Cap. 4 Tehnici de procesare a imaginilor biomedicale

Cap. 4 Tehnici de procesare a imaginilor biomedicale
Cap. 4 Tehnici de procesare a imaginilor biomedicale
Imaginile medicale sunt obţinute prin tehnice avansate, pe baza răspunsului
organismului la interacţiunea cu factori fizici în funcţie de caracteristicile anumitor
ţesuturi, convertite în grade de luminozitate (culori asociate convenţional sau în mod
uzual nuanţe de gri). Diferenţe mai mari între caracteristicile ţesuturilor conduc la un
contrast accentuat al imaginii, calitatea finală a imaginii fiind dată atât de
sensibilitatea şi rezoluţia echipamentului, cât şi de zgomotele şi artefactele suprapuse
peste semnalul util.
Printre factori fizici folosiţi în imagistica medicală enumerăm: ultrasunetele
(ecografie şi tomografie cu ultrasunete - principiul fizic reflexia la interfeţele dintre
ţesuturi), radiaţiile X (radiologie, tomografie X - principiul absorbţiei/atenuării
radiaţiei funcţie de densitatea ţesuturilor), factori chimici (trasori specifici,
radiofarmaceuticele) ce se fixează pe ţesutul investigat şi emit radiaţiile ionizante
(scintigrafie, tomoscintigrafie), câmpul electromagnetic (tomografie RMN –
principiul rezonanţei magnetice nucleare a protonilor într-un câmp magnetic).
Spre deosebire de tomografia computerizată (CT) care permite studierea anatomiei
umane furnizând imagini structurale, medicina nucleară relevă funcţionarea organelor
(imagini funcţionale). Prin fuziunea celor două tipuri de imagini funcţionale
(medicină nucleară) şi structurale (CT) se pot obţine imagini de calitate superioară,
existând scanere hibride (SPECT-CT, PET-CT). Tehnologia evoluează aşteptându-se
apariţia unor echipamente hibride din fuziunea imagistică prin rezonanţă magnetică
cu cele de medicină nucleară (PET-MRI)
Folosind tomografia computerizată se poate reconstrui imaginea 3D a unui obiect
pe baza mai multor secţiuni plane (tomos=felie), achiziţionate succesiv sub incidenţe
multiple. Detectorul şi emiţătorul de radiaţie nucleară poate efectua o deplasare
circulară în jurul organului de vizualizat. Tomograful încorporează un calculator
puternic pentru a putea procesa informaţia achiziţionată şi pentru a permite
vizualizarea fiecărei secţiuni.
Medicina nucleară (NM) utilizează izotopi radioactivi pentru diagnosticare şi
analiză, imaginile fiind obţinute pe baza distribuţiei în interiorul pacientului a unui
radioelement farmaceutic, care poate fi înghiţit, injectat intravenos sau inhalat ca un
gaz. Aceşti radiotrasori se acumulează numai în organele sau ţesuturile ce urmează a
fi examinate, de unde emit radiaţie nucleară captată de o gama cameră sau scanner
PET. Imaginile rezultate în urma măsurării cantităţii de energie emisă, oferă
informaţii funcţionale ale zonei de investigat. Camera cu scintilaţie (gama camera)
este conectată la un computer, procesarea informaţiei fiind realizată în două etape:
achiziţia datelor şi procesarea imaginilor.
Pentru o achiziţie efectuată în mod planar (scintigrafie plană) detectorul este mişcat
cu o viteză constantă de-a lungul întregului corp, fiecare pixel al imaginii rezultate
reprezentând o sumă a tuturor punctelor situate pe o axă imaginară ce traversează
întreg corpul pe o anumită direcţie. Sunt necesare achiziţii sub diverse incidenţe
(anterioară, posterioară, de profil sau oblice).

90 Cap. 4 Tehnici de procesare a imaginilor biomedicale
Achiziţia SPECT (Single Photon Emission Computed Tomography) pentru o sursă
cu emisie de radiaţie gama, sau PET (Positron Emission Tomography) la o emisie de
pozitroni este realizată în mod tomografic. Pornind de la aceste achiziţii primare
programul de procesare va permite reconstruirea secţiunilor sagitale, transversale,
frontale ale organului.
Echipamentele medicale pot realiza o procesare a imaginilor achiziţionate
realizând o filtrare/eliminare a zgomotului de fond sau a unor artefacte, corecţia unor
distorsiuni neomogenităţi a imaginilor, evaluarea numerică a unor caracteristici,
vizualizarea unor zone de interes etc.
Pentru manipularea imaginilor de tip PET, SPECT am dezvoltat mai multe
instrumente software, printre cele mai cunoscute fiind ICON, Sopha/SMV NXT,
DICOM şi SEGAMI. Fiecare dintre acestea lucrează cu anumite formate de imagini.
Printre avantajele unei investigaţii scintigrafice cele mai importante sunt faptul că este
neinvazivă, că iradierea este de obicei mică şi că pe durata celor câteva ore cât
radiotrasorul este activ se pot face mai multe vizualizări sub mai multe incidenţe, putând fi
chiar urmărită activitatea/funcţionarea unei anumite regiuni. De asemenea radiotrasorul se
localizează numai într-o anumită regiune, permiţând vizualizarea unor ţesuturi sau organe
ce nu pot fi vizualizate de exemplu prin radiografierea zonei datorită caracteristicilor
similare cu ţesuturile învecinate (de exemplu tiroida). Astfel de zone pot fi vizualizate şi
prin RMN, fără a obţine însă decât informaţii structurale (nu şi funcţionale).
Sunt prezentate trei metode de analiză şi diagnoză a imaginilor medicale scintigrafii
tomografice SPECT cerebrale, a scintigrafiilor planare osoase şi pulmonare. Studiile sau
desfăşurat în colaborare cu Prof. Dr. Cipriana Ştefănescu Departamentul de Medicină
Nucleară, Facultatea de Medicină, U.M.F. “Gr.T.Popa” Iaşi şi cu C.S. III dr. ing.
Mihaela Costin de la Institutul de Informatică Teoretică al Academiei Române – Filiala
Iaşi (Costin, Zbancioc et al., 2003), (Zbancioc , Costin, Ştefanescu, 2004), (Costin et al.,
Zbancioc, 2005), (Ştefanescu, Costin, Zbancioc, 2006).
4.1. Procesarea imaginilor scintigrafice cerebrale de tip SPECT
În (Costin, Zbancioc et al., 2003) s-a propus o metodă de analiză a nesimetriilor
volumetrice tumorale, de identificare a zonelor cu disfuncţii cerebrale, de calcul a
volumului tumorii, eficientă şi necesară în cazurile imagistice care prezintă dubiu.
Algoritmii prezentaţi au fost proiectaţi pentru imagini scintigrafice de tip SPECT,
realizate pe creier şi se bazează pe proprietatea că între cele două emisfere cerebrale
nu trebuie să existe diferenţe mari în gradul de fixare a radiofarmaceuticului.
Esenţială în realizarea unor astfel de aplicaţii este cunoaşterea cât mai precisă a
zonelor afectate tumoral – delimitate de expert, pentru ca ulterior tehnica procesării de
imagini să poată interveni, prin utilizarea unor metode de inteligenţă artificială, care
rafinând criteriul de decizie, să constituie un ajutor real pentru medic. Aplicabilitatea
sistemului realizat este atât în diagnoza directă, cât şi în telemedicină.
În primă fază algoritmul identifică pe baza informaţiilor statistice folosind funcţia
de co-ocurenţă, existenţa unor zone nefuncţionale. În a doua fază pe baza diferenţelor
între cele două emisfere sunt evidenţiate zonele nefuncţionale (tumori) sau parţial
funcţionale şi se determină volumul acestora.

Cap. 4 Tehnici de procesare a imaginilor biomedicale 91
Unitatea de volum în imagistica medicală se mai numeşte şi voxel. Pentru
imaginile SPECT analizate avem două seturi de N=128 de slice-uri (secţiuni), fiecare
conţinând NxN pixeli. Numărul de voxeli este prin urmare 128x128x128. Un set este
constituit din imagini orizontale, celălalt din imagini verticale, de interes în
identificarea anomaliilor în funcţionarea creierului este primul set, deoarece permite
compararea lobilor din cele două emisfere cerebrale.
Pentru detecţia zonelor disfuncţionale de interes pentru diagnoză, am utilizat o
metodă de segmentare cu prag variabil, pentru nesimetriile tumorale (respectiv
detecţia gliomului) şi s-a lucrat cu un prag fix stabilit de specialist.
4.1.1. Determinarea matricei de co-ocurenţa a nivelurilor de gri
Dependenţa spaţială a nivelurilor de gri (GLCO – gray level co-occurence) sau
matricea de co-ocurenţă, reprezintă probabilitatea de apariţie într-o anumită regiune a
unor pixeli ce respectă o restricţie de plasament spaţial.
P y
∆ x ∆ ( i,
j)
= Prob{ I(
x,
y)
= i,
I(
x + ∆x,
y + ∆y)
= j}
(4.1)
Matricea de co-ocurenţă este foarte des folosită la caracterizarea texturilor, pentru
determinarea unor pattern-uri specifice unei texturi, din valorile matricei de coocurenţă
se pot extrage o serie de parametri statistici Haralick: omogenitatea şi
omogenitatea locală, uniformitatea, directivitatea, contrastul, entropia, etc. (Haralick
1979), (Gipp et al., 2008).
Prin aplicarea relaţiei (4.1) se determină într-o imagine numărul de cazuri în care
doi pixeli, unul având intensitatea nivelului de gri i şi celălalt j, sunt aflaţi într-o
relaţie spaţială dată de deplasamentul ( ∆ x , ∆ y ).
Restricţia spaţială va fi exprimată în continuare prin perechea (d, α ), unde d
reprezintă distanţa între doi pixeli şi α unghiul făcut de dreapta ce uneşte cei doi
pixeli cu orizontala. Trebuie menţionat că d nu este corelat cu distanţa euclidiană, ci
exprimă doar diferenţa între poziţiile pe linie sau coloană a pixelilor. Se vor lua în
calcul doar direcţiile existente într-o fereastră dreptunghiulară de 3x3 pixeli,
considerând d=1 (în jurul pixelului central). Pentru un d mai mare, numărul poziţiilor
relative între pixeli creşte exponenţial, prin urmare ne vom limita la cazul în care
valorile lui α sunt {0,45,90,135}.
135°
90°
0° 0°
45° 90° 180°
Fig. 4.1. Unghiurile utilizate la calculul GLCO pentru d=1 între pixeli (Costin, Zbancioc et al. 2003)
45°

