Az orvosi digitális képfeldolgozás

alapjai

Dr. Emri Miklós

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 Kép- és régióanalı́zis 19

3.1. Képelemhalmazok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.1.1. Szomszédsági halmazok . . . . . . . . . . . . . . . . . . . . . . . . 19
3.1.2. Kiválasztott képelemek halmaza (ROI/VOI) . . . . . . . . . . . . 20
3.1.3. Képelem környezete . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2. A képelemértékek statisztikai vizsgálata . . . . . . . . . . . . . . . . . . . 21
3.2.1. Lokális, globális és regionális statisztikai adatok . . . . . . . . . . 22
3.2.2. Hisztogram analı́zis . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3
Tartalomjegyzék

3.2.3. Alkalmazás . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2.4. A regionális analı́zis alkalmazása . . . . . . . . . . . . . . . . . . 22

4 Szűrés és simı́tás 23

4.1. Szűrés képtérben . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

4
1 Bevezetés

A XX. században a természet- és a mérnöki tudományok területén végbement jelentős

fejlődésnek köszönhetően teljesen új eszközök és módszerek jelentek meg az orvostu-
domány és ezen belül a diagnosztikai képalkotás területén. Mı́g a század elején - Rönt-
gen felfedezése révén - csak” a Röntgen-sugárzást tudták orvosi képek előállı́tására fel-
”
használni, a század végére már a radioaktivitás (gammakamera, PET, SPECT), az anyag
és az elektormágneses tér kölcsönhatása (MRI), a fény (lézer, NIR) és a hang (UH) al-
kalmazása is jelentős szerepet kapott az emberi testről készı́tett felvételek előállı́tásában.
A morfológiai képalkotás (pl. röntgen) mellett megjelentek azok a kémiai jelölő anya-
gokat (radiofarmakon, kontraszt- anyag) alkalmazó eljárások, amelyek segı́tségével az
ún. funkcionális képalkotás, azaz a szervezetben lejátszódó biokémiai folyamatok képi
megjelenı́tése is lehetővé vált (pl. izotópos vizsgálat).
Az informatika rohamos fejlődése biztosı́totta, hogy a vetületi (projekciós) képek után
az orvosok számára lehetőség nyı́ljon a metszeti (tomográfiás) felvételek alkalmazására
is a diagnózis felállı́tása során. Ezt a tomográfiás technológiát alkalmazni lehetett
morfológiai (CT, MRI) és funkcionális képek (SPECT, PET) készı́tésére is, először
csak különálló, azaz különböző helyen üzemeltetett berendezésekkel végzett leképezés
eredményeként. A funkcionális képalkotással vizsgált elváltozások helyének pontos anatómiai
lokalizációját oldották meg az ún. hibrid berendezések. Ezekkel a morfológiát és a
funkciót már együtt, pontosabban egy-fekvésben végzett képalkotás segı́tségével (PET/CT,
SPECT/CT) vizsgálhatták. Az egy idejű hibrid leképezés technológiájának kidolgozását
- amikor a szervezetről egyidőben készül két különböző információtartalmú kép - a XXI.
század mérnökeinek kell majd megoldani (PET/MRI).
A orvos-diagnosztikai leképező eszközök valamely fizikai jelenség mérése alapján működnek
(pl. izotóp bomlások számának rögzı́tése). A mérés statisztikus jellege és a képalkotásra
rendelkezésre álló idő miatt a keletkezett képek mindig mérési hibával, azaz zajjal terhel-
tek. Fokozottan zajos képek keletkeznek, amikor nem egy statikus állapotot, hanem egy
folyamatot kell vizsgálni ún. dinamikus vizsgálat - több rövid expozı́ciós idejű, egymás
után következő képsorozat - segı́tségével (pl. renográfia, fMRI). A mérési zaj utólagos
korrekciójára és a dinamikus vizsgálatok használatára csak akkor nyı́lt lehetőség, ami-
kor a matematikai és statisztikai módszerek alkalmazhatóvá váltak egy számı́tógépben
tárolt képi információ feldolgozására, azaz amikor lehetőség nyı́lt az orvosi képek fel-
dolgozására. A metszeti képek előállı́tásához használt képrekonstrukciós eljárások alkal-

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.

