Применение ЭВМ в медицинской интроскопии

В настоящее время в клиниках и больницах мира функционируют несколько десятков тысяч ЭВМ различного класса для решения самых разнообразных задач от расчета и распределения потоков пациентов по отделениям крупного диагностического центра до автоматической постановки предварительного диагноза при профилактическом осмотре.

Задачи, решаемые ЭВМ, в медицинской интроскопии можно разделить на три основных типа: обработка информации, включая и непосредственную обработку изображений; автоматический анализ медицинских изображений; восстановление двух- и трехмерных изображений по серии разноракурсных одномерных сигналов детекторов, чувствительных к применяемому для исследования виду излучения.

В этой главе мы рассмотрим первые два типа задач. Восстановление изображений по серии одномерных, называемое вычислительной томографией, за последние годы приобрело столь значительное распространение практически во всех видах медицинской интроскопии, что об этом способе исследований следует говорить особо. Ему посвящается следующая глава.

Как уже отмечалось в главе 2, во всех методах интроскопии необходимо производить многоступенчатое преобразование изображений для приведения их к виду, доступному для анализа оператором. Несмотря на то, что излучатели и первичные преобразователи излучения в каждом виде интроскопии специфичны и зависят от вида применяемого излучения, дальнейший тракт преобразования изображения и его обработки для большинства систем практически одинаков.

Первичные преобразователи излучения как правило, превращают скрытое изображение, полученное в используемом излучении, либо в оптическое, доступное глазу, либо в последовательность электрических сигналов. Оптическое изображение может быть усилено с помощью электронно-оптических методов усиления и вновь превращено в последовательность электрических сигналов с помощью, например, телевизионных систем, либо подано для изучения оператором.

Последовательность электрических сигналов представляет собой наиболее удобную форму изображения для его обработки, которая может осуществляться как аналоговыми электронными (см. главу 4), так и цифровыми методами. Для целей цифровой обработки аналоговые сигналы превращаются в дис кретную форму с помощью аналого-цифровых преобразователей АЦП и в таком виде поступают в ЭВМ.
Общность методов и средств обработки интроскопических изображений позволяет ставить вопрос о создании единой цифровой системы для работы с медицинскими изображениями и об организации единых диагностических отделений на основе широкого применения ЭВМ в клинической практике. Помимо значительного экономического эффекта за счет многократного, уменьшения расхода серебросодержащих фотоматериалов и повышения производительности труда врача-диагноста, такая система дает возможность резко расширить диагностические возможности современной интроскопии и поднимет на новый уровень медицинское обслуживание населения нашей страны.

Информационные системы в структуре диагностического отделения

Две основные тенденции развития лечебной сети делают насущной необходимость все более широкого внедрения ЭВМ в организационную структуру современного отделения медицинской интроскопии нашей страны.

Первая заключается в создании крупных диагностических центров я преимущественной ориентации на многопрофильные больницы, что сказывается в постоянном увеличении числа гигроскопических исследований, проводимых на разнообразной аппаратуре. В связи с этим возрастают потоки информации, как направляемой из различных отделений клиники в интроскопические отделения, так и поступающей из этих отделений обратно. Существенно возрастает численность пациентов.

Второй тенденцией являются постоянное усложнение и удорожание аппаратуры, что влечет за собой необходимость повышения эффективности ее использования. Это в свою очередь, требует повышения производительности труда врача-диагноста для чего необходимо максимально освободить его от вспомогательных работ, не касающихся постановки диагноза, а эти работы, связанные с оформлением заключения по результатам исследования и отчетностью, занимают подчас более 50% его времени.
ЭВМ в диагностическом отделении (центре) позволяет решить- следующие организационные задачи: 1) оптимальным образом распределить нагрузку диагностических кабинетов; 2) рассчитать наилучшее время назначенного исследования и тем самым свести к минимуму время ожидания пациента; 3) ускорить и проконтролировать прохождение документации в диагностическое отделение и обратно; 4) ускорить и облегчить оформление заключения; 5) автоматизировать статистическую отчетность.

Первые три задачи удобно решать совместно с другими аналогичными задачами лечебного учреждения с помощью одной централизованной вычислительной машины.

Для оптимального распределения нагрузки диагностической аппаратуры в память машины вводят данные о приоритетности исследований, количестве аппаратуры в отделении, ее производительности и затратах времени все диагностические исследования, которые проводятся в отделении. Затем в машину вводят данные о назначенной процедуре, и, пользуясь заложенной в нее программой, ЭВМ рассчитывает в каком кабинете и в какое время наиболее выгодно провести данную процедуру. Свой ответ машина печатает на бланке, который может быть размножен, выдай пациенту и направлен в диагностическое отделение. Сведения о производительности аппаратуры и затраты на проведение исследований получают «а основе обработки статистических данных.

Соответствующими изменениями в. программе ЭВМ можно обеспечить порядок назначений больному, который сводит к минимуму время пребывания в стенах лечебного учреждения и приносит ему наименьшее неудобство, осуществляя принцип от менее инвазивных методов к более информативным.
Задачи контроля за прохождением документации, заполнением истории болезни и выдачей документа больному также решаются путем введения в память ЭВМ данных о назначенном исследовании и выполнением ею соответствующей программы.

Рациональное применение ЭВМ для решения 3 упомянутых задач позволяет в 2 раза повысить эффективность использования аппаратуры и помещения и более чем в 3 раза уменьшить время ожидания. Резко упрощается архивное хозяйство, во много раз быстрее и легче воспроизводится в форме документа любая информация, хранящаяся в памяти ЭВМ. Все эти достоинства делают экономически оправданным применение ЭВМ в диагностическом центре, отделении крупной больницы- или поликлиники.

Особенно эффективно применение вычислительной техники для повышения уровня автоматизации флюорографической службы административного района или промышленной зоны. ЭВМ позволяет с минимальными трудозатратами организовать статистику, учет и хранение информации обо всех пациентах. С ее помощью легко обеспечить контроль за своевременностью вызова пациентов на диспансерный осмотр и снятием с учета, сравнение результатов нескольких разных по времени обследований и т. д.