92 Cap. 4 Tehnici de procesare a imaginilor biomedicale
Matricea GLCO poate fi reprezentată ca o matrice simetrică atunci când direcţiile
de căutare α sunt convenabil alese, dimensiunea matricei fiind dată de numărul
cazurilor de analizat, în cazul nostru numărul maxim de nivele de gri.
Pentru cele patru direcţii ale poziţiilor relative dintre pixeli, relaţiile de calcul ale
matricelor de co-ocurenţă sunt următoarele:
) = { I(
k,
l)
= i,
I(
m,
n)
= j,
k − m = 0,
l − n d}
{ } 2
I(
k,
l)
= i,
I(
m,
n)
= j,
k − d = d,
( k − m)(
l − n)
=
) = { I(
k,
l)
= i,
I(
m,
n)
= j,
k − m = d,
l − n 0}
{ } 2
I(
k,
l)
= i,
I(
m,
n)
= j,
k − d = d,
( k − m)(
l − n)
o
P ( i,
j,
d,
0 η
=
o
P( i,
j,
d,
45 ) = η
−d
o
P( i,
j,
d,
90 η
=
o
(4.2)
(4.3)
(4.4)
P ( i,
j,
d,
135 ) = η
= d (4.5)
unde η reprezintă probabilitatea de apariţie a doi pixeli I( , ) cu nivelurile de gri i, j,
la o distanţă de d pixeli pe linie şi/sau coloană şi sub un unghi α . Această
probabilitate este exprimată ca număr de situaţii identificate respectând restricţiile
spaţiale raportat la numărul total de situaţii.
Se poate uşor demonstra că matricea este simetrică deoarece
P ( i,
j,
d,
α) = P(
j,
i,
d,
α)
.
Se determină matricea cumulată de co-ocurenţă, prin sumarea celor patru matrice
calculate pentru fiecare orientare a unghiului α , în acest fel obţinând o relaţie de
dependenţă spaţială, care nu mai ţine cont de unghi, ci doar de distanţă.
o
o
o
o
( P(
i,
j,
d,
0 ) + P(
i,
j,
d,
45 ) + P(
i,
j,
d,
90 ) P(
i,
j,
d,
135 ) ) 4
P ( i,
j,
d)
= +
(4.6)
Volumul de calcul este mare, pentru o imagine de NxM pixeli, păstrând parametri
d=1 şi α ∈{0,45,90,135},
sunt necesare în cazul nostru 4x256x256 parcurgeri ale
imaginii. Ţinând cont că imaginile SPECT analizate au dimensiunea NxN= 128x128
şi că avem 128 de slice-uri care construiesc imaginea completă a obiectului 3D,
procesul de calcul al matricei de co-ocurenţă fiind reluat pentru fiecare slice, rezultă
un număr total de 4x256 2 xN 3 =549miliarde comparaţii de efectuat între un pixel curent
şi cei învecinaţi.
Pentru a minimiza volumul de calcul, se poate realiza o partiţionare a numărului de
nivele de gri pe un număr mai mic de intervale. Astfel, presupunând că s-ar considera
că intervalul [0,255] de nivele de gri ar fi reprezentat doar pe patru nivele, matricea de
co-ocurenţă ar arăta astfel:
Table 4.1. Matrice generică de co-ocurenţă (Costin, Zbancioc et al. 2003)
„Nivel”
de gri
0
„Nivel” de gri
1 2 3
0 η(0,0) η(0,1) η(0,2) η(0,3)
1 η(1,0) η(1,1) η(1,2) η(1,3)
2 η(2,0) η(2,1) η(2,2) η(2,3)
3 η(3,0) η(3,1) η(3,2) η(3,3)

Cap. 4 Tehnici de procesare a imaginilor biomedicale 93
4.1.2. Detecţia liniei centrale a imaginii cerebrale SPECT
Algoritmul de procesare a scintigrafiilor cerebrale se bazează pe simetria dintre
cele două emisfere ale creierului. De obicei la achiziţia imaginilor SPECT pacientul
este bine poziţionat de către doctor, astfel încât înjumătăţirea unui slice permite o
bună selecţie a celor două emisfere cerebrale. Pot exista însă şi cazuri în care este
necesară găsirea liniei centrale a fiecărui slice din imagine şi recentrarea
corespunzătoare. Pentru a fi siguri că se face o bună separare a imaginii trebuie
verificat dacă linia centrală corespunde coloanei 64 din imaginea SPECT de
dimensiune 128x128.
Funcţionarea eficientă a metodei de comparare necesită realizarea unei poziţionări
exacte, chiar dacă imaginea este centrată de sistemul de achiziţie al gama-camerei.
Ca urmare algoritmul parcurge fiecare linie a imaginii şi determină poziţia pixelilor
stânga-dreapta a contururilor exterioare (limitele suprafeţei cerebrale), rezultând un
vector V de dimensiune Nx2, unde N reprezintă înălţimea imaginii (numărul de linii).
Pentru extragerea acestui contur este dificilă aplicarea unui operator derivativ de
extragere de muchii, pentru că ulterior ar trebui eliminate contururile interioare şi
păstrat doar conturul exterior. Din acest motiv s-a aplicat o căutare, folosind o valoare
prag =40 şi memorând în vectorul V prima, respectiv ultima valoare care depăşeşte
această valoare prag (vezi fig. 4.9, 4.11), pentru fiecare linie a imaginii.
Se calculează valorile medii ( x i , yi
) , i = 1,
N ale fiecărei perechi de pixeli din
vectorul V (contur stânga-dreapta) şi se determină ecuaţia liniei drepte y = bx + a ,
care aproximează cu eroare minimă aceste valori medii, prin algoritmul clasic de
regresie liniară (Press et. al 2007).
b =
N
∑
( x − x)(
y − y)
i
i=
1
N
∑
i=
1
i
i
2
( x − x)
, a = y − bx
(4.7)
Pentru a calcula şi coeficientul de regresie r, ecuaţia (2.7) poate fi rescrisă, fiind
y ,∑ )
2
( x şi∑ )
2
( y :
necesar doar calculul a cinci sume ∑ ) (xy , ∑ x , ∑
N∑
( xy)
−∑
x∑
y ∑ y b∑
y = bx + a , b =
, a
2 2
N∑(
x ) − ( ∑x)
N
−
=
n∑(
xy)
−∑
x∑
y
r =
⎡ 2
2
( ) − ( ) ⎤
⋅
⎡ 2
2
n
( ) − ( ) ⎤
∑ x ∑xn∑
y ∑y
⎥⎦
⎢⎣
Valoarea coeficientului de corelaţie ridicată la pătrat
⎥⎦
⎢⎣
x
(4.8)
2
r oferă o informaţie legată
de proporţia variabilităţii setului de date, sau cât de bine poate fi determinată valoarea
setului de date Y pornind de la valorile lui X.

94 Cap. 4 Tehnici de procesare a imaginilor biomedicale
Fig. 4.2. Calculul liniei centrale pentru o reorientare a imaginii SPECT (Costin, Zbancioc et al. 2003)
Unghiul de rotaţie Φ, cu care trebuie rotită imaginea se determină din panta dreptei
calculate, ştiind că axa de simetrie trebuie să fie verticală şi situată în centrul imaginii
(dacă este cazul se aplică imaginii şi un deplasament ∆ x ).
Transformările geometrice ce trebuie aplicate sunt următoarele:
x ′ = x0
+ ( x − x0
) ⋅ cosΦ
− ( y − y0
) ⋅ sin Φ
y ′ = y0
+ ( x − x0
) ⋅sin
Φ + ( y − y0
) ⋅ cosΦ
, pentru rotaţie
x ′ = x′
+ ∆x,
y′
′ = y′
I ( x,
y)
= I ′ x ′′ , y′
, pentru translaţie
( )
(4.9)
Considerând că punctul (x0, y0) în jurul căruia se face rotaţia este punctul de
coordonate (0, 0), relaţia (2.7) poate fi rescrisă astfel:
I ( x,
y)
= I ′ ( ∆x
+ x cosΦ
− y sin Φ,
xsin
Φ + y ⋅ cosΦ)
(4.10)
Algoritmul de rotire calculează corespondentului fiecărui pixel (x’, y’) din
imaginea rezultată I ′ , în imaginea iniţială I, urmată de calculul valorii nuanţei de gri
în funcţie de distanţele de la coordonatele (x’, y’) la cei mai apropiaţi patru pixeli.
O altă soluţie de centrare a imaginii este descrisă în (Fitzgibbon, 1999) şi constă în
găsirea elipsei care aproximează cel mai bine calota cerebrală (respectiv creierul), iar
utilizând centrele elipsei şi centrele slice-urilor detectate, orientarea axelor majore dă
corecţia unghiulară Φ aplicată.
4.1.3. Identificarea automată a nesimetriilor într-o imagine cerebrală SPECT
După aplicarea algoritmului de detecţie a liniei centrale şi de recentrare a imaginii
SPECT se poate extrage informaţia corespunzătoare emisferei din partea dreaptă şi
din partea stângă a creierului. Pentru una din cele două imagini rezultate I st şi I dr se
realizează o operaţie de reflecţie pe verticală I st ( i,
j)
= I st ( i,
N / 2 − j)
, astfel încât să
se poată efectua ulterior calculul matricei diferenţă.
În cazul unui pacient normal, al cărui creier nu prezintă o tumoare sau disfuncţii,
cele două imagini rezultate I st şi I dr ar trebui să fie aproape identice, şi deci valorile

Cap. 4 Tehnici de procesare a imaginilor biomedicale 95
matricelor cumulative de co-ocurenţă pentru fiecare din cele două emisfere cerebrale
Pst ( i,
j,
d)
şi Pdr ( i,
j,
d)
ar trebuie să fie aproximativ egale.
Dacă există diferenţe între cele două imagini, atunci acestea vor conduce la
diferenţe între matricele de co-ocurenţă st dr P P − . Valoarea prag peste care se
consideră că avem disfuncţii ale creierului poate fi modificată ulterior de un specialist.
Se păstrează doar aceste valori ale matricei care indică diferenţe semnificative:
( Pst
( i,
j,
d)
− Pdr
( i,
j,
d)
)
( P ( i,
j,
d)
− P ( i,
j,
d)
)
* ⎧Pst
( i,
j,
d)
− Pdr
( i,
j,
d)
abs
> prag
Pdiff
( i,
j,
d)
= ⎨
(4.11)
⎩ 0
abs st
dr ≤ prag
În figurile 4.3-4.5 sunt reprezentate secvenţe ale matricelor de co-ocurenţă, şi
matricea de co-ocurenţă a diferenţelor. Dat fiind faptul că în emisfera dreaptă sunt
concentrate într-o proporţie mai mare culorile de intensitate mică (albastru) şi în
emisfera stângă avem concentrate culorile de intensitate mare (roşu, galben), diferenţa
între acestea va indica fixarea în concentraţii diferite a radioizotopului în lobii creierului.
0.7629 0.0053 0 0 0 0 0
0.0053 0.0625 0.0046 0 0 0 0
0 0.0046 0.0366 0.0038 0 0 0
0 0 0.0038 0.0228 0.0042 0 0
0 0 0 0.0042 0.0434 0.0044 0
0 0 0 0 0.0044 0.0272 0
0 0 0 0 0 0 0
0 0 0 0 0 0 0
Fig. 4.3. Matrice de co-ocurenţă emisferă cerebrală stângă (Costin, Zbancioc et al. 2003)
0.7575 0.0058 0 0 0 0 0
0.0058 0.0878 0.0042 0 0 0 0
0 0.0042 0.0366 0.0053 0 0 0
0 0 0.0053 0.0491 0.0032 0 0
0 0 0 0.0032 0.0270 0.0009 0
0 0 0 0 0.0009 0.0033 0
0 0 0 0 0 0 0
0 0 0 0 0 0 0
Fig. 4.4. Matrice de co-ocurenţă emisferă cerebrală dreaptă (Costin, Zbancioc et al. 2003)
-0.0054 0.0005 0 0 0 0 0
0.0005 0.0253 -0.0003 0 0 0 0
0 -0.0003 0.0000 0.0015 0 0 0
0 0 0.0015 0.0263 -0.0011 0 0
0 0 0 -0.0011 -0.0164 -0.0035 0
0 0 0 0 -0.0035 -0.0240 0
0 0 0 0 0 0 0
0 0 0 0 0 0 0
Fig. 4.5. Matricea diferenţă de co-ocurenţă (Costin, Zbancioc et al. 2003)

