Возможности постобработки диагностических КТ- и МРТ-изображений на персональном компьютере

ВВЕДЕНИЕ

Рентгеновские компьютерные томографические (КТ), магнитно-резонансные томографические (МРТ) изображения — числовые матрицы данных, воспроизводящие форму, физико-химические и биологические свойства биообъекта и содержащие их деформации (естественные при отображении ряда свойств через одну характеристику — рентгеновскую плотность при КТ, времена релаксации при МРТ), обусловленные процессом получения изображения пиксельной структуры (Романчик Д.В., 2001).

Постобработка — выполнение после КТ- или МРТ-обследования пациента манипуляций с полученными изображениями на персональном компьютере (ПК) для повышения их информативности (выделение наиболее информативных фрагментов, их увеличение, получение 3-мерных изоб-
ра­жений, цветокартирование, реализация высо-
кого пространственного разрешения, повышение контрастного разрешения, улучшение качества изображений) и показателей эффективности диагностики (Абламейко С.В., Лагуновский Д.М., 1999; Zonneveld F.W., Prokop M., 2005).

Проблемы постобработки КТ- и МРТ-изображений на ПК неоднократно рассматриваются в медицинских изданиях Западной Европы (Bank-
man N., 2000; Jakovlev Y., 2000; Konig A., Groller E., 2001), России (Мошнегуц С.В., Барабаш Л.С., 2004; Дьяконов В.П., 2005). В Украине можно отметить работы Т.М. Бабкиной и соавторов (2002), В.Н. Соколова (2004).

Цель статьи — описать способы постобработки КТ-, МРТ-изображений на ПК и показать возможности повышения их информативности.

УЛУЧШЕНИЕ КОНТРАСТНОГО РАЗРЕШЕНИЯ ИЗОБРАЖЕНИЙ

Слабый контраст — распространенный дефект КТ-изображений, обусловленный широким диапазоном воспроизводимых яркостей, нередко сочетающийся с нелинейностью характеристики передачи уровней. Характер зависимости изменения яркости палитры пикселей в интервале от минимального значения интенсивности пикселей до максимального также влияет на качество изображения. Оптимальной является линейная функция изменения интенсивности пикселей в диапазоне от минимума до максимума. При вогнутой характеристике изображение будет более темным, чем оригинал, при выпуклой — более светлым. И в том, и в другом случае диагностические признаки могут быть искажены и недостаточно хорошо идентифицируемы. Коррекция яркости палитры существенно улучшает качество изображения.

Другой способ коррекции яркости палитры связан с инверсией входного изображения. По­скольку на темных участках детали часто оказываются неразличимыми, а различать слабые сигналы на темном фоне достаточно сложно, то инверсная форма представления таких изображений имеет другую гистограмму яркостей, более приемлемую для наблюдения и визуальной диагностики.

Диапазон яркости обработанного в компьютере изображения может иметь отличия от диапазона яркостей исходного. Существует два возможных способа приведения диапазона яркостей выходного изображения в соответствие с диапазоном исходного. Согласно первому способу обработанное изображение линейно отображается в диапазоне яркостей исходного. Второй способ преду­смат-
ривает ограничение яркости пикселей в обработанном изображении максимальным и минимальным пороговыми уровнями. Этот способ часто обеспечивает более высокое субъективное восприятие, особенно если обработанное изображение содержит относительно мало элементов с превышением заданных уровней огра­ничений.

Известен метод улучшения изображений, основанный на вычислении логарифма спектральных коэффициентов Фурье-преобразования исходного изображения (то есть на вычислении кепстра). Далее осуществляется обратное преобразование кепстра в обработанное изображение. При этом происходит выравнивание гистограммы изображения за счет нелинейного (логарифмического) преобразования спектра исходного изображения.

Один из способов улучшения качества изображения, например путем повышения контраста мелких и средних деталей, — выравнивание его гисто­граммы, представляющей характеристику распределения яркости пикселей.

