Tilk Bence Konzulens: Dr. Horváth Gábor

Az előadások a következő témára: "Tilk Bence Konzulens: Dr. Horváth Gábor"— Előadás másolata:

1 Tilk Bence Konzulens: Dr. Horváth Gábor
Orvosi képfeldolgozás és döntéstámogatás: tüdő szegmentálás mellkas tomoszintézis felvételeken Tilk Bence Konzulens: Dr. Horváth Gábor

2 Tomoszintézis 2,5 D képalkotás Alacsony dózis Gyors Olcsóbb, mint a CT
Aluldefiniált rendszer miatt a rekonstrukció nehéz

3 Computer Assisted Diagnosis (CAD)
Cél: radiológus munkájának segítése CAD rendszer elemei: Érdekes terület (tüdő) szegmentálása, ezen kívüli területeket eldobjuk Lehetséges elváltozások megtalálása, jelölt állítás főként képfeldolgozási módszerekkel A jelölt foltok osztályozása gépi tanulással

4 Szegmentálás szín alapon/I
Hisztogram alapján válasszunk intenzitás határt Első völgy ideális választás Kisebb intenzitású pixelek megtartása Lényegkiemelés morfológiai eljárásokkal: Dilatáció->erózió Nyitás/Zárás

5 Szegmentálás szín alapon/II
Középpont keresése 𝐶𝑒𝑛𝑡𝑒𝑟 𝑥 = 𝑚𝑖𝑛𝑑𝑒𝑛 𝑥,𝑦 𝑝𝑖𝑥𝑒𝑙𝑟𝑒 𝑥 2 ∗ 𝑃 𝑥,𝑦 𝐶𝑒𝑛𝑡𝑒𝑟 𝑦 = 𝑚𝑖𝑛𝑑𝑒𝑛 𝑥,𝑦 𝑝𝑖𝑥𝑒𝑙𝑟𝑒 𝑦 2 ∗ 𝑃 𝑥,𝑦 Érdemes a középpontot eltolni?

6 Gradiens alapú módszer
Képek gradiensének előállítása Polárkoordinátás képek előállítása Dinamikus programozással kontúr keresés Vissza alakítani  Descartes féle koordinátarendszerbe

7 Kontúrkeresés számokban
Dinamikus programozás-> táblázat kitöltés 𝐸 𝑒𝑥𝑡 (𝑥,𝑦)=−𝐼(x,y) 𝐸 𝑖𝑛𝑡 ( 𝑥 𝑖 , 𝑦 𝑖 )= | 𝑦 𝑖 − 𝑦 𝑖−1 | 𝑦 𝑖 + 𝑦 𝑖−1 E x,y = w 𝑖𝑛𝑡 𝐸 𝑖𝑛𝑡 𝑥,𝑦 + 𝑤 𝑒𝑥𝑡 𝐸 𝑒𝑥𝑡 (𝑥,𝑦) C(x,y)= min 𝑡 1≤𝑙≤ 𝑡 2 {𝑐 𝑥 𝑖−1 , 𝑦 𝑖−1 +𝑙 +𝐸( 𝑥 𝑖 , 𝑦 𝑖 ) } C(x,y)=0-tól x szögtartományig, x-nél a középponttól y távolságra lévő ponthoz vezető optimális út költsége

8 Átmosódások kezelése / I
Szomszédos képek hasonlóak->a szegmentált területek is legyenek hasonlóak Csináljunk függvényt a megtalált körvonalakból és alkalmazzunk rajta szűrőket Középső szeletek és a szélső szeletek másként kezelése! Középső szeltek: Az egyes szeleteket azonos súllyal vesszük figyelembe Szélső szeletek Legyenek a középponthoz közelebbi képek nagyobb súllyal figyelembe véve A tüdő területe csökken távolodva a középső szeletektől Büntessük a megbízhatóbb szelettől való eltérést Használjunk Gauss függvényeket

9 Átmosódások kezelése / II
Pixel intenzitásokat számítsuk újra figyelembe véve a szomszédos képeket is Szélső felvételeken a polárkoordinátás kép intenzitást csökkentsük a valószínűtlen helyeken, vegyük figyelembe a halványításnál a pixel távolságát az elvárttól, valamint, hogy az adott várt értékhez, milyen távoli kép tartozik Használjunk különböző szórású függvényt a tüdő két oldalán. Simításhoz használjunk Rolling-Ball vagy hasonló eljárást

10 Active Contour / Snake Energia minimalizáláson alapszik
Iteratív eljárás Paraméterezéssel beállítható a körvonal „lekerekítettsége” és a kontúrkövetés mértéke Szín alapon megtalált maszk felhasználása kiindulásként Szív alatti terület megtalálásához ideális Kombináljuk az eljárásokat!

11 Kiértékelés / I Nincs elérhető adatbázis
Szimuláljunk tomo épeket CT-ből Axiális CT szeleteken intenzitás alapján határozzuk meg a tüdőterületet

12 Kiértékelés / II Vetítsük a megtalált tüdőterületet ugyanúgy, ahogy a szimulált tomót. A kapott referencia is lehet téves. Számítsunk ki metrikákat: Területi átfedés Körvonal pontjainak átlagos távolsága(MAD) Eltérések szórása Eredmények egy képsorozaton a centrális képeket megvizsgálva: Eredmény Átfedés MAD (pixel) Szórás Teljes 0.8508 5.175 5.943 Jobb tüdő 0.8462 5.125 6.117 Bal tüdő 0.8557 5.169 5.510

13 Továbbfejlesztési lehetőségek
Egy képen belüli modell alapú felismerés(ASM) Lokális tulajdonságokon alapuló módszer Bordák megtalálásán alapuló módszer A tüdő axiális kiterjedését leíró modell Kérdés? Köszönöm a figyelmet!