В нашей стране ведутся работы по созданию автоматической системы профилактического осмотра населения – «АСПОН», которая на основе применения ЭВМ позволит автоматизировать процесс занесения данных анализов и обследований в учетную карту пациента. Анализ результатов и постановка диагноза в системе «АСПОН» выполняются врачом.

Рассмотренные задачи, которые может решать ЭВМ в рентгенологическом отделении, по существу мало отличаются от обычных задач, решаемых вычислительными машинами, работающими в общепромышленных информационных системах. Значительно более специфический характер имеет задача автоматизации составления протокола, например, рентгенологического заключения. Основная сложность этого процесса состоит в создании специальной системы описаний рентгенодиагностических признаков и соответствующих им символов. Сущность автоматизации состоит в том, что рентгенолог, просматривая рентгеновское изображение, выбирает и вводит нужные символы в машину, которая обрабатывает их, превращает в стандартные слова и фразы, выводит их на печатающее устройство.

Для большей эффективности системы необходимо, чтобы выбор и ввод символов в машину были простыми и занимали минимум времени. В подобной системе стол рентгенолога оснащен клавиатурой для связи с машиной, а также дисплеем и печатающим устройством, на которых фиксируется ответ машины. Совокупность этих устройств, с помощью которых осуществляется связь оператора и машины, называют терминалом. Наборы ключевых слов или понятий, подобные тем, что в нашем примере появились на экране дисплея, называют дескрипторами, а всю систему диагностического описания, использованную для диалога с машиной – тезаурусом.

Успех работы подобной системы зависит прежде всего от правильности выбора дескрипторов, полноты тезауруса, с одно» стороны, и его краткости – с другой. Чем точнее построена система смысловых понятий тезауруса, тем легче и быстрее составляется текст заключения.

С помощью хорошо составленных дескрипторов можно изложить до 90% содержания протоколов. Оставшиеся 10% содержания характеризуются нестандартными признаками, которые не удается описать с помощью ключевых слов. Их вводят и воспроизводят свободным текстом. Для этого во всех системах автоматической записи предусмотрена буквенная клавиатура, аналогичная клавиатуре обычной пишущей машинки.

Несмотря на то, что подобные устройства для составления рентгенологического заключения разрабатываются рядом ведущих зарубежных фирм, их применение ограничено главным образом из-за весьма скромных возможностей выбираемых дескрипторов и относительной сложности овладения интерактивным диалогом с ЭВМ.

Следует отметить, что эффективное использование информационно-поисковых систем на основе ЭВМ возможно лишь при рациональной организационной перестройке структуры лечебного учреждения – приспособлении ее к возможностям вычислительной машины. Недоучет этого важного обстоятельства неизбежно приводит к тому, что ЭВМ становится всего лишь ненужным придатком регистратуры и не приносит экономической выгоды.

Квантование и запись цифрового изображения

Как уже отмечалось в гл. 4, обработка изображения – это приведение оптического изображения к виду, в максимальной степени облегчающему оператору его анализ. Необходимость обработки и ее характер определяются типом интроскопического изображения и конкретной задачей анализа. Отметим еще раз, что никакая обработка изображения в принципе не может увеличить информацию, в нем имеющуюся. По словам Н. Винера, «никакая операция над сообщением не может в среднем увеличить информацию».

Таким образом, обработка нужна лишь для выделения той части информации, которая необходима для анализа изображения, или иначе говоря для исключения из него избыточной ненужной информации.
Естественно, что до всяких цифровых преобразований в ЭВМ изображение должно быть превращено в цифровую форму – квантовано и введено в память машины. Для современного уровня вычислительной, техники построение долговременной памяти соответствующего объема для хранения интроскопических изображений, применяемых для медицинских целей, не представляет больших трудностей. Иное дело процесс квантования и записи в память таких изображений. Здесь по требованиям к быстродействию систем в ряде случаев мы приближаемся к пределу современных технологических возможностей.

Приемлемой по скорости записи явилась бы система, позволяющая записывать динамические, т. е. изменяющиеся во времени изображения в реальном временном масштабе, как, например, это делается в телевидении, где скорость записи составляет ~25 кадров в секунду. В некоторых случаях при исследовании динамики быстро протекающих в организме процессов, например, движения крови по коронарным сосудам сердца, нужна еще большая скорость.

Запись и квантование многих интроскопических изображений при такой скорости возможны лишь за счет некоторой потери качества. Для этих целей применяются телевизионные передающие трубки со стандартным (625) или повышенным (1249) числом строк разложения. Электрический телевизионный сигнал поступает на аналого-цифровой преобразователь АЦП, в котором производится превращение аналогового телевизионного сигнала в дискретную цифровую форму. Затем осуществляется запись его в электронную память.В настоящее время уже существуют системы такой телевизионной записи со скоростями до 25 кадров в секунду с числом строк разложения до 1249.

Для ввода в ЭВМ статического изображения, предварительно записанного на фотопленку, применяются сложные системы считывания с помощью точечного светового луча, обегающего изображение строка за строкой. Модулированная элементами изображения яркость точечного источника света регистрируется фотоэлектронным умножителем и в виде электрического сигнала поступает в АЦП. Сужая луч света, в частности используя излучение лазера, можно добиться весьма высокого пространственного разрешения при широком диапазоне передаваемых яркостей. Реализация подобного устройства достаточно сложна, время записи часто чрезмерно велико.

Для большинства интроскопических медицинских изображений одним из основных требований является максимальное снижение дозы воздействующего на объект исследования излучения. Следует понимать, что всякое увеличение пространственного разрешения за счет уменьшения размеров единичной ячейки разложения (речь идет о записи изображения непосредственно в процессе исследования) при прочих равных условиях неизбежно ведет к пропорциональному возрастанию дозы.

При цифровой записи изображения главной задачей является передача по возможности полно всей информации, содержащейся в изображении, за минимальное время при минимальном расходе объема памяти ЭВМ.