1.1. Az orvosi képfeldolgozás

Az orvosi kép gyűjtőfogalom, mivel ide sorolhatunk minden olyan képi információt, ame-
lyet diagnosztikai vagy kutatási céllal készı́tettek. Ilyenek pl. egy röntgen felvétel, egy
izotópdiagnosztikai vizsgálat képanyaga, egy CT-vel készı́tett koponyavizsgálat képei,
egy szöveti metszetről készı́tett mikroszkópos felvétel, a szem belsejéről azaz a retináról
készı́tett kép, egy ultrahangos vizsgálat után kinyomtatott kép, vagy a szı́v mozgásáról
készı́tett ún. EKG-kapuzott MRI vizsgálat képanyaga. Hasonlóan gyűjtőfogalomnak
tekinthető a képfeldolgozás szó is, hiszen a képek feldolgozását jelentheti egy egyszerű
matematikai művelet, mint pl. egy zajszűrő algoritmus használata, ugyanúgy, mint a
funkcionális MRI képsorozatok nagyon összetett feldolgozási folyamata. Ebből követ-

6
 1.2 Az orvosi digitális képfeldolgozás alapjai” cı́mű kurzus
”

kezik, hogy az orvosi képfeldolgozás szerteágazó tevékenységek sorozatát jelentheti, ı́gy

az egységes tárgyalása első közelı́tésre nehéz feladatnak tűnik. Ahhoz, hogy ezt a fo-
galmat egy jól körülı́rható problémakörre lehessen szűkı́teni, mindenképpen szükséges
a képtı́pusok halmazának pontosabb körülı́rása és a képfeldolgozás fogalmának pon-
tosı́tása.
A képtı́pusok körét a legegyszerűbben úgy lehet szűkı́teni, ha az előállı́tásukhoz használt
berendezések körét pontosı́tjuk: e jegyzet keretében csak azokkal a képekkel foglalkozunk,
amelyek a nukleáris medicina és a radiológia képalkotó berendezéseivel, digitális technika
alkalmazásával készültek. A képfeldolgozás fogalomkörét pedig csak az alapfogalmak
és alapműveletek bevezetésére korlátozzuk, nem tárgyaljuk a kép előállı́tásának folya-
matát, ı́gy feldolgozás” fogalom alatt a már elkészı́tett képen végrehajtott műveleteket
”
értjük. Ennek megfelelően ebben a jegyzetben csak gammakamera, SPECT, PET, di-
gitális röntgen, CT, MRI és UH berendezésekkel készı́tett képek és képsorozatok utólagos
feldolgozása során használt eljárásokkal foglalkozunk.
Nem lehet képfeldolgozásról beszélni a képfeldolgozó programok emlı́tése nélkül. E
programok tudása, alkalmazhatósága is rendkı́vül változatos képet mutat: léteznek na-
gyon egyszerű, kevés eszköztárral rendelkező, de mégis hasznos programok ugyanúgy,
mint bonyolult, sokféle feladat elvégzését támogató összetett programok. Az orvosi
leképezéstechnika- és a képfeldolgozás módszertana folyamatosan változik. Ennek a
változásnak a követése és a különböző képfeldolgozó rendszerek használatának elsajátı́tása
elképzelhetetlen az orvosi kép” és az orvosi képfeldolgozás” fogalmak mögött húzódó
” ”
fizikai- és orvosbiológiai folyamatok, valamint matematikai modellek és módszerek isme-
rete nélkül.

1.2. Az orvosi digitális képfeldolgozás alapjai” cı́mű

”
kurzus
Az előző fejezetben felvázolt gondolatsor alapján a kurzus pontos cı́me az alábbi lehetne:
A nukleáris medicina és a radiológia digitális képanyagának utólagos feldolgozása során
”
használt alapvető matematikai módszerek megismerése”. Természetesen a bemutatott
fogalmak, eljárások részben módosı́tás nélkül, bizonyos esetekben kisebb, más esetekben
komolyabb módosı́tások után érvényesek lehetnek az általános értelemben vett orvosi
”
képfeldolgozás” és a ”digitális képfeldolgozás” területén is. Erre majd az egyes területek
tárgyalása során fogunk példát találni.
Az elméleti tananyag elsajátı́tását ellenőrző kérdések és tesztek segı́tik, mı́g a gya-
korlatban használt módszerek megismeréséhez szabadon letölthető program, valamint az
ehhez kapcsolódó demonstrációs adat és dokumentáció használható.

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,

• hogyan rendelhetünk geometriai információt az egyes képletekhez (méret, távolság,

oldaliság)

• a képi adatok milyen fizikai (pl. a röntgensugárzás elnyelési együtthatója) vagy

biológiai mennyiséget (receptor sűrűség) jelentenek.

