Professional Documents
Culture Documents
alapjai
2014. május 4.
Tartalomjegyzék
1 Bevezetés 5
1.1. Az orvosi képfeldolgozás . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2. Az orvosi digitális képfeldolgozás alapjai” cı́mű kurzus . . . . . . . . . 7
”
2 Az orvosi kép matematikai modellje 9
2.1. A képmátrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1.1. A 2D képmátrix szerkezete . . . . . . . . . . . . . . . . . . . . . . 10
2.1.2. A 3D képmátrix szerkezete . . . . . . . . . . . . . . . . . . . . . . 11
2.1.3. A 4D képmátrix szerkezete . . . . . . . . . . . . . . . . . . . . . . 11
2.2. A képmátrix geometriai tulajdonságai . . . . . . . . . . . . . . . . . . . . 11
2.2.1. Mintavételezési térrács . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.2. 2D mintavételezési térrács . . . . . . . . . . . . . . . . . . . . . . 12
2.2.3. 3D mintavételezési térrács . . . . . . . . . . . . . . . . . . . . . . 13
2.2.4. Koordinátarendszerek . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.5. Időben változó képi információ . . . . . . . . . . . . . . . . . . . 14
2.3. A képekben tárolt információ fizikai jelentése . . . . . . . . . . . . . . . 14
2.3.1. A vizsgált testrész fizikai vagy biológiai tulajdonságainak modellezése 14
2.3.2. Tomográfiás képmátrixok adatai . . . . . . . . . . . . . . . . . . . 15
2.3.3. Vetületi képekben tárolt adatok . . . . . . . . . . . . . . . . . . . 15
2.4. Mintavételezés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4.1. Interpoláció 1D-ben . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4.2. Interpoláció 2D-ben . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.3. Interpoláció 3D-ben . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3
Tartalomjegyzék
3.2.3. Alkalmazás . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2.4. A regionális analı́zis alkalmazása . . . . . . . . . . . . . . . . . . 22
4
1 Bevezetés
5
1 Bevezetés
mazása miatt számı́tógépeket már a 1970-es években használtak, de ekkor még nem
lehetett képfeldolgozásról beszélni. Ahhoz, hogy az orvosi képfeldolgozás, mint tu-
dományterület létrejöjjön, szükség volt még egy fontos eszköz, a képek megjelenı́tésére
alkalmas korszerű számı́tógépes grafika megjelenésére.
Az orvosi képek feldolgozása hamar túljutott azon a fázison, hogy csak zajszűrésre vagy
dinamikus vizsgálatsorozatok elemzésére használják. A rohamosan fejlődő információs
technológia eszköztára egyre nagyobb teret enged azoknak a képfeldolgozási módszereknek,
amelyek segı́tségével a rögzı́tett ún. primer képi adatokból az emberi szervezetben
lejátszódó folyamatok mind nagyobb részletességgel vizsgálhatók és a különböző képalkotási
eljárások tetszőlegesen kombinálhatók (diffúziós képalkotás, agyi hálózatok vizsgálata).
A számı́tógépek sebességnövekedése lehetővé tette, hogy az orvosi képfeldolgozás nyújtotta
lehetőségek ma már valós időben, azaz műtét közben is a sebészek rendelkezésre álljanak
(neuronavigáció). A kifinomult matematikai, statisztikai módszerek alkalmazásával a kis
dózisban beadott gyógyszerek komolyabb kockázat nélkül vizsgálhatók (0-fázisú kı́sérletek),
ı́gy a gyógyszer-molekula fejlesztési ideje lerövidı́thető. A kis látóterű, jó térbeli feloldású
eszközök segı́tségével az alap- és gyógyszerkutatás olyan módszereket adott a kutatók
kezébe, amivel a terápiás és a diagnosztikai molekulák fejlesztése felgyorsı́tható (prekli-
nikai kutatás módszerei).
Napjainkban a korszerű leképező eszközök mellett korszerű képfeldolgozó munkahe-
lyeket használnak a képek utólagos feldolgozására. A képfeldolgozó programok száma
folyamatosan növekszik, mivel ilyen tı́pusú programot nem csak a diagnosztikai beren-
dezéseket gyártó cégek, hanem egyetemi, akadémiai kutatóhelyek is fejlesztenek, sőt
publikusan elérhetővé is tesznek. A nyı́lt forráskódú szoftverfejlesztés ı́gy tovább bővı́ti
azoknak a módszereknek a körét, amelyek az orvosi képek feldolgozásában hasznosnak
bizonyulnak. Ez az önmagát gerjesztő fejlődés folyamatos kihı́vást jelent a képalkotó
laboratóriumban dolgozó szakemberek számára.