4.1.4. Determinarea zonelor cu disfuncţii folosind o valoare de prag variabilă
După aplicarea paşilor anteriori de procesare se poate aplica o metodă directă de
comparaţie a celor două emisfere, realizând diferenţa dintre nivelurile de gri ale
pixelilor simetrici în cele două jumătăţi ale unui slice imagistic. Matricei diferenţă
rezultante i se aplică un prag de selecţie a cărei valoare este raportată la zonele care
prezintă cele mai importante asimetrii.
Se pot indica două tipuri de anomalii:
a) tumori indicate printr-un grad de fixare scăzut al radiofarmaceuticului;
b) disfuncţii ale creierului indicate de nesimetrii între valorile simetrice ale
pixelilor din cele două emisfere.
Pentru prima categorie dintre cele două tipuri de anomalii (tumorile cerebrale) se
foloseşte o valoare de prag fixă, stabilită de un expert în domeniu, pentru cea a de-a
doua clasă disfuncţiile cerebrale se foloseşte un prag variabil.
Indicarea unei posibile regiuni tumorale se face prin pixeli a căror intensitate se
află în partea de jos a unei palete de culori, de exemplu conform standardului
DICOM, nuanţele de negru sau bleumarin. Aceste zone indică o emisie slabă de
radiaţie nucleară. Valoarea pragului trebuie stabilită în conformitate cu opinia unui
medic. Pentru imaginile analizate, acest prag fix a avut valoarea 40.
Un nivel scăzut, simetric, al fixării, în ambele emisfere, poate sugera regiuni
tumorale duble. Scopul urmărit este detecţia unor valori în interiorul ariei cerebrale
aflate sub o limită impusă. Ideea de bază a acestui algoritm este scanarea imaginii
linie cu linie şi căutarea minimelor locale aflate sub valoarea prag. Pentru un pacient
sănătos nu trebuie găsite astfel de valori. Dacă se găsesc valori simetrice sub valoarea
de prag fixată sunt semnalate ambele surse.
Fig. 4.6. Imaginea matricei diferenţă calculată pentru o secţiune a creierului
(Costin, Zbancioc et al. 2003)
Evidenţierea disfuncţionalităţilor se face folosind un prag variabil care se
raportează la valoarea diferenţei maxime între doi pixeli simetrici şi valoarea
procentuală a acestei diferenţe în raport cu nivelul de gri maxim găsit pe o linie a
imaginii. În aceste condiţii se va realiza o baleiere a imaginii linie cu linie, valoarea
prag ajustându-se în funcţie de situaţiile întâlnite. Algoritmul de segmentare utilizat a
fost prezentat în (Costin, Zbancioc, et al., 2003) şi este următorul:

Cap. 4 Tehnici de procesare a imaginilor biomedicale 97
for i=1:N //baleierea pe linie
v_max=0;
for j=1:N
determină v_max valoarea de gri maximă pe linia curentă
prag_variabil = v_max*0.2
for j=1:N
if I(i,j)prag_variabil (20% din v_max)
then semnalează disfuncţie if I(i,j)

98 Cap. 4 Tehnici de procesare a imaginilor biomedicale
Fig. 4.8. Secţiune creier ce prezintă o zonă disfuncţională (dar nu o tumoră)
(Costin, Zbancioc et al. 2003)
Fig. 4.9. Prezentarea unei linii din imaginea 4.8. şi a pragului de detecţie tumori
(Costin, Zbancioc et al. 2003)
Fig. 4.10. Zona disfuncţională (a-posibilă tumoră) raportată la zona ei simetrică normală (b)
(Costin, Zbancioc et al. 2003)
Fig. 4.11. Zonă de interes (tumorală) din imaginea 4.10 cu valori sub limita de prag impusă
(Costin, Zbancioc et al. 2003)
Metoda pune în evidenţă zonele din creier unde principiul simetriei nu se respectă
şi le prezintă - în final, volumetric - medicului. Din acest moment devine necesară la

Cap. 4 Tehnici de procesare a imaginilor biomedicale 99
sugestia specialistului calculul volumului şi reconstrucţia 3D a zonelor indicate, prin
deplasarea pe slice-uri înainte şi înapoi, până când în zona de interes nu mai sunt
găsite anomalii.
Algoritmul de detecţie zone tumorale/disfuncţionale trebuie reluat pentru fiecare
slice / secţiune a setului SPECT.
for i=1:N //pentru fiecare secţiune a setului SPECT orizontal
Pas 1. Se caută pentru fiecare linie din imagine limita stânga şi limita dreapta a
valorilor din imagine ce depăşesc o valoare prag şi se păstrează media
acestora într-un vector V;
Pas 2. Determinarea ecuaţiei dreptei centrale y = bx + a prin metoda regresiei
liniare, pentru setul punctelor centrale V anterior estimate;
Pas 3. Calculul unghiului de rotaţie Φ şi a deplasamentului ∆ x ;
Pas 4. Centrarea imaginii SPECT prin aplicarea transformărilor geometrice (rotire
cu unghi Φ şi translare cu ∆ x )
Pas 5. Extragerea informaţiilor corespunzătoare celor două emisfere cerebrale
I st şi I dr şi calculul matricelor de co-ocurenţă pentru mai multe orientări
α ;
Pas 7. Calculul matricelor cumulative de co-ocurenţă Pst ( i,
j,
d)
şi ( i,
j,
d)
;
Pas 8. Căutarea valorilor ce depăşesc o valoare prag în matricea Pst − Pdr
, pentru
a semnala existenţa unor ne-simetrii.
Pas 9. Identificarea existenţei unei tumori/disfuncţionalităţi pe baza procentajului
informaţiilor din matricea diferenţă (se foloseşte un algoritm de segmentare
cu prag fix, respectiv prag variabil descris anterior).
end
4.1.5. Calculul volumetric a zonelor disfuncţionale
La detecţia unor zone tumorale sau a zonelor cu disfuncţii, pixelii marcaţi de
algoritmul de segmentare au fost păstraţi în două matrice distincte T şi D, nefiind
necesar ca T ⊂ D . Într-adevăr o zonă tumorală descrisă de pixeli de intensitate
scăzută, nu trebuie să fie neapărat văzută şi ca o zonă disfuncţională, dacă diferenţele
între cele două emisfere nu sunt semnificative. Deoarece algoritmul a fost aplicat
separat pentru fiecare secţiune, matricele sunt tridimensionale T(i,j,k).
Calculul volumetric al zonelor marcate poate fi realizat separat pe fiecare din cele
două matrice sau pe o matrice T ∪ D , care înglobează toată informaţia asociată unor
anomalii în funcţionarea creierului. Estimarea se va face în voxeli (unitate
adimensională).
Dimensiunea setului de date de procesat este de NxNxM voxeli, unde NxN este
numărul de pixeli în fiecare “slice” şi M numărul de secţiuni. Instrumentul de analiză
va furniza centrele şi volumele zonelor de interes. Analiza se va face prin
suprapunerea a două slice-uri consecutive, considerând că două grupuri pixeli Gn şi
G aparţin aceleiaşi regiuni de interes, dacă au cel puţin un pixel învecinat.
n+
1
P dr

100 Cap. 4 Tehnici de procesare a imaginilor biomedicale
Dacă ∋ D ( i,
j,
k)
≠ 0 şi ∋ D ( i,
j,
k + 1)
≠ 0 , cu D( i,
j,
k)
∈ Gn
şi
( i,
j,
k + 1)
∈Gn+
1 G n = Gn
∪ Gn+
.
D , atunci 1
Estimarea volumului se face prin numărarea tuturor voxelilor găsiţi ca aparţinând
aceluiaşi grup (cardinalul mulţimii setului de pixeli G n ). Prin discretizarea
informaţiei se obţine relaţia de calcul (4.13):
∫∫∫
V ( G ) = D(
x,
y,
z)
dxdydz , D( x,
y,
z)
contur zonă disfuncţională
n
xyz
∑∑∑
(4.12)
V ( Gn
) = D[
i,
j,
k]
D[
i,
j,
k]
, cu D[ i,
j,
k]
∈Gn
(4.13)
i j k
Pentru determinarea centrelor fiecărei regiune de interes se realizează o sumă
ponderată a centrelor de pe fiecare slice c ( Gn
) , ponderarea fiind realizată după aria
X
zonei pe care a fost estimat fiecare centru A( ⋅ , ⋅,
k)
.
c
X
( G )
n
=
∑
k
c
X
( G ) ⋅ A(
⋅,
⋅,
k)
∑
k
n
A(
⋅,
⋅,
k)
( G(
⋅,
, ) )
=∑
, ( G ) i card(
G ( ⋅,
⋅,
k)
)
cx n
n
i
A( ⋅ , ⋅,
k)
= card ⋅ k , … pentru toţi pixelii D[ i,
j,
k]
∈Gn
,
(4.14)
În această fază de cercetare nu s-a realizat afişarea slice-urile prin dispunerea pe
cele trei direcţii ale matricei 3D (slice-uri sagitale, coronale, transversale), eventual
calcularea unor slice-uri oblice în direcţii arbitrare definite de un plan de secţiune. O
astfel de afişare pe secţiuni necesită procese de interpolare şi prezintă dezavantajul că
nu utilizează complet toată informaţia disponibilă (Sequeira J., 1987) şi permite doar
un display limitat al imaginilor 3D.
Există numeroase studii de reconstrucţie 3D / randare volumetrică pe baza
informaţiilor parţiale, a unor secţiuni dintr-un corp (Hohne et al., 1990), (Haralick,
Shapiro, 2002), (Ekoule et al., 1991). Pentru realizarea unei iluminări diferite şi
crearea efectelor de umbrire, difuziune, reflexie şi refracţie a luminii există mai multe
modele dezvoltate, unul dintre cele mai cunoscute fiind Phong (Boom et al., 2009).
Pentru cuantificarea gradului de fixare a radiotrasorului şi realizarea unei corelaţii
cu gradul de malignitate a tumorii sunt necesare cunoştinţe privitoare la modul de
acţiune a diverselor tipuri de radiofarmaceutice ( 201 TI, 99m Tc Mibi). Aceste cunoştinţe
pot fi date doar de experţi (Ştefănescu et al., 2002), decizia finală privind existenţa
sau neexistenţa unei tumori revenind doar acestora.
Metoda poate constitui un ajutor real în diagnoza realizată prin imagistică nucleară,
şi asistarea deciziei specialistului, într-un mod interactiv, prin propunerea pragului
iniţial şi a zonelor de analizat medicului, şi invers, ajustând parametrii de rulare în
funcţie de opinia şi indicaţiile acestuia. Rezultatele cercetărilor au fost prezentate în
(Costin, Zbancioc et al., 2003).

