Badania nad algorytmami syntezy statycznych. znamion melanocytowych skóry

Transkrypt

1 POLITECHNIKA GDAŃSKA Wydział Elektroniki, Telekomunikacji i Informatyki Łukasz Piątek Badania nad algorytmami syntezy statycznych obrazów medycznych przykład znamion melanocytowych skóry Rozprawa doktorska Promotor: prof. zw. dr hab. inż. Zdzisław S. Hippe Katedra Systemów Ekspertowych i Sztucznej Inteligencji Wyższa Szkoła Informatyki i Zarządzania w Rzeszowie Gdańsk, 2009

2 Pragnę wyrazić swoją wdzięczność promotorowi mojej pracy prof. Zdzisławowi S. Hippe, za opiekę naukową, wiele inspirujących dyskusji oraz konstruktywną krytykę. Z całego serca dziękuję mojej żonie oraz najbliższym za cierpliwość, wyrozumiałość oraz nieocenione wsparcie, którego mi udzielali.

3 WYKAZ SYMBOLI ORAZ SKRÓTÓW UŻYWANYCH W TEKŚCIE ABCD ASM BMP BOLD CF CMYK CR CT DFT DSA DT DTC reguła organizującą proces wykrycia obecności czterech głównych cech znamienia melanocytowego skóry, wg. strategii Stolz a [Stolz i in., 2006], algorytm aktywnych modeli kształtu (ang. Active Shape Models) [Cootes i in., 1995], format zapisu plików graficznych (tzw. bitmapa Windows), sygnał umożliwiający zobrazowanie przepływu krwi (ang. Blood Oxygen-Level Dependent), stosowany w obrazowaniu funkcjonalnym rezonansu magnetycznego, zobrazowanie w ultrasonografii tzw. kolorowy Doppler (ang. Color Flow), substrakcyjny model barw (ang. Cyan, Magneta, Yellow, BlacK), wykorzystywany najczęściej w urządzeniach drukujących, radiografia cyfrowa (ang. Computed Radiography), rentgenowska tomografia komputerowa (ang. Computed Tomography), dyskretna transformata Fourier a, cyfrowa angiografia substrakcyjna (ang. Digital Substraction Angiography), drzewo decyzji (ang. Decision Tree), dyskretna transformata cosinusowa,

4 fmri HASSOM HSV obrazowanie funkcjonalne danych rezonansu magnetycznego (ang. functional Magnetic Resonance Imaging), autorski, nowo-opracowany w ramach niniejszej rozprawy, algorytm syntezy, tzw. Hybrydowy Algorytm Syntezy Statycznych Obrazów Medycznych, percepcyjny model barw (ang. Hue, Saturation, Value), ID3 - algorytm indukcji drzew decyzji [Quinlan, 1979], Live 3D 4D LUT MFC MIP MOP MR MRI MRS NMR PCA PDM PET PF ruchome zobrazowania trójwymiarowe stosowane, np. w utlrasonografii, tablica przekształcenia (przekodowań) punktów obrazu (ang. Look up Table) biblioteki programistyczne do tworzenia graficznego interfejsu użytkownika w aplikacjach systemu Windows (ang. Microsoft Foundation Classes), metoda projekcji największej intensywności (ang. Maximum Intensity Projection), umożliwiająca uzyskanie bardzo dokładne zobrazowania w rentgenowskiej tomografii komputerowej, tzw. mapy opóźnień [Bogorodzki i in., 2003], umożliwiające np. syntezę obrazów czynnościowych rezonansu magnetycznego, rezonans magnetyczny (ang. Magnetic Resonance), obrazowanie danych rezonansu magnetycznego (ang. Magnetic Resonance Imaging), spektroskopia (ang. Magnetic Resonance Spectroscopy), magnetyczny rezonans jądrowy (ang. Nuclear Magnetic Resonance), analiza składowych głównych (ang. Principal Component Analysis), model rozkładu punktów (ang. Point Distribution Model) pozytronowa tomografia emisyjna (ang. Positron Emission Tomography), zobrazowanie uzyskane na skutek ekspozycji rozkładu natężenia sygnału dopplerowskiego, określane sonoangiografią lub jako

5 Power Doppler PF (ang. Power Flow), RGB ROI SIM SPECT SSD TDS TM USG VR addytywny model barw (ang. Red, Green, Blue) obrazów kolorowych, tzw. obszar zainteresowań (ang. Region of Interest), oznaczający obszar obrazu cyfrowego do dalszej analizy, metoda wskaźnika skali (ang. Scaling Index Metod), stosowana w komputerowej klasyfikacji obrazów znamion melanocytowych skóry, jednofotonowa tomografia emisyjna (ang. Single Photon Emission Computed Tomography), algorytm cieniowania powierzchni bocznych (ang. Shaded Surface Display), stosowany we wtórnym przetwarzaniu obrazów rentgenowskie tomografii komputerowej, wynik całkowitej oceny dermatoskopowej (ang. Total Dermatoscopy Score), zobrazowanie w ultrasonografii typu Time Motion, ultrasonografia (ang. UltraSonoGraphy), algorytm odtwarzania objętości (an. Volume Rendering), stosowany w rentgenowskiej tomografii komputerowej do wizualizacji danych objętościowych w formie trójwymiarowej.

6 WYKAZ NAZW SYSTEMÓW INFORMA- TYCZNYCH UŻYWANYCH W TEKŚCIE APOS ASMTEST CTSim DermoGenius Ultra DIAVENT ImageSYNTHESIZER jviren3d MammoViewer MaZda system Analizy i Przetwarzania Obrazów Seryjnych [Kulikowski oraz Wierzbicka, 1997], uniwersalny system automatycznej lokalizacji obiektów [Dudziński, 1999; Głowiński, 2004], programowy symulator tomografu komputerowego trzeciej generacji [ system dermatoskopii cyfrowej wspomaganej komputerowo [Stolz i in., 2006], system komputerowego wspomagania analizy obrazów ultrasonograficznych serca [Przytulska, 2003], autorski system informatyczny, stanowiący implementację algorytmu syntezy statycznych obrazów medycznych HASSOM [Hippe, Grzymała-Busse oraz Piątek, 2009a], aplikacja programowa, umożliwiająca prezentację danych dwuwymiarowych (uzyskanych z tomografu komputerowego) w postaci trójwymiarowej [ biomed.gda.pl/index.php?=com_dyplomy&co=dyplom785-26&itemid=92], system umożliwiający wspomaganie diagnostyki obrazowej w ultrasonografii [Wróblewska i in., 2005], pakiet oprogramowania umożliwiający analizę tekstur w obrazach tomografii rezonansu magnetycznego [Szczypiński i in., 2007],

7 OPSIRIS PHARMACY2 Phototropic SieScape Color SieScape SonoLab Tele-Remedy TreeSEEKER XFLOW 3-Scape TM 3D Express TM system umożliwiający wyświetlanie oraz podstawową analizę obrazów radiologicznych via Internet [Biberstein, Slotboom oraz Siegrist, 2008], pakiet oprogramowania użytkowego zawierający informacje o lekach oraz chorobach [Stempczyńska, Kącki oraz Misiak, 1999], program umożliwiający poprawę jakości obrazów ultrasonograficznych [ systemy firmy Siemens, umożliwiające uzyskanie zobrazowań panoramicznych w ultrasonografii [ // komputerowy system analizy i akwizycji sygnałów akustycznych, system umożliwiający zdalną naukę oraz diagnozowanie przypadków wrodzonych wad serca [Neophytou, 1999], system informatyczny, umożliwiający generowanie quasi optymalnych drzew decyzji [Knap, 2008], system wspomagający diagnostykę hemodynamiczną serca [Goszczyńska, 2003], oprogramowanie firmy Siemens, umożliwiające tworzenie statycznych zobrazowań trójwymiarowych w ultrasonografii [Kilian, 2003].