Практически все КТ-изображения характеризуются гистограммами с высокой концентрацией линий в определенных зонах распределения интенсивности.

Гистограмма распределения яркостей типичного КТ-изображения обычно с ярко выраженным перекосом в сторону малых уровней (яркость большинства элементов изображения ниже средней): на темных участках детали часто оказываются неразличимы. Одним из методов улучшения качества таких изображений является видоизменение их гистограммы. Этот метод предусматривает преобразование яркостей исходного изображения с тем, чтобы гистограмма распределения яркостей обработанного изображения приняла желаемую форму.

Выравнивание гистограммы может быть осуществлено на основе возведения в степень модуля спектральных коэффициентов преобразования Фурье-изображения, при этом знак и фаза коэффициентов сохраняется. Если обозначить показатель степени α, то в случае когда α<1, операция имеет вид извлечения корня степени α, при этом большие спектральные коэффициенты уменьшаются, а малые увеличиваются. Такое перераспределение энергии в частотной плоскости изображения приводит к более эффективному использованию динамического диапазона интенсивностей пикселей КТ-, МРТ-изображения в пространственной области.

Выбор хорошей маски регулирования гисто­граммы интенсивности пикселей повышает контраст, а значит, и различимость мелких деталей изображения, тем самым улучшая контрастную разрешающую способность деталей. В программах обработки есть команды, позволяющие устанавливать цвета при цветном картировании изображений, имеющие плавные или, наоборот, резкие переходы отображаемых деталей в зоне интереса.

В сочетании с обращением контраста, преобразующем негативное изображение в позитивное, данный способ позволяет также повысить контраст мелких и средних деталей изображения.

Существует достаточно большой арсенал математических моделей и алгоритмов, программная реализация которых позволяет значительно повысить контрастное разрешение КТ-изображений. Эти алгоритмы основаны на процессах линейной и нелинейной фильтрации изображений, преобразую­щей гистограмму интенсивности.

УЛУЧШЕНИЕ ПРОСТРАНСТВЕННОГО РАЗРЕШЕНИЯ

Достоверная интерпретация изображений тесно связана с качеством представления достаточно мелких неискаженных деталей.

При этом необходимым является тот факт, чтобы с увеличением фрагментов не происходило ухудшения разрешающей способности изображения при выполнении математических операций 2D-интерполяции функции пространственного распределения интенсивности пикселей в строках и столбцах матрицы изображения.

Эти программы содержат также команды, по­зволяющие выделять в изображении непрерывные области пикселей, окрашенные одним и тем же цветом, даже если эти области имеют размеры нескольких пикселей. Могут быть выделены таким же образом зоны, окрашенные в любом выбранном диапазоне цветности (палитры). Выполнение операций локализации и отображения зон одной и той же плотности является важным фактором при идентификации очагов поражения.

Четкость КТ-, МРТ-изображений корректируется определением оптимальных значений яркости и контрастности путем выбора соответствующих опций:

а) «величины» — степени влияния воздействия на резкость изображения;

б) «радиуса» — толщины контура резкости;

в) «порога дискриминации» — определения контуров объектов путем задания разности значений интенсивности соседних пикселей, достаточной для того, чтобы программа повысила контраст­ность между ними.

Некоторые программы содержат автоматическую установку оптимального соотношения контрастности и яркости, поддерживающих необходимую четкость изображения.

При обработке изображений важную роль играют алгоритмы ранговой фильтрации, позволяющие устранять «размытость» деталей или, что то же самое, улучшить их фокусировку за счет выбора двухмерной n×n маски пикселей, выполнения операции двухмерного ранжирования значений интенсивности пикселей в пределах задаваемой маски и присвое­ния центральному пикселю значения, равного максимальному значению по ранжиру. Далее осуществляется сдвиг маски на один пиксель изображения в строке и повторение процедуры ранговой фильтрации. Выполнением этого алгоритма осуществляется процесс улучшения фокусировки деталей изображения.