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:

1. képmátrix szerkezeti felépı́tését (dimenzió, mátrixméret),

2. a képmátrix geometria tulajdonságait (mintavételezési térrács adatai)

3. a képmátrixban tárolt adatok jelentését, mértékegységét

4. a leképezés idejével, hosszával kapcsolatos paramétereket

5. betegadatokat

6. a képalkotó eszköz adatait

7. egyéb, a képek keletkezésének módját (pl. vizsgálati protokoll) leı́ró adatokat

A képfeldolgozás folyamata szempontjából azonban csak az első 4 pontban felsorolt in-

formációra van szükségünk, ı́gy ezek kezelésére bevezetjük a képmátrix és mintavételezési
térrács fogalmát, melyek segı́tségével az orvosi kép matematikai modellje épı́thető fel.

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).

2.1.1. A 2D képmátrix szerkezete

2D esetben a képmátrixot két számmal, a sorok és az oszlopok számával jellemezzük és
Ny , ill. Nx -el jelöljük a képmátrix méretét pedig az Ny × Nx számokkal definiáljuk. Pl.
128x128 egy 128 sorból, soronként 128 képelemből álló képmátrixot, a 4x7 egy 4 sorból,
soronként 7 képelemből álló képmátrixot jelöl. A sorok és oszlopok sorszámozását 0-val
kezdjük, ı́gy a legmagasabb sor- és oszlopindex Ny − 1 ill. Nx − 1. Megegyezés szerint
a sorok és oszlopok számozását a bal alsó sarokban lévő képelemnél kezdjük. A sorok,
oszlopok és képelemek jelölése:

10
 2.2 A képmátrix geometriai tulajdonságai

sorindex : j = 0, ... Ny − 1 (2.1.1)

oszlopindex : i = 0, ... Nx − 1 (2.1.2)

Egy képelemet ı́gy pl. a vij jelöléssel azonosı́tunk.

2.1.2. A 3D képmátrix szerkezete

3D esetben a képmátrixot három számmal, Nx , Ny és Nz számokkal jelöljük, ahol az Nz
a metszetek számát jelöli. Ennek megfelelően egy mátrix méretének megadása Nz ×Ny ×
Nx módon lehetséges. Pl. 15x128x128 egy 15 metszetből álló, metszetenként 128x128
képelemet tartalmazó képmátrixot definiál. A metszet-, sor-, és oszlopindexek pedig a
következő képen változnak:

oszlopindex : k = 0, ... Nz − 1 (2.1.3)

sorindex : j = 0, ... Ny − 1 (2.1.4)
oszlopindex : i = 0, ... Nx − 1 (2.1.5)

Egy képelemet a vijk jelöléssel azonosı́tunk.

2.1.3. A 4D képmátrix szerkezete

4D esetben a képmátrixot négy számmal, Nx , Ny , Nz és Nt -vel jelöljük, ahol ez utóbbi
a 3D képmátrixok számosságát jelöli.

2.2. A képmátrix geometriai tulajdonságai

Az orvosi képek egyik legfontosabb tulajdonsága, hogy a képi információk mindig egy ko-
ordinátarendszerben keletkeznek. Ezzel lehet ui. biztosı́tani, hogy a leképezés mérettartó
és oldalhelyes legyen. A koordinátarendszert általában a képalkotó módszer határozza
meg, de a kép helyzetét e rendszerben már a vizsgálat folyamata, a beteg elhelyezkedése
(pl. hanyat- vagy oldalfekvés) is befolyásolja. Ezzel kérdéssel a ... fejezetben részletesen
foglalkozunk. Most a képmátrix és koordinátarendszer kapcsolatát ismertetjük.
A képmátrixokat mindig egy ún. világ koordinátarendszerben kell elhelyezni. A
képfeldolgozás gyakorlatában ennek kijelölése, az emberi testhez való viszonyának meg-

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:

1. az x-irány a balról-jobbra iránynak

2. az y-irány a hatulról-előre iránynak

3. az z-irány a lentről-fel iránynak felel meg,

4. az időt pedig monoton növekvő (pl. fMRI) vagy periodikus (kapuzott szı́vvizsgálat)
paraméternek tekintjük.

