دانشگاه صنعتی امیرکبیر دانشکده مهندسی پزشکي درس کاربرد فن آوری اطلاعات در پزشکی

1. دانشگاه صنعتی امیرکبیردانشکده مهندسی پزشکيدرس کاربرد فن آوری اطلاعات در پزشکی استاد: آقای دکتر فرزاد توحید خواه

2. فصل 8 پردازش تصویر

3. بسم الله الرحمن الرحيم

4. تعريف: پردازش تصوير ديجيتال دانش جديدي است كه در سال هاي اخير پيشرفت هاي زيادي داشته است و در بسياري از علوم و صنايع به كار برده شده است. يك نمونه از اين كاربردها، تشخيص تومور است.CT-Scanدر تصاوير

5. اهداف پردازش تصویر: • بهبود اطلاعات تصویر برای استفاده انسان • رنگ آمیزی تصاویر رادیولوژی • پردازش داده های تصویر برای ادراک ماشین • سیستم خودکار تشخیص دست نوشته

6. تصوير تك رنگ، در واقع يك تابع شدت روشنايي f(x,y)است كه x ,y بيانگر مختصات مكاني است و مقدار در هر نقطة (x,y) متناسب با روشنايي تصوير در آن نقطه است. در تصوير ديجيتال،f(x,y) هم در مختصات مكاني و هم در اندازة شدت روشنايي گسسته شده است تصوير تك رنگ:

7. نمونه برداري تصوير : ديجيتال كردن مختصات مكاني تصوير را نمونه برداري مي نامند.

8. كوانتيزه كردن سطح خاكستري: ديجيتال كردن دامنه (شدت روشنايي) را كوانتيزه كردن سطح خاكستري مي نامند.

9. (Pixel) پيكسل: تصوير ديجيتال را مي توان ماتريسي دو بعدي در نظر گرفت كه هر زوج از انديس هاي سطري و ستوني آن يك نقطة تصوير را مشخص مي كند. عناصر اين ماتريس «پيكسل» ناميده مي شوند. براي مثال يك تصوير ديجيتال مي تواند ماتريس 128*128 باشد كه هر عنصر آن بين 0 تا 127 است (128 سطح خاكستري) دارد.

10. مراحل اساسی درپردازش تصویر

11. مراحل مختلف • پیش پردازشبهبود تصویر و حذف نویز • بخش بندیتقسیم تصویر به اجزاء تشکیل دهنده • توصیف برجسته کردن ویژگیهای مورد علاقه • تشخیص و تفسیرانتساب یک بر چسب به هر شیء

12. مرحلة پیش پردازش: Preprocessing پس از تصويربرداري ( به دست آوردن ماتريس تصوير) كه توسط حسگر مناسب و مبدل آنالوگ به ديجيتال انجام مي شود، پيش پردازش انجام مي شود. • هدف اصلي پيش پردازش بهبودتصويراست تا امكان توفيق ساير پردازش ها را افزايش دهد. براي مثال در اين مرحله حذف نويز از داده هاي تصويري انجام مي پذيرد. در مرحلة بعدي بخش بندي انجام مي شود.

13. Segmentation مرحلة بخش بندی: خروجي مرحلة بخش بندي، مرز يك ناحيه و يا تمام نقاط درون يك ناحيه است. • نمايش مرزي زماني مفيد است كه مشخصات خارجي شكل مانند گوشه ها يا خميدگي ها مهم باشد. • نمايش ناحيه اي وقتي مفيد است كه خواص دروني بخش هاي تصوير مانند بافت شكل مورد توجه باشد .

14. Descriptionمرحلة توصيف: در مرحلة توصيفكه انتخاب ويژگي هم ناميده مي شود روشي براي برجسته كردن ويژگي هاي مورد علاقه اجرا مي شود. براي مثال در تشخيص دست نوشته توصيف گرهايي مانند حفره ها و شكاف ها ويژگي هاي مهمي هستند كه كمك مي كنند تا حروف را از همديگر تشخيص دهيم.

15. Recognitionمرحلة تشخيص و تفسير: مرحلة آخر شامل تشخيص و تفسيراست كه در طي آن با استفاده ازاطلاعات حاصل از توصيف گرها يك برچسب به هر شي منتسب مي شود. [1] Recognition [2] Interpretation

16. ... توصيف گرهاي مربوطه با برچسب C براي مثال براي تشخيص حرف مشخص مي شوند. C در فرايند تفسير به هر مجموعه از اشياي برچسب خورده معنايي مرتبط مي شود. مثلاً در مثال تشخيص دست نوشته به مجموعة 5 حرفي به صورت يك كلمه در مي آيد.