К виду ранговой относится также процедура медианной фильтрации, устраняющая в изображении некоррелированные случайные сигналы-помехи. При медианной фильтрации центральному пикселю маски присваивается среднее значение в ряду ранжированных по интенсивности пикселей. В этом случае случайные значения интенсивности пикселей, не коррелированные со значениями соседних пикселей, отфильтровываются и в изображении подчеркиваются пиксели, имеющие значения пограничных зон объектов.

Линейная фильтрация изображений является одной из наиболее часто применяемых процедур в пакетах программ обработки графической информации, включая различные варианты сглаживания и подчеркивания границ в изображениях. Информативное применение линейной фильтрации обусловлено ее возможностями коррекции искажений различного типа, возникающих вследствие несовершенства устройств, формирующих изображение. Посредством линейной фильтрации удается уменьшить влияние флуктуационных шумов и других дефектов на воспроизводимых изображениях в режиме повышения контраста малоконтрастных деталей при увеличении масштаба зон интереса.

Коррекция аппертурных искажений изображений в случае отсутствия шумовой составляющей сигнала осуществляется путем инверсной фильтрации. Однако при наличии аддитивной шумовой составляющей в сигнале изображения вместе с частотными составляющими полезного сигнала будут усиливаться и соответствующие составляющие сигнала-шума. В результате такой «коррекции» вместо улучшения изображения может увеличиться зашумленность и, как следствие, ухудшиться его качество.

Перспективными считаются нелинейные методы фильтрации, когда корректирующие фильтры синтезируются на основе частотных масок, позволяющих уменьшить влияние низкочастотных компонент сигнала изображения и усилить таким образом влияние высокочастотных компонент пространственного спектра изображения. В результате этой процедуры повышается пространственное разрешение деталей, описываемых в спектре изображения более высокими пространственными частотами.

К сожалению, эти алгоритмы, равно как и итеграционные алгоритмы повышения пространственной разрешающей способности за счет алгоритмической экстраполяции апертуры измерений в известных программных пакетах обработки изобра-
жений, не представлены (Дьяконов В.П., 2005).

Присутствие в КТ-изображении самых светлых и самых темных тонов создает впечатление хорошей контрастности, однако излишняя контрастность приводит к тому, что максимальные градации влияют на средние тона. Как правило, большинство деталей изображения окрашены именно в средних тонах и излишняя контрастность приводит к потере этих деталей. Именно поэтому в КТ-изображениях тканевых структур, в которых диапазон изменения коэффициентов затухания является невысоким, стараются ограничить максимальные уровни отображения гиперденсных (например кости) структур.

Инструментом для оценки уровней интенсивности пикселей (групп пикселей) является гисто­грамма — графическое отображение количественной характеристики вероятностного распределения интенсивности (яркости) пикселей в выделенном участке изображения без локализации их места нахождения.

Значение гистограммы в данном случае состоит в том, что по характеру графика выбирается максимальное значение интенсивности отображаемых пикселей и присваивается выбранному уровню градации интенсивности 255, то есть белый цвет, самому темному — значение интенсивности 0, то есть черный цвет, а середине диапазона интенсивностей — значение 128. Интенсивности в середине диапазона от 0 до 255 имеют линейную шкалу изменения либо устанавливаемую в соответствии с принятой функцией изменения, например логарифмической шкалой, усиливающей слабые сигналы (градации серого) и ослабляющей сильные сигналы (в области белого цвета), выравнивая таким образом гистограмму интенсивности, чем повышается пространственное и контрастное разрешение в отображаемой на КТ-изображении структуре зоны интереса. Повышение качества МРТ-изображения на ПК при помощи данных алгоритмов можно проиллюстрировать при визуализации каротидной и вертебробазилярной систем артерий головного мозга у больного с субарахноидальным кровоизлия­нием (рис. 1).