Большинство изображений вообще и практически все медицинские изображения в частности обладают двумя существенными свойствами:

1. Количество информации в каждом конкретном изображении существенно меньше, чем тот объем, в котором выражается любое изображение данного качества. Конкретная рентгенограмма легких, например, содержит вовсе не 4-107 бит информации, а во много раз меньше.
2. Количество информации в каждом конкретном изображении существенно больше той информации, которая необходима оператору для анализа. Если рентгенолог исследует, например, легкие, ему часто не нужно рассматривать изображение сердца, ребер, позвоночника, ключицы и т. д.

Первое упомянутое свойство изображений позволяет искать пути экономичного кодирования и аппроксимации изображений, выражаемых в цифровом виде. Второе свойство определяет полезность и необходимость последующей их обработки с целью выделения информативных признаков.

Принципиальная возможность экономичного кодирования иллюстрируется следующим примером. Представим себе, что необходимо записать в цифровой форме изображение органа возможная патология которого выражается некоторым изменением постоянного уровня плотности. Близкими свойствами обладает, например, рентгенограмма молочной железы. Если записывать в цифровой форме маммограмму обычным способом потребуется память объемом несколько мегабит. Однако можно, организовать кодирование такого изображения с использованием значительно меньшего объема памяти, воспользовавшись однотипностью подобных изображений. Достаточно записывать, в каждой ячейке не абсолютное значение яркости, а разность, яркости между предыдущей и последующей ячейками изображения. Это так называемое кодирование с предсказанием. Вся информация, содержащаяся в изображении, будет полностью определяться значением яркости в одной точке и последовательностью разностей во всех остальных. Если учесть, что яркость большинства точек почти одинакова, а разница в яркостях имеет место только в ограниченной зоне патологии, становится ясно, что при записи мы во много раз сэкономим объем памяти. Можно еще больше сэкономить этот объем, если записывать не каждую ячейку изображения, а серии одинаковых по яркости ячеек, указывая адрес первой и последней ячейки. Такой способ называется кодированием длин или концов серий.

Возможны и многие другие экономичные виды кодирования, например с изменяющимся кодом, с кодированием геометрии области патологий, математическим кодированием контуров, подробно исследованные в теории передачи информации. Пользуясь специфическими особенностями некоторых медицинских изображений применяют несколько приемов, повышающих экономичность и таких процедур записи как дискретизация или квантование.

Вместо равномерного разбиения уровней яркости изображения на оцифрованные значения иногда оказывается целесообразно применить переменный шаг квантования. Это выгодно, например, для компенсации искажений сигнала в телевизионной трубке в области высоких значений яркости или в таких изображениях, где патология располагается на определенном яркостном уровне.

Возможно реализовать квантование с переменным шагом в зависимости от особенностей изображения. Например, поскольку глаз относительно мало чувствителен к изменениям яркости вблизи резких контуров, в этих областях достаточно грубое квантование.

Точно также можно поступать и при разбиении изображения на ячейки – дискретизации, задавая размеры ячеек неравномерно. С помощью неравномерной дискретизации компенсируют масштабные искажения, дисторсию телевизионной системы. Допустимо применять более грубую дискретизацию в тех областях изображения, которые менее важны для анализа.

Дискретизацию с переменным шагом в областях резких контуров целесообразно делать более точной в отличие от квантования.

При дискретизации и квантовании удобно совмещать аналоговые, в частности телевизионные методы разделения высоких и низких частот, выделения контуров.

Выделение информативных признаков

Обширные возможности современных ЭВМ обеспечивают широчайшие возможности математической обработки медицинских изображений. В машину вводится изображение, дискретизированное и квантованное одним из упомянутых выше методов, т. е. представленное в виде массива цифровых данных. В различных методах обработки изображения оно интерпретируется в совершенно различных формах. При аналоговых телевизионных методах обработки изображение представляется в виде набора одномерных временных последовательностей, где каждому значению времени t соответствует координата «х» по строке и «у» по номеру строки. При использовании когерентных методов обработки изображение приводится к распределению энергии и частоты световых волн в фокальной плоскости Фурье образа..
В цифровых методах под изображением понимается плоская матрица m вещественных неотрицательных элементов п, в каждом из которых функция В (яркость) может принимать любое значение из конечного набора величин, т. е. квантоваться. Задачи, которые решаются с помощью цифровой обработки медицинских изображений, могут быть сформулированы следующим образом:

1. Выделение информативных признаков.
2. Пространственные и плотностные измерения.
3. Восстановление изображений.

Математические методы решения перечисленных задач достаточно подробно разработаны в отрасли науки, посвященной распознаванию и анализу изображений, поэтому в настоящей работе имеет смысл говорить лишь об особенностях этих методов, определяемых спецификой медицинских задач.

Большинство медицинских изображений характеризуется высокой степенью зашумленности и крайней сложностью сюжета. При их анализе с позиций раннего выявления патологии диагноста чаще всего интересуют малые перепады контраста в зоне высоких частот, т. е. как раз те области, где влияние шума наиболее велико. Таким образом, одной из основных целей обработки медицинских изображений должно явиться усиление малых перепадов контрастов и выделение высоких частот.

Экспериментальные исследования пространственных частотных спектров медицинских изображений показывают отсутствие четко выраженного максимума для изображений разных органов в различных интроскопических методиках. Верхняя граница частот в большинстве случаев определяется не физиологической структурой органа, а физическими возможностями метода интроскопии.

При прямой рентгенографии, например, желудка достигается частота 0,4 мм-1, легких 0,2 мм-1, сердца и тонкого кишечника 0,5 мм-1, костной ткани 2 мм-1, микрокальцинатов молочной железы 4 мм-1. При ультразвуковой диагностике, термографии или радионуклидной диагностике значения частот на изображении оказываются в несколько раз ниже.