8 SPIS TREŚCI ROZDZIAŁ 1 Wstęp. Cel i zakres pracy 10 ROZDZIAŁ 2 Charakterystyczne cechy znamion melanocytowych skóry 19 ROZDZIAŁ 3 Współczesny stan badań nad przetwarzaniem oraz analizą obrazów cyfrowych 32 ROZDZIAŁ 4 Obrazowanie biomedyczne 68 ROZDZIAŁ 5 Założenia budowy systemu informatycznego do syntezy statycznych obrazów medycznych 95 ROZDZIAŁ 6 Wybrane cechy algorytmu Aktywnych Modeli Kształtu 105 ROZDZIAŁ 7 Hybrydowy algorytm syntezy statycznych obrazów medycznych. Przykład obrazów znamion melanocytowych skóry 113 ROZDZIAŁ 8 Podsumowanie wyników badań 202 DODATEK A Wybrane cechy narzędzia informatycznego, realizującego algorytm hybrydowej syntezy obrazów znamion melanocytowych skóry 210 LITERATURA 216

9 CZĘŚĆ TEORETYCZNA

10 ROZDZIAŁ 1 WSTĘP. CEL I ZAKRES PRACY Wśród różnych metod wspomagających rozwój współczesnej diagnostyki w medycynie, coraz większe znaczenie zyskuje komputerowo wspomagane obrazowanie biomedyczne [Materka, 1999]. Postęp technik informatycznych (zarówno w sensie sprzętowym, jak również metod programowania) doprowadził m. in. do upowszechnienia rentgenowskiej tomografii komputerowej (Cormack, Hounsfield Nagroda Nobla z 1979 r. [ tomografii rezonansu magnetycznego (Lautenburg, Mansfield Nagroda Nobla z 2003 r. [ pozytronowej tomografii emisyjnej, tomografii komputerowej pojedynczego fotonu, endoskopii komputerowej, ultrasonografii oraz tomografii termicznej. Badania dotyczące obrazowania medycznego można podzielić na trzy zasadnicze nurty zainteresowań, a mianowicie: (i) diagnostykę obrazową i związane z nią metody ekstrakcji cech oraz klasyfikacji obrazów medycznych (w tym także tworzenie i eksploatacja obrazowych baz danych i systemów wyszukiwania obrazów medycznych), (ii) systemy telemedyczne o charakterze edukacyjnym, o- raz (iii) wizualizację komputerową i syntezę obrazów medycznych. Definicja

11 diagnostyki obrazowej jest dyskutowana w wielu znaczących pozycjach literaturowych, zarówno o zasięgu krajowym jak i międzynarodowym, jednak wydaje się, że najbardziej trafną definicję tego pojęcia podano w [Rumiński, 2003a]. Według Rumińskiego, Diagnostyka obrazowa stanowi obecnie jedną z najbardziej zaawansowanych dziedzin zastosowania techniki w medycynie. Komputerowe metody wspomagania diagnostyki obrazowej wprowadzają zarówno jakościową poprawę obrazów jak i ich ilościowy opis. Zatem ich zadaniem jest zwiększenie liczby poprawnych diagnoz, szczególnie w przypadkach niestandardowych, jak i precyzyjne przygotowanie terapii oraz jej ocenę. W samej analizie obrazów medycznych, można dostrzec wyraźny podział na (i) tzw. rozpoznawanie i interpretację obrazów, (ii) ich analizę ilościową, oraz (iii) ewaluację i segmentację. Z formalnego punktu widzenia, analiza obrazów jest relacją odwzorowania typu: zbiór dopuszczalnych opisów obrazów w zbiór możliwych realizacji obrazów [Kulikowski oraz Strzelecki, 2003]. Algorytmy związane z ekstrakcją cech obrazów biomedycznych znajdują zatem zastosowanie w diagnostycznych systemach ekspertowych, umożliwiając klasyfikację analizowanych obiektów na podstawie ich treści wizyjnych. Wraz z rosnącym zainteresowaniem zagadnieniem pozyskiwania informacji z obrazów, pomimo dużej złożoności problemu, nastąpił znaczący rozwój systemów informatycznych, umożliwiających prowadzenie skutecznej diagnostyki oraz terapii w medycynie. Wśród wielu dostępnych rozwiązań należy wymienić system DIA- VENT, służący do komputerowego wspomagania analizy obrazów ultrasonograficznych serca, głównie z punktu widzenia badań pracy jego lewej komory [Przytulska, 2003], czy system XFLOW, wspomagający diagnostykę hemodynamiczną serca poprzez obliczanie współczynnika przepływu wieńcowego na podstawie analizy średniej jasności tętnic wieńcowych [Goszczyńska, 2003]. Spośród innych systemów informatycznych wspomagających ekstrakcję cech z obrazów medycznych, duże znaczenie mają: pakiet oprogramowania MaZda, umożliwiający analizę tekstur w obrazach tomografii rezonansu magnetycznego (z zastosowaniem współczynnika Fischer a) [Szczypiński i in., 2007], system

12 detekcji konturów w obrazach zmian chorobowych raka piersi (z dokładnością na poziomie 98%) [Cardoso oraz Cardoso, 2007], oraz uniwersalne oprogramowanie do morfometrycznej analizy obrazów (ang. Digital Image Processing System) [Dulewicz, Piętka oraz Jaszczak, 2003], zaimplementowane w Zakładzie Metod Przetwarzania Informacji Biomedycznej IBIB PAN. Ważną podgrupę systemów analizy obrazów biomedycznych stanowią również narzędzia informatyczne wspomagające efektywne (z wykorzystaniem specjalizowanych algorytmów) przeszukiwanie obrazowych baz medycznych. Należy tu wymienić tzw. System Wyszukiwania Obrazów Medycznych [Rumiński, 2003a], znamienny możliwością tworzenia list (wykazów) obiektów, cechujących się wysokim (ponad 70%) współczynnikiem podobieństwa. Analogicznym przykładem jest system APOS (Analizy i Przetwarzania Obrazów Seryjnych), stanowiący rozszerzenie systemu IMAGE-PRO firmy Media Cybernetics, zrealizowany w Zakładzie Metod Przetwarzania Informacji Biomedycznej IBIB PAN w Warszawie [Kulikowski oraz Wierzbicka, 1997]. Drugi kierunek badań, związany z rozwojem systemów telemedycznych o charakterze edukacyjnym, dotyczy systemów informatycznych znajdujących zastosowanie głównie w procesie kształcenia lekarzy. Jednym z przykładów systemów tego rodzaju jest m. in. pakiet oprogramowania użytkowego PHARMA- CY2, zawierający informacje o lekach oraz chorobach (przechowywane w formie tekstowej), w połączeniu z obrazami statycznymi w formacie JPEG oraz filmami [Stempczyńska, Kącki oraz Misiak, 1999], zaimplementowany w Klinice Chemioterapii Akademii Medycznej w Łodzi. Podobną rolę spełnia projekt Tele-Remedy, umożliwiający zdalną naukę oraz diagnozowanie przypadków wrodzonych wad serca, z zastosowaniem technologii Euro-ISDN [Neophytou, 1999], czy oprogramowanie przygotowane w laboratoriach firmy La Roche-Posay, wspomagające zdalną naukę diagnozowania znamion melanocytowych skóry [ Kolejnym systemem tego typu jest programowy symulator tomografu komputerowego trzeciej generacji CT- Sim (rekonstrukcja obrazu metodą projekcji wstecznej z filtrowaniem) [

