Foltkeresés tüdő röntgen képeken Hadházi Dániel Konzulens: Dr. Horváth Gábor 2012.05.10.

Tartalom Általános bevezető Nagyfrekvenciás kiemelés Kiemelt kép szűrése Szűrt kép küszöbölése (Entrópia alapú küszöbölés) Folt bejelölések összesítése Jelenlegi eredmények Egy sikeresen „feldolgozott” felvétel További teendők 2012.05.10. 2012.05.10. 2

Általános bevezető Klasszikus PA felvételek: Foltkeresés fontossága: Kisebb sugárdózis. De PA jellege miatt elég sok a zavaró „tényező” (anatómiai zaj) a képen. CT-hez képest jóval olcsóbb. Foltkeresés fontossága: Leggyakoribb rákos elváltozás típus. A tüdőrák miatti halálozási világ ranglistát a magyar férfiak vezetik, 2. helyen a magyar nők szerepelnek. Évi kb. 8000 regisztrált új beteg, és 7500 halálozás hazánkban. Korai stádiumban észrevett elváltozás még kezelhető (70%-os túlélési esély). 2012.05.10.

Általános bevezető 2012.05.10.

Nagyfrekvenciás kiemelés Különböző sugarakkal (4-20): Eredeti képből kivonjuk az aktuális sugarú Gauss filterrel elmosott képet. Az így kapott kép tüdő területén belüli legnagyobb relatív gyakoriságú intenzitásnál nagyobb intenzitású képpontokat 1-re, kisebb intenzitásúakat 0-ra küszöböljük. Majd az egyes képeket összegezzük. 2012.05.10.

Nagyfrekvenciás kiemelés X tengelyen láthatjuk a kép-elmosott kép „intenzitásait”, míg az Y tengelyen az adott intenzitás gyakoriságát. A maximum mindig 0 közelébe esik. 2012.05.10.

Nagyfrekvenciás kiemelés 2012.05.10.

Nagyfrekvenciás kiemelés 2012.05.10.

Kiemelt kép szűrése Alapvetően a daganatos elváltozások kör alakúak (legalábbis az esetek jelentős részében). A kiemelt képen az alábbi alakú szűrőcsaládot alkalmazzuk: 2012.05.10.

Szűrt kép küszöbölése Információelméleti megközelítés A két régióra az entrópiák összegét maximalizálja JSRT képein alkalmazva jó eredményt ad Magyar adatbázis képein viszont nem! Új paraméter a küszöbölés mértékére Szabályszerűséget mutatnak a görbék Küszöbölési megfontolások 2012.05.10.

Entrópia alapú küszöbölés 2012.05.10.

Folt bejelölések összesítése A különböző (4-25) szűrésekből előállított bináris képeket (Xi) „összegezni” kell: i. sugárig az „összegzett” foltjelöltek: B(i) i+1. sugárra a foltjelölteket jelölje C=U(Ci) C azon régióira {Cx}, melyre Cx ∩ B = { } B(i+1)=Ux(Cx) Ellenkezőleg legyen B’,C’ minimális, melyre: és (C\ 2012.05.10.

Folt bejelölések összesítése amennyiben nem túlságosan ellipszis alakú, akkor B(i+1)=B(i+1) U (B’UC’) ellenkezőleg: ha , akkor B(i+1)=B(i+1) U B’ különben B(i+1)=B(i+1) U C’ 2012.05.10.

Folt bejelölések összesítése A fehér foltot tartalmazza az i-1. sugárig összesített bejelölés-halmaz. A narancssárga az új folt bejelölés, szürke a két bejelölés egymást metsző része. Piros ellipszis: minimális területű, az adott foltpár köré rajzolható ellipszis. Amennyiben az ellipszis főtengelye (zölddel jelölt) a kisebb tengelyéhez (kék színű) képest túlságosan hosszú, akkor csak a nagyobb átlagos intenzitású jelöltet tartjuk meg. 2012.05.10.

Folt bejelölések összesítése Szűrés az összesített jelölt képen az alábbi jellemzők alapján: területére kerületére effektív sugarára elhelyezkedésére (tüdő körvonal) 2012.05.10.

Jelenlegi eredmények (magyar adatbázis) Főleg a nagyobb foltok esetén hibázik az eljárás. Itt a foltok közel fele tisztán borda részeket szegmentált. Az adatbázis jellemzői: 128 db, 12 bites szürkeárnyalatos felvétel Változatos méretű-, illetve elhelyezkedésűek a foltok Minden felvételnek tartalmazza a „csonttalanított” változatát is 2012.05.10.

Jelenlegi eredmények (magyar adatbázis) 2012.05.10.

Egy sikeresen „feldolgozott” felvétel: 2012.05.10.

További teendők Küszöbparaméterek finomítása, esetleg kép alapján automatikus meghatározása. Bordátlanított képekhez az algoritmus igazítása (1. lépés küszöbölése paraméterrel). Az algoritmus nem képes önmagában a foltok szegmentálására, csak a detektálására. Természetesen még egy utó osztályozás (jellemzők kiemelése – SVM, vagy képpontok szerinti MLP). 2012.05.10.

Köszönöm a figyelmet! 2012.05.10.