Cap. 4 Tehnici de procesare a imaginilor biomedicale 101
4.2. Procesarea imaginilor scintigrafice planare pulmonare
Metoda de analiză şi procesare a imaginilor scintigrafice planare pulmonare,
provenind de la pacienţii diagnosticaţi cu TBC, a vizat detecţia şi extragerea cât mai
bună a tumorilor din interiorul plămânilor, pentru a putea realiza o evaluare a
evoluţiei bolii prin comparaţia tumorilor detectate la intervale diferite de timp
(Ştefănescu et al., Zbancioc, 2002), (Costin et al., Zbancioc, 2005). Un aspect esenţial
în stabilirea diagnosticului şi a medicamentaţiei pacientului este modul în care
evoluează maladia (Ştefănescu et al., 2003), (Rusu et al., 2003). Metoda implementată
oferă un suport în asistarea deciziei pentru un diagnostic medical cât mai corect.
Pentru achiziţia acestor scintigrafii se foloseşte un detector fix.
Parte din cercetările efectuate au fost raportate în cadrul unui contract de cercetare
finanţat de IAEA (International Atomic Energy Agency - Viena, perioada 2000 –
2004), director de proiect: Prof. Dr. Cipriana Ştefănescu.
Ca şi la imaginile SPECT cerebrale, informaţia din imaginea scintigrafică
pulmonară reprezintă de fapt gradul de fixare a radiofarmaceuticului în plămân şi în
organele din jur şi detecţia tumorilor dintr-o anumită regiune se realizează prin
căutarea zonelor cu un grad de fixare mai mare, sau din punct de vedere imagistic,
prin prezenţa unor pete de nuanţă întunecată.
Dificultăţile analizei acestor tipuri de imagini constau în principal în faptul că
radiotrasorul nu se fixează numai în plămân, ci şi în organele învecinate (de exemplu
inimă). Pentru o suprapunere cât mai bună a două scintigrafii preluate de la un pacient
la momente de timp diferite şi observarea evoluţiei bolii, prin micşorarea/mărirea
zonelor tumorale, respectiv dispariţia/apariţia unor tumori trebuie găsită o soluţie de
determinare a liniei mediane a imaginii. În acest sens ne putem folosi de avantajul că
agentul chimic se fixează şi în glanda tiroidă (regiunea gâtului) şi că pe baza acestei
zone se determină valoarea centrului imaginii. Pentru suprapunerea scintigrafiilor se
poate utiliza de asemenea funcţia de autocorelaţie 2D (aplicată pe imagini), căutând
valoarea maximă a funcţiei corr(l, c), valoare ce indică faptul că o suprapunere
maximă se obţine la deplasarea unei imaginii cu l linii şi c coloane. Evaluarea ariei
totale a zonelor tumorale se face aproape la fel ca şi la imaginile SPECT cerebrale.
4.2.1. Preprocesarea imaginilor planare pulmonare
Ca primă etapă de preprocesare se face o conversie a imaginii în nuanţe de gri,
ulterior se realizează o filtrare a imaginii şi o segmentare specifică pentru extragerea
zonelor tumorale.
Conversia imaginii color RGB (Red, Green, Blue) în imagine reprezentată pe 256
nivele de gri se realizează respectând standardul NTSC (National Television System
Committee) utilizat pentru asigurarea compatibilităţii cu televizoarele alb-negru prin
asocierea ponderilor celor trei intensităţi de roşu, verde şi albastru asociate unui pixel
în acord cu sensibilitatea spectrală a ochiul uman pentru acea culoare.
gray_value = 0,299*Red + 0,587*Green + 0,114*Blue (4.15)

102 Cap. 4 Tehnici de procesare a imaginilor biomedicale
Pentru eliminarea perturbaţiilor conţinute în imaginea originară şi atenuarea
zgomotului de fond am aplicat mai multe filtre şi s-a ales cel care se comporta cel mai
bine pentru acest tip de imagini medicale.
Aplicarea unui filtru de mediere neponderată este dezavantajoasă, deoarece
conduce la deteriorarea contrastului şi a contururilor imaginii originare, motiv pentru
care s-a optat pentru aplicarea ulterioară a unui filtru de accentuare muchii.
F
med + a
( i,
j)
=
F
med
1
∑∑
1
( x,
y)
= F(
i,
j)
,
N
1
F
med
l= −1k=
−1
∑
( i,
j)
∈V
( i + l,
j + k)
⋅ H
a1
( l + 2,
k + 2)
(4.16)
unde V este ansamblul vecinilor şi N numărul acestora.
Accentuarea muchiilor conduce la o contrastare a imaginii, la o îmbunătăţire a
percepţiei vizuale a contururilor obiectelor şi pentru aceasta se folosesc oricare dintre
măştile de convoluţie următoare (Bulea, 2003):
⎡ 0 −1
0 ⎤
H
⎢
⎥
a1
=
⎢
−1
5 −1
⎥
,
⎢⎣
0 −1
0 ⎥⎦
⎡−1
−1
−1⎤
H
⎢
⎥
a2
=
⎢
−1
9 −1
⎥
,
⎢⎣
−1
−1
−1⎥⎦
⎡ 1 − 2 1 ⎤
H
⎢
⎥
a3
=
⎢
− 2 5 − 2
⎥ (4.17)
⎢⎣
1 − 2 1 ⎥⎦
În locul filtrului de mediere neponderat am preferat aplicarea unui filtru de mediere
ponderat cu masca de convoluţie descrisă în (4.18). Cazul în care b=1, este echivalent
cu aplicarea filtrului neponderat descris în (4.16) (Mitra, 2005).
⎡1
b 1⎤
1 2
H
⎢ ⎥
s = ∈ [ 0,
3]
2
( 2)
⎢
b b b
+
⎥
, b
(4.18)
b
⎢⎣
1 b 1⎥⎦
Dacă în urma aplicării măştilor de convoluţie, valorile pixelilor din imaginea
obţinută după filtrare sunt în afara intervalului [0,255], se consideră că orice pixel cu
valoare negativă, devine 0 (negru) şi invers, orice pixel cu valoare mai mare decât
255, devine 255(alb). Se poate opta de asemenea pentru o normalizare a imaginii, dar
aceasta nu este de preferat pentru imaginile scintigrafice, deoarece se modifică
informaţia legată de gradul de fixare a radiofarmaceuticului, informaţie păstrată în
valoarea nivelurilor de gri.
Pentru extragerea informaţiei corespunzătoare frecvenţelor înalte (muchiilor) se
aplică un filtru trece sus (FTS). Se observă din formula (4.19), efectul derivativ al
filtrului prin introducerea coeficienţilor de semn negativ:
⎡ 1 − b 1 ⎤
1 2
H
⎢
⎥
s = ∈ [ 0,
3]
2
( 2)
⎢
− b b − b
−
⎥
, b
(4.19)
b
⎢⎣
1 − b 1 ⎥⎦
Un alt filtru care oferă performanţe bune pentru acest tip de imagini scintigrafice,
este filtrul median. Datorită aspectului punctiform al surselor de fixare şi a calităţii

Cap. 4 Tehnici de procesare a imaginilor biomedicale 103
mai slabe ale acestui tip de scintigrafii, în comparaţie cu alte tipuri de imagini
medicale (posibil datorată şi modului de culegere şi achiziţie), structura informaţiei de
background se apropie de forma punctuală a zgomotului de tip ”sare şi piper”.
Acest filtru neliniar se realizează în două etape:
a) sortarea pixelilor din fereastra curentă de analiză W în funcţie de intensitatea
nivelului de gri;
b) selecţia valorii mediane din şirul ordonat. De exemplu într-o fereastră de NxN
pixeli, în care N este ales impar N=3, după ordonarea pixelilor se obţine un vector
de dimensiune N 2 , valoarea mediană fiind situată pe poziţia (N 2 +1)/2 corespunde
elementului V(5).
⎡ 32 47 88 ⎤
W =
⎢
112 255 240
⎥
⎢
⎥
, F(
x,
y)
= 255 , pixelul central din fereastra W.
⎢⎣
85 64 73 ⎥⎦
V[9] =sort(W)={32, 47, 64, 73, 85, 88, 112, 240, 255}, Fmedian(x, y)=85
Pentru imaginile pulmonare analizate am aplicat consecutiv două filtre de mediere
ponderată având b=1, conform relaţiei (4.18). Un efect aproape similar l-a avut filtrul
median aplicat pe o fereastră de 5x5. Oricare din cele două soluţii de filtrare este la fel
de bună pentru imaginile scintigrafice pulmonare. Rezultatele operaţiilor de filtrare se
pot vedea în fig.12.b) pentru un pacient de sex masculin şi fig. 4.12 e) pentru un
pacient de sex feminin.
Pentru imaginile analizate nu s-au efectuat nici un fel de operaţii de modificare
liniară sau neliniară a contrastului (Verţan, 2007) sau tehnici de egalizare ale
histogramei deoarece am preferat să nu se altereze informaţia privitoare la gradul de
fixare a radiofarmaceuticului în plămâni, pentru ca aceasta să poată fi ulterior
interpretată de un specialist în medicină.
4.2.2. Segmentarea zonelor tumorale din imaginile pulmonare
Operaţia de segmentare trebuie să extragă informaţia de interes, în cazul nostru
regiunile tumorale, de restul informaţiei din imagine care nu ajută în procesul de
diagnoză. Valoarea de prag T trebuie adaptată pentru această clasă de imagini
medicale şi trebuie să permită separarea pixelilor în cele două clase. Astfel pixelii cu
nivele de gri mai mari decât valoarea lui T vor fi asociaţi zonelor cu disfuncţii
(zonelor cu posibile tumori) şi invers cei cu valori mai mici vor fi clasificaţi ca
aparţinând fundalului şi nu vor fi luaţi în considerare în procesarea propriu-zisă.
F segm
⎧ F(
i,
j)
, if F(
i,
j)
< T
( i,
j)
= ⎨
⎩255(
alb)
, if F(
i,
j)
≥ T
(4.20)
În algoritmul iniţial de segmentare valoarea pragului s-a calculat automat în funcţie
de maximele din histograma imaginii: max1 asociat valorilor de gri joase din prima
jumătate a histogramei [0,127], ce corespund zonelor în care s-a fixat