Следует иметь в виду, что информация, содержащаяся в изображениях разных видов излучения, носит принципиально различный характер. Иными словами частота 0,2 мм-1, полученная при ультразвуковой диагностике, соответствует совершенно иному качеству объекта, чем, скажем, та же частота на рентгенограмме.

Выделить верхние частоты на изображении можно несколькими математическими приемами:

1. Используя преобразование Фурье вычисляют пространственный частотный спектр изображения, затем амплитуды предельных частот умножают на весовые коэффициенты и производят обратное преобразование.
2. Производят подчеркивание контуров дифференцированием изображения (целесообразнее всего в направлении наиболее быстрого изменения яркости).
3. Производят автокорреляционное преобразование изображения.

Любой метод выделения пространственных частот одновременно подчеркивает и шумовые флюктуации в соответствующем частотном диапазоне. Между тем снижение шума – один из; наиболее эффективных методов повышения контрастной чувствительности. Простейшим методом сглаживания шума является усреднение сигнала по окрестности элементов. Оптическим эквивалентом этого численного метода является простое расфокусирование изображения. Естественно, снижая уровень шума, такой метод ухудшает пространственное разрешение. Его можно применять только совместно с другими нелинейными преобразованиями, использующими специфику конкретного типа изображения, например, при одновременном подчеркивании отрезков прямых линий для случая исследования контрастированных кровеносных сосудов.

Более эффективным, но, к сожалению, далеко не всегда применимым в медицине (в связи с неизбежным увеличением дозы облучения) является метод усреднения по нескольким копиям изображений одного и того же объекта. Это эквивалентно простому увеличению времени накопления или сложению нескольких изображений одного и того же объекта. Выравнивание шума здесь достигается путем суммирования случайных шумовых флюктуаций.

Аналогичный эффект достигается при вычитании (субтракции) двух изображений. Этот метод для медицины имеет особое значение, поскольку в некоторых случаях не только снижает уровень шума, но одновременно резко упрощает анализ изображения. Имеются в виду прежде всего функциональные исследования, при которых можно получить изображение органа в разные фазы его жизнедеятельности: легких, сердца, почек, печени, желчного и мочевого пузыря, желудка и пищевода, кровеносных сосудов. Резкого повышения контрастной чувствительности в ангиографии удается достигнуть с помощью цифровой обработки, состоящей в последовательном вычитании каждого следующего изображения из первоначального – того, когда еще контраста не было. Все одинаковые изображения вычитаются, сглаживается шум, а движение даже слабого контрастного вещества по сосуду становится отчетливо видимым. Такие устройства во многих случаях позволяют заменить госпитализацию коротким и безопасным амбулаторным исследованием.

Лучевая нагрузка при таком методе ангиографии лишь не намного превышает уровень, получаемый при обычной рентгеноскопии с УРИ. В системах для цифровой ангиографии могут предусматриваться дополнительные программы обработки, обеспечивающие точное пространственное совмещение двух сравниваемых изображений, выделение верхних пространственных частот, измерение площадей и объемов.

Вычитание двух изображений может оказаться весьма результативным при любых интроскопических исследованиях с применением искусственного контрастирования, а не только в ангиографии, например, при бронхографии, исследованиях желудочно-кишечного тракта, мочевого пузыря и ряда других органов. Количественный анализ функции исследуемого органа удобно производить вычитанием двух изображений, выполненных при радиоизотопной диагностике с помощью гамма-камеры. Субтракция позволяет исключить из изображения некоторые мешающие элементы, в частности изображение отсеивающей решетки, используемой при рентгенографии для снижения вредного воздействия рассеянного излучения на контраст изображения. Помимо вычитания двух изображений для выделения информативных признаков может оказаться полезным вычитание из изображения постоянной составляющей. Это имеет смысл делать в тех случаях, когда патология ожидается в определенной зоне изображения и характеризуется некоторым уровнем яркости, например, при маммографии. Иногда имеет смысл увеличить или ослабить яркость изображения. Это при цифровой обработке осуществляется умножением или делением яркости каждой ячейки на постоянный коэффициент.

В последние годы математические методы обработки изображений развиваются весьма интенсивно, созданы методы оптимальной линейной фильтрации, оптимального обнаружения контура, сужения линий и ряд других. Подробное рассмотрение этих вопросов выходит за рамки настоящей работы. Отметим
лишь, что для повседневной работы врача-диагноста с цифровыми изображениями имеет смысл в полутоновом дисплейном терминале предусматривать достаточно ограниченное количество наиболее результативных методов обработки, требующих минимальных затрат времени: вычитание постоянной составляющей, умножение и деление на постоянный коэффициент, сложение и вычитание нескольких изображений, выделение верхних пространственных частот.

Пространственные и плотностные измерения

При медицинской диагностике часто оказывается полезным провести ряд линейных измерений на изображении, что особенно важно при планировании хирургического вмешательства, лучевой терапии, криогенного воздействия. Иногда соотношение размеров органов позволяет определить их патологические отклонения: размеры легких и сердца и их соотношения, разница размеров в различных фазах дыхания и сердечного цикла, изменение толщины паренхимы почек. Такие измерения программно легко реализуются при интерактивном диалоге с ЭВМ с помощью маркера, которым отмечают точки замеров.

В программу несложно ввести масштабные коэффициенты, определяемые геометрией исследования. При измерении площадей также можно использовать маркер, обводя им интересующую зону. Однако эта процедура достаточно трудоемка при сложных формах органа. В таких случаях рационально использование специальной программы обработки, аналогичной описанным выше и позволяющей выделить контур исследуемой области.

Используя физические закономерности взаимодействия применяемого при исследовании излучения с тканями, можно по заданной площади рассчитать объем. В частности, если при рентгенологическом исследовании сердца принять, что ослабление излучения происходит по экспоненциальному закону, то задаваясь постоянным коэффициентом ослабления ткани сердца, измеряя изменение яркости по площади сердца, методами численного интегрирования можно рассчитать его объем с приемлемой точностью, как это делается в некоторых системах цифровой ангиографии.