6
1.2 Az orvosi digitális képfeldolgozás alapjai” cı́mű kurzus
”
7
2 Az orvosi kép matematikai modellje
Egy orvosi képhez sok információ kapcsolódik:
• a kép vagy a képsorozat milyen testrészről (pl. koponya, szı́v) milyen időzı́téssel
(pl. 5 perc adatgyűjtés, vagy több 1 perces felvételsorozat) készült,
Ezen kı́vül minden orvosi vizsgálat képanyaga tartalmaz olyan információt, amivel a
beteg, a vizsgálati protokoll, a vizsgálat körülményei és a leképező eszköz beazonosı́tható.
A képmodell kialakı́tása során az ilyen tı́pusú adatokat meta-információként” kezeljük:
”
ezek csak közvetett módon befolyásolják a képfeldolgozás folyamatát.
Ennek megfelelően egy, az orvosi képek leı́rására szolgáló modellnek az alábbi in-
formációt kell tartalmaznia:
5. betegadatokat
9
2 Az orvosi kép matematikai modellje
2.1. A képmátrix
Az orvosi képek és képsorozatok képelemekből állnak. A leképezés-technika korai sza-
kaszában a képek mindig 2D (két dimenziós) vetületi (pl. gammakamera) vagy metszeti
(pl. CT) képek voltak. A detektálási és a képrekonstrukciós módszerek fejlődése azon-
ban elérhetővé tette azt, hogy egy mérésből egyből egy ún. 3D (három dimenziós)
adathalmazt hozzanak létre (pl. MRI 3D adatgyűjtés, PET 3D képrekonstrukció). Így a
tomográfiás felvételek 3D képanyaga származhat több 2D képrekonstrukciós eljárás során
előállı́tott 2D képek sorozatából (T2 MRI, 2D PET rekonstrukció), de előállhat egyet-
len 3D rekonstrukciós eljárás eredményeként is. Ez utóbbi esetben a 3D adathalmazt
2D képek sorozatára lehet bontani. A feldolgozás és a képek matematikai modelljének
felállı́tása során a tomográfiás felvételek képanyagát mindig 3D adathalmaznak tekintjük,
azaz nem különböztetjük meg a 2D, vagy a 3D módszerrel előállı́tott képanyagokat.
Az orvosi képek mindig valamely testrészről, vagy a leképező berendezés látóterébe
helyezett fantomról készülnek, ennek megfelelően elvárás, hogy a képfeldolgozás során
az egyes metszeti sı́kokhoz, a képelemekhez vagy a képelemek egy halmozáshoz geo-
metriai információt rendeljünk. Ezt úgy lehet elérni, hogy a képeket egy ún. világ koor-
dinátarendszerben helyezzük el, és ı́gy biztosı́tjuk, hogy a képeken távolsághoz, területhez
vagy térfogathoz kapcsolódó méréseket végezhessünk.
Egy képet vagy a tomográfiás képsorozat 3D adathalmazát képelemek rendezett hal-
mazaként kezeljük, ami 2D esetben négyszögbe, 3D esetben téglatestbe történő rendezést
jelent. Erre az elrendezésre utal a képmátrix fogalom is, amelyet szoktak használni 2D és
3D esetre is. Ezekben az esetekben a képelemeket 2D-s vagy 3D-s egységeknek képzeljük
el, azaz elemi téglalapként (pixel ) vagy téglatestként (voxel ) modellezzük. ( Ábra. 2D
képmátrix, 3D képmátrix ). Léteznek ettől eltérő modellek is: pl. 2D esetben az
optimális szomszédsági viszonyok miatt a négyszögek helyett hatszögekkel is szoktak
képmátrixot definiálni. (Ld. később a mintavételezésnél).
10
2.2 A képmátrix geometriai tulajdonságai
11
2 Az orvosi kép matematikai modellje
határozása fontos feladat, ı́gy ezt részletesen egy külön alfejezetben tárgyaljuk. Amennyi-
ben külön nem emlı́tjük a világ koordinátrendszerrel és a test kapcsolatával az alábbi
feltételezéssekkel élünk:
4. az időt pedig monoton növekvő (pl. fMRI) vagy periodikus (kapuzott szı́vvizsgálat)
paraméternek tekintjük.