17. پایگاه دانش: در همة موارد دانش موجود دربارة ‌حوزة‌ مساله به شكل پايگاه دانش در درون سيستم پردازش تصوير ذخيره مي شود وظیفه پایگاه دانش: • هدایت عمل هر واحد پردازش • تعامل بین واحدها

18. فشرده سازي: قبل از ذخيره سازي يا ارسال تصوير فشرده سازي انجام مي شود. اساس فشرده سازیحذف اطلاعات تکراری فشرده سازي تصوير در پزشكي از راه دور ، ذخيرة تصاوير پزشكي در پرونده هاي الكترونيكي و مانند آنها كاربرد دارد.

19. Image Enhancementبهبود کیفیت تصویر: هدف اصلی روشهای بهبود، پردازش تصویر است به گونه ای که تصویر حاصل برای یک کاربرد خاص نسبت به تصویر اولیه مناسب تر باشد. كلمة «خاص» نشان مي دهد كه روش هاي بهبود تصوير وابسته به نوع مساله اند(Problem Oriented ). • به عنوان مثال روشي كه براي بهبود تصويرراديولوژيبسيار مناسب استممكن است براي بهبود تصويرسونوگرافي مفيد نباشد .

20. روشهای بهبود کیفیت تصویر: حوزه مکانی (با پيكسل هاي تصوير سر و كار دارند) - تعدیل هیستوگرام - تفریق تصویر - متوسط گیری حوزه فرکانس (مبتني بر تبديل فوريه) - فیلتر کردن تصویر

21. هیستوگرام: هیستوگرام نمودار فراوانی سطوح خاکستری در تصویر میباشد. ترسیم هیستوگرام توصیف کلی درباره ظاهر تصویر فراهم می آورد. • درهیستوگرام تصویر تیره، فراوانی میله در سمت روشنائي كم بیشتر است. • درهیستوگرام تصویر روشن فراوانی میله در سمت روشنائي بیشتر است. • اگر هیستوگرام باریک باشد تمایز درتصویر پایین است. • اگر هیستوگرام پهن باشد تمایز در تصویر بالا است.

22. هيستوگرام چند نوع تصوير:

23. تعدیل هیستوگرام تعدیل هیستوگرام تصویری تولید میکند که چگالی سطوح خاکستری آن یکنواخت است که به معنی افزایش گستره مقادیر پیکسلها است و اثر قابل توجهی در کیفیت تصویر دارد.

24. ... فرض كنيد كه مقادير پيكسل ها پيوسته بوده و به بازة [0,1] نرماليزه شده باشند. r=0 بيانگر سياه و r=1 بيانگر سفيد است. برايrها ي موجود در بازة [0,1] تبديلي به صورت زير انجام مي شود: S=T(r) اين تبديل به ازا هر مقدار پيكسل rدر تصوير اوليه، سطح S را براي آن پيكسل توليد مي كند. T بايد در شرايط زير صدق كند:

25. T(r)تك مقداره بوده و اكيداً صعودي باشد ( براي خفظ ترتيب سياه و سفيد در محدودة سطوح خاكستري) • براي 0<r<1 داشته باشيم: 0<T(r)<1 ( حفظ مقادير پيكسل ها در محدودة مجاز)

26. تفریق تصویر h(x,y):تصوير اشعة ايكس قسمتي از بدن يك بيمار f(x,y):پس از تزريق مادة رنگي به رگهمان محلتصوير تفاضل دو تصویر با محاسبة تفاضل بين هر يك از زوج پيكسل هاي متناظر درf و h به دست مي آيد و به صورت زیر نشان داده میشود. تفریق باعث میشود که جزئیات تفاوتهای بین دو تصویر واضح تر دیده شود. g(x,y)=f(x,y)-h(x,y)

27. با ثبت متوالي تصويرها مي توان تصوير متحركي از چگونگي انتشار مادة رنگي در رگ ها مشاهده كرد.ب)g(x,y)الف)h(x,y)

28. متوسط گیری تصویر: تصوير نويزدار g(x,y) را در نظر بگيريد كه از جمع نويز n(x,y) با تصوير اصلي f(x,y) حاصل شده است. g(x,y)= f(x,y)+ n(x,y)

29. در اين صورت به سادگي مي توان نشان داد كه با متوسط گيري از تصویرنویزداراز يك شي مي توان تقریب خوبی از تصویر اصلی بدست آورد. m ( فرض مي شود نويز ناهمبسته و ميانگين آن صفر باشد.)

