat je izostao.
ZAKLJUČAK
Rezultati koji su ostvareni za zadane slike mogu se promatrati kroz činjenicu da su slike prije same obrade bile vrlo visoke rezolucije 1692x1352 i u tom pogledu njihova kvaliteta nije upitna. Međutim, za predobradu slika ovog tipa važno je spomenuti da postoji potreba za daljnjom obradom, s ciljem da se omogući jednostavno i brzo uočavanje lomova. Za ostvarivanje takvog zahtjeva potrebno je koristiti i dodatne alate. Nastavak ovog procesa ogleda se u detektiranju oštrih rubova na slici koji predstavljaju lomove. Za medicinsku dijagnostiku od izuzetne je važnosti na vrijeme uočiti prijelom, kako bi se izbjegle moguće komplikacije i medicinski troškovi. Ovim radom predstavljene su dvije mogućnosti segmentacije s posebnim osvrtom na određivanje praga ili gradijenta, što je samo jedan osvrt na problematiku, a time nisu iscrpljene sve mogućnosti za poboljšanje i nastavak rada u istom području.
REFERENCE
Knjiga (689 - 776)
[1] R. C. Gonzales i R. E. Woods, Digital Image Processing 3 rd Edition (DIP/3e), Prentice Hall, 2008., http://www.imageprocessingplace.com/
Web stranice:
[2] http://www.fer.unizg.hr/_download/repository/matlab_upute.pdf ; 08.01.2016.,
Petković T.; Kratke upute za korištenje MATLAB-a;FER, Zagreb, travanj 2005.,
[3] http://www.mathworks.com/help/techdoc/ ; 15.12.2015.,MATLAB Technical Documentation, The MathWorks
[4] http://www.mathworks.com/access/helpdesk/help/pdf_doc/images/images_tb.pdf; 10.12.2015.,Image Processing Toolbox User's Guide, The Mathworks,