Cap. 4 Tehnici de procesare a imaginilor biomedicale
Cap. 4 Tehnici de procesare a imaginilor biomedicale
Cap. 4 Tehnici de procesare a imaginilor biomedicale
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong><br />
<strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong><br />
Imaginile medicale sunt obţinute prin tehnice avansate, pe baza răspunsului<br />
organismului la interacţiunea cu factori fizici în funcţie <strong>de</strong> caracteristicile anumitor<br />
ţesuturi, convertite în gra<strong>de</strong> <strong>de</strong> luminozitate (culori asociate convenţional sau în mod<br />
uzual nuanţe <strong>de</strong> gri). Diferenţe mai mari între caracteristicile ţesuturilor conduc la un<br />
contrast accentuat al imaginii, calitatea finală a imaginii fiind dată atât <strong>de</strong><br />
sensibilitatea şi rezoluţia echipamentului, cât şi <strong>de</strong> zgomotele şi artefactele suprapuse<br />
peste semnalul util.<br />
Printre factori fizici folosiţi în imagistica medicală enumerăm: ultrasunetele<br />
(ecografie şi tomografie cu ultrasunete - principiul fizic reflexia la interfeţele dintre<br />
ţesuturi), radiaţiile X (radiologie, tomografie X - principiul absorbţiei/atenuării<br />
radiaţiei funcţie <strong>de</strong> <strong>de</strong>nsitatea ţesuturilor), factori chimici (trasori specifici,<br />
radiofarmaceuticele) ce se fixează pe ţesutul investigat şi emit radiaţiile ionizante<br />
(scintigrafie, tomoscintigrafie), câmpul electromagnetic (tomografie RMN –<br />
principiul rezonanţei magnetice nucleare a protonilor într-un câmp magnetic).<br />
Spre <strong>de</strong>osebire <strong>de</strong> tomografia computerizată (CT) care permite studierea anatomiei<br />
umane furnizând imagini structurale, medicina nucleară relevă funcţionarea organelor<br />
(imagini funcţionale). Prin fuziunea celor două tipuri <strong>de</strong> imagini funcţionale<br />
(medicină nucleară) şi structurale (CT) se pot obţine imagini <strong>de</strong> calitate superioară,<br />
existând scanere hibri<strong>de</strong> (SPECT-CT, PET-CT). Tehnologia evoluează aşteptându-se<br />
apariţia unor echipamente hibri<strong>de</strong> din fuziunea imagistică prin rezonanţă magnetică<br />
cu cele <strong>de</strong> medicină nucleară (PET-MRI)<br />
Folosind tomografia computerizată se poate reconstrui imaginea 3D a unui obiect<br />
pe baza mai multor secţiuni plane (tomos=felie), achiziţionate succesiv sub inci<strong>de</strong>nţe<br />
multiple. Detectorul şi emiţătorul <strong>de</strong> radiaţie nucleară poate efectua o <strong>de</strong>plasare<br />
circulară în jurul organului <strong>de</strong> vizualizat. Tomograful încorporează un calculator<br />
puternic pentru a putea procesa informaţia achiziţionată şi pentru a permite<br />
vizualizarea fiecărei secţiuni.<br />
Medicina nucleară (NM) utilizează izotopi radioactivi pentru diagnosticare şi<br />
analiză, imaginile fiind obţinute pe baza distribuţiei în interiorul pacientului a unui<br />
radioelement farmaceutic, care poate fi înghiţit, injectat intravenos sau inhalat ca un<br />
gaz. Aceşti radiotrasori se acumulează numai în organele sau ţesuturile ce urmează a<br />
fi examinate, <strong>de</strong> un<strong>de</strong> emit radiaţie nucleară captată <strong>de</strong> o gama cameră sau scanner<br />
PET. Imaginile rezultate în urma măsurării cantităţii <strong>de</strong> energie emisă, oferă<br />
informaţii funcţionale ale zonei <strong>de</strong> investigat. Camera cu scintilaţie (gama camera)<br />
este conectată la un computer, <strong>procesare</strong>a informaţiei fiind realizată în două etape:<br />
achiziţia datelor şi <strong>procesare</strong>a <strong>imaginilor</strong>.<br />
Pentru o achiziţie efectuată în mod planar (scintigrafie plană) <strong>de</strong>tectorul este mişcat<br />
cu o viteză constantă <strong>de</strong>-a lungul întregului corp, fiecare pixel al imaginii rezultate<br />
reprezentând o sumă a tuturor punctelor situate pe o axă imaginară ce traversează<br />
întreg corpul pe o anumită direcţie. Sunt necesare achiziţii sub diverse inci<strong>de</strong>nţe<br />
(anterioară, posterioară, <strong>de</strong> profil sau oblice).
90 <strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong><br />
Achiziţia SPECT (Single Photon Emission Computed Tomography) pentru o sursă<br />
cu emisie <strong>de</strong> radiaţie gama, sau PET (Positron Emission Tomography) la o emisie <strong>de</strong><br />
pozitroni este realizată în mod tomografic. Pornind <strong>de</strong> la aceste achiziţii primare<br />
programul <strong>de</strong> <strong>procesare</strong> va permite reconstruirea secţiunilor sagitale, transversale,<br />
frontale ale organului.<br />
Echipamentele medicale pot realiza o <strong>procesare</strong> a <strong>imaginilor</strong> achiziţionate<br />
realizând o filtrare/eliminare a zgomotului <strong>de</strong> fond sau a unor artefacte, corecţia unor<br />
distorsiuni neomogenităţi a <strong>imaginilor</strong>, evaluarea numerică a unor caracteristici,<br />
vizualizarea unor zone <strong>de</strong> interes etc.<br />
Pentru manipularea <strong>imaginilor</strong> <strong>de</strong> tip PET, SPECT am <strong>de</strong>zvoltat mai multe<br />
instrumente software, printre cele mai cunoscute fiind ICON, Sopha/SMV NXT,<br />
DICOM şi SEGAMI. Fiecare dintre acestea lucrează cu anumite formate <strong>de</strong> imagini.<br />
Printre avantajele unei investigaţii scintigrafice cele mai importante sunt faptul că este<br />
neinvazivă, că iradierea este <strong>de</strong> obicei mică şi că pe durata celor câteva ore cât<br />
radiotrasorul este activ se pot face mai multe vizualizări sub mai multe inci<strong>de</strong>nţe, putând fi<br />
chiar urmărită activitatea/funcţionarea unei anumite regiuni. De asemenea radiotrasorul se<br />
localizează numai într-o anumită regiune, permiţând vizualizarea unor ţesuturi sau organe<br />
ce nu pot fi vizualizate <strong>de</strong> exemplu prin radiografierea zonei datorită caracteristicilor<br />
similare cu ţesuturile învecinate (<strong>de</strong> exemplu tiroida). Astfel <strong>de</strong> zone pot fi vizualizate şi<br />
prin RMN, fără a obţine însă <strong>de</strong>cât informaţii structurale (nu şi funcţionale).<br />
Sunt prezentate trei meto<strong>de</strong> <strong>de</strong> analiză şi diagnoză a <strong>imaginilor</strong> medicale scintigrafii<br />
tomografice SPECT cerebrale, a scintigrafiilor planare osoase şi pulmonare. Studiile sau<br />
<strong>de</strong>sfăşurat în colaborare cu Prof. Dr. Cipriana Ştefănescu Departamentul <strong>de</strong> Medicină<br />
Nucleară, Facultatea <strong>de</strong> Medicină, U.M.F. “Gr.T.Popa” Iaşi şi cu C.S. III dr. ing.<br />
Mihaela Costin <strong>de</strong> la Institutul <strong>de</strong> Informatică Teoretică al Aca<strong>de</strong>miei Române – Filiala<br />
Iaşi (Costin, Zbancioc et al., 2003), (Zbancioc , Costin, Ştefanescu, 2004), (Costin et al.,<br />
Zbancioc, 2005), (Ştefanescu, Costin, Zbancioc, 2006).<br />
4.1. Procesarea <strong>imaginilor</strong> scintigrafice cerebrale <strong>de</strong> tip SPECT<br />
În (Costin, Zbancioc et al., 2003) s-a propus o metodă <strong>de</strong> analiză a nesimetriilor<br />
volumetrice tumorale, <strong>de</strong> i<strong>de</strong>ntificare a zonelor cu disfuncţii cerebrale, <strong>de</strong> calcul a<br />
volumului tumorii, eficientă şi necesară în cazurile imagistice care prezintă dubiu.<br />
Algoritmii prezentaţi au fost proiectaţi pentru imagini scintigrafice <strong>de</strong> tip SPECT,<br />
realizate pe creier şi se bazează pe proprietatea că între cele două emisfere cerebrale<br />
nu trebuie să existe diferenţe mari în gradul <strong>de</strong> fixare a radiofarmaceuticului.<br />
Esenţială în realizarea unor astfel <strong>de</strong> aplicaţii este cunoaşterea cât mai precisă a<br />
zonelor afectate tumoral – <strong>de</strong>limitate <strong>de</strong> expert, pentru ca ulterior tehnica procesării <strong>de</strong><br />
imagini să poată interveni, prin utilizarea unor meto<strong>de</strong> <strong>de</strong> inteligenţă artificială, care<br />
rafinând criteriul <strong>de</strong> <strong>de</strong>cizie, să constituie un ajutor real pentru medic. Aplicabilitatea<br />
sistemului realizat este atât în diagnoza directă, cât şi în telemedicină.<br />
În primă fază algoritmul i<strong>de</strong>ntifică pe baza informaţiilor statistice folosind funcţia<br />
<strong>de</strong> co-ocurenţă, existenţa unor zone nefuncţionale. În a doua fază pe baza diferenţelor<br />
între cele două emisfere sunt evi<strong>de</strong>nţiate zonele nefuncţionale (tumori) sau parţial<br />
funcţionale şi se <strong>de</strong>termină volumul acestora.
<strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong> 91<br />
Unitatea <strong>de</strong> volum în imagistica medicală se mai numeşte şi voxel. Pentru<br />
imaginile SPECT analizate avem două seturi <strong>de</strong> N=128 <strong>de</strong> slice-uri (secţiuni), fiecare<br />
conţinând NxN pixeli. Numărul <strong>de</strong> voxeli este prin urmare 128x128x128. Un set este<br />
constituit din imagini orizontale, celălalt din imagini verticale, <strong>de</strong> interes în<br />
i<strong>de</strong>ntificarea anomaliilor în funcţionarea creierului este primul set, <strong>de</strong>oarece permite<br />
compararea lobilor din cele două emisfere cerebrale.<br />
Pentru <strong>de</strong>tecţia zonelor disfuncţionale <strong>de</strong> interes pentru diagnoză, am utilizat o<br />
metodă <strong>de</strong> segmentare cu prag variabil, pentru nesimetriile tumorale (respectiv<br />
<strong>de</strong>tecţia gliomului) şi s-a lucrat cu un prag fix stabilit <strong>de</strong> specialist.<br />
4.1.1. Determinarea matricei <strong>de</strong> co-ocurenţa a nivelurilor <strong>de</strong> gri<br />
Depen<strong>de</strong>nţa spaţială a nivelurilor <strong>de</strong> gri (GLCO – gray level co-occurence) sau<br />
matricea <strong>de</strong> co-ocurenţă, reprezintă probabilitatea <strong>de</strong> apariţie într-o anumită regiune a<br />
unor pixeli ce respectă o restricţie <strong>de</strong> plasament spaţial.<br />
P y<br />
∆ x ∆ ( i,<br />
j)<br />
= Prob{ I(<br />
x,<br />
y)<br />
= i,<br />
I(<br />
x + ∆x,<br />
y + ∆y)<br />
= j}<br />
(4.1)<br />
Matricea <strong>de</strong> co-ocurenţă este foarte <strong>de</strong>s folosită la caracterizarea texturilor, pentru<br />
<strong>de</strong>terminarea unor pattern-uri specifice unei texturi, din valorile matricei <strong>de</strong> coocurenţă<br />
se pot extrage o serie <strong>de</strong> parametri statistici Haralick: omogenitatea şi<br />
omogenitatea locală, uniformitatea, directivitatea, contrastul, entropia, etc. (Haralick<br />
1979), (Gipp et al., 2008).<br />
Prin aplicarea relaţiei (4.1) se <strong>de</strong>termină într-o imagine numărul <strong>de</strong> cazuri în care<br />
doi pixeli, unul având intensitatea nivelului <strong>de</strong> gri i şi celălalt j, sunt aflaţi într-o<br />
relaţie spaţială dată <strong>de</strong> <strong>de</strong>plasamentul ( ∆ x , ∆ y ).<br />
Restricţia spaţială va fi exprimată în continuare prin perechea (d, α ), un<strong>de</strong> d<br />
reprezintă distanţa între doi pixeli şi α unghiul făcut <strong>de</strong> dreapta ce uneşte cei doi<br />
pixeli cu orizontala. Trebuie menţionat că d nu este corelat cu distanţa euclidiană, ci<br />
exprimă doar diferenţa între poziţiile pe linie sau coloană a pixelilor. Se vor lua în<br />
calcul doar direcţiile existente într-o fereastră dreptunghiulară <strong>de</strong> 3x3 pixeli,<br />
consi<strong>de</strong>rând d=1 (în jurul pixelului central). Pentru un d mai mare, numărul poziţiilor<br />
relative între pixeli creşte exponenţial, prin urmare ne vom limita la cazul în care<br />
valorile lui α sunt {0,45,90,135}.<br />
135°<br />
90°<br />
0° 0°<br />
45° 90° 180°<br />
Fig. 4.1. Unghiurile utilizate la calculul GLCO pentru d=1 între pixeli (Costin, Zbancioc et al. 2003)<br />
45°
92 <strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong><br />
Matricea GLCO poate fi reprezentată ca o matrice simetrică atunci când direcţiile<br />