Egy 2D képmátrix geometriai tulajdonságait egy sı́kbeli, egy 3D képmátrix geomet-

riai jellemzését pedig egy térbeli koordinátarendszer segı́tségével lehet meghatározni,
mégpedig úgy, hogy a képmátrixot egy elhelyezzük ebben a rendszerben. Ahhoz, hogy
ezt a kapcsolatot (képmátrix-koordinátarendszer) könnyen tudjuk kezelni, bevezetjük a
térrács (grid, lattice) fogalmát.

2.2.1. Mintavételezési térrács

Mintavételezési térrács definı́ciója. A képmátrixokban tárolt adatokat egy térbeli, 2D

vagy 3D pontrács pontjai mentén mért adatokként kezeljük. Feltételezzük, hogy az adatok
csak a térrács pontjaiban ismertek, és értéküket normál eloszlású hibával határoztuk meg.
Ez a modell nem azonos a kép keletkezésének módját leı́ró folyamattal, azaz a képalkotási
matematikai modelljével! A definı́ciónak megfelelően egy képmátrix minden eleme kölcsönösen
egyértelmű módon hozzárendelhető a mintavételezési térrács egy pontjához. A továbbiakban
a térrács és a mintavételezési térrács fogalmakat analógiaként használjuk.

2.2.2. 2D mintavételezési térrács

A 2D térrácsot az XY-sı́kban elhelyezett ponthalmazként definiáljuk. A egyszerűség
érdekében feltételezzük, hogy a rácsot alkotó pont-sorok és pont-oszlopok párhuzamosak
az X- ill. az Y-tengellyel. Amennyiben ettől általánosabb megoldást keresünk, akkor az
alább megadott paraméterek mellett az elforgatás mértékét is definiálni kell.
A 2D térrács paraméterei:

1. pontok száma: Nx , Ny

2. pontok távolsága: dx , dy

3. az első sor első oszlopában lévő pont koordinátája: x0 , y0

12
 2.2 A képmátrix geometriai tulajdonságai

A mértékegység általában milliméter.

Bármely térrácsbeli P pont x és y koordinátája az alábbi képlettel határozható meg:

x = x0 + i · d x , i = 0 . . . Nx − 1 (2.2.1)
y = y 0 + j · dy , j = 0 . . . Ny − 1 (2.2.2)

Az egységesség érdekében - amennyiben másként nem jelezzük - az i az x-, a j pedig

az y-irányhoz tartozó indexet jelöli.

2.2.3. 3D mintavételezési térrács

A 3D térrácsot egy térben elhelyezett ponthalmazként definiáljuk. A egyszerűség érdekében
feltételezzük, hogy a rácsot alkotó pont-sorok, pont-oszlopok párhuzamosak az X-, Y- és
ill. a Z-tengellyel. Amennyiben ettől általánosabb megoldást keresünk, akkor az alább
megadott paraméterek mellett az elforgatás mértékét is definiálni kell.
A 3D térrács paraméterei:

1. pontok száma: Nx , Ny , Nz

2. pontok távolsága: dx , dy , dz

3. az első sor első oszlopában lévő pont koordinátája: x0 , y0 , z0

A mértékegység általában milliméter.

Bármely térrácsbeli P pont x, y és z koordinátája az alábbi képlettel határozható meg:

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)

Az egységesség érdekében - amennyiben másként nem jelezzük - az i az x-, a j az y-,

a k pedig a z-irányhoz tartozó indexet jelöli.

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

2.2.5. Időben változó képi információ

Az orvosi képek készı́tésének a célja általában egy állapot rögzı́tése (röntgen, diagnosz-
tikai CT, MRI, PET), de vannak esetek, amikor valamely változás folyamatának megis-
merése miatt készı́tünk képsorozatot (funkcionális MRI). Van olyan szituáció is, amikor
a változás, pontosabban a mozgás zavaró tényezőként jelentkezik: a mellkasi vagy szı́v
vizsgálatok esetében a szı́v dobogása vagy a tüdő, az erek és a csontvázrendszer légzés
miatti mozgása. Ezeket a folyamatokat a képfeldolgozás során csak akkor lehet figye-
lembe venni, ha a kép készı́tésének időbeli paramétereit pontosan rögzı́tjük. Az első
paraméter a vizsgálat során készı́tett képmátrixok száma, amit Nt -vel jelölünk. A di-
namikus (időben ismételt) leképezéssel készı́tett képmátrixokhoz az idő-paramétereket
kétféle módon lehet meghatározni:

• 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.