Рис. 1. Исходное МРТ-изображение (а); компьютерное повышение тканевого контраста, цветовое картирование (б); компьютерное повышение тканевого контраста, цветовое картирование (в)

Цветовое картирование зоны интереса по гистограмме яркости пикселей на ПК позволяет ре­ализовать КТ- и МРТ-гистологический анализ доброкачественных и злокачественных опухолей (рис. 2, 3).

Рис. 2. МРТ. Гемангиоэндотелиома верхнечелюстной пазухи. Гистограмма интенсивности зоны интереса квадратной формы 1 см2 (а); цветокартированная по шкале цветов и интенсивностей зона интереса (б)

Рис. 3. КТ. Параганглиома шеи. Зона интереса квадратной формы 1 см2 (а); цветокартированная по шкале цветов и рентгеноплотности зона интереса (б)

КТ-изображения являются двумерными сигналами с сильной аддитивной шумовой составляющей, определяемой наложением сигналов от различных структур тканей, через которые проходят рентгеновские лучи. При этом помеховый фон, усиливаемый операцией дифференцирования, создает артефакты, которые могут маскировать патологические очаги на изображении. Сложной задачей при этом является также выбор порога для сравнения результатов операции контрастирования и присвоения значения результата операции или значения фона соответствующей точке улучшенного таким образом изображения.

Подбирая величину порога, можно несколько уменьшить эти артефакты, однако совсем от них избавиться не представляется возможным, что для диагностики может иметь отрицательное значение, особенно на ранних стадиях развития новообразований.

ВЫВОДЫ

Алгоритмы коррекции гистограмм интенсивности, пространственного масштабирования, цветового картирования и цифровой фильтрации предложено использовать для улучшения пространственного и контрастного разрешения при постобработке КТ- и МРТ-изображений.

Возможности повышения качества МРТ-изображений на ПК продемонстрировано на примере цветового картирования артерий головного мозга.

Постобработка КТ- и МРТ-изображений опухолей позволяет приблизиться к реализации патогистологической диагностики.

ЛИТЕРАТУРА

Абламейко С.В., Лагуновский Д.М. (1999) Обработка изображений: технология, методы, применение. Ин-т технической кибернетики НАН Беларуси, Минск, 300 с.

Бабкіна Т.М., Колотілов М.М., Рогожин В.О. (2002) Впровадження в комп’ютерну томографію гістографічного аналізу пухлин головного мозку. Одеський мед. журнал,
5: 26–28.

Дьяконов В.П. (2005) MATLAB 6.5+SP1/7/7 SP1+Simulink 5/6. Работа с изображениями и видеопотоками. Москва, СОЛОН-Пресс, 400 с.

Мошнегуц С.В., Барабаш Л.С. (2004) Трехмерная визуализация данных низкопольной МРТ с помощью персонального компьютера. Вестн. рентгенологии и радиологии,
6: 44–49.

Романчик Д.В. (2001) Нелинейное преобразование гистограмм полутоновых изображений. Цифровая обработка изображений, 1: 123–129.

Соколов В.Н. (2004) Новые технологии получения изображения злокачественных опухолей с использованием математических алгоритмов. Клиническая информатика и телемедицина, 1: 74–79.

Bankman I.N. (2000) Handbook of Medical Imaging: Processing and Analysis. London, Academy Press, 920 p.

Konig A., Groller E. (2001) 3D Medical Visualization: Breaking the Limits of Diagnostics and Treatment. ERCIM News, 44: 27–29.

Jakovlev Y. (2000) The potential of standard computer programs. Microscopy and Analysis, 2; 29–33.

Zonneveld F.W., Prokop M. (2004) Постпроцессинг изображений в эру мультисрезовой компьютерной томографии. Мед. Визуализация, 4: 137–144.

Адрес для переписки:

Розенфельд Леонид Георгиевич

03057, Киев, ул. Зоологическая, 3

Институт отоларингологии им. О.С. Коломийченка АМН Украины