<strong>de</strong> căutare α sunt convenabil alese, dimensiunea matricei fiind dată <strong>de</strong> numărul<br />
cazurilor <strong>de</strong> analizat, în cazul nostru numărul maxim <strong>de</strong> nivele <strong>de</strong> gri.<br />
Pentru cele patru direcţii ale poziţiilor relative dintre pixeli, relaţiile <strong>de</strong> calcul ale<br />
matricelor <strong>de</strong> co-ocurenţă sunt următoarele:<br />
) = { I(<br />
k,<br />
l)<br />
= i,<br />
I(<br />
m,<br />
n)<br />
= j,<br />
k − m = 0,<br />
l − n d}<br />
{ } 2<br />
I(<br />
k,<br />
l)<br />
= i,<br />
I(<br />
m,<br />
n)<br />
= j,<br />
k − d = d,<br />
( k − m)(<br />
l − n)<br />
=<br />
) = { I(<br />
k,<br />
l)<br />
= i,<br />
I(<br />
m,<br />
n)<br />
= j,<br />
k − m = d,<br />
l − n 0}<br />
{ } 2<br />
I(<br />
k,<br />
l)<br />
= i,<br />
I(<br />
m,<br />
n)<br />
= j,<br />
k − d = d,<br />
( k − m)(<br />
l − n)<br />
o<br />
P ( i,<br />
j,<br />
d,<br />
0 η<br />
=<br />
o<br />
P( i,<br />
j,<br />
d,<br />
45 ) = η<br />
−d<br />
o<br />
P( i,<br />
j,<br />
d,<br />
90 η<br />
=<br />
o<br />
(4.2)<br />
(4.3)<br />
(4.4)<br />
P ( i,<br />
j,<br />
d,<br />
135 ) = η<br />
= d (4.5)<br />
un<strong>de</strong> η reprezintă probabilitatea <strong>de</strong> apariţie a doi pixeli I( , ) cu nivelurile <strong>de</strong> gri i, j,<br />
la o distanţă <strong>de</strong> d pixeli pe linie şi/sau coloană şi sub un unghi α . Această<br />
probabilitate este exprimată ca număr <strong>de</strong> situaţii i<strong>de</strong>ntificate respectând restricţiile<br />
spaţiale raportat la numărul total <strong>de</strong> situaţii.<br />
Se poate uşor <strong>de</strong>monstra că matricea este simetrică <strong>de</strong>oarece<br />
P ( i,<br />
j,<br />
d,<br />
α) = P(<br />
j,<br />
i,<br />
d,<br />
α)<br />
.<br />
Se <strong>de</strong>termină matricea cumulată <strong>de</strong> co-ocurenţă, prin sumarea celor patru matrice<br />
calculate pentru fiecare orientare a unghiului α , în acest fel obţinând o relaţie <strong>de</strong><br />
<strong>de</strong>pen<strong>de</strong>nţă spaţială, care nu mai ţine cont <strong>de</strong> unghi, ci doar <strong>de</strong> distanţă.<br />
o<br />
o<br />
o<br />
o<br />
( P(<br />
i,<br />
j,<br />
d,<br />
0 ) + P(<br />
i,<br />
j,<br />
d,<br />
45 ) + P(<br />
i,<br />
j,<br />
d,<br />
90 ) P(<br />
i,<br />
j,<br />
d,<br />
135 ) ) 4<br />
P ( i,<br />
j,<br />
d)<br />
= +<br />
(4.6)<br />
Volumul <strong>de</strong> calcul este mare, pentru o imagine <strong>de</strong> NxM pixeli, păstrând parametri<br />
d=1 şi α ∈{0,45,90,135},<br />
sunt necesare în cazul nostru 4x256x256 parcurgeri ale<br />
imaginii. Ţinând cont că imaginile SPECT analizate au dimensiunea NxN= 128x128<br />
şi că avem 128 <strong>de</strong> slice-uri care construiesc imaginea completă a obiectului 3D,<br />
procesul <strong>de</strong> calcul al matricei <strong>de</strong> co-ocurenţă fiind reluat pentru fiecare slice, rezultă<br />
un număr total <strong>de</strong> 4x256 2 xN 3 =549miliar<strong>de</strong> comparaţii <strong>de</strong> efectuat între un pixel curent<br />
şi cei învecinaţi.<br />
Pentru a minimiza volumul <strong>de</strong> calcul, se poate realiza o partiţionare a numărului <strong>de</strong><br />
nivele <strong>de</strong> gri pe un număr mai mic <strong>de</strong> intervale. Astfel, presupunând că s-ar consi<strong>de</strong>ra<br />
că intervalul [0,255] <strong>de</strong> nivele <strong>de</strong> gri ar fi reprezentat doar pe patru nivele, matricea <strong>de</strong><br />
co-ocurenţă ar arăta astfel:<br />
Table 4.1. Matrice generică <strong>de</strong> co-ocurenţă (Costin, Zbancioc et al. 2003)<br />
„Nivel”<br />
<strong>de</strong> gri<br />
0<br />
„Nivel” <strong>de</strong> gri<br />
1 2 3<br />
0 η(0,0) η(0,1) η(0,2) η(0,3)<br />
1 η(1,0) η(1,1) η(1,2) η(1,3)<br />
2 η(2,0) η(2,1) η(2,2) η(2,3)<br />
3 η(3,0) η(3,1) η(3,2) η(3,3)
<strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong> 93<br />
4.1.2. Detecţia liniei centrale a imaginii cerebrale SPECT<br />
Algoritmul <strong>de</strong> <strong>procesare</strong> a scintigrafiilor cerebrale se bazează pe simetria dintre<br />
cele două emisfere ale creierului. De obicei la achiziţia <strong>imaginilor</strong> SPECT pacientul<br />
este bine poziţionat <strong>de</strong> către doctor, astfel încât înjumătăţirea unui slice permite o<br />
bună selecţie a celor două emisfere cerebrale. Pot exista însă şi cazuri în care este<br />
necesară găsirea liniei centrale a fiecărui slice din imagine şi recentrarea<br />
corespunzătoare. Pentru a fi siguri că se face o bună separare a imaginii trebuie<br />
verificat dacă linia centrală corespun<strong>de</strong> coloanei 64 din imaginea SPECT <strong>de</strong><br />
dimensiune 128x128.<br />
Funcţionarea eficientă a meto<strong>de</strong>i <strong>de</strong> comparare necesită realizarea unei poziţionări<br />
exacte, chiar dacă imaginea este centrată <strong>de</strong> sistemul <strong>de</strong> achiziţie al gama-camerei.<br />
Ca urmare algoritmul parcurge fiecare linie a imaginii şi <strong>de</strong>termină poziţia pixelilor<br />
stânga-dreapta a contururilor exterioare (limitele suprafeţei cerebrale), rezultând un<br />
vector V <strong>de</strong> dimensiune Nx2, un<strong>de</strong> N reprezintă înălţimea imaginii (numărul <strong>de</strong> linii).<br />
Pentru extragerea acestui contur este dificilă aplicarea unui operator <strong>de</strong>rivativ <strong>de</strong><br />
extragere <strong>de</strong> muchii, pentru că ulterior ar trebui eliminate contururile interioare şi<br />
păstrat doar conturul exterior. Din acest motiv s-a aplicat o căutare, folosind o valoare<br />
prag =40 şi memorând în vectorul V prima, respectiv ultima valoare care <strong>de</strong>păşeşte<br />
această valoare prag (vezi fig. 4.9, 4.11), pentru fiecare linie a imaginii.<br />
Se calculează valorile medii ( x i , yi<br />
) , i = 1,<br />
N ale fiecărei perechi <strong>de</strong> pixeli din<br />
vectorul V (contur stânga-dreapta) şi se <strong>de</strong>termină ecuaţia liniei drepte y = bx + a ,<br />
care aproximează cu eroare minimă aceste valori medii, prin algoritmul clasic <strong>de</strong><br />
regresie liniară (Press et. al 2007).<br />
b =<br />
N<br />
∑<br />
( x − x)(<br />
y − y)<br />
i<br />
i=<br />
1<br />
N<br />
∑<br />
i=<br />
1<br />
i<br />
i<br />
2<br />
( x − x)<br />
, a = y − bx<br />
(4.7)<br />
Pentru a calcula şi coeficientul <strong>de</strong> regresie r, ecuaţia (2.7) poate fi rescrisă, fiind<br />
y ,∑ )<br />
2<br />
( x şi∑ )<br />
2<br />
( y :<br />
necesar doar calculul a cinci sume ∑ ) (xy , ∑ x , ∑<br />
N∑<br />
( xy)<br />
−∑<br />
x∑<br />
y ∑ y b∑<br />
y = bx + a , b =<br />
, a<br />
2 2<br />
N∑(<br />
x ) − ( ∑x)<br />
N<br />
−<br />
=<br />
n∑(<br />
xy)<br />
−∑<br />
x∑<br />
y<br />
r =<br />
⎡ 2<br />
2<br />
( ) − ( ) ⎤<br />
⋅<br />
⎡ 2<br />
2<br />
n<br />
( ) − ( ) ⎤<br />
∑ x ∑xn∑<br />
y ∑y<br />
⎥⎦<br />
⎢⎣<br />
Valoarea coeficientului <strong>de</strong> corelaţie ridicată la pătrat<br />
⎥⎦<br />
⎢⎣<br />
x<br />
(4.8)<br />
2<br />
r oferă o informaţie legată<br />
<strong>de</strong> proporţia variabilităţii setului <strong>de</strong> date, sau cât <strong>de</strong> bine poate fi <strong>de</strong>terminată valoarea<br />
setului <strong>de</strong> date Y pornind <strong>de</strong> la valorile lui X.
94 <strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong><br />
Fig. 4.2. Calculul liniei centrale pentru o reorientare a imaginii SPECT (Costin, Zbancioc et al. 2003)<br />
Unghiul <strong>de</strong> rotaţie Φ, cu care trebuie rotită imaginea se <strong>de</strong>termină din panta dreptei<br />
calculate, ştiind că axa <strong>de</strong> simetrie trebuie să fie verticală şi situată în centrul imaginii<br />
(dacă este cazul se aplică imaginii şi un <strong>de</strong>plasament ∆ x ).<br />
Transformările geometrice ce trebuie aplicate sunt următoarele:<br />
x ′ = x0<br />
+ ( x − x0<br />
) ⋅ cosΦ<br />
− ( y − y0<br />
) ⋅ sin Φ<br />
y ′ = y0<br />
+ ( x − x0<br />
) ⋅sin<br />
Φ + ( y − y0<br />
) ⋅ cosΦ<br />
, pentru rotaţie<br />
x ′ = x′<br />
+ ∆x,<br />
y′<br />
′ = y′<br />
I ( x,<br />
y)<br />
= I ′ x ′′ , y′<br />
, pentru translaţie<br />
( )<br />
(4.9)<br />
Consi<strong>de</strong>rând că punctul (x0, y0) în jurul căruia se face rotaţia este punctul <strong>de</strong><br />
coordonate (0, 0), relaţia (2.7) poate fi rescrisă astfel:<br />
I ( x,<br />
y)<br />
= I ′ ( ∆x<br />
+ x cosΦ<br />
− y sin Φ,<br />
xsin<br />
Φ + y ⋅ cosΦ)<br />
(4.10)<br />
Algoritmul <strong>de</strong> rotire calculează corespon<strong>de</strong>ntului fiecărui pixel (x’, y’) din<br />
imaginea rezultată I ′ , în imaginea iniţială I, urmată <strong>de</strong> calculul valorii nuanţei <strong>de</strong> gri<br />
în funcţie <strong>de</strong> distanţele <strong>de</strong> la coordonatele (x’, y’) la cei mai apropiaţi patru pixeli.<br />
O altă soluţie <strong>de</strong> centrare a imaginii este <strong>de</strong>scrisă în (Fitzgibbon, 1999) şi constă în<br />
găsirea elipsei care aproximează cel mai bine calota cerebrală (respectiv creierul), iar<br />
utilizând centrele elipsei şi centrele slice-urilor <strong>de</strong>tectate, orientarea axelor majore dă<br />
corecţia unghiulară Φ aplicată.<br />
4.1.3. I<strong>de</strong>ntificarea automată a nesimetriilor într-o imagine cerebrală SPECT<br />
După aplicarea algoritmului <strong>de</strong> <strong>de</strong>tecţie a liniei centrale şi <strong>de</strong> recentrare a imaginii<br />
SPECT se poate extrage informaţia corespunzătoare emisferei din partea dreaptă şi<br />
din partea stângă a creierului. Pentru una din cele două imagini rezultate I st şi I dr se<br />
realizează o operaţie <strong>de</strong> reflecţie pe verticală I st ( i,<br />
j)<br />
= I st ( i,<br />
N / 2 − j)<br />
, astfel încât să<br />
se poată efectua ulterior calculul matricei diferenţă.<br />
În cazul unui pacient normal, al cărui creier nu prezintă o tumoare sau disfuncţii,<br />
cele două imagini rezultate I st şi I dr ar trebui să fie aproape i<strong>de</strong>ntice, şi <strong>de</strong>ci valorile
<strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong> 95<br />
matricelor cumulative <strong>de</strong> co-ocurenţă pentru fiecare din cele două emisfere cerebrale<br />
Pst ( i,<br />
j,<br />
d)<br />
şi Pdr ( i,<br />
j,<br />
d)<br />
ar trebuie să fie aproximativ egale.<br />
Dacă există diferenţe între cele două imagini, atunci acestea vor conduce la<br />
diferenţe între matricele <strong>de</strong> co-ocurenţă st dr P P − . Valoarea prag peste care se<br />
consi<strong>de</strong>ră că avem disfuncţii ale creierului poate fi modificată ulterior <strong>de</strong> un specialist.<br />
Se păstrează doar aceste valori ale matricei care indică diferenţe semnificative:<br />
( Pst<br />
( i,<br />
j,<br />
d)<br />
− Pdr<br />
( i,<br />
j,<br />
d)<br />
)<br />
( P ( i,<br />
j,<br />
d)<br />
− P ( i,<br />
j,<br />
d)<br />
)<br />
* ⎧Pst<br />
( i,<br />
j,<br />
d)<br />
− Pdr<br />
( i,<br />
j,<br />
d)<br />
abs<br />
> prag<br />
Pdiff<br />
( i,<br />
j,<br />
d)<br />
= ⎨<br />
(4.11)<br />
⎩ 0<br />
abs st<br />
dr ≤ prag<br />
În figurile 4.3-4.5 sunt reprezentate secvenţe ale matricelor <strong>de</strong> co-ocurenţă, şi<br />
matricea <strong>de</strong> co-ocurenţă a diferenţelor. Dat fiind faptul că în emisfera dreaptă sunt<br />
concentrate într-o proporţie mai mare culorile <strong>de</strong> intensitate mică (albastru) şi în<br />
emisfera stângă avem concentrate culorile <strong>de</strong> intensitate mare (roşu, galben), diferenţa<br />
între acestea va indica fixarea în concentraţii diferite a radioizotopului în lobii creierului.<br />
0.7629 0.0053 0 0 0 0 0<br />
0.0053 0.0625 0.0046 0 0 0 0<br />
0 0.0046 0.0366 0.0038 0 0 0<br />
0 0 0.0038 0.0228 0.0042 0 0<br />
0 0 0 0.0042 0.0434 0.0044 0<br />
0 0 0 0 0.0044 0.0272 0<br />
0 0 0 0 0 0 0<br />
0 0 0 0 0 0 0<br />
Fig. 4.3. Matrice <strong>de</strong> co-ocurenţă emisferă cerebrală stângă (Costin, Zbancioc et al. 2003)<br />
0.7575 0.0058 0 0 0 0 0<br />
0.0058 0.0878 0.0042 0 0 0 0<br />