30. طيف فركانسي: • ايدة اصلي مفهوم طيف فركانسي اين است كه هر سيگنال از تركيب توابع سينوسي و كسينوسي ساخته مي شود. • طيف فركانسي از آناليز فوريه به دست مي آيد. • در بسیاری موارد خصوصیاتی که از طیف فرکانسی سیگنال استخراج میشود بسیار مفیدتر از اطلاعاتی هستند که از خصوصیات زمانی و مکانی سیگنال بدست می آیند.

31. تبديل فورية: • تبديل فورية سيگنال مشخص مي كند كه چه فركانس هايي در سيگنال وجود دارند. • با داشتن تبديل فورية سيگنال مي توان خود سيگنال را با كمك عكس تبديل فوريه به دست آورد. • تبديل فورية تصوير هم به عنوان يك سيگنال دوبعدي ( تابعي از x,y ) قابل محاسبه است و براي تصويرf(x,y)به صورت F(u,v)نشان داده مي شود.

32. فیلتر کردن: • فیلتر کردن تصویر حذف قسمتهای ناخواسته از طیف فرکانسی تصویر است.برای این منظور تبدیل فوریه تصویر محاسبه میشود تا طیف آن مشخص شود. • پس از آن مولفه های فرکانسی نامطلوب تصویر حذف میشود. • در نهایت با اعمال عکس تبدیل فوریه سیگنال تصویر فیلتر شده در حوزه مختصات مکانی بدست می آید.

33. - تابع فيلتر پايين گذر (a) و نتيجة اعمال آن بر يك تصوير (b) - تابع فيلتر بالا گذر (c) و نتيجة اعمال آن بر يك تصوير (d)

34. انواع فیلتر فیلتر پائین گذر Lowpass Filter فیلتر بالا گذر Highpass Filter فیلتر ميان گذر Bandpass Filter فیلتر ميان نگذر Bandstop Filter

35. فیلتر پائین گذر: Lowpass Filter • تغييرات سريع در سطح خاكستري تصوير مانند نويز و لبه ها در محتواي فركانس بالاي تبديل فورية تصوير دخيل هستند. • در نتيجه با تضعيف محدودة مشخصي از مولفه هاي فركانس بالاي تبديل فورية تصوير مي توان نويز را كم كرد. • اين كار با استفاده از فيلتر پايين گذر انجام مي شود كه فركانس هاي پايين تصوير را حفظ مي كند اما فركانس هاي بالاي آن را حذف مي كند. • با توجه به اينكه لبه هاي تصوير هم در بخش فركانس بالاي آن قرار دارند، گذراندن تصوير از فيلتر پايين گذر باعث مات شدن (هموار شدن لبه هاي )تصوير مي شود.

36. چون لبه ها با مولفه هاي فركانس بالاي تبديل فورية تصوير مرتبط هستند، مي توان با فيلتر كردن بالاگذر تصوير را تيز كرد. فيلتر بالاگذر اطلاعات فركانس بالاي تبديل فوريه را تغيير نمي دهد اما مولفه هاي فركانس پايين را تضعيف مي كند. فيلتر كردن بالاگذر:Highpass Filter

37. بخش بندی تصوير: Segmentation با عمل بخش بندي، تصوير به قسمت هاي تشكيل دهنده اش تقسيم مي شود .اجزا تصوير با توجه به نوع كاربرد مشخص مي شوند. مثال: دررهگيري خودكار هدف زميني از هواپيما تنها شناسايي وسيلة نقليه روي جاده، مورد نظر است. - در مرحلة اول جاده از تصوير جدا مي شود - سپس محتويات جاده به اجزايي با بزرگي هدفهاي مورد نظر بخش مي شود. - بخش بندي كوچكتر از اين مقياس هيچ فايده اي ندارد همچنين نيازي به بخش بندي اجزا خارج از جاده در تصوير نيست.

38. الگوریتمهای بخش بندی تصاویرتک رنگ بر یکی از دو خاصیت زیر استوار است: • نا پیوستگی سطوح خاکستری: تصوير بر اساس تغييرات سريع سطح خاكستري بخش بندي مي شود كه براي آشكار سازي نقاط منفرد يا لبه هاي تصوير به كار مي رود • شباهت سطوح خاکستری: تصوير با آستانه گذاري، رشد ناحيه[1] و ادغام نواحي بخش بندي مي شود. [1] Region Growing

39. آشكار سازي ناپيوستگي ها : كلي ترين روش براي جستجوي ناپيوستگي ها ( نقاط منفرد، خطوط و لبه ها) پيمايش كامل تصوير با يك نقاب مانند شكل زير است. يك نقاب (Mask) نوعي 3*3 نشان داده شده است. اگر اين ماتريس 3*3 روي ماتريس تصوير f(x,y) قرار گيرد و سطوح خاكستري پيكسل هاي زير نقاب را با z1,z2,…z9 نشان دهيم، پاسخ نقاب خطي عبارت است از: ضرايب ( وزن هاي ) آننقاب 3*3 با

40. اگر مركز نقاب (x0,y0)باشد، سطح خاكستري پيكسل (x0,y0) با R جايگزين مي شود. سپس مركز نقاب به پيكسل بعدي جا به جا شده و اين فرايند تا جايي تكرار مي شود كه همة پيكسل هاي تصوير مرور شوند.