Многочисленные измерения объема, скорости кровотока, функции выведения производятся с помощью ЭВМ при функциональных методах радиоизотопной диагностики.

Для сравнения изображений друг с другом, в частности при описанной выше субтракции, очень важным оказывается точное совмещение нескольких изображений друг с другом. Для этого  используются программы параллельного сдвига и поворота. Для автоматического программного совмещения на изображении ищутся так называемые опорные точки, от которых ведется отсчет положения. В медицинских изображениях удобно пользоваться естественной симметрией человеческого организма. Средняя линия изображения черепа, например, может строиться по треугольнику: центры глазных впадин – центр носового отверстия. Достаточно точной симметрией обладают и слуховые отверстия. Для изображения грудной клетки симметричными точками являются верхушки ключиц, а вертикальная линия может быть определена по середине изображения позвоночника и т. д. Такая ориентация для изображений одного вида может задаваться автоматически при использовании методов выделения признаков, описанных выше.

При количественных измерениях яркости или плотности изображения важным условием является статистический анализ измеряемых величин. Несложные программы позволяют определить среднее значение по области, дисперсию, отношение сигнал–шум, графически изобразить распределение плотности по заданной линии. Полезной процедурой является изменение ширины окна, при котором на экране дисплея выделяются только те зоны, которые соответствуют яркости в выбранном диапазоне значений. При этом диапазон, выбранный оператором, растягивается по всей полутоновой шкале экрана от белого до черного, облегчая восприятие малых градаций яркости.

Для ускорения анализа изменения плотностей на изображении применяют цветовое кодирование с помощью цветных ВКУ, когда каждому уровню яркости присваивается свой цвет. Благодаря тому, что глаз в цвете различает значительно больше градационных изменений, чем в черно-белом изображении, раскрашивание в ряде случаев облегчает и убыстряет работу оператора.

Автоматический анализ медицинских изображений

Задача автоматического анализа медицинских изображений является особенно актуальной в условиях проведения обязательного диспансерного обследования всего населения нашей страны. Ее решение должно радикальным образом трансформировать весь процесс «скрининга» отбора пациентов с отклонением от нормы и принести значительный экономический эффект народному хозяйству. Достаточно сказать, что в нашей стране ежегодно проводится более 120 млн профилактических флюорографических исследований органов грудной клетки, на это расходуется около 20 млн погонных метров пленки и труд нескольких тысяч рентгенологов. Несмотря на сравнительно скромные успехи в этой области, накоплен уже значительный как положительный, так и отрицательный опыт, анализ которого позволяет сформулировать основные направления перспективных исследований и очертить возможные результаты.

Под автоматическим анализом в медицинской диагностике понимается частный случай распознавания изображений, называемый автоматической классификацией, т. е. отнесение изображения к определенному классу, например: норма, патология либо конкретный тип патологии. Математическая суть классификации есть отыскание некоторой функции, отображающей множество изображений во множество, элементами которого являются классы изображений. В большинстве случаев процесс автоматической классификации изображений проводится в три этапа:

1. Предварительная обработка, состоящая в максимальном приближении исследуемого изображения к эталонному или нормализованному. Чаще всего для медицинских изображений это пространственно инвариантные операции, рассмотренные в разделе 5.3, сдвиг, изменение яркости, изменение контраста, квантование и геометрические преобразования: изменение масштаба, поворот оси. Теория этих преобразований хорошо разработана, а их реализация, как правило, не вызывает трудностей при использовании современных ЭВМ и оптических методов.
2. Выделение признаков, при котором функция, представляющая обработанное изображение, подвергается функциональному преобразованию, выделяющему ряд наиболее существенных признаков, которые кодируются действительными числами или элементами некоторого формализованного языка описания объекта. Выделение признаков заключается в математических преобразованиях изображения с целью компактного описания исследуемого объекта, например, описание из эталона, вычитание контуров в виде цепочных кодов, формализованное описание остовов замкнутых областей и многие другие.
   Правильный выбор алгоритма обработки имеет решающее значение для следующего этапа преобразования и представляет наибольшую трудность. Отличие этого этапа от цифровых методов обработки, описанные в разделе 5.3, состоит в том, что в результате ее стремятся выделенные признаки характеризовать набором действительных чисел.
3. Классификация признаков. Полученные в результате предыдущей операции информативные признаки используются для классификации изображения, т. е. отнесения его к одному из известных видов, например, «норма» или «патология». Набор из п признаков, задающих классифицируемый объект, при этом можно рассматривать как точку в n-мерном пространстве. Если это пространство признаков предварительно разделено на области, занимаемые тем или иным классом, появляется возможность с известной вероятностью отнести данное изображение к определенному классу.

Медицинские изображения, получаемые при рентгеновской, изотопной либо ультразвуковой диагностике, обладают рядом общих признаков, важных для проблемы автоматической классификации, Это прежде всего: 1) отсутствие эталона нормы из-за индивидуальных особенностей каждого организма; 2) отсутствие эталона патологии при огромном разнообразии ее форм.

Эти два обстоятельства чрезвычайно затрудняют выполнение двух последних этапов автоматической классификации и подчас вообще делают решение задачи невозможным с помощью современного уровня техники. Говорить о сколько-нибудь полной автоматической классификации при дифференциальной диагностике пока еще преждевременно. Речь может идти только о предварительном отборе по принципу норма–патология, экономически обоснованном лишь для тех случаев, когда проводится массовое диспансерное обследование с помощью ультразвука, флюорографии, маммографии. Следует ожидать значительного возрастания роли ультразвуковых исследований в ближайшем будущем, прежде всего благодаря полной безвредности метода.