0 0.0042 0.0366 0.0053 0 0 0<br />
0 0 0.0053 0.0491 0.0032 0 0<br />
0 0 0 0.0032 0.0270 0.0009 0<br />
0 0 0 0 0.0009 0.0033 0<br />
0 0 0 0 0 0 0<br />
0 0 0 0 0 0 0<br />
Fig. 4.4. Matrice <strong>de</strong> co-ocurenţă emisferă cerebrală dreaptă (Costin, Zbancioc et al. 2003)<br />
-0.0054 0.0005 0 0 0 0 0<br />
0.0005 0.0253 -0.0003 0 0 0 0<br />
0 -0.0003 0.0000 0.0015 0 0 0<br />
0 0 0.0015 0.0263 -0.0011 0 0<br />
0 0 0 -0.0011 -0.0164 -0.0035 0<br />
0 0 0 0 -0.0035 -0.0240 0<br />
0 0 0 0 0 0 0<br />
0 0 0 0 0 0 0<br />
Fig. 4.5. Matricea diferenţă <strong>de</strong> co-ocurenţă (Costin, Zbancioc et al. 2003)
4.1.4. Determinarea zonelor cu disfuncţii folosind o valoare <strong>de</strong> prag variabilă<br />
După aplicarea paşilor anteriori <strong>de</strong> <strong>procesare</strong> se poate aplica o metodă directă <strong>de</strong><br />
comparaţie a celor două emisfere, realizând diferenţa dintre nivelurile <strong>de</strong> gri ale<br />
pixelilor simetrici în cele două jumătăţi ale unui slice imagistic. Matricei diferenţă<br />
rezultante i se aplică un prag <strong>de</strong> selecţie a cărei valoare este raportată la zonele care<br />
prezintă cele mai importante asimetrii.<br />
Se pot indica două tipuri <strong>de</strong> anomalii:<br />
a) tumori indicate printr-un grad <strong>de</strong> fixare scăzut al radiofarmaceuticului;<br />
b) disfuncţii ale creierului indicate <strong>de</strong> nesimetrii între valorile simetrice ale<br />
pixelilor din cele două emisfere.<br />
Pentru prima categorie dintre cele două tipuri <strong>de</strong> anomalii (tumorile cerebrale) se<br />
foloseşte o valoare <strong>de</strong> prag fixă, stabilită <strong>de</strong> un expert în domeniu, pentru cea a <strong>de</strong>-a<br />
doua clasă disfuncţiile cerebrale se foloseşte un prag variabil.<br />
Indicarea unei posibile regiuni tumorale se face prin pixeli a căror intensitate se<br />
află în partea <strong>de</strong> jos a unei palete <strong>de</strong> culori, <strong>de</strong> exemplu conform standardului<br />
DICOM, nuanţele <strong>de</strong> negru sau bleumarin. Aceste zone indică o emisie slabă <strong>de</strong><br />
radiaţie nucleară. Valoarea pragului trebuie stabilită în conformitate cu opinia unui<br />
medic. Pentru imaginile analizate, acest prag fix a avut valoarea 40.<br />
Un nivel scăzut, simetric, al fixării, în ambele emisfere, poate sugera regiuni<br />
tumorale duble. Scopul urmărit este <strong>de</strong>tecţia unor valori în interiorul ariei cerebrale<br />
aflate sub o limită impusă. I<strong>de</strong>ea <strong>de</strong> bază a acestui algoritm este scanarea imaginii<br />
linie cu linie şi căutarea minimelor locale aflate sub valoarea prag. Pentru un pacient<br />
sănătos nu trebuie găsite astfel <strong>de</strong> valori. Dacă se găsesc valori simetrice sub valoarea<br />
<strong>de</strong> prag fixată sunt semnalate ambele surse.<br />
Fig. 4.6. Imaginea matricei diferenţă calculată pentru o secţiune a creierului<br />
(Costin, Zbancioc et al. 2003)<br />
Evi<strong>de</strong>nţierea disfuncţionalităţilor se face folosind un prag variabil care se<br />
raportează la valoarea diferenţei maxime între doi pixeli simetrici şi valoarea<br />
procentuală a acestei diferenţe în raport cu nivelul <strong>de</strong> gri maxim găsit pe o linie a<br />
imaginii. În aceste condiţii se va realiza o baleiere a imaginii linie cu linie, valoarea<br />
prag ajustându-se în funcţie <strong>de</strong> situaţiile întâlnite. Algoritmul <strong>de</strong> segmentare utilizat a<br />
fost prezentat în (Costin, Zbancioc, et al., 2003) şi este următorul:
<strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong> 97<br />
for i=1:N //baleierea pe linie<br />
v_max=0;<br />
for j=1:N<br />
<strong>de</strong>termină v_max valoarea <strong>de</strong> gri maximă pe linia curentă<br />
prag_variabil = v_max*0.2<br />
for j=1:N<br />
if I(i,j)prag_variabil (20% din v_max)<br />
then semnalează disfuncţie if I(i,j)
98 <strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong><br />
Fig. 4.8. Secţiune creier ce prezintă o zonă disfuncţională (dar nu o tumoră)<br />
(Costin, Zbancioc et al. 2003)<br />
Fig. 4.9. Prezentarea unei linii din imaginea 4.8. şi a pragului <strong>de</strong> <strong>de</strong>tecţie tumori<br />
(Costin, Zbancioc et al. 2003)<br />
Fig. 4.10. Zona disfuncţională (a-posibilă tumoră) raportată la zona ei simetrică normală (b)<br />
(Costin, Zbancioc et al. 2003)<br />
Fig. 4.11. Zonă <strong>de</strong> interes (tumorală) din imaginea 4.10 cu valori sub limita <strong>de</strong> prag impusă<br />
(Costin, Zbancioc et al. 2003)<br />
Metoda pune în evi<strong>de</strong>nţă zonele din creier un<strong>de</strong> principiul simetriei nu se respectă<br />
şi le prezintă - în final, volumetric - medicului. Din acest moment <strong>de</strong>vine necesară la
<strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong> 99<br />
sugestia specialistului calculul volumului şi reconstrucţia 3D a zonelor indicate, prin<br />
<strong>de</strong>plasarea pe slice-uri înainte şi înapoi, până când în zona <strong>de</strong> interes nu mai sunt<br />
găsite anomalii.<br />
Algoritmul <strong>de</strong> <strong>de</strong>tecţie zone tumorale/disfuncţionale trebuie reluat pentru fiecare<br />
slice / secţiune a setului SPECT.<br />
for i=1:N //pentru fiecare secţiune a setului SPECT orizontal<br />
Pas 1. Se caută pentru fiecare linie din imagine limita stânga şi limita dreapta a<br />
valorilor din imagine ce <strong>de</strong>păşesc o valoare prag şi se păstrează media<br />
acestora într-un vector V;<br />
Pas 2. Determinarea ecuaţiei dreptei centrale y = bx + a prin metoda regresiei<br />
liniare, pentru setul punctelor centrale V anterior estimate;<br />
Pas 3. Calculul unghiului <strong>de</strong> rotaţie Φ şi a <strong>de</strong>plasamentului ∆ x ;<br />
Pas 4. Centrarea imaginii SPECT prin aplicarea transformărilor geometrice (rotire<br />
cu unghi Φ şi translare cu ∆ x )<br />
Pas 5. Extragerea informaţiilor corespunzătoare celor două emisfere cerebrale<br />
I st şi I dr şi calculul matricelor <strong>de</strong> co-ocurenţă pentru mai multe orientări<br />
α ;<br />
Pas 7. Calculul matricelor cumulative <strong>de</strong> co-ocurenţă Pst ( i,<br />
j,<br />
d)<br />
şi ( i,<br />
j,<br />
d)<br />
;<br />
Pas 8. Căutarea valorilor ce <strong>de</strong>păşesc o valoare prag în matricea Pst − Pdr<br />
, pentru<br />
a semnala existenţa unor ne-simetrii.<br />
Pas 9. I<strong>de</strong>ntificarea existenţei unei tumori/disfuncţionalităţi pe baza procentajului<br />
informaţiilor din matricea diferenţă (se foloseşte un algoritm <strong>de</strong> segmentare<br />
cu prag fix, respectiv prag variabil <strong>de</strong>scris anterior).<br />
end<br />
4.1.5. Calculul volumetric a zonelor disfuncţionale<br />
La <strong>de</strong>tecţia unor zone tumorale sau a zonelor cu disfuncţii, pixelii marcaţi <strong>de</strong><br />
algoritmul <strong>de</strong> segmentare au fost păstraţi în două matrice distincte T şi D, nefiind<br />
necesar ca T ⊂ D . Într-a<strong>de</strong>văr o zonă tumorală <strong>de</strong>scrisă <strong>de</strong> pixeli <strong>de</strong> intensitate<br />
scăzută, nu trebuie să fie neapărat văzută şi ca o zonă disfuncţională, dacă diferenţele<br />
între cele două emisfere nu sunt semnificative. Deoarece algoritmul a fost aplicat<br />
separat pentru fiecare secţiune, matricele sunt tridimensionale T(i,j,k).<br />
Calculul volumetric al zonelor marcate poate fi realizat separat pe fiecare din cele<br />
două matrice sau pe o matrice T ∪ D , care înglobează toată informaţia asociată unor<br />
anomalii în funcţionarea creierului. Estimarea se va face în voxeli (unitate<br />
adimensională).<br />
Dimensiunea setului <strong>de</strong> date <strong>de</strong> procesat este <strong>de</strong> NxNxM voxeli, un<strong>de</strong> NxN este<br />
numărul <strong>de</strong> pixeli în fiecare “slice” şi M numărul <strong>de</strong> secţiuni. Instrumentul <strong>de</strong> analiză<br />
va furniza centrele şi volumele zonelor <strong>de</strong> interes. Analiza se va face prin<br />
suprapunerea a două slice-uri consecutive, consi<strong>de</strong>rând că două grupuri pixeli Gn şi<br />
G aparţin aceleiaşi regiuni <strong>de</strong> interes, dacă au cel puţin un pixel învecinat.<br />
n+<br />
1<br />
P dr
100 <strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong><br />
Dacă ∋ D ( i,<br />
j,<br />
k)<br />
≠ 0 şi ∋ D ( i,<br />
j,<br />
k + 1)<br />
≠ 0 , cu D( i,<br />
j,<br />
k)<br />
∈ Gn<br />
şi<br />
( i,<br />
j,<br />
k + 1)<br />
∈Gn+<br />
1 G n = Gn<br />
∪ Gn+<br />
.<br />
D , atunci 1<br />
Estimarea volumului se face prin numărarea tuturor voxelilor găsiţi ca aparţinând<br />
aceluiaşi grup (cardinalul mulţimii setului <strong>de</strong> pixeli G n ). Prin discretizarea<br />
informaţiei se obţine relaţia <strong>de</strong> calcul (4.13):<br />
∫∫∫<br />
V ( G ) = D(<br />
x,<br />
y,<br />
z)<br />
dxdydz , D( x,<br />
y,<br />
z)<br />
contur zonă disfuncţională<br />
n<br />
xyz<br />
∑∑∑<br />
(4.12)<br />
V ( Gn<br />
) = D[<br />
i,<br />
j,<br />
k]<br />
D[<br />
i,<br />
j,<br />
k]<br />
, cu D[ i,<br />
j,<br />
k]<br />
∈Gn<br />
(4.13)<br />
i j k<br />
Pentru <strong>de</strong>terminarea centrelor fiecărei regiune <strong>de</strong> interes se realizează o sumă<br />
pon<strong>de</strong>rată a centrelor <strong>de</strong> pe fiecare slice c ( Gn<br />
) , pon<strong>de</strong>rarea fiind realizată după aria<br />
X<br />
zonei pe care a fost estimat fiecare centru A( ⋅ , ⋅,<br />
k)<br />
.<br />
c<br />
X<br />
( G )<br />
n<br />
=<br />
∑<br />
k<br />
c<br />
X<br />
( G ) ⋅ A(<br />
⋅,<br />
⋅,<br />
k)<br />
∑<br />
k<br />
n<br />
A(<br />
⋅,<br />
⋅,<br />
k)<br />
( G(<br />
⋅,<br />
, ) )<br />
=∑<br />
, ( G ) i card(<br />
G ( ⋅,<br />
⋅,<br />
k)<br />
)<br />
cx n<br />
n<br />
i<br />
A( ⋅ , ⋅,<br />
k)<br />
= card ⋅ k , … pentru toţi pixelii D[ i,<br />
j,<br />
k]<br />
∈Gn<br />
,<br />
(4.14)<br />
În această fază <strong>de</strong> cercetare nu s-a realizat afişarea slice-urile prin dispunerea pe<br />
cele trei direcţii ale matricei 3D (slice-uri sagitale, coronale, transversale), eventual<br />
calcularea unor slice-uri oblice în direcţii arbitrare <strong>de</strong>finite <strong>de</strong> un plan <strong>de</strong> secţiune. O<br />
astfel <strong>de</strong> afişare pe secţiuni necesită procese <strong>de</strong> interpolare şi prezintă <strong>de</strong>zavantajul că<br />
nu utilizează complet toată informaţia disponibilă (Sequeira J., 1987) şi permite doar<br />
un display limitat al <strong>imaginilor</strong> 3D.<br />
Există numeroase studii <strong>de</strong> reconstrucţie 3D / randare volumetrică pe baza<br />
informaţiilor parţiale, a unor secţiuni dintr-un corp (Hohne et al., 1990), (Haralick,<br />
Shapiro, 2002), (Ekoule et al., 1991). Pentru realizarea unei iluminări diferite şi<br />
crearea efectelor <strong>de</strong> umbrire, difuziune, reflexie şi refracţie a luminii există mai multe<br />
mo<strong>de</strong>le <strong>de</strong>zvoltate, unul dintre cele mai cunoscute fiind Phong (Boom et al., 2009).<br />
Pentru cuantificarea gradului <strong>de</strong> fixare a radiotrasorului şi realizarea unei corelaţii<br />
cu gradul <strong>de</strong> malignitate a tumorii sunt necesare cunoştinţe privitoare la modul <strong>de</strong><br />
acţiune a diverselor tipuri <strong>de</strong> radiofarmaceutice ( 201 TI, 99m Tc Mibi). Aceste cunoştinţe<br />
pot fi date doar <strong>de</strong> experţi (Ştefănescu et al., 2002), <strong>de</strong>cizia finală privind existenţa<br />
sau neexistenţa unei tumori revenind doar acestora.<br />
Metoda poate constitui un ajutor real în diagnoza realizată prin imagistică nucleară,<br />
şi asistarea <strong>de</strong>ciziei specialistului, într-un mod interactiv, prin propunerea pragului<br />
iniţial şi a zonelor <strong>de</strong> analizat medicului, şi invers, ajustând parametrii <strong>de</strong> rulare în<br />
funcţie <strong>de</strong> opinia şi indicaţiile acestuia. Rezultatele cercetărilor au fost prezentate în<br />
(Costin, Zbancioc et al., 2003).
<strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong> 101<br />
4.2. Procesarea <strong>imaginilor</strong> scintigrafice planare pulmonare<br />
Metoda <strong>de</strong> analiză şi <strong>procesare</strong> a <strong>imaginilor</strong> scintigrafice planare pulmonare,<br />
provenind <strong>de</strong> la pacienţii diagnosticaţi cu TBC, a vizat <strong>de</strong>tecţia şi extragerea cât mai<br />
bună a tumorilor din interiorul plămânilor, pentru a putea realiza o evaluare a<br />
evoluţiei bolii prin comparaţia tumorilor <strong>de</strong>tectate la intervale diferite <strong>de</strong> timp<br />
(Ştefănescu et al., Zbancioc, 2002), (Costin et al., Zbancioc, 2005). Un aspect esenţial<br />
în stabilirea diagnosticului şi a medicamentaţiei pacientului este modul în care<br />
evoluează maladia (Ştefănescu et al., 2003), (Rusu et al., 2003). Metoda implementată<br />
oferă un suport în asistarea <strong>de</strong>ciziei pentru un diagnostic medical cât mai corect.<br />
Pentru achiziţia acestor scintigrafii se foloseşte un <strong>de</strong>tector fix.<br />
Parte din cercetările efectuate au fost raportate în cadrul unui contract <strong>de</strong> cercetare<br />
finanţat <strong>de</strong> IAEA (International Atomic Energy Agency - Viena, perioada 2000 –<br />
2004), director <strong>de</strong> proiect: Prof. Dr. Cipriana Ştefănescu.<br />
Ca şi la imaginile SPECT cerebrale, informaţia din imaginea scintigrafică<br />
pulmonară reprezintă <strong>de</strong> fapt gradul <strong>de</strong> fixare a radiofarmaceuticului în plămân şi în<br />
organele din jur şi <strong>de</strong>tecţia tumorilor dintr-o anumită regiune se realizează prin<br />
căutarea zonelor cu un grad <strong>de</strong> fixare mai mare, sau din punct <strong>de</strong> ve<strong>de</strong>re imagistic,<br />
prin prezenţa unor pete <strong>de</strong> nuanţă întunecată.<br />
Dificultăţile analizei acestor tipuri <strong>de</strong> imagini constau în principal în faptul că<br />
radiotrasorul nu se fixează numai în plămân, ci şi în organele învecinate (<strong>de</strong> exemplu<br />
inimă). Pentru o suprapunere cât mai bună a două scintigrafii preluate <strong>de</strong> la un pacient<br />
la momente <strong>de</strong> timp diferite şi observarea evoluţiei bolii, prin micşorarea/mărirea<br />
zonelor tumorale, respectiv dispariţia/apariţia unor tumori trebuie găsită o soluţie <strong>de</strong><br />
<strong>de</strong>terminare a liniei mediane a imaginii. În acest sens ne putem folosi <strong>de</strong> avantajul că<br />
agentul chimic se fixează şi în glanda tiroidă (regiunea gâtului) şi că pe baza acestei<br />
zone se <strong>de</strong>termină valoarea centrului imaginii. Pentru suprapunerea scintigrafiilor se<br />
poate utiliza <strong>de</strong> asemenea funcţia <strong>de</strong> autocorelaţie 2D (aplicată pe imagini), căutând<br />
valoarea maximă a funcţiei corr(l, c), valoare ce indică faptul că o suprapunere<br />
maximă se obţine la <strong>de</strong>plasarea unei imaginii cu l linii şi c coloane. Evaluarea ariei<br />
totale a zonelor tumorale se face aproape la fel ca şi la imaginile SPECT cerebrale.<br />
4.2.1. Pre<strong>procesare</strong>a <strong>imaginilor</strong> planare pulmonare<br />
Ca primă etapă <strong>de</strong> pre<strong>procesare</strong> se face o conversie a imaginii în nuanţe <strong>de</strong> gri,<br />
ulterior se realizează o filtrare a imaginii şi o segmentare specifică pentru extragerea<br />
zonelor tumorale.<br />
Conversia imaginii color RGB (Red, Green, Blue) în imagine reprezentată pe 256<br />
nivele <strong>de</strong> gri se realizează respectând standardul NTSC (National Television System<br />
Committee) utilizat pentru asigurarea compatibilităţii cu televizoarele alb-negru prin<br />
asocierea pon<strong>de</strong>rilor celor trei intensităţi <strong>de</strong> roşu, ver<strong>de</strong> şi albastru asociate unui pixel<br />
în acord cu sensibilitatea spectrală a ochiul uman pentru acea culoare.<br />
gray_value = 0,299*Red + 0,587*Green + 0,114*Blue (4.15)
102 <strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong><br />
Pentru eliminarea perturbaţiilor conţinute în imaginea originară şi atenuarea<br />
zgomotului <strong>de</strong> fond am aplicat mai multe filtre şi s-a ales cel care se comporta cel mai<br />
bine pentru acest tip <strong>de</strong> imagini medicale.<br />
Aplicarea unui filtru <strong>de</strong> mediere nepon<strong>de</strong>rată este <strong>de</strong>zavantajoasă, <strong>de</strong>oarece<br />
conduce la <strong>de</strong>teriorarea contrastului şi a contururilor imaginii originare, motiv pentru<br />
care s-a optat pentru aplicarea ulterioară a unui filtru <strong>de</strong> accentuare muchii.<br />
F<br />
med + a<br />
( i,<br />
j)<br />
=<br />
F<br />
med<br />
1<br />
∑∑<br />
1<br />
( x,<br />
y)<br />
= F(<br />
i,<br />
j)<br />
,<br />
N<br />
1<br />
F<br />
med<br />
l= −1k=<br />
−1<br />
∑<br />
( i,<br />
j)<br />
∈V<br />
( i + l,<br />
j + k)<br />
⋅ H<br />
a1<br />
( l + 2,<br />
k + 2)<br />
(4.16)<br />
un<strong>de</strong> V este ansamblul vecinilor şi N numărul acestora.<br />
Accentuarea muchiilor conduce la o contrastare a imaginii, la o îmbunătăţire a<br />
percepţiei vizuale a contururilor obiectelor şi pentru aceasta se folosesc oricare dintre<br />
măştile <strong>de</strong> convoluţie următoare (Bulea, 2003):<br />
⎡ 0 −1<br />
0 ⎤<br />
H<br />
⎢<br />
⎥<br />
a1<br />
=<br />
⎢<br />
−1<br />
5 −1<br />
⎥<br />
,<br />
⎢⎣<br />
0 −1<br />
0 ⎥⎦<br />
⎡−1<br />
−1<br />
−1⎤<br />
H<br />
⎢<br />
⎥<br />
a2<br />
=<br />
⎢<br />
−1<br />
9 −1<br />
⎥<br />
,<br />
⎢⎣<br />
−1<br />
−1<br />
−1⎥⎦<br />
⎡ 1 − 2 1 ⎤<br />
H<br />
⎢<br />
⎥<br />
a3<br />
=<br />
⎢<br />
− 2 5 − 2<br />
⎥ (4.17)<br />
⎢⎣<br />
1 − 2 1 ⎥⎦<br />
În locul filtrului <strong>de</strong> mediere nepon<strong>de</strong>rat am preferat aplicarea unui filtru <strong>de</strong> mediere<br />
pon<strong>de</strong>rat cu masca <strong>de</strong> convoluţie <strong>de</strong>scrisă în (4.18). Cazul în care b=1, este echivalent<br />
cu aplicarea filtrului nepon<strong>de</strong>rat <strong>de</strong>scris în (4.16) (Mitra, 2005).<br />
⎡1<br />
b 1⎤<br />
1 2<br />
H<br />
⎢ ⎥<br />
s = ∈ [ 0,<br />
3]<br />
2<br />
( 2)<br />
⎢<br />
b b b<br />
+<br />
⎥<br />
, b<br />
(4.18)<br />
b<br />
⎢⎣<br />
1 b 1⎥⎦<br />
Dacă în urma aplicării măştilor <strong>de</strong> convoluţie, valorile pixelilor din imaginea<br />
obţinută după filtrare sunt în afara intervalului [0,255], se consi<strong>de</strong>ră că orice pixel cu<br />
valoare negativă, <strong>de</strong>vine 0 (negru) şi invers, orice pixel cu valoare mai mare <strong>de</strong>cât<br />
255, <strong>de</strong>vine 255(alb). Se poate opta <strong>de</strong> asemenea pentru o normalizare a imaginii, dar<br />
aceasta nu este <strong>de</strong> preferat pentru imaginile scintigrafice, <strong>de</strong>oarece se modifică<br />
informaţia legată <strong>de</strong> gradul <strong>de</strong> fixare a radiofarmaceuticului, informaţie păstrată în<br />
valoarea nivelurilor <strong>de</strong> gri.<br />
Pentru extragerea informaţiei corespunzătoare frecvenţelor înalte (muchiilor) se<br />
aplică un filtru trece sus (FTS). Se observă din formula (4.19), efectul <strong>de</strong>rivativ al<br />
filtrului prin introducerea coeficienţilor <strong>de</strong> semn negativ:<br />
⎡ 1 − b 1 ⎤<br />
1 2<br />
H<br />
⎢<br />
⎥<br />
s = ∈ [ 0,<br />
3]<br />
2<br />
( 2)<br />
⎢<br />
− b b − b<br />
−<br />
⎥<br />
, b<br />
(4.19)<br />
b<br />
⎢⎣<br />
1 − b 1 ⎥⎦<br />
Un alt filtru care oferă performanţe bune pentru acest tip <strong>de</strong> imagini scintigrafice,<br />
este filtrul median. Datorită aspectului punctiform al surselor <strong>de</strong> fixare şi a calităţii
<strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong> 103<br />
mai slabe ale acestui tip <strong>de</strong> scintigrafii, în comparaţie cu alte tipuri <strong>de</strong> imagini<br />
medicale (posibil datorată şi modului <strong>de</strong> culegere şi achiziţie), structura informaţiei <strong>de</strong><br />
background se apropie <strong>de</strong> forma punctuală a zgomotului <strong>de</strong> tip ”sare şi piper”.<br />
Acest filtru neliniar se realizează în două etape:<br />
a) sortarea pixelilor din fereastra curentă <strong>de</strong> analiză W în funcţie <strong>de</strong> intensitatea<br />
nivelului <strong>de</strong> gri;<br />
b) selecţia valorii mediane din şirul ordonat. De exemplu într-o fereastră <strong>de</strong> NxN<br />
pixeli, în care N este ales impar N=3, după ordonarea pixelilor se obţine un vector<br />
<strong>de</strong> dimensiune N 2 , valoarea mediană fiind situată pe poziţia (N 2 +1)/2 corespun<strong>de</strong><br />
elementului V(5).<br />
⎡ 32 47 88 ⎤<br />
W =<br />
⎢<br />
112 255 240<br />
⎥<br />
⎢<br />
⎥<br />
, F(<br />
x,<br />
y)<br />
= 255 , pixelul central din fereastra W.<br />
⎢⎣<br />
85 64 73 ⎥⎦<br />
V[9] =sort(W)={32, 47, 64, 73, 85, 88, 112, 240, 255}, Fmedian(x, y)=85<br />
Pentru imaginile pulmonare analizate am aplicat consecutiv două filtre <strong>de</strong> mediere<br />
pon<strong>de</strong>rată având b=1, conform relaţiei (4.18). Un efect aproape similar l-a avut filtrul<br />
median aplicat pe o fereastră <strong>de</strong> 5x5. Oricare din cele două soluţii <strong>de</strong> filtrare este la fel<br />
<strong>de</strong> bună pentru imaginile scintigrafice pulmonare. Rezultatele operaţiilor <strong>de</strong> filtrare se<br />
pot ve<strong>de</strong>a în fig.12.b) pentru un pacient <strong>de</strong> sex masculin şi fig. 4.12 e) pentru un<br />
pacient <strong>de</strong> sex feminin.<br />
Pentru imaginile analizate nu s-au efectuat nici un fel <strong>de</strong> operaţii <strong>de</strong> modificare<br />
liniară sau neliniară a contrastului (Verţan, 2007) sau tehnici <strong>de</strong> egalizare ale<br />
histogramei <strong>de</strong>oarece am preferat să nu se altereze informaţia privitoare la gradul <strong>de</strong><br />
fixare a radiofarmaceuticului în plămâni, pentru ca aceasta să poată fi ulterior<br />
interpretată <strong>de</strong> un specialist în medicină.<br />
4.2.2. Segmentarea zonelor tumorale din imaginile pulmonare<br />
Operaţia <strong>de</strong> segmentare trebuie să extragă informaţia <strong>de</strong> interes, în cazul nostru<br />
regiunile tumorale, <strong>de</strong> restul informaţiei din imagine care nu ajută în procesul <strong>de</strong><br />
diagnoză. Valoarea <strong>de</strong> prag T trebuie adaptată pentru această clasă <strong>de</strong> imagini<br />
medicale şi trebuie să permită separarea pixelilor în cele două clase. Astfel pixelii cu<br />
nivele <strong>de</strong> gri mai mari <strong>de</strong>cât valoarea lui T vor fi asociaţi zonelor cu disfuncţii<br />
(zonelor cu posibile tumori) şi invers cei cu valori mai mici vor fi clasificaţi ca<br />
aparţinând fundalului şi nu vor fi luaţi în consi<strong>de</strong>rare în <strong>procesare</strong>a propriu-zisă.<br />
F segm<br />
⎧ F(<br />
i,<br />
j)<br />
, if F(<br />
i,<br />
j)<br />
< T<br />
( i,<br />
j)<br />
= ⎨<br />
⎩255(<br />
alb)<br />
, if F(<br />
i,<br />
j)<br />
≥ T<br />
(4.20)<br />
În algoritmul iniţial <strong>de</strong> segmentare valoarea pragului s-a calculat automat în funcţie<br />
<strong>de</strong> maximele din histograma imaginii: max1 asociat valorilor <strong>de</strong> gri joase din prima<br />
jumătate a histogramei [0,127], ce corespund zonelor în care s-a fixat
104 <strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong><br />
radiofarmaceuticul şi max2 pentru a doua jumătate a histogramei [128-255]<br />
corespunzătoare zonei <strong>de</strong> background. Atunci când poziţiile celor două maxime nu<br />
sunt apropiate pragul T ia valoarea:<br />
max max2<br />
T = 1+<br />
sau<br />
2<br />
max1⋅<br />
H[max1]<br />
+ max2<br />