104 Cap. 4 Tehnici de procesare a imaginilor biomedicale
radiofarmaceuticul şi max2 pentru a doua jumătate a histogramei [128-255]
corespunzătoare zonei de background. Atunci când poziţiile celor două maxime nu
sunt apropiate pragul T ia valoarea:
max max2
T = 1+
sau
2
max1⋅
H[max1]
+ max2
⋅ H[max2
]
T =
H[max
] + H[max
]
2
1
(4.21)
Metoda de detecţie a pragului descrisă mai sus nu reuşeşte să izoleze cu succes
doar zonele de interes, chiar dacă histogramele imaginilor pulmonare au clar separată
informaţia din cele două clase de segmentat. Nuanţele de gri mai deschise sunt
alveolele pulmonare, iar petele întunecate corespund tumorilor tuberculoase. Dacă în
unele situaţii cum ar fi cea din fig. 4.13. pe histogramă se găseşte o singură valoare de
maxim în prima jumătate a histogramei, în fig. 4.14. avem o situaţie în care sunt
găsite trei maxime locale, iar valoarea pragului trebuie să ţină cont de toate acestea.
a) b) c)
Fig. 4.12. Scintigrafia pacient a), imaginea gri filtrată b) şi imaginea segmentată c). Imaginile
au fost achiziţionate de prof. dr. C. Ştefănescu (Costin et al., Zbancioc, 2005)
Aplicaţia realizată permite specificarea explicită a pragului de segmentare de către
expertul uman, şi ajustarea acestuia pentru o extragere cât mai bună a zonelor
tumorale. Având o bază semnificativă de imagini adnotate şi pornind de la valorile de
prag fixate de expert pentru detecţia zonelor cu tumori TBC, se poate implementa un
algoritm de învăţare supervizată, care să stabilească criterii de alegere a pragului T, în
funcţie de informaţia existentă în imaginea scintigrafică analizată. Numărul de
scintigrafii pe care am făcut acest studiu este de aproximativ 20 de imagini, număr
insuficient pentru un algoritm de antrenare de gen reţele neuronale, algoritmi genetici.
Fig. 4.13. Histogramă m 23 (fig.4.12.b) pe care s-a detectat o singură valoare de maxim local
(Costin et al., Zbancioc, 2005)

Cap. 4 Tehnici de procesare a imaginilor biomedicale 105
Fig. 4.14. Histogramă imagine f 47 (fig.4.12.e) pe care s-au detectat trei valori de maxim local
(Costin et al., Zbancioc, 2005)
Algoritmul iterativ pe care l-am propus pentru determinarea pragului de
segmentare, împarte histograma iniţial în două părţi utilizând ca primă valoare a
pragului de segmentare T0 = 2 B-1 , egală cu jumătate din rangul maxim (în cazul nostru
B=8). Se calculează media eşantioanelor (mf,0) valorilor de gri asociate cu pixelii din
primul interval şi media eşantioanelor (mb,0) valorilor de gri asociate cu pixelii din
background (de fundal). Se stabileşte o nouă valoare de prag T1 ca medie a acestor
două medii precedente. Procesul se repetă, având la bază acest nou prag, până când
valoarea de prag nu se mai schimbă. Valoarea lui m f , k este folosită în segmentare
Pseudocodul algoritmului este următorul:
1
0 2 −
= B
T , T=0, k=0
while abs(Tk-T)>1 //valoarea de prag nu s-a stabilizat
T = T ;
⎣ k ⎦
Calculează media eşantioanelor din zona de interes m f , k , respectiv din zona de
fundal m b,
k
m
m
f , k
b,
k
k
=
=
T
∑
i=
1
B
2
∑
i=
T + 1
T = +
T
( i ⋅ hist i)
) ∑
( hist(
i)
;
i=
1
B
2
( i ⋅ hist(
i)
) ∑
( m f , k mb,
k
) / 2
end_while
for i=1:N număr_linii imagine
i=
T + 1
hist(
i)
for j=1:M //număr_coloane imagine
end_for
end_for
if F(i,j)< f k
; k=k+1; // valoarea noului prag
m , , then pixel obiect Fsegm ( i,
j)
= F(
i,
j);
else pixel fundal Fsegm ( i,
j)
= 255;
end_if

106 Cap. 4 Tehnici de procesare a imaginilor biomedicale
În (Bulea, 2003) este descris un algoritm iterativ de calcul automat a unui prag
optim de segmentare, care calculează distribuţia normală pentru pixelii de fond şi
pentru cei de obiect. Se determină media, dispersia a două variabile aleatoare asociate
claselor de segmentat şi se estimează eroarea de probabilitate E1 ca un pixel obiect să
fie estimat ca aparţinând background-ului şi invers, eroarea E2 pentru clasificarea unui
pixel de fond ca fiind pixeli obiect. Algoritmul urmăreşte minimizarea erorii totale de
clasificare E1+ E2. Deşi algoritmul funcţionează bine pentru o clasă mare de imagini,
chiar şi în situaţiile în care pixelii de fundal sunt foarte numeroşi (peste 60-70%), în
cazul imaginilor scintigrafice pulmonare analizate de acest algoritm nu furnizează
rezultate satisfăcătoare.
4.2.3. Segmentarea imaginii pulmonare folosind transformata Wavelet
O altă modalitate de segmentare, foloseşte WDT transformata discretă wavelet
bidimensională. După aplicarea acesteia pe un semnal 2D sunt returnaţi coeficienţii
aproximaţi CA şi trei matrice de coeficienţi detaliaţi CH, CV, CD. Coeficienţii CA
păstrează informaţia corespunzătoare frecvenţelor joase, iar CH, CV, CD informaţia
din imagine corelată cu frecvenţele înalte (cum ar fi muchiile).
Alături de DCT transformata cosinus discretă, transformata wavelet este folosită
des în aplicaţii de compresie a datelor, a imaginilor de exemplu standardul JPEG2000.
Dintre diversitatea de familii de filtre ce pot fi folosite de transformata WDT:
Daubechies, Coiflets, Symlets, biortogonale am preferat utilizarea celor din grupa
filtrelor Daubechies şi anume filtrele “Haar” şi “Db 2”. În figura de mai jos H(ω) şi
G(ω) sunt funcţiile filtrelor wavelet trece-jos şi trece-sus aplicate unei imagini
(matrice bidimensionale) I(x,y). În afara celor două filtrări aplicate mai întâi pe linie şi
apoi pe coloană, se realizează şi o operaţie de suprimare astfel încât matricele CA,
CH, CV, CD vor avea ca dimensiune jumătate din numărul de linii şi de coloane al
imaginii iniţiale. În mod uzual se realizează aplicarea repetată a transformatei (asupra
informaţiilor CA) realizându-se astfel o compresie a imaginii.
I(x,y)
H(ω)
G(ω)
2↓
2↓
H(ω)
G(ω)
H(ω)
G(ω)
Fig. 4.15. Schemă bloc generală a transformatei Wavelet bidimensională
Am obţinut rezultate bune la aplicarea consecutivă a acestei transformate de un
număr de N=3 ori. La reconstrucţia semnalului, prin aplicarea transformatei wavelet
inverse IDWT s-au anulat toţi coeficienţii detaliaţi şi s-au luat în calcul doar
coeficienţii aproximaţi. Pentru aplicarea transformatei DWT de N ≥ 4 ori, se pierde
2↓
2↓
2↓
2↓
CA
CH
CV
CD

Cap. 4 Tehnici de procesare a imaginilor biomedicale 107
prea multă informaţie. Valoarea prag folosită în mod uzual la segmentarea imaginilor
reconstruite a fost de T=100. Prin comparaţie cu metoda anterioară de detecţie a
tumorilor, se observă asemănări mari între rezultatele obţinute.
a) b)
Fig. 4.16. Segmentarea imaginii F47 la un prag de 100 a) după aplicarea de N=3 ori a
transformatei wavelet, b) respectiv de N=4 (Costin, Zbancioc, 2003)
a) b)
Fig. 4.17. Segmentarea imaginii m23 la un prag de 100 a) după aplicarea de N=3 ori a
transformatei wavelet, b) respectiv de N=4 (Costin, Zbancioc, 2003)
4.2.4. Găsirea liniei mediane în scintigrafiile pulmonare
Pentru a stabili eficacitatea unui tratament în cazul bolnavilor de TBC este
necesară observarea evoluţiei bolii, iar aceasta se face prin compararea a două
scintigrafii P1 şi P2, realizate la momente de timp diferite. Pentru o suprapunere cât
mai exactă a celor două imagini se determină linia mediană, folosindu-ne de pixelii
din partea de sus a imaginii corespunzători glandei tiroide. Dispunerea organelor
interne aflate în partea de jos a imaginii nu prezintă aceeaşi simetrie, iar în glanda
tiroidă situată la baza gâtului întotdeauna radioizotopul se fixează în ambii lobi. Se

108 Cap. 4 Tehnici de procesare a imaginilor biomedicale
calculează pe fiecare linie a zonei aflate în elipsa ce încadrează zona tiroidiană, media
poziţiilor pixelilor de culoare închisă.
Fig. 4.18. Găsirea liniei mediane pentru centrarea pe orizontală a scintigrafiei
(Costin et al., Zbancioc, 2005)
Deplasamentul pe axa Ox se calculează ca fiind diferenţa celor două valori medii
găsite m x1
şi m x2
pentru imaginile P1 şi P2: ∆ x = mx1
− mx2
.
Determinarea liniei mediane permite centrarea celor două imagini pe axa
orizontală, iar pentru realizarea centrării pe axa verticală necesară pentru o
suprapunere cât mai bună a celor două scintigrafii se poate folosi funcţia de
autocorelaţie sau funcţia diferenţă.
Dintre cele două metode s-a preferat funcţia diferenţă, datorită volumului mai mic
de calcul. Astfel după centrarea pe orizontală a celor două scintigrame P1 şi P2 (de
dimensiune HxL) folosind liniile mediane, s-a calculat suma valorilor absolute a
matricei diferenţă dintre imaginea P1, considerată a fi fixă şi imaginea P2 deplasată pe
verticală cu câte o poziţie.
Dif_min
20 ⎛
min ⎜
k=
−20⎜
⎝
max( H −k,
H )
= ∑ ∑
L
i=
max( H inf, k)
j=
1
⎞
P
⎟
1(
i,
j)
− P2
( i,
j + k)
⎟
⎠
(4.22)
Valoarea minimă a funcţiei diferenţă asigură suprapunerea cea mai bună a celor
două imagini şi din acest motiv se foloseşte acel k pentru care s-a găsit o diferenţă
minimă, pentru deplasarea verticală celei de-a două imagini ∆y=kmin.
În faza de detecţie a tumorilor şi estimare a diferenţelor zonelor tumorale din cele
două scintigrafii, se elimină zona inferioară şi cea superioară a imaginilor, care includ
organele interne şi zona tiroidiană unde radiofarmaceuticul se poate fixa în mod
diferit. În acest caz în ecuaţia (4.22) se înlocuieşte H inf (căruia i se atribuie implicit
valoarea 1) cu H/3 sau H/2.