Опыт предыдущих исследований показывает также, что ставить задачу автоматического анализа привычных для диагноста изображений в большинстве случаев не имеет смысла. Необходимо создавать специальные условия формирования изображения, которые бы облегчали прежде всего выполнение второго этапа анализа. А в ряде случаев эти условия имеются:

1. Функциональная диагностика. Здесь в первую очередь необходимо использовать такую важную особенность многих органов, как их функциональная подвижность. Возможность регистрации органа в нескольких его различных фазах позволяет получить эталон, которого так не хватает при анализе. Вычитая изображение 2–4 фаз, можно избавиться от фона, многократно уменьшить количество анализируемой информации и перейти от исследования изображения органа к исследованию его функции, что во много раз проще, поскольку позволяет непосредственно обратиться к выделению количественных признаков.
   При профилактическом исследовании легких принципы функциональной диагностики подробно разработаны проф. И. С. Амосовым. Предложенная им серийно выпускаемая рентгенополиграфическая решетка позволяет на одной рентгенограмме получить изображение двух фаз легких и тем самым осуществить, квазисубтракцию изображений. Еще одним примером устройства для получения функциональных изображений является много лет используемая рентгенокимография, где также широко применяется количественный анализ признаков. Достаточно полную количественную информацию о динамике сердечных сокращений содержит серия кинокадров сердца, снятых с большой скоростью с экрана усилителя рентгеновского изображения.
2. Искусственное контрастирование. Существует еще одна форма получения эталона – искусственное контрастирование. Широко известны динамические и апостериорные субтракторы применяемые при церебральной и кардиологической ангиографии. Для всех этих методов на основе субтракции может быть разработан алгоритм автоматического анализа с помощью существующих ЭВМ той или иной сложности. Примерно такими же свойствами обладают радиоизотопные изображения, полученные с помощью гамма-камеры и некоторые ультразвуковые, в частности, допплеровские. Их главное достоинство с позиций автоматического анализа – отсутствие мешающих теней и возможность количественной интерпретации функции органа.
3. Анализ контура. Доступной для современного уровня вычислительной технологии формой выделения признаков является группа патологий, связанная с изменением контура исследуемого органа. К сожалению, таких патологий немного. Известны методики диагностики по контуру сердца и его контрастированных внутренних камер. Для весьма ограниченной группы патологий подобные методики возможно использовать при получении контрастированного контура пищевода и желудка.
4. Количественное определение патологии. И, наконец, в некоторых случаях патология органа может быть однозначно выделена на изображении количественно. Таких случаев также немного. К ним можно отнести попытки количественной оценки патологии на маммографическом изображении. Гораздо больше возможностей подобного рода представляет радионуклидная диагностика и вычислительная томография: рентгеновская, эмиссионная и на основе ядерного магнитного резонанса.
5. Сравнение с предыдущим исследованием. Этот прием может оказаться особенно эффективным при периодических профилактических обследованиях. Вычитание изображения, сделанного, например, через год при ежегодном диспансерном обследовании из предыдущего, позволяет с высокой степенью достоверности выделить произошедшие за истекший период изменения при условии идентичности геометрических и физико-технических условий проведения исследования. Подобный метод возможен лишь при организации автоматизированного архива изображений, обеспечивающего удобный и быстрый поиск и ввод их в ЭВМ. Разумеется, такой автоматический отбор патологии возможен только после врачебного исследования первичного изображения и отнесения его к норме.

Подводя итог вышесказанному, следует резюмировать, что наиболее актуальными задачами автоматического анализа изображений следует считать создание системы отбора патологии при массовых рентгеновских профилактических обследованиях органов грудной клетки, желудочно-кишечного тракта и молочной железы женщин, ультразвуковых исследованиях почек, желчного и мочевого пузыря.
Для решения подобной задачи необходимо разработать методики получения изображений с использованием функциональной подвижности органов и аппаратуру для их реализации. При создании аппаратуры следует отказаться от традиционных пленочных регистраторов и в максимальной степени учитывать аппаратурные возможности предварительной нормализации изображений и выделения признаков. Параллельно с разработкой аппаратуры следует вести разработку статистически обоснованных алгоритмов классификации признаков для достижения высокой достоверности анализа.

Принципы построения аппаратуры для цифровой обработки изображений

Приборы цифровой обработки медицинских изображений предназначены для решения широкого круга задач, отличающихся по требованиям к разрешающей способности и производительности, формату и объему регистрируемых данных, характеру их обработки. В то же время большинство операций обработки изображений в диагностическом отделении могут быть сгруппированы в совокупности базовых операций, таких, как буферизация, хранение и документирование данных, обработка и анализ изображений, отображение, передача и сжатие видеоданных. Эти задачи характерны почти для всех типов диагностической аппаратуры медицинского диагностического отделения. Существуют также несколько специфических для различных типов приборов операций обработки: формирование изображений и управление процессами ввода информации; передача данных к приборно-зависимому процессору; вывод изображений и управление процессом вывода.

Следовательно, станции цифровой обработки изображений в; диагностическом отделении должны быть оборудованы рядом общих, а также приборно-зависимых аппаратных и программных модулей для обработки изображений и управления процессом обработки.

Для того чтобы обеспечить гибкость приспособления аппаратуры цифровой обработки изображений для решения различных медицинских задач, а также возможность ее развития по мере освоения новых технических решений, возникающих непрерывно, современные станции цифровой обработки изображений должны строиться по модульному принципу.

Организация оперативной обработки изображений с использованием традиционных структур, базирующихся на универсальных ЭВМ, в большинстве случаев не может обеспечить, достаточной производительности из-за больших объемов перерабатываемой информации. В то же время многие характерные операции над изображениями могут быть реализованы на специализированных процессорах с параллельной архитектурой, способных резко увеличить скорость обработки по сравнению с универсальными ЭВМ.