13 oraz system określony jako Web-based collaborative System for Medical Image Analysis and Diagnosis (możliwość zdalnej współpracy lekarzy z wykorzystaniem sieci Internet) [Lim, Feng oraz Cai, 2000]. Ostatni z wspomnianych uprzednio nurtów zainteresowań w obrazowaniu medycznym dotyczy rozwoju metod komputerowej (i) wizualizacji oraz (ii) syntezy obrazów medycznych. Badania nad usprawnieniem wizualizacji narządów człowieka (zewnętrznych, jak i wewnętrznych) mają na celu wyeliminowanie lub zastąpienie aktualnie używanych metod badań, mogących mieć ujemny wpływ na zdrowie. Ponadto komputerowa wizualizacja danych obrazowych u- możliwia lekarzom szybsze i dokładniejsze poznanie przyczyny choroby. Systemy tego rodzaju to m. in. oprogramowanie 3-Scape TM oraz 3D Express TM firmy Siemens, wykorzystywane do tworzenia statycznych zobrazowań trójwymiarowych 3D w ultrasonografii [Kilian, 2003]. Kolejnymi przykładami systemów wspomagających proces wizualizacji danych medycznych w formie obrazowej są m. in. system OPSIRIS, umożliwiający wyświetlanie obrazów radiologicznych oraz prowadzenie ich podstawowej analizy poprzez sieć Internet [Biberstein, Slotboom oraz Siegrist, 2008] oraz system komputerowej dermatoskopii cyfrowej DermoGenius Ultra [Stolz i in., 2006]. Jednak szczególną rolę odgrywają badania związane z opracowaniem algorytmicznych metod syntezy obrazów medycznych, prowadzące do odwzorowania wyglądu (zmienionego przez ewentualną chorobę) narządów, zlokalizowanych zarówno na ciele pacjenta (np. znamiona melanocytowe skóry [Stolz i in., 2006]), jak też bezinwazyjną wizualizację i modelowanie obrazów narządów wewnętrznych (np.: serca [Bodin oraz Kuźmin, 2006], płuc, wątroby itp.). Istotną przesłanką prowadzenia badań nad projektowaniem, a następnie implementacją w systemach informatycznych nowych metod generowania obrazów syntetycznych, jest zauważalny brak dostępu do bezpłatnych repozytoriów, zawierających rzeczywiste obrazy biomedyczne. Doświadczenia czołowych europejskich ośrodków medycznych (m. in. Klinik und Poliklinik für Dermatologie

14 und Allergologie, Ludwig-Maximilians-Universität, München oraz Universitäts-Hautklinik, Klinikum der Universität Tübingen) wyraźnie wskazują na konieczność tworzenia oraz upowszechniania komputerowych baz informacyjnych, zawierających również obrazy. Dostęp do dobrze przygotowanych, obszernych oraz wiarygodnych baz tego rodzaju, z zapisanymi barwnymi zdjęciami cyfrowymi (np. fotografia znamienia melanocytowego na skórze, rentgenogram płuc itp.) odgrywa bowiem kluczową rolę w kształceniu lekarzy. Dostęp do baz danych zawierających obrazy licznych i zróżnicowanych przypadków, powinien umożliwić wyrobienie u lekarzy algorytmicznego sposobu rozpoznawania i klasyfikacji badanych zobrazowań, z wykluczeniem metodyki wykorzystującej podejście typu scientific guess, prowadzące do natychmiastowego postawienia typowo rutynowej diagnozy, nie korzystającej z żadnej procedury algorytmicznej. Jednak pomimo formalnych możliwości technicznych (sprzętowych i programowych) do wykonywania oraz zapisu obrazów biomedycznych, w systemach dokumentowania stanu pacjentów nadal w wielu przypadkach obserwuje się zaniechanie dołączania wymaganych zdjęć cyfrowych do kart chorobowych pacjentów. Jednym z powodów jest brak w szpitalach odpowiednio przeszkolonego personelu informatycznego, odpowiedzialnego za wykonywanie oraz archiwizację w systemach komputerowych wymaganej dokumentacji obrazowej. W Polsce, dodatkową przeszkodą w tworzeniu baz informacyjnych zawierających obrazy medyczne, jest przyjęta interpretacja obowiązującej obecnie ustawy o ochronie danych osobowych [ /files/.../ustawa_o_ochronie_danych_osobowych.pdf]. Zgodnie z istniejącymi przepisami koniecznym jest uzyskanie zgody pacjenta na wykonywanie, publikowanie, a także przekazanie zdjęć obserwowanych schorzeń. Narzucone ograniczenia znacznie utrudniają proces prowadzenia skutecznych badań diagnostyczno-klasyfikacyjnych przez instytucje (medyczne oraz naukowe) lub organizacje, które nie uczestniczyły w wykonaniu tych zdjęć. Niektóre ze znanych ośrodków informatyki medycznej, umożliwiające do tej pory publiczny dostęp do baz z obrazami tego typu, aktualnie również wstrzymały swoje usługi [ // Inne ośrodki udostępniają z kolei standardowy i

15 niezmienny zestaw obrazów [ Wskutek powyższych ograniczeń narzuca się konieczność uzupełnienia rzeczywistych obrazów biomedycznych obrazami syntetycznymi, generowanymi przy pomocy specjalistycznych algorytmów. Wydaje się, że obrazy syntetyczne, odwzorowujące znamienne cechy obrazów rzeczywistych z wymaganą precyzją, mogą z powodzeniem stanowić alternatywne źródło wiedzy, w stosunku do rzeczywistych obrazów medycznych. Przykładem znaczącego rozwoju algorytmów syntezy obrazów medycznych oraz ich praktycznego zastosowania w programach komputerowych jest system diagnostyczny dla kardiologów, realizowany w ramach projektu animacji pracy serca, zsynchronizowanej z danymi sygnału elektrokardiograficznego [Ryan, O Sullivan oraz Bell, 2004]. Podobne wdrożenia metod tego typu umożliwiają m. in. generowanie syntetycznych obrazów mammogramów piersi (wykorzystanie algorytmu analizy składowych głównych PCA) [Rose oraz Taylor, 2003], syntezę obrazów nerek (generowanie obrazów metodą typu Monte Carlo) [Chen i in., 2002], modelowanie pracy serca [Bodin oraz Kuźmin, 2006], czy syntezę pseudo-trójwymiarowych obrazów cyfrowych, umożliwiających śledzenie ruchu wybranych części ciała [Kakadiaris oraz Metaxas, 1996]. Wspomniane uprzednio obserwacje są w istocie rzeczy genezą realizowanego tematu niniejszej rozprawy, będącej próbą opracowania oraz implementacji metody obrazowania znamion melanocytowych skóry. Zakres prowadzonych badań obejmuje opracowanie algorytmów syntezy; niektóre ich elementy przypuszczalnie będą mogły być zastosowane do syntezy również innych obrazów medycznych (o zbliżonych właściwościach). Ponadto zakłada się powstanie wielokategoryjnej bazy informacyjnej, zawierającej oprócz opisów tekstowych oraz cyfrowych obrazów rzeczywistych przypadków znamion melanocytowych skóry, również obrazy syntetyczne (nowo utworzone w procesie syntezy). Osiągnięcie postawionych założeń wymaga m. in. opracowania specyficznych algorytmów syntezy, polegających w uproszczeniu na odwróceniu procedur diagnostycznych, stosowanych przez dermatologów, poprzez kontrolo