• tetszőleges időzı́tésű mérés esetében a képmátrix meghatározásának időpontját és

a mérés idejét képmátrixonként kell megadni, azaz minden képmátrixhoz tartozik
egy (t,dt )l páros, ezek számossága pedig Nt , azaz l = 0 . . . Nt − 1.

2.3. A képekben tárolt információ fizikai jelentése

2.3.1. A vizsgált testrész fizikai vagy biológiai tulajdonságainak

modellezése
A diagnosztikai képek készı́tése során csak a leképező eszköz által detektálható jelek
segı́tségével tudunk képet készı́teni. Pl. CT esetében ez a röntgen sugárzás, gammaka-
mera esetében a megfelelő energiájú gamma fotonok számossága. A PET-detektorokkal
a béta bomló izotópokból kilépő béta részecskék és a környezetükben lévő elektronok
kölcsönhatásából származó kb. 511 KeV energiájú gamma fotonokat lehet érzékelni. Az
MRI-vizsgálat során az alkalmazott gyűjtési szekvencia függvényében a gerjesztett proto-
nok lecsengése során keletkező elektormágneses jelek regisztrációja történik, ami szövet-
ben lévő H-atomok elszolásának avgy sűrűségének, kötöttségi módjának függvényében
utal a szövet szerkezetére. Ultrahang esetében a kibocsájtott nagy frekvenciás hangok
visszaverődését detektáljuk. Tehát minden leképezés során a berendezés látóterében
lejátszódó valamely fizikai folyamatból nyert információ feldolgozásával jutunk olyan
adathoz, amelyeket megfelelő eljárás segı́tségével képpé, képsorozattá alakı́tunk.

14
 2.3 A képekben tárolt információ fizikai jelentése

Ahhoz, hogy a különböző képalkotási folyamatokat eszközfüggetlen módon tudjuk

értelmezni, ki kell alakı́tani egy olyan modellt, amely képes leı́rni a vizsgált testrész fizi-
kai vagy biológiai állapotát és ezen állapot időbeli vagy strukturális változását. Ennek
a követelménynek megfelelően, a vizsgált fizikai vagy biológiai paramétert olyan folyto-
nos térbeli eloszlásnak tekintjük, amelyről feltételezzük, hogy a leképezés alatt a kamera
látóterének minden pontjában ismert volt. Egy képelemhez rendelt számszerű érték pedig
e folytonos eloszlás egy pontjában vett adat, vagy egy vonal mentén számolt összegzett
adat attól függően, hogy tomográfiás képsorozatról vagy vetületi képről beszélünk.

2.3.2. Tomográfiás képmátrixok adatai

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.

2.3.3. Vetületi képekben tárolt adatok

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:

• legközelebbi szomszéd alapú,

• lineáris,

• nem lineáris, pl. kubikus, Sinc

A képfeldolgozásban alkalmazott interpolációs eljárásokat célszerű az 1D, 2D és 3D

módszerek megismerésével kezdeni.
A mintavételez tanulmányozására a www.minipetct.hu/oktatas oldalon található app-
letek használhatók.

2.4.1. Interpoláció 1D-ben

Az interpolációs feladat: egy y = f (x) folyamatos függvényt yi = f (xi ), i = 1 . . . n mérési
pontokban ismerjük. A kérdés az, hogy egy tetszőleges x1 ≤ x ≤ xn pontban hogyan
tudjuk megbecsülni az y ∼ f (x) értéket?
Tételezzük fel, hogy xi < x < xi+1 !

• A legközelebbi szomszéd alapú módszer esetén

(
yi ha x − xi ≤ xi+1 − x
f (x) ∼
yi+1 ha xi+1 − x < x − xi

• Lineáris módszer alkalmazása során háromszög-hasonlóság felhasználásával lehet a

a becsült értéket meghatározni:

16
 2.4 Mintavételezés

x − xi
f (x) ∼ yi + (yi+1 − yi )
xi+1 − xi

• Nem lineáris interpoláció esetében a szomszédos mérési pontok között valami-

lyen függvénykapcsolatot tételezünk fel amelyet felhasználunk az kérdéses érték
becslésére. Alkalmazni lehet másodfokú, polinomiális vagy más, a mérési modell
által meghatározott függvényt.

Példa: hőmérsékleti görbe meghatározása azokban az időpontokban, amikor nem

történt mérés.