Задачи обработки изображений могут быть разделены на 2 класса: обработка изображений низкого уровня и анализ изображений. В задачах I класса выходные данные обычно представляют собой матрицу, подобную входной. Обработка может включать алгоритмы восстановления, подавления шума, геометрической коррекции, извлечения простейших признаков, подчеркивание деталей. Такие задачи легко решаются компьютерными структурами типа ОКМД (одиночный поток команд, множественный поток данных) и большинство спецпроцессоров имеет подобную архитектуру. Задачи II класса предполагают классификацию сегментов или признаков изображения на известные классы или комбинацию сегментов или деталей изображения для построения сложного объекта. Здесь используется обычно техника распознавания образов или искусственного интеллекта. В этих случаях от матрицы пикселов переходят обычно к рассмотрению более удобных для анализа сегментов изображения структур данных, таких как совокупности параметров, цепочные коды и т. п. Алгоритмы классификации часто используют последовательности данных для распознавания, которые могут быть обработаны независимо и параллельно. Такие задачи, включающие много независимых операций на общей базе данных, удобно реализовать на МКМД (множественный поток команд, множественный поток данных) параллельной структуре.

Существуют различные способы построения параллельных спецпроцессоров для обработки изображений. Большинство архитектур для обработки изображений низкого уровня имеют характеристики, позволяющие автоматически выполнить идентичные операции над всеми элементами матрицы за фиксированный отрезок времени. Эти архитектуры могут быть разделены на три типа: матричные процессоры, конвейерные процессоры, блоки специальных функций.

Для достижения высокой производительности может быть использован матричный процессор, в котором параллелизм реализуется путем выполнения одной команды над матрицей данных. Матричный процессор представляет собой матрицу идентичных процессорных элементов (ПЭ), число которых в пределе стремится к числу элементов матрицы изображения. Каждый элементарный вычислительный элемент может представлять собой недорогой микропроцессорный модуль. Все данные в ПЭ имеют ширину в 1 бит и каждый ПЭ связан с смежными. Основная особенность матричных систем вытекает из последовательной битовой архитектуры ПЭ и схемы соединения с ближайшими соседями.

Последовательная битовая архитектура допускает гибкий формат данных по числу уровней квантования и делает матричные процессоры очень эффективными по отношению к использованию ресурсов системы. Многие алгоритмы обработки изображений требуют комбинации данных внутри локальных областей, схема соединения соседних элементов позволяет это сделать. Фундаментальными командами для ПЭ являются булевы (операции, операции соседства, рекурсивные операции соседства. Арифметические операции могут быть организованы специальной последовательностью команд. Матричные процессоры очень производительны при выполнении 8-битовых операций, они позволяют выполнить 6,5 биллионов сложений в секунду или 1,8 биллионов умножений в секунду.

Для реализации алгоритмов низкого уровня иногда конвейерный процессор представляет собой более простое решение, чем матричный. В конвейерном процессоре данные об изображении в формате сканирования помещаются из буферной памяти в соединенные последовательно обрабатывающие фазы. Функция каждой фазы задается управляющей ЭВМ через шину команд. Однажды установленная, фаза обработки выполняет идентичные операции над каждым элементом последовательности данных. Фаза обработки может быть использована для выполнения локальных операций с помощью процессора ближайшего соседства. Конвейерный процессор имеет то преимущество, что может быть соединен непосредственно с источником сигнала. Другим преимуществом является простота информационных связей между фазами обработки, а поскольку выполняемая команда сохраняется на шине в течение многих циклов, не требуется быстрый контроллер.

Как матричный, так и конвейерный процессоры очень удобны для БИС-технологии, так как они состоят из большого количества идентичных модулей. Кроме того, все связи между кристаллами очень короткие, в связи с этим не возникает проблем при увеличении числа обрабатывающих элементов.

Для решения задач средней скорости обработки возможно использование блоков специальных функций (БСФ). Каждый блок является аппаратной реализацией алгоритма обработки изображений или в некоторых случаях такой блок выполняет несколько последовательно связанных функций. Система обычно состоит из ряда БСФ и быстрой памяти изображений, связанных через быструю шину. Изображения последовательно обрабатываются БСФ, которые могут быть соединены в линию, а результаты обработки возвращаются в быструю память. Многие функции обработки изображений (дискретное преобразование Фурье, томографическая реконструкция) могут быть описаны рядом идентичных последовательных операций внутри некоторой матрицы элементов изображения. Для аппаратной реализации свертки разработаны так называемые систолические структуры, которые включают конвейер аппаратно реализованных локальных операций линейной свертки.

В последние годы большой интерес привлекает разработка параллельных процессоров МКМД с параллельным потоком команд и параллельным потоком данных. Такая система может быть реализована на серии независимых процессоров, связанных между собой и разделяющих общую память. Процессоры обычно имеют локальную память и связаны друг с другом при большом количестве процессоров сеть соединений, связывающая процессоры с распределенной памятью, представляет большие трудности для конструирования. Основное преимущество МКМД схемы перед ОКМД проявляется при решении задач понимания изображений. Например, сегменты изображения, содержащие различные объекты, могут параллельно обрабатываться рядом процессоров. Однако организация технических средств менее удовлетворительна для МКМД систем, требующих большего числа контроллеров по сравнению с ОКМД.
В связи с тем что не все операции обработки изображений могут быть аппаратно реализованы, по-прежнему актуально повышение производительности центрального процессора. Одна из возможностей – введение в систему адресного процессора (АДП). Включение АДП между универсальным процессором и памятью подсистемы отображения позволяет преобразовать линейную структуру данных ОЗУ процессора в необходимую структуру данных видеопамяти и эффективно поддерживать обрабоку, значительно сократив затраты на пересылки и формирование необходимой структуры.

Архитектура современного комплекса для обработки медицинских изображений должна базироваться на следующих положениях:

• иерархическая структура функций обработки;
• разделение функций обработки между модулями системы;
• параллельная обработка;
• масштаб времени близкий к реальному.

Иерархическая функциональность. Программное обеспечение системы имеет иерархическую структуру функций управления я обработки. С точки зрения '(пользователя различают уровни доступа центрального процессора на верхнем уровне, затем следуют уровень контроллеров и уровень функциональных модулей системы.

Центральный процессор доступен для пользователя на уровне функций обработки изображений, управления прикладным^ функциями, управления базой данных и управления интерфейсом коммуникационной сети диагностического отделения.