16 wane umieszczanie wzorców wymaganych symptomów w obrazie syntetycznym. Właściwa klasyfikacja znamion melanocytowych skóry i związana z tym ocena stopnia zagrożenia czerniakiem jest dokonywana przez lekarzy na ogół z zastosowaniem pewnych usystematyzowanych procedur, znanych w literaturze pod nazwą algorytmów (strategii) melanocytowych. Do najbardziej znanych i najczęściej stosowanych strategii tego typu należą: strategia Argenziano [Argenziano i in., 2007], strategia Menzies a [Menzies oraz Zalaudek, 2006] oraz algorytm Stolz a (tzw. pierwotna reguła ABCD [Braun-Falco i in., 1990]). Wszystkie wymienione strategie, najogólniej polegają na wykryciu pewnych charakterystycznych cech analizowanego obrazu znamienia i wskazania na tej podstawie ewentualnej konieczności przeprowadzenia chirurgicznego zabiegu usunięcia znamienia. Stosowanie wymienionych algorytmów przez lekarzy umożliwia unikanie diagnoz stawianych ad hoc, wprowadzając w zamian algorytmiczny sposób klasyfikacji badanych przypadków. Spośród trzech wymienionych strategii, najbardziej interesująca wydaje się być strategia Braun-Falco, ostatnio nieznacznie zmodyfikowana przez Stolz a, polegająca na ocenie znamienia na podstawie wartości czterech podstawowych symptomów znamion (tj. asymetrii, charakteru obrzeża, liczby i rodzaju występujących kolorów oraz liczby i rodzaju zróżnicowania struktur powierzchni), przeprowadzona według tzw. reguły ABCD, opisanej bardziej szczegółowo w Rozdziale 2. Wybór tej właśnie strategii wynika z faktu jej powszechnego zastosowania w wielu krajach Europy Zachodniej, w tym Katedrze Kliniki Dermatologii i Alergologii w Monachium, kierowanej do niedawna przez prof. dr med. dr h. c. G. Plewig a (doktoraty Honoris causa w zakresie medycyny Uniwersytetu w Pradze [ oraz Uniwersytetu we Wrocławiu [ Znamienną cechą wspomnianej strategii jest przypisanie największego współczynnika symptomowi asymetria, co implikuje konieczność utworzenia szczególnie precyzyjnego algorytmu syntezy tego symptomu. Zasadniczą nowością planowanych badań, nieopisaną do tej pory w dostępnej literaturze, jest zamysł opracowania algorytmów syntezy obrazów typu hybrydowego (tj. wektorowo

17 rastrowych), działających w czasie rzeczywistym. Ze względu na ogromną różnorodność typów znamion barwnikowych skóry [Braun-Falco i in., 1990]), algorytmy syntezy obrazów znamion melanocytowych, opracowane w ramach badań realizowanych w niniejszej rozprawie dotyczą syntezy obrazów wybranych znamion, najbardziej zagrażających człowiekowi, tj. z grupy Nevus oraz z grupy Melanoma, z objęciem syntezą wszystkich podtypów tych znamion. Mianowicie w grupie Nevus objęto badaniami podtypy Junctional nevus, Junctional and dermal nevus, Atypical/dysplastic nevus, Dermal nevus oraz Palmo-plantar nevi, natomiast w grupie Melanoma synteza obejmuje obrazy dla podtypów Superficial melanoma oraz Nodular Melanoma. Badanie skuteczności opracowanej metodologii syntezy obrazów zostanie oparte na specyficznym teście, wywodzącym się z oryginalnego pomysłu Turing a [Turing, 1950]. Mianowicie, syntetyczne obrazy znamion, w zestawieniu z cyfrowymi obrazami rzeczywistych znamion melanocytowych skóry, zostaną przedstawione do oceny porównawczej specjalistom z zakresu dermatologii oraz obrazowania komputerowego. Tezę niniejszej rozprawy sformułowano następująco: Wydaje się, że jest możliwym opracowanie skutecznych algorytmów syntezy statycznych obrazów medycznych, na przykładzie obrazów znamion melanocytowych skóry, i implementacja ich w nowym systemie informatycznym, u- możliwiającym utworzenie obszernej, wielokategoryjnej bazy informacyjnej, zawierającej zarówno obrazy syntezowane, jak i obrazy rzeczywiste, przydatnej w nauczaniu na wyższych studiach medycznych, a także w praktyce zawodowej lekarzy-dermatologów oraz lekarzy pierwszego kontaktu. Przewiduje się również, że uogólnienie wybranych elementów opracowanych algorytmów będzie mogło stanowić podstawę narzędzi oraz zasobów informatycznych, wspomagających syntezę pokrewnych obrazów medycznych. W niniejszym rozdziale przedstawiono ogólną charakterystykę komputerowego wspomagania obrazowania w zastosowaniach medycznych. Nakreślono po

18 nadto cel i zakres badań nad syntezą statycznych obrazów tego typu, na przykładzie obrazów znamion melanocytowych skóry. Natomiast w kolejnym rozdziale skupiono się na szczególnych cechach rzeczywistych znamion melanocytowych skóry

19 ROZDZIAŁ 2 CHARAKTERYSTYCZNE CECHY ZNA- MION MELANOCYTOWYCH SKÓRY Klasyfikacja znamion melanocytowych skóry polega na zidentyfikowaniu w znamieniu pewnych cech charakterystycznych, określanych również jako symptomy. Ocena znamienia może być przeprowadzona na dwa sposoby. Podejście pierwsze polega na ocenie znamienia melanocytowego oglądanego bezpośrednio na skórze pacjenta. Drugi sposób to ocena znamienia występującego w formie fotografii otrzymanej na skutek transformacji znamienia rzeczywistego w obraz cyfrowy. W celu usystematyzowania pojęć stosowanych w niniejszej rozprawie przyjęto, że termin znamię melanocytowe skóry odnosi się zarówno do znamienia rzeczywistego bezpośrednio na skórze pacjenta, jak też do jego cyfrowej fotografii. Określenie symptomów (cech) diagnozowanego znamienia, a następnie sklasyfikowanie charakteru znamienia (złośliwe, podejrzane, łagodne lub z błękitne 1) ) jest często wspomagane poprzez zastosowanie tzw. strategii oceny znamion melano- 1 ) Czasami w literaturze wymienia się jedynie trzy kategorie znamion melanocytowych skóry, bez znamienia błękitnego. Znamię to jest wówczas traktowane jako podkategoria znamienia łagodnego