Cap. 4 Tehnici de procesare a imaginilor biomedicale 109
4.2.5. Extragerea contururilor zonelor tumorale pulmonare
Aplicaţia dezvoltată pentru procesarea scintigrafiilor pulmonare foloseşte
contururile pentru vizualizarea tumorilor şi determinarea ariilor suprafeţelor tumorale.
Se pot utiliza tehnici de umplere a contururilor şi de aplicare de operatori morfologici
de erodare/ dilatare, de deschidere/închidere a unei imagini pentru a obţine o imagine
ce caracterizează zonele tumorale.
Dintre filtrele pentru extragerea de contururi pe care le-am utilizat (Gaussian,
Sobel, Prewitt, Kirsch), au furnizat rezultate satisfăcătoare în cazul contururilor subţiri
filtrul Sobel de matrice 3x3 şi în cazul contururilor îngroşate filtrul Gaussian
caracterizat de o matrice de 7x7. Spre deosebire de filtrele derivative de ordin doi cum
ar fi laplacianul, gaussianul, filtrele derivative de ordin unu nu extrag decât muchiile
de anumite orientări (verticale, orizontale sau oblice), motiv pentru care este necesară
aplicarea mai multor măşti de convoluţie de diverse orientări şi alegerea rezultatului
cel mai bun prin folosirea unui bloc comparator (Vertan, 2007), (Bulea, 2003),
respectiv cumularea rezultatelor. Astfel pentru detecţia contururilor de mai multe
orientări folosind operatorul Sobel se aplică relaţiei următoare:
⎧ N N
⎫
*
⎪
⎪
f ( x,
y)
= max⎨
∑∑ p(
x + i,
y + j)
⋅ Sm
( i + N,
j + N)
⎬ , N=1
m
⎪⎩ i=
−N
j=
−N
⎪⎭
(4.23)
⎡−1 − 2 −1⎤
⎡0
−1
− 2⎤
⎡1
0 −1⎤
⎡2
1 0 ⎤
S =
⎢
⎥
1 ⎢
0 0 0
⎥
; S =
⎢ ⎥
2 ⎢
1 0 −1
⎥
; S
⎢ ⎥
3 =
⎢
2 0 − 2
⎥
; S
⎢ ⎥
4 =
⎢
1 0 −1
⎥
⎢⎣
1 2 1 ⎥⎦
⎢⎣
2 1 0 ⎥⎦
⎢⎣
1 0 −1⎥⎦
⎢⎣
0 −1
− 2⎥⎦
În cazul filtrelor Sobel, Kirsch şi Prewitt prin rotaţia matricelor cu un element în
jurul valorii centrale se obţin în total 8 măşti de convoluţie, fiecare permiţând detecţia
unei muchii de o anumită orientare (S1 muchii verticale, S2 oblice de orientare 45º, S3
muchi orizontale de 0º şi S4 muchii oblice de 135º)
Pentru filtrul Gaussian nu este necesară rotirea acestuia, fiind un filtru derivativ de
ordin superior, capabil să extragă muchii de mai multe orientări.
H
gaussian
*
N
N
∑∑
f ( x,
y)
= p(
x + i,
y + j)
⋅ H ( i + N,
j + N)
, N=3
⎡ 0
⎢
⎢
0
⎢−1
⎢
= ⎢−1
⎢−1
⎢
⎢ 0
⎢
⎣ 0
i=
−N
j=
−N
0
− 2
− 3
− 3
− 3
− 2
0
−1
− 3
5
5
5
− 3
−1
−1
− 3
5
16
5
− 3
−1
−1
− 3
5
5
5
− 3
−1
0
− 2
− 3
− 3
− 3
− 2
0
gaussian
0 ⎤
0
⎥
⎥
−1⎥
⎥
−1⎥
−1⎥
⎥
0 ⎥
0 ⎥
⎦
(4.24)

110 Cap. 4 Tehnici de procesare a imaginilor biomedicale
a) b)
c) d)
Fig. 4.19. Aplicarea filtrelor Sobel 3x3 (a, c) şi Gaussian 7x7(b,d), imaginilor segmentate
(Costin et al., Zbancioc, 2005)
Există situaţii în care imaginea digitizată este neclară din cauza reducerii benzii de
frecvenţă, fapt întâlnit în special atunci când se aplică un filtru trece jos. Pentru a
compensa acest fenomen se folosesc procedee de accentuare a contururilor. Având în
vedere că neclarităţile sunt efectul unor integrări, atunci efectul invers poate fi obţinut
prin diferenţiere. În urma operaţiei de diferenţiere, zonele cu frecvenţe înalte din
imagine sunt scoase în evidenţă. Din această cauză, imaginile perturbate de zgomot
nu sunt supuse operaţiei de diferenţiere, care ar duce la amplificarea acestuia şi deci la
reducerea raportului semnal util/zgomot. În astfel de cazuri este preferată o reducere
prealabilă a zgomotului prin filtrare, urmată de accentuarea conturilor. Deoarece
muchiile ce urmează a fi accentuate pot avea orice direcţie, trebuie ca operatorul de
diferenţiere să fie izotrop (invariant la rotaţie). Exemple de măşti ce sunt folosite
pentru accentuarea contururilor sunt date în relaţia (4.17)
În cazul contururilor subţiri se poate observa faptul că acestea nu sunt de cele mai
multe ori închise (ridicând probleme atunci când se doreşte umplerea acestor zone).
Se preferă în aceste condiţii contururile groase, ce pot fi mai apoi subţiate.

Cap. 4 Tehnici de procesare a imaginilor biomedicale 111
4.2.6. Prelucrarea zonelor de interes extrase de algoritmul de segmentare
După finalizarea etapei de segmentare în imaginea rezultată pe lângă tumorile
pulmonare au rămas şi zonele altor organe în care s-a fixat radiofarmaceuticul, cum ar
fi glanda tiroidă, organele interne învecinate (de exemplu inima). Pentru a extrage
zona de interes, se elimină partea de sus în care se află glanda tiroidă, respectiv cea de
jos în care se află organele interne. În secţiunea extrasă mai rămân informaţii în partea
de jos de la un singur organ inima, ce împiedică vizualizarea regiunilor tumorale
pulmonare suprapuse peste acesta. Eliminarea acestei zone este dificil de realizat, dat
fiind faptul că se pot elimina şi regiuni învecinate ce prezintă tumori.
Fig. 4.20. Selectarea zonei tumorale de interes şi prelucrarea cu operatori morfologici a acesteia
(Costin et al., Zbancioc, 2005)
În acord cu indicaţiile medicului specialist, am aplicat în mod repetat operaţiile
morfologice de erodare /dilatare pentru zona de interes selectată, (Praat, 2007), (Bow,
2002), până când au fost extrase tumorile esenţiale în stabilirea diagnosticului.
Zonele ce conţin tumorile pulmonare sunt comparate prin suprapunere şi calculul
diferenţei după ce în prealabil una din imagini este deplasată cu ∆x coloane şi
∆y linii. Dacă D = ∑∑P2 ( y + ∆y,
x + ∆x)
− P1
( y,
x)
este pozitiv atunci numărul
x y
tumorilor pulmonare a crescut şi invers dacă D este negativ regiunile tumorale sunt în
scădere.
Doar medicul este în măsură să stabilească tratamentul şi medicamentaţia în
funcţie de evoluţia bolii, observând dacă au apărut tumori noi, tumori anterioare au
scăzut în dimensiune sau au dispărut complet.
Cercetările efectuate în scopul elaborării metodelor de analiză ale imaginilor
scintigrafice pulmonare au fost valorificate prin lucrările (Ştefănescu et al. Zbancioc,
2002), (Costin et al., Zbancioc 2005).
4.3. Procesarea imaginilor scintigrafice osoase
De multe ori procesele de diagnoză pornind de la analiza unei imagini scintigrafice
complexe devin dificile, iar în acest caz o metodă de procesare automată a
scintigrafiilor diminuează gradul de subiectivitate a deciziei şi ajută astfel medicul.
Astfel de scintigrafii, greu de interpretat sunt şi scintigrafiile osoase în care trebuie
realizată o estimare procentuală a zonelor patologice în raport cu suprafaţa totală

112 Cap. 4 Tehnici de procesare a imaginilor biomedicale
osoasă (Costin, Ştefănescu 2006), (Costin et al 2007). Această estimare este dificil de
cuantificat la o investigare vizuală a scintigrafiei şi elaborarea unui algoritm de calcul
al acestui procent, ajută prin acurateţea rezultatului, la încadrarea într-o clasă a
metastazelor osoase.
În unele situaţii stabilirea unui diagnostic pentru o scintigrafie osoasă este simplu
de realizat dacă se observă cazuri de hiperfixaţiei sau hipofixaţie a radiotrasorului.
Mai dificil este de interpretat o scintigrafie în care în anumite zone sunt normale
având o fixare omogenă, dar există şi zone incerte în care ar putea fi localizate leziuni
incipiente şi s-ar putea începe un tratament prin chimio-terapie (Tryciecky, 1997).
Când astfel de zone sunt relativ numeroase, fără a exista indicii clare ale unui focar
patologic, o estimare a zonelor cu posibile metastaze raportate la întreaga suprafaţă
osoasă devine foarte utilă. Aplicaţia poate fi utilizată de către sau doar împreună cu un
expert în domeniu, acesta fiind singurul în măsură să specifice pragul de segmentare
şi să verifice dacă valoarea furnizată de sistem este situată între limitele normale.
4.3.1. Preprocesarea imaginii scintigrafice osoase
La fel ca şi în cazul scintigrafiilor pulmonare în faza de preprocesare am realizat o
conversie a imaginii într-o imagine reprezentată pe 256 nivele de gri, conform relaţiei
(4.15) şi am aplicat succesiv de două ori un filtru neliniar median de ordin 3x3. Se
poate aplica şi un singur filtru median de ordin mai mare 5x5.
Deoarece la realizarea histogramei imaginii s-a observat că distribuţia nivelurilor
de gri este într-un interval îngust [vlow,vhigh] am realizat o normalizare a histogramei
pentru a ocupa întreg intervalul [0, 255]. Imaginea rezultată şi histograma acesteia
sunt notate cu I ~ şi H ~ .
~
I ( x,
y)
I(
x,
y)
− v v − v ⋅
(4.25)
( ) ( ) 255
= low high low
Majoritatea pixelilor din imagine sunt de nivel deschis, motiv pentru care în
histogramă sunt concentrate majoritatea valorilor mari în jurul valorii de 255 (nuanţa
de alb). Se estimează o distribuţie normală gaussiană a pixelilor în acea zonă
specificând centrul distribuţiei în valoarea maximului histogramei, sau calculând o
medie a valorilor din histogramă în jurul valorii maxime.
p
inf
( ) ⎬
⎭ ⎫ ~
H ( k)
⎧ ~ ~ 255
µ = ⎨i
H ( i)
= H max = max sau
k=
0
⎩
~ ~
~ ~
i H ( i)
> H . 0,
5 p = i H ( i)
> H
= { } { . 0,
5}
min max
i
µ
p sup
= ∑
k=
p inf
sup
max max
i
( p − )
H ( k)
p
sup
inf
(4.26)
(4.27)
După specificarea maximului se calculează valoarea dispersiei σ a distribuţiei normale a
histrogramei şi se consideră că toţi pixelii care au nivelul de gri mai mare decât µ-2·σ devin
de culoare albă şi nu vor mai fi luaţi ulterior în considerare în procesul de segmentare.
Algoritmul de segmentare este descris în (Zbancioc, Costin, Ştefănescu, 2004).

