Алгоритм обработки магнитно-резонансных ангиографических
advertisement
Научные исследования Тузиков А.В., Санько Д.В., Ситник Г.Д., Устимов В.М., Антоненко А.И. Объединенный институт проблем информатики НАН Беларуси Белорусский государственный университет ГУ РНПЦ неврологии и нейрохирургии МЗ РБ 5-я клиническая больница, г. Минск Алгоритм обработки магнитно-резонансных ангиографических изображений сосудистой системы головного мозга Современная магнитно-резонансная томография (МРТ) является одним из ведущих методов неинвазивной диагностики. Явление магнитного резонанса (МР) впервые стало использоваться для исследования человеческого тела с 70-х годов прошлого столетия. Этот метод медицинской визуализации продолжает развиваться и в настоящее время. МРТ с успехом применяется практически во всех областях медицины, она превратилась в целую отрасль медицинской диагностики, дополняющую традиционные методы современных инструментальных исследований. Развитие МРТ продолжается, ведутся работы по совершенствованию методик МР-ангиографии (МРА), получению и реконструкции трехмерного изображения. Разрабатываются новые алгоритмы и программные приложения для обработки томографических изображений, предоставляющие врачам новые возможности в диагностике различных заболеваний, в том числе связанных с деятельностью сосудистой системы головного мозга [1]. Обработка изображений Современные томографические сканеры позволяют получить трехмерные цифровые изображения головного мозга с высоким разрешением. Такие изображения состоят из вокселов (трехмерных точек) различных уровней яркости, соответствующих различным объектам головного мозга. Само изображение обычно хранится в виде последовательности двумерных слоев. Типичное структурное строение сосудистой системы является многоуровневым. Количество разветвлений в нем исчисляется тысячами. Для детального изучения всей сосудистой системы в целом, начиная от аорты и заканчивая мелкими артериями, «Неврология и нейрохирургия в Беларуси» № 3 (03), 2009 Методики МРА в достаточной степени информативны при визуализации сонных, вертебральных, внутримозговых артерий, выявлении стенозов, окклюзий, аневризм сосудов головного мозга, артерио-венозных мальформаций, определении взаимоотношений объемных образований головного мозга с магистральными сосудами. 143 Алгоритм обработки магнитно-резонансных ангиографических изображений сосудистой системы головного мозга для исследования принципов функционирования сосудистой системы головного мозга и механизмов перемещения крови в сосудах необходимо вычислить количественные и статистические характеристики. Ручная обработка такого изображения требует длительной работы. Большой размер изображений и сложность такой работы делают использование ручного подхода неэффективным для практического применения. Автоматические методы обработки позволяют быстро и эффективно извлечь необходимую информацию. Программное приложение, предлагаемое в данной работе, позволяет вычислить характеристики сосудистой системы головного мозга по трехмерному МРА-изображению. В нем реализованы алгоритмы, обеспечивающие высокую скорость обработки изображений. Процесс обработки состоит из нескольких этапов: 1. Сегментация позволяет определить вокселы, являющиеся элементами сосудистой системы. Более 95% вокселов изображения не принадлежат сосудистой системе. Они являются элементами других объектов головного мозга. Процедура сегментации выделяет вокселы сосудистой структуры, перекрашивая остальные точки в цвет фона. Однако не существует четких границ яркости вокселов, принадлежащих сосудистой системе головного мозга. В одном случае воксел определенной яркости может принадлежать сосудам системы, а в другом – воксел с этой же яркостью не следует причислять к элементам системы. Кроме того, важно учитывать структуру сосудистой системы как связанного объекта. Поэтому на этапе сегментации изображения необходимо применять специальные алгоритмы, учитывающие вышеперечисленные особенности обрабатываемого объекта. 2. Сглаживание. После сегментации объект может содержать внутренние пустоты, а его поверхность может получиться рыхлой, с большим количеством неглубоких ямок и выступов. Это связано с тем, что на этапе сегментации некоторые вокселы могли быть ошибочно отнесены либо не отнесены к элементам выделяемого объекта. Данный этап позволяет избавиться от таких особенностей путем заполнения дыр и сглаживания поверхности, делая объект цельным. К процедуре сглаживания нужно относиться осторожно, чтобы не потерять важных особенностей обрабатываемого объекта. 3. Скелетизация. Скелет обычно содержит намного меньше точек, чем само изображение, сохраняя при этом топологические и геометрические характеристики объекта. 