20 cytowych skóry, określanych w niektórych źródłach literaturowych jako algorytmy melanocytowe [Stolz i in., 2006]. Zastosowanie strategii oceny znamion wprowadza pewne usystematyzowanie procedur diagnostycznych w badaniu lekarskim. Decyzja o ewentualnej konieczności chirurgicznego usunięcia znamienia charakteryzuje się wówczas mniejszym błędem klasyfikacji. Oprócz zastosowania strategii oceny znamion, wykorzystuje się również specjalistyczną aparaturę medyczną, wspomagającą rozpoznawanie charakterystycznych cech diagnostycznych. Przykładem tego typu urządzenia, powszechnie stosowanego na świecie jest dermatoskop [ zapewniający 10-krotne powiększenie (Rys. 2.1) pierwotnego obrazu podejrzanego obszaru skóry (Rys 2.2). Identyfikacja wszystkich charakterystycznych cech znamion (m.in. kolorów i elementów strukturalnych) umożliwia tym samym wcześniejsze rozpoznanie typu znamienia oraz większą poprawność diagnozy [Bajcar oraz Grzegorczyk, 2000]. Rys. 2.1 Obraz rzeczywistego znamienia melanocytowego typu Junctional nevus, widzianego z zastosowaniem 10-krotnego powiększenia dermatoskopem [

21 Rys. 2.2 Obraz rzeczywistego znamienia melanocytowego typu Junctional nevus, widzianego gołym okiem [ Do strategii oceny znamion melanocytowych skóry najczęściej cytowanych w literaturze należą strategia Argenziano (tzw. skala 7-punktowa) [Argenziano i in., 2007], strategia Menzies a [Menzies oraz Zalaudek, 2006] oraz strategia Stolz a, oparta na zastosowaniu tzw. reguły ABCD [Braun-Falco i in., 1990; Nachbar i in., 1994]. Strategia ARGENZIANO Strategia Argenziano polega na wyodrębnieniu i ocenie przy pomocy umownej skali punktowej tzw. małych oraz dużych kryteriów. Duże kryteria są zdefiniowane poprzez wystąpienie w znamieniu atypowej siatki barwnikowej, atypowego wzoru naczyniowego oraz niebiesko-białawej woalki. Z kolei do małych kryteriów zalicza się: nieregularne smugi (tj. pseudowypustki, smugi promieniste), nieregularne zabarwienie, nieregularne plamy/globule oraz obszary regresji. Występowanie każdej z cech określonych jako duże kryterium powoduje dodanie do wyniku badania wartości 2, natomiast przy obecności małych kryteriów stosuje się skalę 1-punktową. Strategia Argenziano zakłada, że znamiona, które uzyskały 3 lub więcej punktów mogą być złośliwe (patrz Tablica 2.1). Dla przykładowego znamienia z Rys. 2.3 występuje tylko jedno małe kryterium typu nieregularne smugi, i dlatego wynik jest równy 1. Oznacza to, że według strategii Argenziano znamię zostało sklasyfikowane jako łagodne, nie wymagające usunięcia

22 Tablica 2.1 Klasyfikacja znamion melanocytowych skóry na podstawie strategii Argenziano (tzw. skala 7-punktowa) [Żabińska Płazak, Wojas Pelc i Dyduch, 2005] Kryteria Punktacja (1) (2) Kryteria duże atypowa siatka barwnikowa atypowy wzór naczyniowy niebiesko-biaława woalka Kryteria małe nieregularne smugi (pseudowypustki, smugi promieniste) nieregularne zabarwienie nieregularne plamy/globule obszary regresji Wynik < 3 - znamię nie jest czerniakiem >= 3 - czerniak Rys. 2.3 Obraz rzeczywistego znamienia melanocytowego typu Junctional nevus, widzianego z zatosowaniem 10-krotnego powiększenia dermatoskopem. Czarnymi strzałkami zaznaczono strukturę typu sieć barwnikowa, natomiast strzałki brązowe wyznaczają miejsca występowania pseudotorbieli rogowych [ Strategia MENZIES a W strategii Menzies a bada się symetrię oraz występowanie pewnych cech charakterystycznych, a mianowicie niebiesko-białawej woalki, licznych brązowych kropek, pseudowypustek, smug promienistych, odbarwień bliznopodobnych, obwodo

23 wych czarnych kropek/globuli, licznych kolorów, licznych niebieskich lub szarych plam oraz szerokiej siatki barwnikowej. Strategia Menzies a zakłada, że znamiona złośliwe, wskazujące na możliwość wystąpienia czerniaka, charakteryzują się asymetrią układu znamienia, występowaniem więcej niż jednego koloru oraz obecnością minimum jednej z wymienionych w Tablicy 2.2 cech charakterystycznych. Tablica 2.2 Klasyfikacja znamion melanocytowych skóry w oparciu strategię Menzies a [Żabińska Płazak, Wojas Pelc i Dyduch, 2005] Rodzaj znamienia Cechy znamienia (1) (2) Znamię łagodne Czerniak Symetria układu znamienia oraz koloru Asymetria układu znamienia Więcej niż 1 kolor Minimum 1 z 9 cech: niebiesko-biaława woalka liczne brązowe kropki pseudowypustki smugi promieniste odbarwienia bliznopodobne obwodowe czarne kropki/globule liczne kolory liczne niebieskie lub szare plamy szeroka siatka barwnikowa Według strategii Menzies a znamię z Rys. 2.3 nie jest symetryczne, posiada 1 kolor oraz występują w nim pseudowypustki. Znamię można zatem sklasyfikować jako złośliwe (czerniak), wymagające interwencji chirurgicznej. Strategia STOLZ a Kolejna z powszechnie stosowanych strategii oceny znamion melanocytowych skóry została zaproponowana przez Braun-Falco [Braun-Falco i in., 1990], i ostatnio nieznacznie zmodyfikowana przez Stolz a [Stolz i in., 2006]. Strategia wykorzystuje tzw. regułę ABCD, organizującą proces wykrycia obecności czterech głównych cech analizowanego znamienia, przy czym A (Asymmetry) oznacza wynik oceny asymetrii znamienia, B - (Border) wynik oceny charakteru jego brzegu, C - (Color) wynik rozpoznania liczby kolorów w znamieniu (z dopusz

24 czonych sześciu), zaś D (Diversity of structure) oznacza wynik oceny liczby struktur (z dopuszczonych pięciu). Poszczególne elementy reguły ABCD służą do wyznaczenia całkowitej oceny dermatoskopowej TDS (ang. Total Dermatoscopy Score). Wartość tego parametru umożliwia identyfikację charakteru znamienia, które w zależności od stopnia zagrożenia może należeć do jednej z czterech kategorii, tj. znamię łagodne, znamię błękitne, znamię podejrzane lub znamię złośliwe (tj. czerniak, najgroźniejszy współcześnie nowotwór [Topwik, 1998]). Wartość parametru TDS, wg Braun-Falco oblicza się według zależności (2.1): TDS = 1,3 * <Asymmetry> + 0,1 * <Border> + (2.1) 0,5 * S<Color> + 0,5 * S<Diversity of structures> Ocena asymetrii znamienia Ocena asymetrii znamienia (Rys. 2.4) polega na wyznaczeniu jego symetrii, poprzez znalezienie informacji o liczbie dwukrotnych osi symetrii, leżących w płaszczyźnie znamienia (Rys. 2.5 oraz Rys. 2.6). Rys. 2.4 Obraz rzeczywistego znamienia melanocytowego typu znamię łagodne [ Początkowo poszukuje się dwukrotnej osi symetrii (Rys. 2.5)