Системный контроллер устанавливает связь между центральным процессором, периферийными устройствами и модулями обработки изображений, а также параллельными процессами внутри обрабатывающих модулей.

Функциональные модули фактически выполняют функции обработки изображений.

На каждом уровне системы обработки изображений программное обеспечение имеет иерархическую многоуровневую структуру. Начиная с верхнего уровня, это прикладной, управляющий, выполняющий (операционная система) и уровень драйверов. Иерархическая структура значительно упрощает разработку прикладных системных программ, основанных на применении функциональных модулей системы: вначале создаются программные блоки для функциональных модулей, так называемые примитивы, из которых затем складываются процессы обработки, которые вызываются директивами управляющей машины. Прикладной программист должен знать лишь протокол и формат директив. Аппаратнозависимые функции реализуются на уровне драйверов, более высокие программные уровни оказываются независимыми от аппаратной реализации. При включении в систему новых функций обработки меняются только прикладной и управляющий уровни.

Разделение функций обработки является основополагающим принципом аппаратных и программных модулей системы обработки изображений. Кроме того, двухшинная система, состоящая из системной и быстрой шины изображений, позволяет разделить задачи низкоскоростного управления и высокоскоростной параллельной обработки и передачи изображений.

Быстрая шина памяти в свою очередь может быть функционально разделена на адресную шину, шину данных, шину синхронизации, шину логического управления и т. д.

Примером разделения функций могут служить модули памяти, спецпроцессоры и их контроллеры, системный контроллер.

Примерами разделения функций программных модулей системы являются системные диагностические процедуры, связь с центральным процессором, управление операциями обработки изображений, динамическое распределение физических ресурсов.

Параллельная обработка заключается в параллельном выполнении операций обработки внутри функциональных модулей, одновременном выполнении различных операций над изображениями, например совмещение во времени операций ввода/вывода и обработки.

Масштаб времени близкий к реальному. В более общем смысле слова означает, что пользователь не ощущает задержки между командой и результатом ее выполнения.

В реальном масштабе времени могут выполняться поточечные преобразования яркости и поточечные арифметические и логические операции над 2 изображениями, реализуемые с помощью функциональных таблиц перекодировки и высокоскоростных схем ввода и вывода изображений.

Для обеспечения реального масштаба времени более сложных операций требуется очень мощный спецпроцессор обработки изображений. На рис. 60 приведена типичная структура комплекса для обработки изображений. Комплекс включает управляющий центральный процессор, устройства хранения и отображения, специализированные модули обработки, системный контроллер, блок формирования изображения. Исключая модули ввода и вывода, все блоки универсальны и независимы от способа формирования изображения.

Рис. 60. Структура комплекса для цифровой обработки медицинских изображений

Блок формирования изображений предназначен для ввода видеоданных с регистраторов физических полей и отображение их на экране монитора.

Модуль оперативного хранения изображений предназначен для регистрации со скоростью поступления входных данных от детекторов статических и динамических процессов. Формат изображений может изменяться от 64X64 до 1024X1024 (в перспективе до 4096X4096), разрядность от 6 до 16 бит. Скорость регистрации динамических процессоров колеблется от 25 до 50 кадров/с. Объем памяти, требуемой для регистрации динамических процессов, например, цифровой субтракционной ангиографии, достигает 64 Мбайт.

Центральный процессор обеспечивает управление работой вычислительных и периферийных средств комплекса.

Интеллектуальный периферийный процессор обеспечивает освобождение центральной процессорной части от непроизводительных затрат времени по работе с периферийными устройствами, а также для обеспечения доступа пользователя к системным ресурсам.

Специализированные процессоры, выполняющие функции обработки, выбираются в зависимости от характерных для данного комплекса вычислительных задач.

Интерфейсный модуль связи с ЛВС обеспечивает связи комплекса с локальной вычислительной сетью диагностического отделения, подключение к системам архивирования.

В качестве примеров систем для обработки медицинских изображений можно привести систему Magisean (фирма Joyce Loebl), Mipron (фирма Contron), Pericolor (фирма Numelec–Comef).

Большое разнообразие разработанных устройств анализа изображений требует решения важного вопроса их программной и модульной совместимости. Предпринимаются попытки решить эту проблему путем создания соответствующих стандартов на драйверы и интерфейсы приборов по обработке изображений (стандарт GCS) [102], на способы построения систем передачи и архивирования изображений – PACS (Picture Archiving and Communication Systems).

PACS представляет собой систему архивного хранения и передачи изображений на базе ЭВМ. PACS осуществляет поиск и хранение изображений в цифровой форме для нескольких различных видов медицинских изображений, включая компьютерную томографию, цифровую рентгенографию, цифровую субтракционную ангиографию, изображения ЯМР.

Современная система PACS включает контроль отображения и манипуляции с изображением, систему цифрового хранения данных, приборы формирования и обработки цифровых изображений различных типов, локальные вычислительные сети. В функции PACS входит передача изображения в любую часть лечебного учреждения без необходимости его физического копирования и транспортировки; прямой доступ к архиву изображений; одновременный доступ к архиву врачей и медицинского персонала различных специальностей; организацию централизованной консультативной системы, позволяющей сравнивать результаты различных исследований; обмен информацией между лечебными учреждениями.
Концепция разработки и эволюции систем PACS позволяет разрабатывать подобные системы для лечебных учреждений, имеющих самую различную конфигурацию, ориентацию, лечебную загрузку, обеспечивая большую степень гибкости и возможность использования имеющегося парка приборов по обработке изображений и локальных вычислительных сетей.

Главными вопросами при разработке PACS являются вопросы совместимости различных комплексов по обработке изображений и локальных вычислительных сетей. Для решении этих вопросов разрабатывается стандарт «ACR-NEMA Digital Imaging and Communication Standart», регламентирующий формат представления изображений, протокол обмена между приборами, объединенными в PACS. Стандарт ACRNEMA обеспечивает совместимость приборов и гибкость построения системы, со* держит подход поэтапной разработки PACS – его эволюции от простого к сложному.