Cap. 4 Tehnici de procesare a imaginilor biomedicale 113
~ 2
∑(
( i)
⋅ ( i − µ ) ) ∑
2
~
σ = H H ( i)
(4.28)
i
i
⎪⎧
~ ~
~ I ( i,
j)
if I ( i,
j)
< µ − 2σ
I ( x,
y)
=
(4.29)
⎨ ~
⎪⎩ 255 if I ( i,
j)
≥ µ − 2σ
Fig. 4.21. Histograma normalizată a scintigrafiei osoase şi selecţia valorii de prag µ-2·σ
(Zbancioc, Costin, Ştefănescu, 2004)
Deoarece intensitatea nivelului de gri indică gradul de fixare a
radiofarmaceuticului, nu se recomandă efectuarea unor operaţii de modificare de
contrast sau de egalizare a histogramei. Pentru ca doctorul să aibă aceeaşi informaţie
în imaginea procesată cu cea din imaginea iniţială se poate aplica o transformare
inversă celei aplicate în relaţia (4.25) care va reface valorile nivelurilor de gri
existente înaintea fazei de preprocesare a imaginii scintigrafice.
~
I ( x,
y)
= I ( x,
y)
255⋅
v − v + v
(4.30)
( high low ) low
4.3.2. Suprapunerea scintigrafiilor osoase anterioare şi posterioare
Pentru fiecare pacient scintigrafia osoasă a întregului corp este realizată sub două
incidenţe una anterioară şi una posterioară (vezi fig.4.22). Datorită distanţei de la
gama cameră la corp, a modului diferit de irigare sanguină, a circulaţiei specifice a
raditrasorului există în scintigrafie zone cu o fixare mai slabă de exemplu, pentru
segmente de femur sau porţiuni ale coloanei vertebrale. Prin suprapunerea celor două
scintigrafii achiziţionate sub incidenţă anterioară Ia şi posterioară Ip se obţine un
maxim de informaţie.
Pentru suprapunerea cât mai exactă a celor două imagini am realizat o operaţie de
reflexie pe verticală a uneia dintre imagini şi am aplicat funcţia de corelaţie pentru a
găsi deplasamentul ( ∆ x , ∆ y ) ce trebuie efectuat.
( i,
j)
= I ( i,
W − j)
, unde i = 1 , H,
j = 1,
W
(4.31)
I p
p
θ = µ-2σ
Funcţia de corelaţie aplicată celor două imagini oferă o informaţie legată de
similaritatea acestora. Pentru o dimensiune de HxW a imaginilor corelate, matricea de
ieşire va avea dimensiunea 2H-1 x 2W-1.Valoarea maximă a matricei de corelaţie

114 Cap. 4 Tehnici de procesare a imaginilor biomedicale
C(k,l) ne indică că, pentru o deplasare pe coloană cu ∆ x = W − l poziţii şi pe linie cu
∆ y = H − k , se obţine un produs maxim al celor două matrice Ia şi Ip, adică cea mai
bună suprapunere a celor două scintigrafii.
⎧ k
⎪
⎪ i
⎪ k
⎪
⎪
i=
C = corr2(
k,
l)
= ⎨2N
⎪
⎪
⎪ i
2N
⎪
⎪
⎪⎩
i=
l
∑∑
a
= 1 j=
1
2M
−l
∑∑
a
1 j=
1
−k
l
∑∑
a
= 1 j=
1
−k
2M
−l
∑∑
1
I ( i,
j)
⋅ I ( H − k + i,
W − l + j)
I ( i,
l −W
+ j)
⋅ I ( H − k + i,
j)
I ( k − H + i,
l −W
+ j)
⋅ I ( i,
j)
, k ≤ H,
l ≤ W
, k ≤ H,
l > W
I ( k − H + i,
j)
⋅ I ( i,
W − l + j)
, k > H,
l ≤ W
a
j=
1
p
p
p
p
, k > H,
l > W
(4.32)
Suprapunerea celor două scintigrafii este realizată în sensul că se păstrează
valoarea corespunzătoare celei mai bune fixări a radiofarmaceuticului, adică a
intensităţii de gri cât mai scăzute. Din doi pixeli care se suprapun se păstrează cel cu
valoarea mai mică, mai apropiat de zero (culoarea neagră)
, i≤H
j≤W
( I ( i,
j),
I ( i + ∆y,
j + ∆x)
)
I = min ant post
i=
1,
j=
1
4.3.3. Determinarea axelor de simetrie şi a regiunilor cu posibile metastaze
(4.33)
În vederea localizării zonelor cu posibile metastaze osoase am realizat o comparare
prin simetrie a informaţiilor găsite în cele două jumătăţi (stânga, dreapta) ale
scheletului uman. Deoarece poziţionarea membrelor poate fi diferită este necesară
extragerea unor axe de simetrie. Imaginea scintigrafică este împărţită manual, în zone
dreptunghiulare (una pentru cap, una pentru coloana vertebrală, patru regiuni de lucru
pentru membrele superioare şi respectiv alte patru pentru membrele inferioare – vezi
figura 4.26). Ar fi utilă o delimitare automată a acestor zone de lucru, dar s-a renunţat
la aceasta, datorită structurii antropologice complexe a scheletului uman şi a
caracteristicilor specifice ale acestuia corelate cu dezvoltarea pacientului pe parcursul
vieţii, eventual modul în care scheletul poate fi afectat de unele maladii. În mod
frecvent pacienţii au deformări ale coloanei vertebrale şi din acest motiv s-a realizat o
detecţie a axei coloanei pe mai multe subintervale. Un grad de curbură mai mare a
coloanei introduce dificultăţi în stabilirea zonelor simetrice în partea superioară a
corpului. În lucrarea (Zbancioc, Costin, Ştefănescu, 2004) am propus un algoritm
fuzzy care asocieză un grad de încredere în simetria a doi pixeli selectaţi din zone
simetrice (de exemplu zona braţelor sau a picioarelor). Pentru zonele din jurul
coloanei vertebrale, unde există mai multe axe de simetrie algoritmul poate găsi
pentru un pixel mai mulţi pixeli de „simetrie”, fiind necesară găsirea unei metode de
analiză suplimentare pentru aceste cazuri de dubiu.

Cap. 4 Tehnici de procesare a imaginilor biomedicale 115
d)
Fig. 4.22. Imagine scintigrafică osoasă a). Secţiuni din imaginea preprocesată, pentru care sunt
determinate axelor de simetrie (în figurile 4.23-25) pe baza maximilor locale,pentru b) linia 250,
c) linia 500, d) linia 900 din imagine. Scintigrafie achiziţionată de prof. dr. C. Ştefănescu
(Zbancioc, Costin, Ştefănescu, 2004)
Fig. 4.23. a) Grafic al vectorului de valori corespunzător liniei 250 – torace b) grafic vector
netezit; c) rezultat după eliminarea „falselor” maxime locale (Zbancioc, Costin, Ştefănescu, 2004)
b)
c)

116 Cap. 4 Tehnici de procesare a imaginilor biomedicale
Fig. 4.24. Grafic al vectorului de valori corespunzător liniei 500 – zonă abdominală b) grafic vector
netezit; c) rezultat după eliminarea „falselor” maximer locale (Zbancioc, Costin, Ştefănescu, 2004)
Fig. 4.25. Grafic al vectorului de valori corespunzător liniei 900 – picioare b) grafic vector
netezit; c) rezultat după eliminarea „falselor” maxime locale (Zbancioc, Costin, Ştefănescu, 2004)
Pentru stabilirea axelor de simetrie imaginea a fost procesată linie cu linie, în
figurile 4.23-4.25 se observă cum pentru vectorul valorilor dintr-o linie a imaginii
scintigrafice se aplică o metodă de „netezire”, metodă care permite extragerea facilă a
maximelor locale, dar care introduce şi o serie de valori de maxim local suplimentare.
Deoarece acestea au amplitudine semnificativ mai mică decât semnalul util se
realizează o eliminare a acestora.

Cap. 4 Tehnici de procesare a imaginilor biomedicale 117
Metoda de netezire implementată extrage o „anvelopă” a semnalului (fig.4.23-4.25
b) şi poate fi utilizată în orice aplicaţie în care este dificilă determinarea unui singur
maxim datorită unui grad ridicat de fragmentare a informaţiei. În figura 4.23-4.25.a)
se observă cum în zona membrelor inferioare şi a braţelor gradul de fixare a
radiofarmaceuticului nu este omogenă existând mai mulţi candidaţi la valoarea de
maxim local.
Metoda spectrului netezit este folosită şi în instrumentele de extragere a informaţiei
prozodice din semnale vocale, pentru detecţia formanţilor şi va fi detaliată ulterior în
ultimul capitol al tezei. Metoda presupune trecerea în domeniul spectral al
frecvenţelor, apoi în domeniul cepstral al quefrenţelor, păstrarea doar a câtorva
elemente din cepstru şi neglijarea celorlalte la reconstrucţia semnalului la aplicarea
transformatelor inverse.
3
4
7
8
1
2
Fig. 4.26. Detecţia axelor de simetrie pe baza maximelor extrase prin metoda de netezire
(Zbancioc, Costin, Ştefănescu, 2004)
Axele de simetrie ale fiecărei zone de lucru se determină din valorile de maxim ale
anvelopelor folosind metoda regresiei liniare, descrisă anterior la prelucrarea
scintigrafiilor SPECT cerebrale (vezi relaţiile de calcul 4.7-4.8).
Metoda de procesare a scintigrafiilor osoase prezentată în această secţiune,
calculează un coeficient al zonelor cu posibile metastaze osoase (segmentate după o
5
6
9
10