⋅ H[max2<br />
]<br />
T =<br />
H[max<br />
] + H[max<br />
]<br />
2<br />
1<br />
(4.21)<br />
Metoda <strong>de</strong> <strong>de</strong>tecţie a pragului <strong>de</strong>scrisă mai sus nu reuşeşte să izoleze cu succes<br />
doar zonele <strong>de</strong> interes, chiar dacă histogramele <strong>imaginilor</strong> pulmonare au clar separată<br />
informaţia din cele două clase <strong>de</strong> segmentat. Nuanţele <strong>de</strong> gri mai <strong>de</strong>schise sunt<br />
alveolele pulmonare, iar petele întunecate corespund tumorilor tuberculoase. Dacă în<br />
unele situaţii cum ar fi cea din fig. 4.13. pe histogramă se găseşte o singură valoare <strong>de</strong><br />
maxim în prima jumătate a histogramei, în fig. 4.14. avem o situaţie în care sunt<br />
găsite trei maxime locale, iar valoarea pragului trebuie să ţină cont <strong>de</strong> toate acestea.<br />
a) b) c)<br />
Fig. 4.12. Scintigrafia pacient a), imaginea gri filtrată b) şi imaginea segmentată c). Imaginile<br />
au fost achiziţionate <strong>de</strong> prof. dr. C. Ştefănescu (Costin et al., Zbancioc, 2005)<br />
Aplicaţia realizată permite specificarea explicită a pragului <strong>de</strong> segmentare <strong>de</strong> către<br />
expertul uman, şi ajustarea acestuia pentru o extragere cât mai bună a zonelor<br />
tumorale. Având o bază semnificativă <strong>de</strong> imagini adnotate şi pornind <strong>de</strong> la valorile <strong>de</strong><br />
prag fixate <strong>de</strong> expert pentru <strong>de</strong>tecţia zonelor cu tumori TBC, se poate implementa un<br />
algoritm <strong>de</strong> învăţare supervizată, care să stabilească criterii <strong>de</strong> alegere a pragului T, în<br />
funcţie <strong>de</strong> informaţia existentă în imaginea scintigrafică analizată. Numărul <strong>de</strong><br />
scintigrafii pe care am făcut acest studiu este <strong>de</strong> aproximativ 20 <strong>de</strong> imagini, număr<br />
insuficient pentru un algoritm <strong>de</strong> antrenare <strong>de</strong> gen reţele neuronale, algoritmi genetici.<br />
Fig. 4.13. Histogramă m 23 (fig.4.12.b) pe care s-a <strong>de</strong>tectat o singură valoare <strong>de</strong> maxim local<br />
(Costin et al., Zbancioc, 2005)
<strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong> 105<br />
Fig. 4.14. Histogramă imagine f 47 (fig.4.12.e) pe care s-au <strong>de</strong>tectat trei valori <strong>de</strong> maxim local<br />
(Costin et al., Zbancioc, 2005)<br />
Algoritmul iterativ pe care l-am propus pentru <strong>de</strong>terminarea pragului <strong>de</strong><br />
segmentare, împarte histograma iniţial în două părţi utilizând ca primă valoare a<br />
pragului <strong>de</strong> segmentare T0 = 2 B-1 , egală cu jumătate din rangul maxim (în cazul nostru<br />
B=8). Se calculează media eşantioanelor (mf,0) valorilor <strong>de</strong> gri asociate cu pixelii din<br />
primul interval şi media eşantioanelor (mb,0) valorilor <strong>de</strong> gri asociate cu pixelii din<br />
background (<strong>de</strong> fundal). Se stabileşte o nouă valoare <strong>de</strong> prag T1 ca medie a acestor<br />
două medii prece<strong>de</strong>nte. Procesul se repetă, având la bază acest nou prag, până când<br />
valoarea <strong>de</strong> prag nu se mai schimbă. Valoarea lui m f , k este folosită în segmentare<br />
Pseudocodul algoritmului este următorul:<br />
1<br />
0 2 −<br />
= B<br />
T , T=0, k=0<br />
while abs(Tk-T)>1 //valoarea <strong>de</strong> prag nu s-a stabilizat<br />
T = T ;<br />
⎣ k ⎦<br />
Calculează media eşantioanelor din zona <strong>de</strong> interes m f , k , respectiv din zona <strong>de</strong><br />
fundal m b,<br />
k<br />
m<br />
m<br />
f , k<br />
b,<br />
k<br />
k<br />
=<br />
=<br />
T<br />
∑<br />
i=<br />
1<br />
B<br />
2<br />
∑<br />
i=<br />
T + 1<br />
T = +<br />
T<br />
( i ⋅ hist i)<br />
) ∑<br />
( hist(<br />
i)<br />
;<br />
i=<br />
1<br />
B<br />
2<br />
( i ⋅ hist(<br />
i)<br />
) ∑<br />
( m f , k mb,<br />
k<br />
) / 2<br />
end_while<br />
for i=1:N număr_linii imagine<br />
i=<br />
T + 1<br />
hist(<br />
i)<br />
for j=1:M //număr_coloane imagine<br />
end_for<br />
end_for<br />
if F(i,j)< f k<br />
; k=k+1; // valoarea noului prag<br />
m , , then pixel obiect Fsegm ( i,<br />
j)<br />
= F(<br />
i,<br />
j);<br />
else pixel fundal Fsegm ( i,<br />
j)<br />
= 255;<br />
end_if
106 <strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong><br />
În (Bulea, 2003) este <strong>de</strong>scris un algoritm iterativ <strong>de</strong> calcul automat a unui prag<br />
optim <strong>de</strong> segmentare, care calculează distribuţia normală pentru pixelii <strong>de</strong> fond şi<br />
pentru cei <strong>de</strong> obiect. Se <strong>de</strong>termină media, dispersia a două variabile aleatoare asociate<br />
claselor <strong>de</strong> segmentat şi se estimează eroarea <strong>de</strong> probabilitate E1 ca un pixel obiect să<br />
fie estimat ca aparţinând background-ului şi invers, eroarea E2 pentru clasificarea unui<br />
pixel <strong>de</strong> fond ca fiind pixeli obiect. Algoritmul urmăreşte minimizarea erorii totale <strong>de</strong><br />
clasificare E1+ E2. Deşi algoritmul funcţionează bine pentru o clasă mare <strong>de</strong> imagini,<br />
chiar şi în situaţiile în care pixelii <strong>de</strong> fundal sunt foarte numeroşi (peste 60-70%), în<br />
cazul <strong>imaginilor</strong> scintigrafice pulmonare analizate <strong>de</strong> acest algoritm nu furnizează<br />
rezultate satisfăcătoare.<br />
4.2.3. Segmentarea imaginii pulmonare folosind transformata Wavelet<br />
O altă modalitate <strong>de</strong> segmentare, foloseşte WDT transformata discretă wavelet<br />
bidimensională. După aplicarea acesteia pe un semnal 2D sunt returnaţi coeficienţii<br />
aproximaţi CA şi trei matrice <strong>de</strong> coeficienţi <strong>de</strong>taliaţi CH, CV, CD. Coeficienţii CA<br />
păstrează informaţia corespunzătoare frecvenţelor joase, iar CH, CV, CD informaţia<br />
din imagine corelată cu frecvenţele înalte (cum ar fi muchiile).<br />
Alături <strong>de</strong> DCT transformata cosinus discretă, transformata wavelet este folosită<br />
<strong>de</strong>s în aplicaţii <strong>de</strong> compresie a datelor, a <strong>imaginilor</strong> <strong>de</strong> exemplu standardul JPEG2000.<br />
Dintre diversitatea <strong>de</strong> familii <strong>de</strong> filtre ce pot fi folosite <strong>de</strong> transformata WDT:<br />
Daubechies, Coiflets, Symlets, biortogonale am preferat utilizarea celor din grupa<br />
filtrelor Daubechies şi anume filtrele “Haar” şi “Db 2”. În figura <strong>de</strong> mai jos H(ω) şi<br />
G(ω) sunt funcţiile filtrelor wavelet trece-jos şi trece-sus aplicate unei imagini<br />
(matrice bidimensionale) I(x,y). În afara celor două filtrări aplicate mai întâi pe linie şi<br />
apoi pe coloană, se realizează şi o operaţie <strong>de</strong> suprimare astfel încât matricele CA,<br />
CH, CV, CD vor avea ca dimensiune jumătate din numărul <strong>de</strong> linii şi <strong>de</strong> coloane al<br />
imaginii iniţiale. În mod uzual se realizează aplicarea repetată a transformatei (asupra<br />
informaţiilor CA) realizându-se astfel o compresie a imaginii.<br />
I(x,y)<br />
H(ω)<br />
G(ω)<br />
2↓<br />
2↓<br />
H(ω)<br />
G(ω)<br />
H(ω)<br />
G(ω)<br />
Fig. 4.15. Schemă bloc generală a transformatei Wavelet bidimensională<br />
Am obţinut rezultate bune la aplicarea consecutivă a acestei transformate <strong>de</strong> un<br />
număr <strong>de</strong> N=3 ori. La reconstrucţia semnalului, prin aplicarea transformatei wavelet<br />
inverse IDWT s-au anulat toţi coeficienţii <strong>de</strong>taliaţi şi s-au luat în calcul doar<br />
coeficienţii aproximaţi. Pentru aplicarea transformatei DWT <strong>de</strong> N ≥ 4 ori, se pier<strong>de</strong><br />
2↓<br />
2↓<br />
2↓<br />
2↓<br />
CA<br />
CH<br />
CV<br />
CD
<strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong> 107<br />
prea multă informaţie. Valoarea prag folosită în mod uzual la segmentarea <strong>imaginilor</strong><br />
reconstruite a fost <strong>de</strong> T=100. Prin comparaţie cu metoda anterioară <strong>de</strong> <strong>de</strong>tecţie a<br />
tumorilor, se observă asemănări mari între rezultatele obţinute.<br />
a) b)<br />
Fig. 4.16. Segmentarea imaginii F47 la un prag <strong>de</strong> 100 a) după aplicarea <strong>de</strong> N=3 ori a<br />
transformatei wavelet, b) respectiv <strong>de</strong> N=4 (Costin, Zbancioc, 2003)<br />
a) b)<br />
Fig. 4.17. Segmentarea imaginii m23 la un prag <strong>de</strong> 100 a) după aplicarea <strong>de</strong> N=3 ori a<br />
transformatei wavelet, b) respectiv <strong>de</strong> N=4 (Costin, Zbancioc, 2003)<br />
4.2.4. Găsirea liniei mediane în scintigrafiile pulmonare<br />
Pentru a stabili eficacitatea unui tratament în cazul bolnavilor <strong>de</strong> TBC este<br />
necesară observarea evoluţiei bolii, iar aceasta se face prin compararea a două<br />
scintigrafii P1 şi P2, realizate la momente <strong>de</strong> timp diferite. Pentru o suprapunere cât<br />
mai exactă a celor două imagini se <strong>de</strong>termină linia mediană, folosindu-ne <strong>de</strong> pixelii<br />
din partea <strong>de</strong> sus a imaginii corespunzători glan<strong>de</strong>i tiroi<strong>de</strong>. Dispunerea organelor<br />
interne aflate în partea <strong>de</strong> jos a imaginii nu prezintă aceeaşi simetrie, iar în glanda<br />
tiroidă situată la baza gâtului întot<strong>de</strong>auna radioizotopul se fixează în ambii lobi. Se
108 <strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong><br />
calculează pe fiecare linie a zonei aflate în elipsa ce încadrează zona tiroidiană, media<br />
poziţiilor pixelilor <strong>de</strong> culoare închisă.<br />
Fig. 4.18. Găsirea liniei mediane pentru centrarea pe orizontală a scintigrafiei<br />
(Costin et al., Zbancioc, 2005)<br />
Deplasamentul pe axa Ox se calculează ca fiind diferenţa celor două valori medii<br />
găsite m x1<br />
şi m x2<br />
pentru imaginile P1 şi P2: ∆ x = mx1<br />
− mx2<br />
.<br />
Determinarea liniei mediane permite centrarea celor două imagini pe axa<br />
orizontală, iar pentru realizarea centrării pe axa verticală necesară pentru o<br />
suprapunere cât mai bună a celor două scintigrafii se poate folosi funcţia <strong>de</strong><br />
autocorelaţie sau funcţia diferenţă.<br />
Dintre cele două meto<strong>de</strong> s-a preferat funcţia diferenţă, datorită volumului mai mic<br />
<strong>de</strong> calcul. Astfel după centrarea pe orizontală a celor două scintigrame P1 şi P2 (<strong>de</strong><br />
dimensiune HxL) folosind liniile mediane, s-a calculat suma valorilor absolute a<br />
matricei diferenţă dintre imaginea P1, consi<strong>de</strong>rată a fi fixă şi imaginea P2 <strong>de</strong>plasată pe<br />
verticală cu câte o poziţie.<br />
Dif_min<br />
20 ⎛<br />
min ⎜<br />
k=<br />
−20⎜<br />
⎝<br />
max( H −k,<br />
H )<br />
= ∑ ∑<br />
L<br />
i=<br />
max( H inf, k)<br />
j=<br />
1<br />
⎞<br />
P<br />
⎟<br />
1(<br />
i,<br />
j)<br />
− P2<br />
( i,<br />
j + k)<br />
⎟<br />
⎠<br />
(4.22)<br />
Valoarea minimă a funcţiei diferenţă asigură suprapunerea cea mai bună a celor<br />
două imagini şi din acest motiv se foloseşte acel k pentru care s-a găsit o diferenţă<br />
minimă, pentru <strong>de</strong>plasarea verticală celei <strong>de</strong>-a două imagini ∆y=kmin.<br />
În faza <strong>de</strong> <strong>de</strong>tecţie a tumorilor şi estimare a diferenţelor zonelor tumorale din cele<br />
două scintigrafii, se elimină zona inferioară şi cea superioară a <strong>imaginilor</strong>, care includ<br />
organele interne şi zona tiroidiană un<strong>de</strong> radiofarmaceuticul se poate fixa în mod<br />
diferit. În acest caz în ecuaţia (4.22) se înlocuieşte H inf (căruia i se atribuie implicit<br />
valoarea 1) cu H/3 sau H/2.
<strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong> 109<br />
4.2.5. Extragerea contururilor zonelor tumorale pulmonare<br />
Aplicaţia <strong>de</strong>zvoltată pentru <strong>procesare</strong>a scintigrafiilor pulmonare foloseşte<br />
contururile pentru vizualizarea tumorilor şi <strong>de</strong>terminarea ariilor suprafeţelor tumorale.<br />
Se pot utiliza tehnici <strong>de</strong> umplere a contururilor şi <strong>de</strong> aplicare <strong>de</strong> operatori morfologici<br />
<strong>de</strong> erodare/ dilatare, <strong>de</strong> <strong>de</strong>schi<strong>de</strong>re/închi<strong>de</strong>re a unei imagini pentru a obţine o imagine<br />
ce caracterizează zonele tumorale.<br />
Dintre filtrele pentru extragerea <strong>de</strong> contururi pe care le-am utilizat (Gaussian,<br />
Sobel, Prewitt, Kirsch), au furnizat rezultate satisfăcătoare în cazul contururilor subţiri<br />
filtrul Sobel <strong>de</strong> matrice 3x3 şi în cazul contururilor îngroşate filtrul Gaussian<br />
caracterizat <strong>de</strong> o matrice <strong>de</strong> 7x7. Spre <strong>de</strong>osebire <strong>de</strong> filtrele <strong>de</strong>rivative <strong>de</strong> ordin doi cum<br />
ar fi laplacianul, gaussianul, filtrele <strong>de</strong>rivative <strong>de</strong> ordin unu nu extrag <strong>de</strong>cât muchiile<br />
<strong>de</strong> anumite orientări (verticale, orizontale sau oblice), motiv pentru care este necesară<br />
aplicarea mai multor măşti <strong>de</strong> convoluţie <strong>de</strong> diverse orientări şi alegerea rezultatului<br />
cel mai bun prin folosirea unui bloc comparator (Vertan, 2007), (Bulea, 2003),<br />
respectiv cumularea rezultatelor. Astfel pentru <strong>de</strong>tecţia contururilor <strong>de</strong> mai multe<br />
orientări folosind operatorul Sobel se aplică relaţiei următoare:<br />
⎧ N N<br />
⎫<br />
*<br />
⎪<br />
⎪<br />
f ( x,<br />
y)<br />
= max⎨<br />
∑∑ p(<br />
x + i,<br />
y + j)<br />
⋅ Sm<br />
( i + N,<br />
j + N)<br />
⎬ , N=1<br />
m<br />
⎪⎩ i=<br />
−N<br />
j=<br />
−N<br />
⎪⎭<br />
(4.23)<br />
⎡−1 − 2 −1⎤<br />
⎡0<br />
−1<br />
− 2⎤<br />
⎡1<br />
0 −1⎤<br />
⎡2<br />
1 0 ⎤<br />
S =<br />
⎢<br />
⎥<br />
1 ⎢<br />
0 0 0<br />
⎥<br />
; S =<br />
⎢ ⎥<br />
2 ⎢<br />
1 0 −1<br />
⎥<br />
; S<br />
⎢ ⎥<br />
3 =<br />
⎢<br />
2 0 − 2<br />
⎥<br />
; S<br />
⎢ ⎥<br />
4 =<br />
⎢<br />
1 0 −1<br />
⎥<br />
⎢⎣<br />
1 2 1 ⎥⎦<br />
⎢⎣<br />
2 1 0 ⎥⎦<br />
⎢⎣<br />
1 0 −1⎥⎦<br />
⎢⎣<br />
0 −1<br />
− 2⎥⎦<br />
În cazul filtrelor Sobel, Kirsch şi Prewitt prin rotaţia matricelor cu un element în<br />
jurul valorii centrale se obţin în total 8 măşti <strong>de</strong> convoluţie, fiecare permiţând <strong>de</strong>tecţia<br />
unei muchii <strong>de</strong> o anumită orientare (S1 muchii verticale, S2 oblice <strong>de</strong> orientare 45º, S3<br />
muchi orizontale <strong>de</strong> 0º şi S4 muchii oblice <strong>de</strong> 135º)<br />
Pentru filtrul Gaussian nu este necesară rotirea acestuia, fiind un filtru <strong>de</strong>rivativ <strong>de</strong><br />
ordin superior, capabil să extragă muchii <strong>de</strong> mai multe orientări.<br />
H<br />
gaussian<br />
*<br />
N<br />
N<br />
∑∑<br />
f ( x,<br />
y)<br />
= p(<br />
x + i,<br />
y + j)<br />
⋅ H ( i + N,<br />
j + N)<br />
, N=3<br />
⎡ 0<br />
⎢<br />
⎢<br />
0<br />
⎢−1<br />
⎢<br />
= ⎢−1<br />
⎢−1<br />
⎢<br />
⎢ 0<br />
⎢<br />
⎣ 0<br />
i=<br />
−N<br />
j=<br />
−N<br />
0<br />
− 2<br />
− 3<br />
− 3<br />
− 3<br />
− 2<br />
0<br />
−1<br />
− 3<br />
5<br />
5<br />
5<br />
− 3<br />
−1<br />
−1<br />
− 3<br />
5<br />
16<br />
5<br />
− 3<br />
−1<br />
−1<br />
− 3<br />
5<br />
5<br />
5<br />
− 3<br />
−1<br />
0<br />
− 2<br />
− 3<br />
− 3<br />
− 3<br />
− 2<br />
0<br />
gaussian<br />
0 ⎤<br />
0<br />
⎥<br />
⎥<br />
−1⎥<br />
⎥<br />
−1⎥<br />
−1⎥<br />
⎥<br />
0 ⎥<br />
0 ⎥<br />
⎦<br />
(4.24)
110 <strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong><br />
a) b)<br />
c) d)<br />
Fig. 4.19. Aplicarea filtrelor Sobel 3x3 (a, c) şi Gaussian 7x7(b,d), <strong>imaginilor</strong> segmentate<br />
(Costin et al., Zbancioc, 2005)<br />
Există situaţii în care imaginea digitizată este neclară din cauza reducerii benzii <strong>de</strong><br />
frecvenţă, fapt întâlnit în special atunci când se aplică un filtru trece jos. Pentru a<br />
compensa acest fenomen se folosesc proce<strong>de</strong>e <strong>de</strong> accentuare a contururilor. Având în<br />
ve<strong>de</strong>re că neclarităţile sunt efectul unor integrări, atunci efectul invers poate fi obţinut<br />
prin diferenţiere. În urma operaţiei <strong>de</strong> diferenţiere, zonele cu frecvenţe înalte din<br />
imagine sunt scoase în evi<strong>de</strong>nţă. Din această cauză, imaginile perturbate <strong>de</strong> zgomot<br />
nu sunt supuse operaţiei <strong>de</strong> diferenţiere, care ar duce la amplificarea acestuia şi <strong>de</strong>ci la<br />
reducerea raportului semnal util/zgomot. În astfel <strong>de</strong> cazuri este preferată o reducere<br />
prealabilă a zgomotului prin filtrare, urmată <strong>de</strong> accentuarea conturilor. Deoarece<br />
muchiile ce urmează a fi accentuate pot avea orice direcţie, trebuie ca operatorul <strong>de</strong><br />
diferenţiere să fie izotrop (invariant la rotaţie). Exemple <strong>de</strong> măşti ce sunt folosite<br />
pentru accentuarea contururilor sunt date în relaţia (4.17)<br />
În cazul contururilor subţiri se poate observa faptul că acestea nu sunt <strong>de</strong> cele mai<br />
multe ori închise (ridicând probleme atunci când se doreşte umplerea acestor zone).<br />
Se preferă în aceste condiţii contururile groase, ce pot fi mai apoi subţiate.
<strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong> 111<br />
4.2.6. Prelucrarea zonelor <strong>de</strong> interes extrase <strong>de</strong> algoritmul <strong>de</strong> segmentare<br />
După finalizarea etapei <strong>de</strong> segmentare în imaginea rezultată pe lângă tumorile<br />
pulmonare au rămas şi zonele altor organe în care s-a fixat radiofarmaceuticul, cum ar<br />
fi glanda tiroidă, organele interne învecinate (<strong>de</strong> exemplu inima). Pentru a extrage<br />
zona <strong>de</strong> interes, se elimină partea <strong>de</strong> sus în care se află glanda tiroidă, respectiv cea <strong>de</strong><br />
jos în care se află organele interne. În secţiunea extrasă mai rămân informaţii în partea<br />
<strong>de</strong> jos <strong>de</strong> la un singur organ inima, ce împiedică vizualizarea regiunilor tumorale<br />
pulmonare suprapuse peste acesta. Eliminarea acestei zone este dificil <strong>de</strong> realizat, dat<br />
fiind faptul că se pot elimina şi regiuni învecinate ce prezintă tumori.<br />
Fig. 4.20. Selectarea zonei tumorale <strong>de</strong> interes şi prelucrarea cu operatori morfologici a acesteia<br />
(Costin et al., Zbancioc, 2005)<br />
În acord cu indicaţiile medicului specialist, am aplicat în mod repetat operaţiile<br />
morfologice <strong>de</strong> erodare /dilatare pentru zona <strong>de</strong> interes selectată, (Praat, 2007), (Bow,<br />
2002), până când au fost extrase tumorile esenţiale în stabilirea diagnosticului.<br />
Zonele ce conţin tumorile pulmonare sunt comparate prin suprapunere şi calculul<br />
diferenţei după ce în prealabil una din imagini este <strong>de</strong>plasată cu ∆x coloane şi<br />
∆y linii. Dacă D = ∑∑P2 ( y + ∆y,<br />
x + ∆x)<br />
− P1<br />
( y,<br />
x)<br />
este pozitiv atunci numărul<br />
x y<br />
tumorilor pulmonare a crescut şi invers dacă D este negativ regiunile tumorale sunt în<br />
scă<strong>de</strong>re.<br />
Doar medicul este în măsură să stabilească tratamentul şi medicamentaţia în<br />
funcţie <strong>de</strong> evoluţia bolii, observând dacă au apărut tumori noi, tumori anterioare au<br />
scăzut în dimensiune sau au dispărut complet.<br />
Cercetările efectuate în scopul elaborării meto<strong>de</strong>lor <strong>de</strong> analiză ale <strong>imaginilor</strong><br />
scintigrafice pulmonare au fost valorificate prin lucrările (Ştefănescu et al. Zbancioc,<br />
2002), (Costin et al., Zbancioc 2005).<br />
4.3. Procesarea <strong>imaginilor</strong> scintigrafice osoase<br />
De multe ori procesele <strong>de</strong> diagnoză pornind <strong>de</strong> la analiza unei imagini scintigrafice<br />
complexe <strong>de</strong>vin dificile, iar în acest caz o metodă <strong>de</strong> <strong>procesare</strong> automată a<br />
scintigrafiilor diminuează gradul <strong>de</strong> subiectivitate a <strong>de</strong>ciziei şi ajută astfel medicul.<br />
Astfel <strong>de</strong> scintigrafii, greu <strong>de</strong> interpretat sunt şi scintigrafiile osoase în care trebuie<br />
realizată o estimare procentuală a zonelor patologice în raport cu suprafaţa totală
112 <strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong><br />
osoasă (Costin, Ştefănescu 2006), (Costin et al 2007). Această estimare este dificil <strong>de</strong><br />
cuantificat la o investigare vizuală a scintigrafiei şi elaborarea unui algoritm <strong>de</strong> calcul<br />
al acestui procent, ajută prin acurateţea rezultatului, la încadrarea într-o clasă a<br />
metastazelor osoase.<br />
În unele situaţii stabilirea unui diagnostic pentru o scintigrafie osoasă este simplu<br />
<strong>de</strong> realizat dacă se observă cazuri <strong>de</strong> hiperfixaţiei sau hipofixaţie a radiotrasorului.<br />
Mai dificil este <strong>de</strong> interpretat o scintigrafie în care în anumite zone sunt normale<br />
având o fixare omogenă, dar există şi zone incerte în care ar putea fi localizate leziuni<br />
incipiente şi s-ar putea începe un tratament prin chimio-terapie (Tryciecky, 1997).<br />
Când astfel <strong>de</strong> zone sunt relativ numeroase, fără a exista indicii clare ale unui focar<br />
patologic, o estimare a zonelor cu posibile metastaze raportate la întreaga suprafaţă<br />
osoasă <strong>de</strong>vine foarte utilă. Aplicaţia poate fi utilizată <strong>de</strong> către sau doar împreună cu un<br />
expert în domeniu, acesta fiind singurul în măsură să specifice pragul <strong>de</strong> segmentare<br />
şi să verifice dacă valoarea furnizată <strong>de</strong> sistem este situată între limitele normale.<br />
4.3.1. Pre<strong>procesare</strong>a imaginii scintigrafice osoase<br />
La fel ca şi în cazul scintigrafiilor pulmonare în faza <strong>de</strong> pre<strong>procesare</strong> am realizat o<br />
conversie a imaginii într-o imagine reprezentată pe 256 nivele <strong>de</strong> gri, conform relaţiei<br />
(4.15) şi am aplicat succesiv <strong>de</strong> două ori un filtru neliniar median <strong>de</strong> ordin 3x3. Se<br />
poate aplica şi un singur filtru median <strong>de</strong> ordin mai mare 5x5.<br />
Deoarece la realizarea histogramei imaginii s-a observat că distribuţia nivelurilor<br />
<strong>de</strong> gri este într-un interval îngust [vlow,vhigh] am realizat o normalizare a histogramei<br />
pentru a ocupa întreg intervalul [0, 255]. Imaginea rezultată şi histograma acesteia<br />
sunt notate cu I ~ şi H ~ .<br />
~<br />
I ( x,<br />
y)<br />
I(<br />
x,<br />
y)<br />
− v v − v ⋅<br />
(4.25)<br />
( ) ( ) 255<br />
= low high low<br />
Majoritatea pixelilor din imagine sunt <strong>de</strong> nivel <strong>de</strong>schis, motiv pentru care în<br />
histogramă sunt concentrate majoritatea valorilor mari în jurul valorii <strong>de</strong> 255 (nuanţa<br />
<strong>de</strong> alb). Se estimează o distribuţie normală gaussiană a pixelilor în acea zonă<br />
specificând centrul distribuţiei în valoarea maximului histogramei, sau calculând o<br />
medie a valorilor din histogramă în jurul valorii maxime.<br />
p<br />
inf<br />
( ) ⎬<br />
⎭ ⎫ ~<br />
H ( k)<br />
⎧ ~ ~ 255<br />
µ = ⎨i<br />
H ( i)<br />
= H max = max sau<br />
k=<br />
0<br />
⎩<br />
~ ~<br />
~ ~<br />
i H ( i)<br />
> H . 0,<br />
5 p = i H ( i)<br />
> H<br />
= { } { . 0,<br />
5}<br />
min max<br />
i<br />
µ<br />
p sup<br />
= ∑<br />
k=<br />
p inf<br />
sup<br />
max max<br />
i<br />
( p − )<br />
H ( k)<br />
p<br />
sup<br />
inf<br />
(4.26)<br />
(4.27)<br />
După specificarea maximului se calculează valoarea dispersiei σ a distribuţiei normale a<br />
histrogramei şi se consi<strong>de</strong>ră că toţi pixelii care au nivelul <strong>de</strong> gri mai mare <strong>de</strong>cât µ-2·σ <strong>de</strong>vin<br />
<strong>de</strong> culoare albă şi nu vor mai fi luaţi ulterior în consi<strong>de</strong>rare în procesul <strong>de</strong> segmentare.<br />
Algoritmul <strong>de</strong> segmentare este <strong>de</strong>scris în (Zbancioc, Costin, Ştefănescu, 2004).
<strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong> 113<br />
~ 2<br />
∑(<br />
( i)<br />
⋅ ( i − µ ) ) ∑<br />
2<br />
~<br />
σ = H H ( i)<br />
(4.28)<br />
i<br />
i<br />
⎪⎧<br />
~ ~<br />
~ I ( i,<br />
j)<br />
if I ( i,<br />
j)<br />
< µ − 2σ<br />
I ( x,<br />
y)<br />
=<br />
(4.29)<br />
⎨ ~<br />
⎪⎩ 255 if I ( i,<br />
j)<br />
≥ µ − 2σ<br />
Fig. 4.21. Histograma normalizată a scintigrafiei osoase şi selecţia valorii <strong>de</strong> prag µ-2·σ<br />
(Zbancioc, Costin, Ştefănescu, 2004)<br />
Deoarece intensitatea nivelului <strong>de</strong> gri indică gradul <strong>de</strong> fixare a<br />
radiofarmaceuticului, nu se recomandă efectuarea unor operaţii <strong>de</strong> modificare <strong>de</strong><br />
contrast sau <strong>de</strong> egalizare a histogramei. Pentru ca doctorul să aibă aceeaşi informaţie<br />
în imaginea procesată cu cea din imaginea iniţială se poate aplica o transformare<br />
inversă celei aplicate în relaţia (4.25) care va reface valorile nivelurilor <strong>de</strong> gri<br />
existente înaintea fazei <strong>de</strong> pre<strong>procesare</strong> a imaginii scintigrafice.<br />
~<br />
I ( x,<br />
y)<br />
= I ( x,<br />
y)<br />
255⋅<br />
v − v + v<br />
(4.30)<br />
( high low ) low<br />
4.3.2. Suprapunerea scintigrafiilor osoase anterioare şi posterioare<br />
Pentru fiecare pacient scintigrafia osoasă a întregului corp este realizată sub două<br />
inci<strong>de</strong>nţe una anterioară şi una posterioară (vezi fig.4.22). Datorită distanţei <strong>de</strong> la<br />
gama cameră la corp, a modului diferit <strong>de</strong> irigare sanguină, a circulaţiei specifice a<br />
raditrasorului există în scintigrafie zone cu o fixare mai slabă <strong>de</strong> exemplu, pentru<br />
segmente <strong>de</strong> femur sau porţiuni ale coloanei vertebrale. Prin suprapunerea celor două<br />
scintigrafii achiziţionate sub inci<strong>de</strong>nţă anterioară Ia şi posterioară Ip se obţine un<br />
maxim <strong>de</strong> informaţie.<br />
Pentru suprapunerea cât mai exactă a celor două imagini am realizat o operaţie <strong>de</strong><br />
reflexie pe verticală a uneia dintre imagini şi am aplicat funcţia <strong>de</strong> corelaţie pentru a<br />
găsi <strong>de</strong>plasamentul ( ∆ x , ∆ y ) ce trebuie efectuat.<br />
( i,<br />
j)<br />
= I ( i,<br />
W − j)<br />
, un<strong>de</strong> i = 1 , H,<br />
j = 1,<br />
W<br />
(4.31)<br />
I p<br />
p<br />
θ = µ-2σ<br />
Funcţia <strong>de</strong> corelaţie aplicată celor două imagini oferă o informaţie legată <strong>de</strong><br />
similaritatea acestora. Pentru o dimensiune <strong>de</strong> HxW a <strong>imaginilor</strong> corelate, matricea <strong>de</strong><br />
ieşire va avea dimensiunea 2H-1 x 2W-1.Valoarea maximă a matricei <strong>de</strong> corelaţie
114 <strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong><br />
C(k,l) ne indică că, pentru o <strong>de</strong>plasare pe coloană cu ∆ x = W − l poziţii şi pe linie cu<br />
∆ y = H − k , se obţine un produs maxim al celor două matrice Ia şi Ip, adică cea mai<br />
bună suprapunere a celor două scintigrafii.<br />
⎧ k<br />
⎪<br />
⎪ i<br />
⎪ k<br />
⎪<br />
⎪<br />
i=<br />
C = corr2(<br />
k,<br />
l)<br />
= ⎨2N<br />
⎪<br />
⎪<br />
⎪ i<br />
2N<br />
⎪<br />
⎪<br />
⎪⎩<br />
i=<br />
l<br />
∑∑<br />
a<br />
= 1 j=<br />
1<br />
2M<br />
−l<br />
∑∑<br />
a<br />
1 j=<br />
1<br />
−k<br />
l<br />
∑∑<br />
a<br />
= 1 j=<br />
1<br />
−k<br />
2M<br />
−l<br />
∑∑<br />
1<br />
I ( i,<br />
j)<br />
⋅ I ( H − k + i,<br />
W − l + j)<br />
I ( i,<br />
l −W<br />
+ j)<br />
⋅ I ( H − k + i,<br />
j)<br />
I ( k − H + i,<br />
l −W<br />
+ j)<br />
⋅ I ( i,<br />
j)<br />
, k ≤ H,<br />
l ≤ W<br />
, k ≤ H,<br />
l > W<br />
I ( k − H + i,<br />
j)<br />
⋅ I ( i,<br />
W − l + j)<br />
, k > H,<br />
l ≤ W<br />
a<br />
j=<br />
1<br />
p<br />
p<br />
p<br />
p<br />
, k > H,<br />
l > W<br />
(4.32)<br />
Suprapunerea celor două scintigrafii este realizată în sensul că se păstrează<br />
valoarea corespunzătoare celei mai bune fixări a radiofarmaceuticului, adică a<br />
intensităţii <strong>de</strong> gri cât mai scăzute. Din doi pixeli care se suprapun se păstrează cel cu<br />
valoarea mai mică, mai apropiat <strong>de</strong> zero (culoarea neagră)<br />
, i≤H<br />
j≤W<br />
( I ( i,<br />
j),<br />
I ( i + ∆y,<br />
j + ∆x)<br />
)<br />
I = min ant post<br />
i=<br />
1,<br />
j=<br />
1<br />
4.3.3. Determinarea axelor <strong>de</strong> simetrie şi a regiunilor cu posibile metastaze<br />
(4.33)<br />
În ve<strong>de</strong>rea localizării zonelor cu posibile metastaze osoase am realizat o comparare<br />
prin simetrie a informaţiilor găsite în cele două jumătăţi (stânga, dreapta) ale<br />
scheletului uman. Deoarece poziţionarea membrelor poate fi diferită este necesară<br />
extragerea unor axe <strong>de</strong> simetrie. Imaginea scintigrafică este împărţită manual, în zone<br />
dreptunghiulare (una pentru cap, una pentru coloana vertebrală, patru regiuni <strong>de</strong> lucru<br />
pentru membrele superioare şi respectiv alte patru pentru membrele inferioare – vezi<br />
figura 4.26). Ar fi utilă o <strong>de</strong>limitare automată a acestor zone <strong>de</strong> lucru, dar s-a renunţat<br />
la aceasta, datorită structurii antropologice complexe a scheletului uman şi a<br />
caracteristicilor specifice ale acestuia corelate cu <strong>de</strong>zvoltarea pacientului pe parcursul<br />
vieţii, eventual modul în care scheletul poate fi afectat <strong>de</strong> unele maladii. În mod<br />
frecvent pacienţii au <strong>de</strong>formări ale coloanei vertebrale şi din acest motiv s-a realizat o<br />
<strong>de</strong>tecţie a axei coloanei pe mai multe subintervale. Un grad <strong>de</strong> curbură mai mare a<br />
coloanei introduce dificultăţi în stabilirea zonelor simetrice în partea superioară a<br />
corpului. În lucrarea (Zbancioc, Costin, Ştefănescu, 2004) am propus un algoritm<br />
fuzzy care asocieză un grad <strong>de</strong> încre<strong>de</strong>re în simetria a doi pixeli selectaţi din zone<br />
simetrice (<strong>de</strong> exemplu zona braţelor sau a picioarelor). Pentru zonele din jurul<br />
coloanei vertebrale, un<strong>de</strong> există mai multe axe <strong>de</strong> simetrie algoritmul poate găsi<br />
pentru un pixel mai mulţi pixeli <strong>de</strong> „simetrie”, fiind necesară găsirea unei meto<strong>de</strong> <strong>de</strong><br />
analiză suplimentare pentru aceste cazuri <strong>de</strong> dubiu.
<strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong> 115<br />
d)<br />
Fig. 4.22. Imagine scintigrafică osoasă a). Secţiuni din imaginea preprocesată, pentru care sunt<br />
<strong>de</strong>terminate axelor <strong>de</strong> simetrie (în figurile 4.23-25) pe baza maximilor locale,pentru b) linia 250,<br />
c) linia 500, d) linia 900 din imagine. Scintigrafie achiziţionată <strong>de</strong> prof. dr. C. Ştefănescu<br />
(Zbancioc, Costin, Ştefănescu, 2004)<br />
Fig. 4.23. a) Grafic al vectorului <strong>de</strong> valori corespunzător liniei 250 – torace b) grafic vector<br />
netezit; c) rezultat după eliminarea „falselor” maxime locale (Zbancioc, Costin, Ştefănescu, 2004)<br />
b)<br />
c)
116 <strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong><br />
Fig. 4.24. Grafic al vectorului <strong>de</strong> valori corespunzător liniei 500 – zonă abdominală b) grafic vector<br />
netezit; c) rezultat după eliminarea „falselor” maximer locale (Zbancioc, Costin, Ştefănescu, 2004)<br />
Fig. 4.25. Grafic al vectorului <strong>de</strong> valori corespunzător liniei 900 – picioare b) grafic vector<br />
netezit; c) rezultat după eliminarea „falselor” maxime locale (Zbancioc, Costin, Ştefănescu, 2004)<br />
Pentru stabilirea axelor <strong>de</strong> simetrie imaginea a fost procesată linie cu linie, în<br />
figurile 4.23-4.25 se observă cum pentru vectorul valorilor dintr-o linie a imaginii<br />
scintigrafice se aplică o metodă <strong>de</strong> „netezire”, metodă care permite extragerea facilă a<br />
maximelor locale, dar care introduce şi o serie <strong>de</strong> valori <strong>de</strong> maxim local suplimentare.<br />
Deoarece acestea au amplitudine semnificativ mai mică <strong>de</strong>cât semnalul util se<br />
realizează o eliminare a acestora.
<strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong> 117<br />
Metoda <strong>de</strong> netezire implementată extrage o „anvelopă” a semnalului (fig.4.23-4.25<br />
b) şi poate fi utilizată în orice aplicaţie în care este dificilă <strong>de</strong>terminarea unui singur<br />
maxim datorită unui grad ridicat <strong>de</strong> fragmentare a informaţiei. În figura 4.23-4.25.a)<br />
se observă cum în zona membrelor inferioare şi a braţelor gradul <strong>de</strong> fixare a<br />
radiofarmaceuticului nu este omogenă existând mai mulţi candidaţi la valoarea <strong>de</strong><br />
maxim local.<br />
Metoda spectrului netezit este folosită şi în instrumentele <strong>de</strong> extragere a informaţiei<br />
prozodice din semnale vocale, pentru <strong>de</strong>tecţia formanţilor şi va fi <strong>de</strong>taliată ulterior în<br />
ultimul capitol al tezei. Metoda presupune trecerea în domeniul spectral al<br />
frecvenţelor, apoi în domeniul cepstral al quefrenţelor, păstrarea doar a câtorva<br />
elemente din cepstru şi neglijarea celorlalte la reconstrucţia semnalului la aplicarea<br />
transformatelor inverse.<br />
3<br />
4<br />
7<br />
8<br />
1<br />
2<br />
Fig. 4.26. Detecţia axelor <strong>de</strong> simetrie pe baza maximelor extrase prin metoda <strong>de</strong> netezire<br />
(Zbancioc, Costin, Ştefănescu, 2004)<br />
Axele <strong>de</strong> simetrie ale fiecărei zone <strong>de</strong> lucru se <strong>de</strong>termină din valorile <strong>de</strong> maxim ale<br />
anvelopelor folosind metoda regresiei liniare, <strong>de</strong>scrisă anterior la prelucrarea<br />
scintigrafiilor SPECT cerebrale (vezi relaţiile <strong>de</strong> calcul 4.7-4.8).<br />
Metoda <strong>de</strong> <strong>procesare</strong> a scintigrafiilor osoase prezentată în această secţiune,<br />
calculează un coeficient al zonelor cu posibile metastaze osoase (segmentate după o<br />
5<br />
6<br />
9<br />
10
118 <strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong><br />
valoare prag dată <strong>de</strong> expert) raportate la întreaga suprafaţă osoasă din imagine.<br />
Valoarea <strong>de</strong> prag este dată <strong>de</strong> expert şi <strong>de</strong>terminată automat datorită variabilităţii <strong>de</strong> la<br />
un pacient la altul a radiaţiei recepţionate <strong>de</strong> gama cameră <strong>de</strong> la radiofarmaceuticul<br />
fixat în oase, variabilitate datorată distanţei, masei corporale diferite, caracteristicilor<br />
diferite <strong>de</strong> irigare sanguină şi <strong>de</strong> fixare a agentului chimic. Metoda mai poate fi<br />
perfecţionată, intenţionându-se în viitorul apropiat optimizarea algoritmilor <strong>de</strong><br />
<strong>de</strong>tecţie axe şi <strong>de</strong> comparare a informaţiei din zonele simetrice, algoritmi care pot<br />
aduce o informaţie suplimentară în stabilirea diagnosticului. Rezultatele cercetărilor<br />
au fost valorificate în (Zbancioc, Costin, Ştefănescu, 2004), (Ştefănescu, Costin,<br />
Zbancioc, 2006).<br />
4.4. Contribuţii personale<br />
În acest capitol am prezentat trei meto<strong>de</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> medicale<br />
nucleare pentru trei tipuri distincte <strong>de</strong> imagini scintigrafice: imagini SPECT cerebrale,<br />
scintigrafii planare pulmonare şi osoase. Studiile s-au <strong>de</strong>sfăşurat în colaborare cu prof.<br />
dr. Cipriana Ştefănescu Departamentul <strong>de</strong> Medicină Nucleară, Facultatea <strong>de</strong><br />
Medicină, U.M.F. “Gr.T.Popa” Iaşi şi cu C.S. III dr. ing. Mihaela Costin <strong>de</strong> la<br />
Institutul <strong>de</strong> Informatică Teoretică al Aca<strong>de</strong>miei Române – Filiala Iaşi.<br />
Contribuţiile autorului sunt legate <strong>de</strong>:<br />
- elaborarea prin colaborare a unei meto<strong>de</strong> bazată pe matricea <strong>de</strong> co-ocurenţă, pentru<br />
i<strong>de</strong>ntificare automată a secţiunilor transversale din scintigrafiile cerebrale SPECT<br />
cu posibile zone disfuncţionale/tumori;<br />
- realizarea prin colaborare a unei unui algoritm <strong>de</strong> comparare a informaţiilor din<br />
cele două emisfere cerebrale, prin <strong>de</strong>terminarea liniei centrale a unei secţiuni<br />
SPECT cerebrale, rotirea imaginii (dacă este cazul) şi aplicarea unei meto<strong>de</strong> <strong>de</strong><br />
segmentare cu prag fix în <strong>de</strong>tecţia tumorilor cerebrale, respectiv cu prag variabil<br />
pentru localizarea zonelor disfuncţionale;<br />
- propunerea şi elaborarea prin colaborare a unui algoritm <strong>de</strong> segmentare a<br />
<strong>imaginilor</strong> SPECT cerebrale folosind un prag variabil <strong>de</strong>terminat pe baza unui<br />
sistem fuzzy Sugeno cu o intrare şi o ieşire;<br />
- calcularea volumului zonelor disfuncţionale (exprimat în voxeli) prin cumularea<br />
informaţiilor din fiecare secţiune a setului SPECT transversal;<br />
- implementarea aplicaţiei software <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> cerebrale SPECT;<br />
- elaborarea prin colaborare a două meto<strong>de</strong> <strong>de</strong> segmentare a <strong>imaginilor</strong> pulmonare<br />
folosind un algoritm iterativ <strong>de</strong> stabilire a pragului optim, respectiv o segmentare<br />
bazată pe informaţia reconstruită din imaginea asupra căreia s-a aplicat<br />
transformata wavelet <strong>de</strong> mai multe ori consecutiv;<br />
- realizarea prin colaborare a unui algoritm <strong>de</strong> comparare a două scintigrafii<br />
pulmonare preluate <strong>de</strong> la acelaşi pacient la momente diferite <strong>de</strong> timp, prin<br />
<strong>de</strong>terminarea liniei mediane pe baza pixelilor asociaţi glan<strong>de</strong>i tiroi<strong>de</strong>, suprapunerea<br />
<strong>imaginilor</strong> şi calcularea matricei diferenţelor;<br />
- prelucrarea zonelor tumorale din plămâni prin aplicarea <strong>de</strong> operatori morfologici şi<br />
operatori <strong>de</strong> <strong>de</strong>tecţie <strong>de</strong> contururi;
<strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong> 119<br />
- implementarea aplicaţiei software <strong>de</strong> <strong>procesare</strong> a scintigrafiilor pulmonare;<br />
- elaborarea prin colaborare a unui algoritm <strong>de</strong> suprapunere a scintigrafiilor osoase<br />
achiziţionate sub inci<strong>de</strong>nţă anterioară şi posterioară folosind funcţia <strong>de</strong> corelaţie<br />
bidimensională;<br />
- elaborarea prin colaborare a unei meto<strong>de</strong> <strong>de</strong> extragere a axelor <strong>de</strong> simetrie ale<br />
diferitelor regiuni din scintigrafia osoasă, prin <strong>de</strong>terminarea punctelor <strong>de</strong> maxim<br />
local, după aplicarea în prealabil a unei meto<strong>de</strong> <strong>de</strong> netezire (extragere a anvelopei)<br />
şi utilizarea unui algoritm <strong>de</strong> regresie liniară pe seturile <strong>de</strong> valori maxime locale;<br />
- calcularea valorii procentuale a zonelor cu posibile metastaze osoase (valoarea <strong>de</strong><br />
prag este ajustată <strong>de</strong> expert) raportată la suprafaţa totală osoasă;<br />
- implementarea aplicaţiei software <strong>de</strong> <strong>procesare</strong> a scintigrafiilor osoase.<br />
Rezultatele cercetărilor din acest capitol s-au concretizat prin publicarea a cinci<br />
articole în reviste şi la conferinţe internaţionale.<br />
Bibliografie capitol<br />
Bulea Mihai (2003), Prelucrarea Imaginilor şi Recunoaşterea Formelor – Teorie şi Aplicaţii,<br />
Editura Aca<strong>de</strong>miei Române, ISBN: 973-27-1000-4, pp. 458, 2003<br />
Bow, S.-T. (2002): Pattern Recognition and Image Preprocess, 2nd edition, Marcel Dekker,<br />
Inc., N.Y., ISBN:0824706595, pp. 698.<br />
Boom, B.J. and Spreeuwers, L.J. and Veldhuis, R.N.J. (2009). "Mo<strong>de</strong>l-Based Illumination<br />
Correction for Face Images in Uncontrolled Scenarios", Xiaoyi Jiang and Nicolai Petkov<br />
(Eds.) Computer Analysis of images and Patterns, Proc. of 13 th International Conference,<br />
CAIP 2009, Sept 2-4, Munster, Germany, Lecture Notes in Computer Science 5702(2009):<br />
33–40, ISSN 0302-9743, pp. 33-40.<br />
Costin M., O. Baltag, A. Ciobanu, C. Stefanescu, D. Costandache (2007), Improving<br />
Noninvasive Monitoring in Medical Care, IEEE - ICCC 2007, 5th IEEE International<br />
Conference on Computational Cybernetics, Gammamarth, Tunisia, 19-21 Oct. 2007.<br />
Costin M., C. Stefanescu (2006), Medical Imaging Processing in Scintimetry, pp. 90-103,<br />
Tehnopress Ed., 2006.<br />
Costin Mihaela, Marius Zbancioc, Adrian Ciobanu, Cipriana Ştefănescu (2003), Toward a<br />
Diagnosis System using Nuclear Medicine Image Processing, , Vol.8, Nos.1-3, pp. 65 - 78,<br />
ISSN 1016-2137, Revista Fuzzy Sets and Artificial Intelligence 2003.<br />
Costin M., C. Stefanescu, D. Galea, M. Zbancioc (2005), “Image Processing in Pulmonary<br />
Disease Diagnosis”, IEEE – SOFA 2005, IEEE International Workshop on Soft Computing<br />
Applications, 27-30 August, 2005, Szeged-Hungary şi Arad-România, pp. 231-236, ISBN<br />
963-219-001-7.<br />
Costin M., Zbancioc M.D. (R2003),Meto<strong>de</strong> <strong>de</strong> inteligenţă artificială în prelucrarea semnalelor<br />
1D şi 2D, raport <strong>de</strong> cercetare în cadrul Institutului <strong>de</strong> Informatică Teoretică al Aca<strong>de</strong>miei<br />
Române, Filiala Iaşi, noiembrie 2003<br />
Ekoule A., Peyrin F., O<strong>de</strong>t C.(1991), “A triangulation algorithm from arbitrary shaped<br />
multiple planar contours”, ACM Trans. on Graphics, 10 (2), pp 182-189, April 1991.<br />
Fitzgibbon A., Pilu M. and Fisher R.B. (1999): “Direct Least Square Fitting of Ellipses”. IEEE<br />
Trans. on Pattern Analysis and machine Intelligence, Vol. 21(5), pp. 476-480.<br />
Gipp Markus, Guillermo Marcus, Nathalie Har<strong>de</strong>r, Apichat Suratanee, Karl Rohr, Rainer<br />
König, Reinhard Männer(2008), „Accelerating the Computation of Haralick’s Texture<br />
Features using Graphics Processing Units (GPUs)”, Proceedings of the World Congres son<br />
engineering WCE2008, Vol.1, July 2-4, London, U.K.
120 <strong>Cap</strong>. 4 <strong>Tehnici</strong> <strong>de</strong> <strong>procesare</strong> a <strong>imaginilor</strong> <strong>biomedicale</strong><br />
Haralick Robert M. (1979), “Statistical and structural approaches to texture”, Proc. IEEE, vol.<br />
67, no. 5, pp. 786-804, 1979.<br />
Haralick, R.M.; Shapiro, L.G.(2002), Computer and Robot Vision. Addison-Wesley, ISBN 0-<br />
201-56943-4, Vol.2, pp. 453-470, 2002.<br />
Hohne K.H., Bomans M., Pommert A., Riemer M., Schiers C., Wiebecke G.(1990), 3D<br />
technique of tomographic volume data using the generalized voxel mo<strong>de</strong>l, The visual<br />
computer, 6, pp. 28÷36, Springer-Verlag,.<br />
Mitra K. S. (2005) Digital Signal Processing, 3 nd edition, McGraw-Hill, ISBN: 0073048372.<br />
Pratt, W.K. (2007): "Digital Image Processing, PIKS Scientific Insi<strong>de</strong>”Fourth Edition, J. Wiley<br />
& Sons, Inc. New York, ISBN: 978-0-471-76777-0.<br />
Press H. W. , Teukolsky A. S., Vetterling T. W., Flannery P. B., Cambridge (2007) Numerical<br />
receips in C, The Art of Scientific Computind Third Edition, Camridge University Press,<br />
ISBN 978-0-521-88068-8, 2007.<br />
Rusu V., C. Ştefănescu, M. Rusu, M. Costin, D. Hountis (2003), Image Processing in<br />
Myocardial SPECT Acquisition, RMC SN Iaşi, 2003, Vol.107, 2, pp. 306 – 312.<br />
Sequeira J. (1987), “Modélisation interactive d’objets <strong>de</strong> forme complexe complexe a partir <strong>de</strong><br />
données hétérogenes”, Thése <strong>de</strong> doctorat d’Etat en Sciences, Besancon 1987.<br />
Ştefanescu C., M. Costin, M. Zbancioc (2006), Image Pre-processing Automatic Systems for<br />
Bonescan Metastasis Evaluation, Medico-Chirurgical Review of the Physicians and<br />
Naturalists Society, Rev. Med. Chir. Soc. Med. Nat. Iasi, (RMC-SMN), Vol. 110, Nr. 1, pp.<br />
178-186, (Internet, in PubMed), 2006.<br />
Ştefănescu C., V. Rusu, D. Boişteanu, M. Costin, A.K. Padhy, M. Zbancioc, D. Simion (2002)<br />
Could Be 99mTc MIBI an Earliest Imagistic Marker for The Pulmonary Tuberculosis<br />
Treatment Evaluation?, European Journal of Nuclear Medicine, 2002, 29, 1, S326, EANM<br />
Annual Congress, August 2002, Viena (pp.-532).<br />
Ştefănescu Cipriana, L. Boiculese, V. Rusu, Mihaela Costin, Elena Muşat, D. Hountis (2003),<br />
Cancer Evolution Assessment Using Artificial Neural Networks, Rev. Med.Chir. Soc. Nat.<br />
Iaşi, 2003, Vol. 107, 1, pp. 24 – 28.<br />
Tryciecky W.E., Gottschalk A., Lu<strong>de</strong>ma K. (1997), “Oncologic Imaging: Interactions of<br />
Nuclear Medicine with CT and MRI Using the Bone Scan as a Mo<strong>de</strong>l” in Seminars in<br />
Nuclear Medicine, Leonard M. Freeman and M. Donald Blaufox, Editors, The role of<br />
Nuclear Medicine in Oncological Diagnosis (Part 2), W.B. Saun<strong>de</strong>rs Company, A Division<br />
of Harcourt Brace & Company, pp 142÷152.<br />
Vertan Constantin, Ciuc Mihai (2007), <strong>Tehnici</strong> fundamentale <strong>de</strong> Prelucrarea şi Analiza<br />
Imaginilor, Editura Matrix rom, Bucureşti, ISBN 978-973-755-207-5, pp.214, 2007.<br />
Zbancioc Marius, Mihaela Costin, Cipriana Ştefănescu (2004), “Image Pre-Processing for a<br />
Medical Ai<strong>de</strong>-Decision System in Bone Scintigraphy”, vol. Intelligent Systems in Medicine,<br />
H.N. Teodorescu editor, pp. 101, 114, ed.Performantica, Iaşi, 2004, ISBN 973-7994-82-5 şi<br />
pe CD – Third European Conference on Intelligent Systems and Technologies ECIT'2004,<br />
21 - 23 July 2004, Iaşi, Romania, ECIT, 2004.