2.4.2. Interpoláció 2D-ben

Egy 2D mintavételezési térrács a sı́k pontjainak felel meg. Feltételezzük, hogy a kép
egy f (x, y) folytonos, kétváltozós függvény Pij (xi , yj ) pontokban meghatározott f (xi , yj )
értékeit tartalmazza. Ebben az esetben az interpolációs feladat az, hogy becsüljük meg
a térrács által meghatározott téglalapon belüli bármely P (x, y) pontban az fP = f (x, y)
értéket!

• A legközelebbi szomszéd alapú módszer esetén azon térrácsbeli pontban mért értéket
választjuk, amelyikhez a legközelebb esik a P pont.

• Lineáris módszer alkalmazása során a 2D interpolációt visszavezetjük három 1D

lineáris interpolációs feladatra az alábbiak szerint:

1. A vı́zszintes vagy a függőleges pontsorok által meghatározott egyenesen ki-

jelölünk két segédpontot: A-t és B-t úgy, hogy az AB szakasz átmenjen a P
ponton.

2. 1D interpolációs módszerrel becsüljük meg A-ban és B-ben az fA és fB értékeket.

3. fA és fB ismeretében szintén 1D módszerrel meghatározhatjuk a keresett fP =

f (x, y) étéket

2.4.3. Interpoláció 3D-ben

A 3D interpolációs feladatot két 2D és egy 1D feladatra vezetjük vissza:

• A legközelebbi szomszéd alapú módszer esetén azon térrácsbeli pontban mért értéket
választjuk, amelyikhez a legközelebb esik a P pont.

• Lineáris módszer alkalmazása során a 3D interpolációt visszavezetjük két 2D és

egy 1D lineáris interpolációs feladatra az alábbiak szerint:

17
2 Az orvosi kép matematikai modellje

1. Valamely térbeli irány szerint a vizsgált P-pont környezetében kijelölünk két

sı́kot, és azokon egy A és egy B pontot úgy, , hogy az AB szakasz átmenjen
a P ponton.
2. 2D interpolációs módszerrel becsüljük meg A-ban és B-ben az fA és fB értékeket.
3. fA és fB ismeretében 1D módszerrel meghatározhatjuk a keresett fP = f (x, y)
étéket

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 képelem szomszédjainak halmaza

• egy képelem környezete

• egy vagy több összefüggő területtel kijelölt régió (2D) vagy térfogat (3D)

3.1.1. Szomszédsági halmazok

A képelem szomszédságát jelölő halmazokat a szomszédok számával azonosı́tjuk. A
szomszédsági viszony két képelem között az alábbiak szerint jelölhető 2D-ben

1. él mentén kapcsolódó szomszédok

2. sarok mentén kapcsolódó szomszédok

3. nem szomszéd, ha 1 és 2 nem teljesül

19
3 Kép- és régióanalı́zis

Ugyanez 3D-ben:

1. lap mentén szomszéd

2. él mentén szomszéd

3. csúcs mentén szomszéd

4. nem szomszéd ha 1, 2 és 3 nem teljesül

2D-ben ı́gy két szomszédhalmazt definiálunk:

1. 4-es halmaz: az élek mentén kacsolódó képelemek halmaza

2. 8-as halmaz: az élek és a csúcsok mentén kapcsolódó képelemek halmaza

Ha központi képelemet is belevesszük, akkor 5-ös, 9-es képelemhalmazról is beszélhetünk.

3D-ben a szomszédok definı́ciója:

1. 6-os szomszédok: a lap mentén kapcsolódó képelemek halmaza

2. 26-os szomszédok : lap, él és csúsz mentén kapcsolódó képelemek halmaza.

Ha központi képelemet is belevesszük, akkor 7-es, és 27-es képelemhalmazról is beszélhetünk.

3.1.2. Kiválasztott képelemek halmaza (ROI/VOI)

A Region Of Interest (ROI) és Volume of Interest (VOI) jelölések általában egy
vagy több diszjunkt konvex képelemhalmazt jelölnek.
A ROI kijelölés a képfeldolgozó programok egyik legfontosabb eszköztára. Általában
ezek az eszközök állnak rendelkezésre:

• szabadkézi régió kijelölés

• polygon alapú régió kijelölés

• ellipszis, kör, négyszög alakú régió kijelölés

20
 3.2 A képelemértékek statisztikai vizsgálata

• szintvonalas régió kijelölés

• 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.