25 Rys. 2.5 Obraz rzeczywistego znamienia melanocytowego typu znamię łagodne. Czerwoną linią zaznaczono 2-krotną oś symetrii [ W przypadku znalezienia pierwszej dwukrotnej osi symetrii (Rys. 2.5), poszukuje się drugiej osi, prostopadłej do osi pierwszej (Rys. 2.6) Rys. 2.6 Obraz rzeczywistego znamienia melanocytowego typu znamię łagodne. Białe linie wyznaczają dwie 2-krotne osie symetrii [ Jeżeli znamię posiada dwie, wzajemnie prostopadłe osie symetrii (Rys. 2.6) wartość wyniku oceny asymetrii znamienia <Asymmetry> wynosi 0, co w domyśle oznacza, że znamię jest symetryczne (Rys. 2.7a). W przypadku wystąpienia asymetrii względem jednej osi symptom <Asymmetry> przyjmuje wartość 1 (znamię asymetryczne względem jednej-osi symetrii (Rys. 2.7b)), natomiast brak jakiejkolwiek osi symetrii, dzielącej obraz znamienia na dwie symetryczne (w przybliżeniu) części (znamię asymetryczne względem dwóch-osi symetrii (Rys. 2.7c)) powoduje przypisanie symptomowi <Asymmetry> wartości

26 Rys. 2.7 Przykłady rzeczywistych znamion melanocytowych skóry, różnych ze względu na typ asymetrii znamienia. Kolejne znamiona to: <znamię symetryczne> - występują 2 osie symetrii (a), <znamię asymetryczne względem jednej osi symetrii> - występuje 1 oś symetrii (b) oraz < znamię asymetryczne względem dwóch osi symetrii > - brak osi symetrii (c). Osie symetrii zaznaczono w postaci linii w kolorze białym [ Fakt przypisania największego współczynnika symptomowi <Asymmetry> (patrz wzór (2.1)) implikuje konieczność utworzenia szczególnie precyzyjnego algorytmu syntezy tego symptomu. Ocena brzegu znamienia Określenie charakteru brzegu znamienia polega na analizie układu barwnika, zlokalizowanego w obszarze połączenia znamienia oraz zdrowej skóry. W celu przeprowadzenia dokładnej oceny, znamię dzieli się na osiem równych (w przybliżeniu) części, utworzonych przez dwie pary prostopadłych osi, przecinających się w jednym punkcie (Rys. 2.8). Następnie ocenia się ostrość przejścia pomiędzy znamieniem a zdrową skórą w każdej oktalnej części znamienia. Przejście to może być ostre (wnosząc do wyniku 1 punkt) lub rozmyte (nie wpływające na wynik), co w rezultacie nadaje symptomowi <Border> wartość liczbową od 0 do

27 Rys. 2.8 Przykład rzeczywistego znamienia melanocytowego skóry posiadającego 6 fragmentów ostrych (<Border> = 6) [ Wychodząc poza dotychczasowe doświadczenia, określone przez twórców reguły ABCD, podczas dotychczas przeprowadzonych badań własnych [Hippe o- raz Piątek, 2005] dostrzeżono pewne nowe własności symptomu <Border>. Przykładowo, dla wartości tego symptomu równej 2, istnieje możliwość wystąpienia 28 odmiennych jego przypadków w syntezowanym obrazie (Rys. 2.9), otrzymanych poprzez wykonanie operacji symetrii, związanej z 8-krotną osią symetrii, położoną prostopadle do płaszczyzny obrazu znamienia. Rys. 2.9 Zestaw 28 możliwych przypadków kombinacji fragmentów o brzegu ostrym oraz rozmytym. Fragmenty o brzegu ostrym są zaznaczone cienką linią, natomiast fragmenty o brzegu rozmytym linią grubą. Każdy z 4-ech widocznych przypadków multiplikuje 4-kolejne lub 8- kolejnych, poprzez zastosowanie 4-krotnej lub 8-krotnej osi symetrii, położonej prostopadle do płaszczyzny syntezowanego obrazu Dla symptomu <Border> przyjmującego wartość liczbową od 0 do 8 istnieje w sumie 256 różnych rozkładów fragmentów o brzegu ostrym, odpowiednio kombinowanych z fragmentami o brzegu rozmytym [Hippe, Grzymała-Busse oraz Piątek, 2006a]

28 Ocena kolorów oraz struktur Pozostałe dwa symptomy omawianych znamion, tj. <Color> oraz <Diversity of structure> mają charakter wielowartościowy. Cechy te opisują obecność lub brak wystąpienia dopuszczonych regułą ABCD kolorów oraz struktur zróżnicowania powierzchni znamion. Ocena zabarwienia znamienia (symptom <Color>) polega na stwierdzeniu dowolnej liczby kolorów, ze zbioru 6-ciu kolorów dopuszczonych ( białego, błękitnego, ciemno brązowego, jasno brązowego, czarnego oraz czerwonego) (Rys 2.10). Symptom określający kolory występujące w znamieniu przyjmuje zatem wartość z przedziału od 1 do 6. Rys Przykład rzeczywistego znamienia melanocytowego skóry, z dwoma kolorami występującymi w obrębie znamienia, tj: jasnobrązowy oraz czerwony [ Natomiast ocena wystąpienia elementów strukturalnych, polega na określeniu obecności 5-ciu głównych elementów, tj.: ciałek barwnikowych, kropek barwnikowych, pól bezstrukturalnych, rozgałęzień pasmowatych oraz sieci barwnikowej (Rys 2.11). Ocena zróżnicowania struktur znamienia powoduje zatem przypisanie symptomowi <Diversity of structure> wartości z zakresu od 1 do 5. Znaczące zróżnicowanie elementów strukturalnych zwiększa prawdopodobieństwo, że oceniane znamię jest czerniakiem

29 Rys Przykład rzeczywistego znamienia melanocytowego skóry, w którym występują cztery rodzaje struktur zróżnicowania powierzchni znamienia, tj: ciałka barwnikowe, kropki barwnikowe, siec barwnikowa oraz pole bezstrukturalne [ W prowadzonych badaniach własnych dostrzeżono, że symptomy <Color> oraz <Diversity of structure> nie różnicują wpływu poszczególnych elementów (wybrany kolor lub struktura) na charakter diagnozowanego znamienia. We wzorze (2.1) nie określono bowiem różnicy pomiędzy poszczególnymi kolorami oraz strukturami, biorąc pod uwagę jedynie liczbę kolorów oraz struktur obecnych w znamieniu. Przewiduje się, że utworzone algorytmy syntezy obrazów, w odniesieniu do tych symptomów, oparte zostaną jednak na wynikach najnowszych badań własnych w tej dziedzinie [Grzymała-Busse oraz Hippe, 2005], w których zdefiniowano odrębne współczynniki wagowe dla poszczególnych kolorów oraz struktur znamienia. Wyznaczanie Total Dermatoscopy Score Po dokonaniu indywidualnej oceny wartości każdego z czterech głównych symptomów analizowanego znamienia, w celu wyliczenia całkowitego rezultatu badania dermatoskopowego TDS, uzyskane wyniki należy pomnożyć przez współczynniki wskazane we wzorze (2.1),. W istocie rzeczy, poprzez zastosowanie omawianego parametru, jak również ewentualnej obecności bądź braku wystąpienia koloru błękitnego, można jak wspomniano przypisać badane znamię do jednego z czterech rodzajów (kategorii) znamion melanocytowych