4. Вычисление характеристик. Воксельный скелет преобразовывается в компактную графовую модель. Графовое представление скелета сосудистой системы – это множество деревьев. Узлами деревьев являются соответствующие разветвления в сосудистой системе. Каждый узел хранит информацию о ветвях в виде упорядоченного списка точек скелета. Разрабатываемая интерактивная навигационная система позволяет исследовать полученные данные. Программное приложение использует исходные данные томографического изображения и таблицу характеристик структурного строения сосудистой системы, полученную с помощью вышеописанной схемы. Система визуализации предназначена для интерактивного изучения особенностей строения сосудистой системы головного мозга. 144 Научные исследования Сегментация изображения Процедура сегментации строит ангиографическую картину сосудистой системы, обрабатывая трехмерные МРА-изображения. Сложность этой процедуры заключается в том, что не существует точных значений яркости вокселов, относящихся к сосудистой системе. Кроме того, из-за больших размеров изображения алгоритм должен эффективно использовать память компьютера. При этом в процессе сегментации должна учитываться связанность различных частей выделяемого объекта. Алгоритм, предложенный в [4], включает два этапа: извлечение областей в каждом слое изображения и слияние этих областей, находящихся в соседних слоях, в трехмерные области. Такой подход позволяет осуществить сегментацию за один просмотр изображения. В каждом слое сначала проводится поиск точек роста, удовлетворяющих определенным критериям. Затем из этих точек роста формируются области путем рекурсивного добавления соседних точек. При этом учитывается, что объекты могут иметь различные формы и расти в произвольных направлениях. Алгоритм просматривает один раз трехмерное изображение слой за слоем. Для этого требуется только одна копия изображения и небольшой объем рабочего буфера. Преимуществом этого алгоритма является то, что на этапе выделения областей для каждого воксела просматриваются его соседи, находящиеся в том же слое, что и текущий воксел, и не проверяются соседи в верхнем и нижнем слоях. Это значительно сокращает время работы алгоритма, особенно для больших изображений. Алгоритм позволяет выделять достаточно большие по размеру кластеры, удаляя слишком малые при помощи ограничительных параметров. Кроме того, специальный параметр позволяет добавлять к области только те вокселы, которые достаточно близки по яркости к точкам самой области. Алгоритм может работать как в полуавтоматическом режиме, когда входные параметры задаются вручную, так и в автоматическом, когда специальная процедура вычисляет входные параметры для алгоритма сегментации. Для автоматического определения диапазонов яркости точек роста и допустимой яркости точек сосудистой системы был разработан и реализован специальный алгоритм [3]. Он основан на том, что точки сосудистой системы в МРА-изображениях имеют большую яркость, чем другие объекты головного мозга. Второе свойство, используемое в этом алгоритме, – ограничение на относительный объем сосудистой системы. Поэтому алгоритм автоматически определяет начальные параметры на основе анализы гистограммы интенсивностей вокселов изображения. Сглаживание изображений Процесс сглаживания состоит из двух этапов. Сначала удаляются полости внутри объекта. На втором этапе удаляются впадины на поверхности сегментированного объекта. Для удаления полостей изображение послойно просматривается и найденные дыры заливаются. Выполнение этой процедуры для каждого слоя изображения удаляет трехмерные пустоты. Метод удаления замкнутых полостей в двумерных сечениях объекта использует информацию об изображении, накоплен«Неврология и нейрохирургия в Беларуси» № 3 (03), 2009 145 Алгоритм обработки магнитно-резонансных ангиографических изображений сосудистой системы головного мозга ную на предыдущих этапах работы алгоритма сегментации. Поэтому удаление полостей происходит быстро, практически незаметно на фоне других этапов. Для сглаживания поверхности объектов используется специально разработанный быстрый алгоритм трехмерного замыкания. Разбиение кубического структурирующего элемента на составные части, применение специальной таблицы, обработка трехмерного изображения по слоям позволяют существенно снизить время работы алгоритма. Скелетизация изображений Скелет является одной из форм компактного представления объектов изображения. Скелет сохраняет достаточно информации об объекте, его размере, ориентации, форме, симметрии, связанности. Реализованный в приложении алгоритм строит тонкий скелет – среднюю линию – объектов трехмерных бинарных изображений. Этот алгоритм