1. pontok száma: Nx , Ny
2. pontok távolsága: dx , dy
12
2.2 A képmátrix geometriai tulajdonságai
x = x0 + i · d x , i = 0 . . . Nx − 1 (2.2.1)
y = y 0 + j · dy , j = 0 . . . Ny − 1 (2.2.2)
1. pontok száma: Nx , Ny , Nz
2. pontok távolsága: dx , dy , dz
x = x0 + i · d x , i = 0 . . . Nx − 1 (2.2.3)
y = y 0 + j · dy , j = 0 . . . Ny − 1 (2.2.4)
z = z0 + j · dz , k = 0 . . . Nz − 1 (2.2.5)
2.2.4. Koordinátarendszerek
Világ-koordintarendszernek nevezzük a vizsgálati személyhez kötöttjobb-sodrású koor-
dinátarendszert. Ennek kijelöléséhez definiálni kell a 3D koordinátarendszer egyes ten-
gelyeinek és az emberi test egyes irányainak kapcsolatát.
A képfeldolgozás szempontjából a koordinátarendszerrel szemben egyetlen kritikus
szempontot kell szem előtt tartani: minden esetben ismerni kell, hogy a képen meg-
jelölt irányok a vizsgált személy testével milyen kapcsolatban vannak. Ennek hiánya pl.
a bal/jobb irányok felcseréléhez vezet.
13
2 Az orvosi kép matematikai modellje
• azonos időtartamú, egymást követő mérések esetében három paraméterre van szükség:
t0 , dt és Nt , ahol t0 az első mérés időpontja, dt a mérések időtartama és Nt a mérések
száma. A mértékegység általában másodperc. Ebben az esetben egy képmátrix
idejét a t = t0 + l · dt összefüggéssel határozhatjuk meg, ahol l = 0 . . . Nt − 1 a
képmátrix indexe.
14
2.3 A képekben tárolt információ fizikai jelentése
Tomográfiás képek esetében azt feltételezzük, hogy a térrács pontjaihoz rendelt számszerű
értékek (a képmátrix elemei) mintavételezéssel lettek meghatározva, függetlenül attól,
hogy a képek a valóságban milyen összetett, képrekonstrukciós és korrekciós eljárásokkal
készültek. Mivel minden leképezés zajjal terhelt, ezért azt is fel kell tételezni, hogy min-
tavételezéskor nem a pontos eloszlásértéket, hanem ennek egy zajjal torzı́tott értékét
tudjuk csak meghatározni. Fontos megjegyezni, hogy ez nem a képalkotás, hanem a
kép modellje. A képalkotás folyamatát általában ennél sokkal összetettebb eljárások soro-
zatával lehet csak leı́rni.
Példa: egy 15 szeletből álló 128x128-as képmátrixokat tartalmazó FDG-PET kopo-
nyavizsgálat alapján azt lehet megtudni, hogy az agyszövetek egyes pontjában mennyi
volt a kép készı́tésekor a radioaktivitás koncentráció. Ez esetben nem foglalkozunk azzal,
hogy ezt milyen módon határoztuk meg, hanem feltételezzük, hogy van egy eszközünk
(a PET-kamera), amely segı́tségével egy 15x128x128-as 3D térrács pontjai mentén, bizo-
nyos hibával ugyan, de meg tudjuk határozni a kamera látóterében elhelyezett (vizsgálati
személy szöveteiben akkumulálódott) radioaktivitás koncentrációt.
A vetületi képek esetében a képelem tartalmakat nem egy térrács pontjai mentén is
végzett mintavételezéssel modellezzük. Ez esetben azt feltételezzük, hogy a képelemekhez
rendelt számértékek a 2D térrács pontjaiból induló, a folyamatos 3D eloszláson átmenő
egyenesek mentén végzett összegzéssel lettek meghatározva. Ez a modell sokkal jobban
hasonlı́t a leképezés folyamatához, hiszen a vetületi képek keletkezését hasonló módon
lehet leı́rni. Ebből a megközelı́tésből az is következik, hogy a vetületi képek mindig két
dimenziósak.