3.1.3. Képelem környezete

Azoknak a képelemeknek a halmazát, amelyek szomszédokon keresztül kapcsolódnak egy
kijelölt képelemhez, a kijelölt képelem környezetének nevezzük. A szomszédok triviális
módon környezetet jelentenek.
A környezetet mérete és formája jellemzi:

• formája lehet négyszög, kör (gömb, kocka)

• mérete n képelem lehet

3.2. A képelemértékek statisztikai vizsgálata

A képelemértékek statisztikai vizsgálatát két különböző módszerrel lehet elvégezni:

• képelemek halmaza alapján

• hisztogram alapján

Mind a két módszer ugyanahhoz az eredményhez vezet, ennek bizonyı́tása az olvasó

feladata. A meghatározott statisztikai paraméterek:

• minimum és maximum érték

• átlag

• szórás

• esetleg: ferdeség, lapultság, különböző magasabb rendű momentumok

21
3 Kép- és régióanalı́zis

3.2.1. Lokális, globális és regionális statisztikai adatok

Globális statisztikai jellemzőkről akkor beszélünk, ha a kép minden képelemét felhasználjuk
a statisztikai paraméterek meghatározásához.

Regionális statisztikai jellemzőkről akkor beszélünk, ha a kép egy ROI-val vagy VOI-
val kijelölt részhalmazában lévő képelemeket használjuk a statisztikai paraméterek
meghatározásához.

Lokális statisztikai jellemzőkről akkor beszélünk, ha egy képelem szomszédságában vagy

környezetében lévő képelemeket használjuk a statisztikai paraméterek meghatározásához.

3.2.2. Hisztogram analı́zis

Gyakran előfordul, hogy a kiválasztott képelemhalmaznak nem csak a fontosabb sta-
tisztikai paramétere érdekes egy feladat szempontjából. Ebben az esetben elkészı́tjük a
képelemértékek eloszlását reprezentáló hisztogramot.
Egy ilyen hisztogram alkalmas a kép statisztikai modelljének leı́rására: ha a hisztog-
ramot úgy normáljuk, hogy a területe egységnyi legyen, akkor a hisztogram értékek az
egyes képelemek előfordulási valószı́nűségét jelentik.

3.2.3. Alkalmazás
A hisztogram analı́zis fontosabb alkalmazási területei:

• háttér-vágás

• szegmentációs küszöbök meghatározása

• kevert intenzitású képelemek szétválasztása

3.2.4. A regionális analı́zis alkalmazása

Az egyik legfontosabb képfeldolgozási módszer a régióanalı́zis.

• szimmetria vizsgálat egyeden belül

• regionáls differencia populációk között

• régióhoz kötött szöveti görbék előállı́tása

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:

• képtérben végzett szűrés

• frekvenciatérben végzett szűrés

Az utóbbi Fourier-, wavelet- vagy más kép-transzformációra épülő eljárások, ezekkel

nem foglalkozunk.

4.1. Szűrés képtérben

A képtérben történő szűrés a képelemek környezetének figyelembevételével történik az
alábbi algoritmus szerint:

1. Készı́tünk egy olyan képmátrixot, amelynek mérete az input képpel azonos, de

az összes képelem értéke 0. Ezt a képmátrix fogja tartalmazni a szűrt képet, ezt
nevezzük output képmátrixnak..

2. Végigmegyünk az input kép összes képelemén és végrehajtjuk az alábbi eljárást:

a) kiolvassuk az aktuális képelem egy k-környezetében a képelemértékeket
b) a kiolvasott értékekkel valamilyen számolást végzünk, majd
c) ennek eredményét eltároljuk a output képmátrixban, pontosan arra a helyre,
ahonnét az aktuális képelemet kiválasztottuk az inputképből

A felvázolt algoritmus alkalmazható 2D és 3D képmátrixokra. Két paramétere van: a

szomszédság meghatározása pl. 2D esetében 9-es környezet és a 2b) pontban alkalmazott
eljárás meghatározása pl. átlagszámı́tás.
A képtérben végzett szűrők esetében ez utóbbi alapján nevezzük el a szűrőket, a
szomszédság csak paraméterként szerepel. A leggyakoribb szűrők:

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.

• élkiemelő szűrés: a szűrt kép képeleme az eredeti kép környezetének z- vagy y

irányú különbsége lesz.

• Gauss szűrés: a szűrt kép képeleme az eredeti kép környezetének Gauss-eloszlás

szerint súlyozott átlaga lesz.

24