30 skóry: znamię łagodne, znamię błękitne, znamię podejrzane oraz znamię złośliwe (patrz Tablica 2.3). Tablica 2.3 Klasyfikacja znamion melanocytowych skóry w oparciu o wartość wyniku badania dermatoskopowego TDS Wartość TDS Kategoria znamienia (1) (2) TDS < 4.76 oraz brak koloru błękitnego Benign nevus (znamię łagodne) TDS < 4.76 oraz obecność koloru błękitnego Blue nevus (znamię błękitne) 4.76 <= TDS < 5.45 Suspicious nevus (znamię podejrzane) TDS >= 5.45 Melanoma malignant (czerniak złośliwy) Według strategii Stolz a (wzór 2.1) przykładowe znamię z Rys. 2.3 jest znamieniem nie posiadającym żadnej osi symetrii, z jednym ostrym fragment brzegu. Ponadto występują w nim dwa kolory (ciemnobrązowy i jasnobrązowy) oraz dwie struktury zróżnicowania powierzchni znamienia. Powoduje to, że wartość parametru TDS wynosi: TDS = 1.3 * * * ( ) * ( ) = 4.7 Stosując zasady przedstawione w Tablicy 2.3, analizowane znamię (Rys. 2.3) należy uznać za znamię podejrzane, czyli potencjalnie niebezpieczne. Spośród trzech wymienionych metod oceny znamion melanocytowych skóry, dostępna literatura [Binder i in., 2000] wskazuje na szczególną skuteczność strategii Braun-Falco i Stolz a. Strategia ta jest obecnie powszechnie stosowana przez lekarzy, zarówno w Europie Zachodniej [Stolz i in., 2006], jak również w Polsce. Stwierdzono także, że mniej doświadczeni klinicyści uzyskują lepszą poprawność diagnoz, jeżeli stosują podczas badań regułę ABCD. Powyższe przesłanki spowodowały, że w badaniach związanych z realizacją niniejszej rozprawy przewiduje się opracowanie algorytmów syntezy obrazów znamion melanocytowych, wykorzystujących w pewnym sensie odwrócenie procedur diagnostycznych, zawartych w strategii Braun-Falco/Stolz a

31 W następnym rozdziale zostaną przedstawione podstawowe informacje na temat algorytmów przetwarzania oraz analizy wybranych obrazów medycznych

32 ROZDZIAŁ 3 WSPÓŁCZESNY STAN BADAŃ NAD PRZE- TWARZANIEM ORAZ ANALIZĄ OBRA- ZÓW CYFROWYCH Główny zamysł badań realizowanych w ramach niniejszej rozprawy 2) polega w uproszczeniu na odwróceniu procedur diagnostycznych, stosowanych przez dermatologów podczas klasyfikacji rzeczywistych znamion, lub ich cyfrowych kolorowych fotografii. Dlatego też uważa się za celowe przedstawienie zwięzłego przeglądu informacji na temat badań, związanych z przetwarzaniem oraz analizą cyfrowych obrazów biomedycznych. W niniejszym rozdziale skupiono się na przedstawieniu cech charakterystycznych tego typu obrazów, a także metod ich przetwarzania oraz analizy. Dopełnieniem zawartych tutaj treści będzie Rozdział 4, w którym zostaną przedstawione aktualne metody zobrazowań w informatycznych systemach medycznych. Informacje te zostaną również uzupełnione omówieniem badań, prowadzonych w zakresie wspomaganej komputerowo dermatoskopii cyfrowej. 2 ) Badania nad algorytmami syntezy statycznych obrazów medycznych przykład znamion melanocytowych skóry

33 Obrazy biomedyczne Pojęcie obrazu w zastosowaniach medycznych zostało zaczerpnięte z [Nowakowski, 2003]. Obraz biomedyczny, w rozumieniu dosłownym (fizycznym), jest określony jako zwarty, jednorodny i przestrzennie uporządkowany zbiór sygnałów, związanych z określonym nośnikiem magnetycznym lub z materialnym podłożem, nacechowanych określoną wartością fotometryczną. Tak zdefiniowany obraz można scharakteryzować poprzez szereg cech, istotnych w jego praktycznych zastosowaniach. W przypadku obrazów wykorzystywanych w diagnostyce medycznej do takich cech zalicza się w szczególności: (i) jakość techniczną obrazu, jego (ii) użyteczność medyczną, (iii) przydatność obrazu ze względu na formę w jakiej jest on udostępniony oraz (iv) dostępność metody zobrazowania [Nowakowski, 2003]. Na jakość techniczną obrazu składają się: standard obrazu, rozdzielczość przestrzenna oraz kontrastowa, poziom szumów 3), stopień zniekształceń geometrycznych oraz poziom artefaktów 4) występujących w obrazie. Użyteczność medyczna obrazu jest określana przez: relewantność 5) obrazu w stosunku do oczekiwań lekarza, kompletność obrazu z punktu widzenia potrzeb diagnozy lub terapii, aktualność, ze względu na różnicę pomiędzy momentem akwizycji a czasem analizy obrazu oraz bezinwazyjność metody uzyskiwania obrazu. Nie wszystkie z wymienionych cech obrazów biomedycznych są związane z ich parametrami technicznymi. Dostępność metody zobrazowania dotyczy bowiem braku szczególnych wymagań, związanych m.in. z rozbudowanym zapleczem laboratoryjnym, unikatową aparaturą oraz programami komputerowymi, czy 3 ) Szum statystycznie niezależne dane nałożone na obraz, przeszkadzające w jego rozpoznawaniu oraz interpretacji. Często źródłem szumu są urządzenia służące do akwizycji obrazów (tzw. szum akwizycji) [Korzyńska oraz Przytulska, 2005]. 4 ) Artefakty cechy obrazu nie reprezentujące żadnej struktury ciała ani dodatkowego obiektu umieszczonego w polu obrazowania. 5 ) Relewantność obrazu w stosunku do oczekiwań lekarza oznacza w szczególności [Nowakowski, 2003]: (i) właściwy wybór pola obserwacji, (ii) możliwości obserwacji specyficzności tkankowej w badanym narządzie, (iii) możliwości obserwacji anatomicznej albo czynnościowej badanego organu, oraz (iv) możliwości obserwacji w czasie rzeczywistym procesów zachodzących w danym narządzie

34 specjalistycznymi kwalifikacjami personelu medycznego. W oparciu o analizę jakości technicznej oraz czynników decydujących o wartości diagnostycznej (tj. użyteczności medycznej), obrazy biomedyczne można przypisać do jednej z dwóch grup, jako obrazy o niższej lub wyższej jakości. Obrazy o niższej jakości charakteryzują się większym poziomem szumu, mniejszą rozdzielczością oraz mniej restrykcyjnymi kryteriami określenia ich wartości diagnostycznej. Kryteria dotyczą głównie kształtu obiektów oraz przestrzennych relacji widocznych struktur. Do tej grupy obrazów można przypisać obrazy scyntygraficzne, ultrasonograficzne oraz część obrazów rezonansu magnetycznego. Obrazy o wyższej jakości cechuje niski poziom szumów, większa rozdzielczość oraz ostre kryteria wartości diagnostycznej. Wymagane jest wiarygodne odtworzenie drobnych szczegółów prezentowanych struktur oraz odpowiednich wielkości i kształtów charakterystycznych niewielkich obszarów. Do obrazów tej grupy należą cyfrowe obrazy rentgenowskie, obrazy tomografu komputerowego oraz wysokiej jakości obrazy rezonansu magnetycznego (np. zobrazowania głowy oraz układu nerwowego). Obrazy biomedyczne można również sklasyfikować ze względu na usytuowanie źródła promieniowania pierwotnego, wprowadzając podział na obrazy emisyjne oraz obrazy transmisyjne. Obrazy emisyjne stanowią grupę obrazów powstających na skutek własnego promieniowania obiektu. Są to obrazy uzyskane poprzez wykorzystanie (i) emisji spontanicznej (np. światła widzialnego, podczerwieni, pól magnetycznych niskiej częstotliwości itp.) oraz obrazy uzyskane w wyniku (ii) emisji stymulowanej (np. fluorescencji, rezonansu magnetycznego itp.). Natomiast obrazy transmisyjne to obrazy powstałe pod wpływem promieniowania padającego na obiekt ze źródła zewnętrznego. Obrazy te można podzielić ze względu na sposób oddziaływania pomiędzy obserwowanym obiektem a wiązką promieniowania pierwotnego na cztery kategorie, a mianowicie otrzymywane poprzez: (i) rejestrację promieniowania odbitego (np. ultra