118 Cap. 4 Tehnici de procesare a imaginilor biomedicale
valoare prag dată de expert) raportate la întreaga suprafaţă osoasă din imagine.
Valoarea de prag este dată de expert şi determinată automat datorită variabilităţii de la
un pacient la altul a radiaţiei recepţionate de gama cameră de la radiofarmaceuticul
fixat în oase, variabilitate datorată distanţei, masei corporale diferite, caracteristicilor
diferite de irigare sanguină şi de fixare a agentului chimic. Metoda mai poate fi
perfecţionată, intenţionându-se în viitorul apropiat optimizarea algoritmilor de
detecţie axe şi de comparare a informaţiei din zonele simetrice, algoritmi care pot
aduce o informaţie suplimentară în stabilirea diagnosticului. Rezultatele cercetărilor
au fost valorificate în (Zbancioc, Costin, Ştefănescu, 2004), (Ştefănescu, Costin,
Zbancioc, 2006).
4.4. Contribuţii personale
În acest capitol am prezentat trei metode de procesare a imaginilor medicale
nucleare pentru trei tipuri distincte de imagini scintigrafice: imagini SPECT cerebrale,
scintigrafii planare pulmonare şi osoase. Studiile s-au desfăşurat în colaborare cu prof.
dr. Cipriana Ştefănescu Departamentul de Medicină Nucleară, Facultatea de
Medicină, U.M.F. “Gr.T.Popa” Iaşi şi cu C.S. III dr. ing. Mihaela Costin de la
Institutul de Informatică Teoretică al Academiei Române – Filiala Iaşi.
Contribuţiile autorului sunt legate de:
- elaborarea prin colaborare a unei metode bazată pe matricea de co-ocurenţă, pentru
identificare automată a secţiunilor transversale din scintigrafiile cerebrale SPECT
cu posibile zone disfuncţionale/tumori;
- realizarea prin colaborare a unei unui algoritm de comparare a informaţiilor din
cele două emisfere cerebrale, prin determinarea liniei centrale a unei secţiuni
SPECT cerebrale, rotirea imaginii (dacă este cazul) şi aplicarea unei metode de
segmentare cu prag fix în detecţia tumorilor cerebrale, respectiv cu prag variabil
pentru localizarea zonelor disfuncţionale;
- propunerea şi elaborarea prin colaborare a unui algoritm de segmentare a
imaginilor SPECT cerebrale folosind un prag variabil determinat pe baza unui
sistem fuzzy Sugeno cu o intrare şi o ieşire;
- calcularea volumului zonelor disfuncţionale (exprimat în voxeli) prin cumularea
informaţiilor din fiecare secţiune a setului SPECT transversal;
- implementarea aplicaţiei software de procesare a imaginilor cerebrale SPECT;
- elaborarea prin colaborare a două metode de segmentare a imaginilor pulmonare
folosind un algoritm iterativ de stabilire a pragului optim, respectiv o segmentare
bazată pe informaţia reconstruită din imaginea asupra căreia s-a aplicat
transformata wavelet de mai multe ori consecutiv;
- realizarea prin colaborare a unui algoritm de comparare a două scintigrafii
pulmonare preluate de la acelaşi pacient la momente diferite de timp, prin
determinarea liniei mediane pe baza pixelilor asociaţi glandei tiroide, suprapunerea
imaginilor şi calcularea matricei diferenţelor;
- prelucrarea zonelor tumorale din plămâni prin aplicarea de operatori morfologici şi
operatori de detecţie de contururi;

Cap. 4 Tehnici de procesare a imaginilor biomedicale 119
- implementarea aplicaţiei software de procesare a scintigrafiilor pulmonare;
- elaborarea prin colaborare a unui algoritm de suprapunere a scintigrafiilor osoase
achiziţionate sub incidenţă anterioară şi posterioară folosind funcţia de corelaţie
bidimensională;
- elaborarea prin colaborare a unei metode de extragere a axelor de simetrie ale
diferitelor regiuni din scintigrafia osoasă, prin determinarea punctelor de maxim
local, după aplicarea în prealabil a unei metode de netezire (extragere a anvelopei)
şi utilizarea unui algoritm de regresie liniară pe seturile de valori maxime locale;
- calcularea valorii procentuale a zonelor cu posibile metastaze osoase (valoarea de
prag este ajustată de expert) raportată la suprafaţa totală osoasă;
- implementarea aplicaţiei software de procesare a scintigrafiilor osoase.
Rezultatele cercetărilor din acest capitol s-au concretizat prin publicarea a cinci
articole în reviste şi la conferinţe internaţionale.
Bibliografie capitol
Bulea Mihai (2003), Prelucrarea Imaginilor şi Recunoaşterea Formelor – Teorie şi Aplicaţii,
Editura Academiei Române, ISBN: 973-27-1000-4, pp. 458, 2003
Bow, S.-T. (2002): Pattern Recognition and Image Preprocess, 2nd edition, Marcel Dekker,
Inc., N.Y., ISBN:0824706595, pp. 698.
Boom, B.J. and Spreeuwers, L.J. and Veldhuis, R.N.J. (2009). "Model-Based Illumination
Correction for Face Images in Uncontrolled Scenarios", Xiaoyi Jiang and Nicolai Petkov
(Eds.) Computer Analysis of images and Patterns, Proc. of 13 th International Conference,
CAIP 2009, Sept 2-4, Munster, Germany, Lecture Notes in Computer Science 5702(2009):
33–40, ISSN 0302-9743, pp. 33-40.
Costin M., O. Baltag, A. Ciobanu, C. Stefanescu, D. Costandache (2007), Improving
Noninvasive Monitoring in Medical Care, IEEE - ICCC 2007, 5th IEEE International
Conference on Computational Cybernetics, Gammamarth, Tunisia, 19-21 Oct. 2007.
Costin M., C. Stefanescu (2006), Medical Imaging Processing in Scintimetry, pp. 90-103,
Tehnopress Ed., 2006.
Costin Mihaela, Marius Zbancioc, Adrian Ciobanu, Cipriana Ştefănescu (2003), Toward a
Diagnosis System using Nuclear Medicine Image Processing, , Vol.8, Nos.1-3, pp. 65 - 78,
ISSN 1016-2137, Revista Fuzzy Sets and Artificial Intelligence 2003.
Costin M., C. Stefanescu, D. Galea, M. Zbancioc (2005), “Image Processing in Pulmonary
Disease Diagnosis”, IEEE – SOFA 2005, IEEE International Workshop on Soft Computing
Applications, 27-30 August, 2005, Szeged-Hungary şi Arad-România, pp. 231-236, ISBN
963-219-001-7.
Costin M., Zbancioc M.D. (R2003),Metode de inteligenţă artificială în prelucrarea semnalelor
1D şi 2D, raport de cercetare în cadrul Institutului de Informatică Teoretică al Academiei
Române, Filiala Iaşi, noiembrie 2003
Ekoule A., Peyrin F., Odet C.(1991), “A triangulation algorithm from arbitrary shaped
multiple planar contours”, ACM Trans. on Graphics, 10 (2), pp 182-189, April 1991.
Fitzgibbon A., Pilu M. and Fisher R.B. (1999): “Direct Least Square Fitting of Ellipses”. IEEE
Trans. on Pattern Analysis and machine Intelligence, Vol. 21(5), pp. 476-480.
Gipp Markus, Guillermo Marcus, Nathalie Harder, Apichat Suratanee, Karl Rohr, Rainer
König, Reinhard Männer(2008), „Accelerating the Computation of Haralick’s Texture
Features using Graphics Processing Units (GPUs)”, Proceedings of the World Congres son
engineering WCE2008, Vol.1, July 2-4, London, U.K.

120 Cap. 4 Tehnici de procesare a imaginilor biomedicale
Haralick Robert M. (1979), “Statistical and structural approaches to texture”, Proc. IEEE, vol.
67, no. 5, pp. 786-804, 1979.
Haralick, R.M.; Shapiro, L.G.(2002), Computer and Robot Vision. Addison-Wesley, ISBN 0-
201-56943-4, Vol.2, pp. 453-470, 2002.
Hohne K.H., Bomans M., Pommert A., Riemer M., Schiers C., Wiebecke G.(1990), 3D
technique of tomographic volume data using the generalized voxel model, The visual
computer, 6, pp. 28÷36, Springer-Verlag,.
Mitra K. S. (2005) Digital Signal Processing, 3 nd edition, McGraw-Hill, ISBN: 0073048372.
Pratt, W.K. (2007): "Digital Image Processing, PIKS Scientific Inside”Fourth Edition, J. Wiley
& Sons, Inc. New York, ISBN: 978-0-471-76777-0.
Press H. W. , Teukolsky A. S., Vetterling T. W., Flannery P. B., Cambridge (2007) Numerical
receips in C, The Art of Scientific Computind Third Edition, Camridge University Press,
ISBN 978-0-521-88068-8, 2007.
Rusu V., C. Ştefănescu, M. Rusu, M. Costin, D. Hountis (2003), Image Processing in
Myocardial SPECT Acquisition, RMC SN Iaşi, 2003, Vol.107, 2, pp. 306 – 312.
Sequeira J. (1987), “Modélisation interactive d’objets de forme complexe complexe a partir de
données hétérogenes”, Thése de doctorat d’Etat en Sciences, Besancon 1987.
Ştefanescu C., M. Costin, M. Zbancioc (2006), Image Pre-processing Automatic Systems for
Bonescan Metastasis Evaluation, Medico-Chirurgical Review of the Physicians and
Naturalists Society, Rev. Med. Chir. Soc. Med. Nat. Iasi, (RMC-SMN), Vol. 110, Nr. 1, pp.
178-186, (Internet, in PubMed), 2006.
Ştefănescu C., V. Rusu, D. Boişteanu, M. Costin, A.K. Padhy, M. Zbancioc, D. Simion (2002)
Could Be 99mTc MIBI an Earliest Imagistic Marker for The Pulmonary Tuberculosis
Treatment Evaluation?, European Journal of Nuclear Medicine, 2002, 29, 1, S326, EANM
Annual Congress, August 2002, Viena (pp.-532).
Ştefănescu Cipriana, L. Boiculese, V. Rusu, Mihaela Costin, Elena Muşat, D. Hountis (2003),
Cancer Evolution Assessment Using Artificial Neural Networks, Rev. Med.Chir. Soc. Nat.
Iaşi, 2003, Vol. 107, 1, pp. 24 – 28.
Tryciecky W.E., Gottschalk A., Ludema K. (1997), “Oncologic Imaging: Interactions of
Nuclear Medicine with CT and MRI Using the Bone Scan as a Model” in Seminars in
Nuclear Medicine, Leonard M. Freeman and M. Donald Blaufox, Editors, The role of
Nuclear Medicine in Oncological Diagnosis (Part 2), W.B. Saunders Company, A Division
of Harcourt Brace & Company, pp 142÷152.
Vertan Constantin, Ciuc Mihai (2007), Tehnici fundamentale de Prelucrarea şi Analiza
Imaginilor, Editura Matrix rom, Bucureşti, ISBN 978-973-755-207-5, pp.214, 2007.
Zbancioc Marius, Mihaela Costin, Cipriana Ştefănescu (2004), “Image Pre-Processing for a
Medical Aide-Decision System in Bone Scintigraphy”, vol. Intelligent Systems in Medicine,
H.N. Teodorescu editor, pp. 101, 114, ed.Performantica, Iaşi, 2004, ISBN 973-7994-82-5 şi
pe CD – Third European Conference on Intelligent Systems and Technologies ECIT'2004,
21 - 23 July 2004, Iaşi, Romania, ECIT, 2004.