Foltkeresés tüdő röntgen képeken

Az előadások a következő témára: "Foltkeresés tüdő röntgen képeken"— Előadás másolata:

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

2 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 2

3 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 regisztrált új beteg, és 7500 halálozás hazánkban. Korai stádiumban észrevett elváltozás még kezelhető (70%-os túlélési esély).

4 Általános bevezető

5 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.

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

7 Nagyfrekvenciás kiemelés

8 Nagyfrekvenciás kiemelés

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

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

11 Entrópia alapú küszöbölés

12 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\

13 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’

14 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.

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

16 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

17 Jelenlegi eredmények (magyar adatbázis)

18 Egy sikeresen „feldolgozott” felvétel:

19 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).

20 Köszönöm a figyelmet!