35 dźwięki), (ii) rejestrację promieniowania rozproszonego na powierzchni obiektu (np. obrazy mikroskopowe), (iii) rejestrację promieniowania przechodzącego przez obiekt i ulegającego tłumieniu w jego wnętrzu (np. obrazy rentgenowskie) oraz w wyniku (iv) rejestracji promieniowania przechodzącego przez obiekt, z wykorzystaniem zjawisk dyfrakcji, kontrastu fazowego i interferencji lub zmiany polaryzacji (np. obrazy elektroimpedancyjne). Kolejny sposób klasyfikacji obrazów biomedycznych jest oparty na sposobie ich formowania. Można tu wyróżnić obrazy powstające w sposób bezpośredni oraz obrazy formowane w sposób pośredni. Obrazy powstające bezpośrednio mogą zostać utworzone w sposób równoległy lub sekwencyjny. Formowanie obrazu w sposób równoległy polega na jednoczesnym rejestrowaniu natężenia promieniowania padającego na poszczególne punkty płaszczyzny wizualizacji obrazu. Rejestrowanie sekwencyjne jest natomiast uporządkowane w czasie, poprzez zastosowanie określonego sposobu wierszowania (skanowania) obrazu [Nowakowski, 2003]. Obrazy formowane w sposób pośredni stanowią grupę obrazów tworzonych na drodze rekonstrukcji (np. trójwymiarowe zobrazowania w tomografii komputerowej). Wartości punktów obrazowych zostają wyliczone w oparciu o zbiór zarejestrowanych projekcji punktowych lub płaszczyznowych obrazu. Cyfrowe obrazy biomedyczne mogą być opisane w dziedzinie przestrzennej oraz w dziedzinie częstotliwości. Obrazy cyfrowe w dziedzinie przestrzennej są reprezentowane w formie macierzy W o wymiarach M N, gdzie M określa szerokość, natomiast N wysokość obrazu. Elementami macierzy są piksele 6) obrazu. Wartości pikseli są reprezentowane przez liczby całkowite z przedziału <0, L- 1>, gdzie L reprezentuje liczbę poziomów jasności danego punktu, Lmin określa jasność minimalną, natomiast Lmax maksymalną wartość jasności. Położenie punktu na obrazie w kierunku osi OX oraz OY określa para liczb i Î (0,M) oraz 6) Piksel oznacza najmniejszy, jednolity element obrazu wyświetlanego na ekranie monitora, drukowanego (druk punktowy) lub uzyskiwanego za pomocą urządzeń przetwarzania obrazu (np. aparatu cyfrowego) [Korzyńska oraz Przytulska, 2005]

36 j Î (0,N), oznaczających odpowiednio numer kolumny oraz numer wiersza w macierzy W. Do podstawowych pojęć opisujących obraz w dziedzinie przestrzennej należą: histogram 7), linia profilu oraz mapa bitowa [Korzyńska oraz Przytulska, 2005]. Obrazy w dziedzinie częstotliwości, a właściwie ich widma uzyskane za pomocą transformat (np. transformata Fourier a [Kulikowski oraz Strzelecki, 2003]), są reprezentowane przez funkcję dyskretną, określaną przy pomocy macierzy W. Elementy macierzy są adresowane poprzez współrzędne 1/x oraz 1/y lub u oraz v. Współrzędne te określają tzw. częstotliwości przestrzenne. Element widma o współrzędnych (0,0) to tzw. składowa stała, której wartość jest proporcjonalna do średniej jasności obrazu. Do podstawowych pojęć opisujących obraz w dziedzinie częstotliwości należą: widmo amplitudowe obrazu oraz jego widmo fazowe. W przetwarzaniu obrazów biomedycznych można wprowadzić podział obrazów na (i) binarne, (ii) z gradacją szarości, (iii) kolorowe oraz (iv) wielospektralne. Rys. 3.1 Kolorowy obraz raka skóry (a) oraz jego odpowiedniki odpowiednio obraz z gradacją szarości (b) oraz obraz binarny (c) [Cytowski, Gielecki oraz Gola, 2008] Najprostszym typem obrazu jest obraz binarny, zapisany przy pomocy dwóch wartości czarnej oraz białej (Rys. 3.1c). Obrazy te są łatwe do przetwarzania, lecz nie zawierają dużej ilości informacji. Druga grupa obrazów to obrazy monochromatyczne (Rys. 3.1b), przenoszące informację o jasności bez informacji o kolorze. Obrazy te są często stosowane w medycynie, z uwagi na fakt otrzymywania danych z urządzeń diagnostycznych najczęściej spoza zakresu fal wi- 7 ) Histogram informuje o liczbie pikseli o zadanej jasności, występujących w obrazie (z uwzględnieniem palety obrazu). Histogram nie zależy od treści obrazu [Cudny, 2003]

37 dzialnych. Dla obrazów kolorowych (Rys. 3.1a) wyróżnia się trzy modele barw, tj. addytywne (np. model RGB), substrakcyjne (np. model CMYK) oraz percepcyjne (np. HSV) [Korzyńska oraz Przytulska, 2005]. W przypadku addytywnego modelu barw RGB (ang. Red, Green, Blue) obrazy kolorowe są reprezentowane w trzech pasmach monochromatycznych, przy czym każde pasmo odpowiada za inny kolor podstawowy (zwany także kolorem bazowym) (Rys. 3.2). Właściwy kolor jest otrzymywany przez zmieszanie kolorów bazowych w odpowiednich proporcjach. Modelem barw dopełniających do RGB jest model CMYK (ang. Cyan, Magneta, Yellow, Black), wykorzystywany najczęściej w urządzeniach drukujących. Rys. 3.2 Obraz kolorowy RGB (a) oraz jego składowe barwy monochromatyczne: barwa czerwona (b), barwa zielona (c) oraz barwa niebieska (d) [Cytowski, Gielecki oraz Gola, 2008] Często stosowanym modelem barw jest również model HSV (ang. Hue, Saturation, Value) Rys Rys. 3.3 Składowe HSV obrazu oryginalnego (a), przeskalowane do przedziału [0,255], w tym: barwa (b), nasycenie (c) oraz wartość (d) [Cytowski, Gielecki oraz Gola, 2008] Ostatnią grupę stanowią obrazy spektralne, zawierające informację spoza zakresu fal widzianych przez człowieka (np. podczerwień, ultrafiolet, promieniowanie rentgenowskie). Z uwagi na fakt, że informacji reprezentowanych na tych obrazach nie można bezpośrednio zobaczyć, nie są one zaliczane do obra