41. آَشكار سازي نقاط منفرد: نقاب زيربراي آَشكار سازي نقاط منفرد در پس زمينة ثابت استفاده مي شود. سطح خاكستري يك نقطة منفرد كاملاً متفاوت با سطوح خاكستري همسايگانش است. بنابراين در اين نقاب جمع ضرايب برابر صفر است. در نتيجه وقتي ماسك روي ناحيه اي با سطح خاكستري ثابت يا با تغييرات آرام قرار گيرد، خروجي ماسك صفر يا بسيار كوچك خواهدبود. اگر>T|R|باشد، يك نقطه در مركز نقاب (X0,Y0) آشكار مي شود. T -يك آستانة غير منفي است كه توسط طراح تنظيم مي شود -Rپاسخ نقاب در(X0,Y0)است.

42. - نقاب آَشكار سازي خطوط افقي: نقاب هاي الف و ب براي آشكار سازي خطوط به كار برده مي شوند. اگر نقاب الف روي تصوير حركت نمايد، روي خطوط افقي با ضخامت يك پيكسل، نسبت به پس زمينه پاسخ بزرگتري خواهد داد وقتي اين پاسخ بيشيينه مي شود كه خط افقي از سطر وسط نقاب عبور كند. آَشكار سازي خطوط: (الف)

43. نقاب آَشكار سازي خطوط عمودي:- به طور مشابه نقاب (ب) براي آشكارسازي خطوط عمودي طراحي شده است. ب))

44. *براي تشخيص لبه ها هم مي توان نقاب هاي مناسبي طراحي كرد. شكل زيربخشي از يك ماتريس تصويري نشان داده شده كه يك لبة افقي دو جز آن را از هم جدا مي كنند. پس از اعمال نقاب تنها پبكسل هايي كه روي لبه قرار دارند داراي مقدار ماكسيمم مي باشند. تشخيص لبه با نقاب

45. ايدة پاية نقاب هاي آَشكار سازي لبه مبتني بر محاسبة مشتق محلي است. توجه داشته باشيد كه رفتار نقاب هاي آشكار سازي ناپيوستگي ها معادل بافيلتر حوزة فركانسي بالا گذراست.

46. آستانه گذاریThresholding فرض كنيد كه هيستوگرام يك تصوير به صورت شكل زير باشد. اين تصوير متشكل از يك شي روشن روي پس زمينة تيره است. در نتيجه سطوح خاكستري پيكسل هاي شي و زمينه در دو مد غالب گروه بندي شده اند. ساده ترين راه براي جدا كردن اينها، انتخاب يك مقدار آستانه مانند T است. هيستوگرام يك تصوير

47. اگر براي پيكسل (x0,y0)داشته باشيم f(x0,y0)>T آنگاه اين پيكسل مربوط به شي بوده و در غير اينصورت يك پيكسل زمينه ناميده مي شود. شكل زير مثالي از بخش بندي تصوير با آستانه گذاري را نشان مي دهد.

48. تصويرMR ، هيستوگرام آن و بخش بندي با آستانة : T=166

49. رشد ناحیهRegion Growing رشد ناحيه فرايندي است كه پيكسل ها يا زيرناحيه ها را در نواحي بزرگتري گروه بندي مي كند. • ساده ترين اين روش ها پيوستن پيكسل( (Pixel Aggregationاست كه با يك مجموعه از نقاط بذر آغاز مي شود. • آنگاه با پيوستن پيكسل هاي همساية هر بذر به آن بر اساس مشابهت خواص (مانند نزديك بودن سطح خاكستري آنها) نواحي بزرگ و بزرگتري ايجاد مي شود.

50. این روش دارای 3 مشکل عمده است: 1. انتخاب بذرهای اولیه که نمایندگان خوبی برای نواحی مورد علاقه باشند. 2. انتخاب خواص مناسب برای الحاق نقاط به نواحی مختلف در حین فرایند رشد 3. تعیین قاعده توقف