предложен в [2]. Процедура построения скелета является итерационной. Итерации выполняются до тех пор, пока не будет построен скелет. Итерация состоит из шести просмотров изображения в различных направлениях. Во время просмотра изображения удаляются точки скелетизируемого объекта, удовлетворяющие определенным условиям. Эти условия задаются в виде множества шаблонов, соответствующих различным комбинациям расположения соседних точек. Для быстрого выявлении таких комбинаций используется таблица просмотра. Эта таблица не зависит от обрабатываемого изображения и является частью алгоритма. Для создания такой таблицы была разработана процедура ее заполнения. Разработанный и реализованный менеджер слоев позволяет повысить эффективность работы программы. Это достигается за счет того, что изображение просматривается послойно. Менеджер слоев отслеживает, в каких слоях изображения скелет был полностью извлечен, то есть такие слои больше не нуждаются в просмотре. Поэтому алгоритм работает только с теми слоями, где скелет еще не построен. Эта оптимизация особенно заметна при скелетизации многослойных изображений. Следует отметить, что описанный выше алгоритм чувствителен к различным артефактам объекта: полостям внутри и впадинам на поверхности. Этим объясняется необходимость предварительного сглаживания объектов. Вычисление характеристик сосудистой системы Характеристики вычисляются на основе извлеченного структурного строения сосудистой системы и его скелета. Для этого воксельное представление скелета конвертируется в компактную графовую модель. Построенный граф представляет собой дерево либо набор деревьев. Узлы дерева соответствуют разветвлениям сосудов. В каждом узле содержится массив точек, задающих ветвь дерева, указатель на родителя и массив указателей на детей. Для каждой ветви дерева вычисляются следующие характеристики: длина ветви, площади поперечных сечений и объем [1, 2]. Длина ветви определяется как количество точек скелета, содержащихся в данной ветви. Площадь сечения вычисляется для каж- 146 Научные исследования дой точки скелета в плоскости, ортогональной скелету, при этом скелет интерполируется сплайновой кривой. Интерактивная навигационная система Для исследования характеристик структурного строения сосудистой системы разработана программа визуализации. Программное приложение написано с использованием библиотек OpenGL и GLUT. Оно может работать в операционных системах Linux и Windows. Программное приложение использует исходные данные томографического изображения и таблицу характеристик ангиографической картины сосудов, полученную с помощью вышеописанных алгоритмов. Программа отображает данные в нескольких окнах. В главном окне отображается сосудистая структура либо в виде скелетного представления, либо в виде изображения поверхностных сосудов. С помощью мыши или клавиатуры можно просматривать сосудистую структуру с разных сторон, приближать и отдалять ее. Кроме того, с помощью мыши можно выбрать любую ветвь структуры для более детального просмотра. Специальное окно позволяет исследовать выбранную ветвь системы. Для активной точки ветки прорисовывается плоскость, в которой была вычислена площадь сечения. Диаграмму изменения площади поперечных сечений для каждой точки ветви можно просматривать в третьем окне. Четвертое окно отображает три двумерных ортогональных слоя исходного томографического изображения, а также плоскость сечения исходного изображения в активной точке. Разработанное приложение предоставляет специалистам новые возможности по исследованию кровеносной системы на основе анализа МРА-изображений. Оно позволяет не просто визуализировать соответствующие проекции изображения, а получить трехмерную модель сосудистой системы и обеспечить навигацию по этой модели. Наличие трехмерного представления является основой для моделирования кровотока и связанных с ним эффектов. ЛИТЕРАТУРА 1. Тузиков А.В., Санько Д.В., Ситник Г.Д., Информационные технологии медицины: анализ сосудистой системы мозга по магнитно-резонансным ангиографическим изображениям. // Наука и инновации. – 2004. – № 9. – С. 60–65. 2. Шейнин С.А., Тузиков А.В., Васильев П.В. Вычисление объема трехмерного объекта по непараллельным сечениям // Доклады НАН Беларуси. – 2002. – Т. 46. – Вып. 6. – С. 32–34. 3. Sanko D.V., Tuzikov A.V., Vasiliev P.V. Vascular Tree Characteristic Table Building From 3D MR Brain Angiography Images. // In proceeding MS 2004. – P. 173–177. 4. Wan S.-Y., Kiraly A.P., Ritman E.L., Higgins W.E. Extraction of the Hepatic Vasculature in Rats Using 3-D Micro-CT Images // IEEE Transactions On Medical Imaging 2000. – V. 19, в. 9. – P. 965–971. «Неврология и нейрохирургия в Беларуси» № 3 (03), 2009 147