15
2 Az orvosi kép matematikai modellje
2.4. Mintavételezés
A digitális kép modelljében feltételezzük, hogy a képi információt egy térrács pont-
jai mentén végzett mintavételezéssel határoztuk meg. Ez valójában azt jelenti, hogy a
valós térben egy folytonos eloszlású fizikai vagy biológiai mennyiséget (pl. radioaktivitás
koncentráció) diszkrét helyeken mérünk meg, azaz a valódi objektum jellemzőit diszk-
retizáljuk. Tehát képi adatok a folyamatos eloszlásról csak bizonyos pontokban adnak
információt. Ahhoz, hogy olyan helyeken is tudjunk mérési adatokkal számolni, ahol
nem történt mintavételezés speciális technikára, az ún. interpolációs technikára van
szükségünk. Ezekkel a módszerekkel ui. a tér bármely pontjában megbecsülhetőek a
nem ismert értékek is. Egy interpolációs eljárással egy térbeli pontban tudunk becslést
adni a vizsgált paraméterről. Ahhoz, hogy a képet transzformáljuk, vagy a rácsméretet
változtassuk, szükség van az interpoláció többszörös ismétlésére, amit a kép újra min-
tavételezésének is tekinthetünk.
Elterjedt interpolációs módszerek:
• lineáris,
(
yi ha x − xi ≤ xi+1 − x
f (x) ∼
yi+1 ha xi+1 − x < x − xi
16
2.4 Mintavételezés
x − xi
f (x) ∼ yi + (yi+1 − yi )
xi+1 − xi
• A legközelebbi szomszéd alapú módszer esetén azon térrácsbeli pontban mért értéket
választjuk, amelyikhez a legközelebb esik a P pont.
• A legközelebbi szomszéd alapú módszer esetén azon térrácsbeli pontban mért értéket
választjuk, amelyikhez a legközelebb esik a P pont.
17
2 Az orvosi kép matematikai modellje
18
3 Kép- és régióanalı́zis
3.1. Képelemhalmazok
A képfeldolgozás során nem mindig a teljes képre vagyunk kı́váncsiak. Pl. egy vese-
szintigráfia esetén ami érdekel minket, az a két veséhez köthető terület, valamint egy
ún. háttérterület. Azaz a kép számunkra érdekes részletet valamilyen módon meg kell
jelölni, ki kell emelni.
A kijelölés többféle módon történhet: lehet összefüggő területeket körberajzolni, az
egyes képelemeket meg lehet valamilyen módon jelölni. A jelölés, körberajzolás történhet
manuálisan vagy automatikus szoftverrel. A módszertől függetlenül minden kijelölés
célja: a képelemek egyes részhalmazaink megjelölése, kiemelése. A részhalmazok ezután
kapcsolhatók egyes szervekhez, háttérhez annak függvényében, hogy a kijelölés célja mi
volt.
Képelem-részhalmazok szempontjából három különböző halmaztı́pust különböztetünk
meg:
• egy vagy több összefüggő területtel kijelölt régió (2D) vagy térfogat (3D)
19
3 Kép- és régióanalı́zis
Ugyanez 3D-ben:
2. 26-os szomszédok : lap, él és csúsz mentén kapcsolódó képelemek halmaza.
20
3.2 A képelemértékek statisztikai vizsgálata
• régiónövelés
Fontos szabály, hogy egy ROI nem feltétlenül egyetlen összefüggő területet jelöl. Éppen
ezért a ROI-khoz szı́neket és nevet rendelnek: az azonos ROI-hoz tartozó polygonok
bárhol is helyezkednek el azonos szı́nűek.
A VOI kialakı́tása több metszeten kijelölt ROI sorozatok segı́tségével lehetséges.
• hisztogram alapján
• átlag
• szórás
21
3 Kép- és régióanalı́zis
Regionális statisztikai jellemzőkről akkor beszélünk, ha a kép egy ROI-val vagy VOI-
val kijelölt részhalmazában lévő képelemeket használjuk a statisztikai paraméterek
meghatározásához.
3.2.3. Alkalmazás
A hisztogram analı́zis fontosabb alkalmazási területei:
• háttér-vágás
22
4 Szűrés és simı́tás
A képelemekben tárolt mért adatok általában hibával terheltek, azaz az orvosi képek
”zajosak”. Az egyik leggyakrabban használt képfeldolgozási eljárás ennek a zajnak a
felmérése ill. csökkentése. Tekintettel arra, hogy a zaj-karakterisztikák analı́zise és a
zaj csökkentése egy nagyon szerteágazó feladat, ebben a kurzusban csak az elemi szűrő
módszerekkel ismerkedünk meg.
A képszűrésre használt algoritmusokat két csoportba sorolhatjuk:
23
4 Szűrés és simı́tás
• medián szűrés: a szűrt kép képeleme az eredeti kép környezetének mediánja lesz.
• lineáris szűrés: a szűrt kép képeleme az eredeti kép környezetének átlaga lesz.
24