<<
>>

3.5 Сегментация и кластеризация уточненного переднего плана модифицированных видеокадров

Важнейшим моментом при выделении уточненного переднего плана в изоб­ражении (сцене) является его сегментация, т.е. отнесение каждого элемента либо к объекту (доле) или фону. Известны три основных метода [70]:

- по порогу на основе различий в яркости каждого элемента изображения, т.е.

- по контуру, если граница между компонентом (органом) и фоном характе­ризуется измерением интенсивности (яркости);

- разбиение изображения на области (доли), образованные путем соединения пикселов с одинаковыми (в пределах допуска) яркостями и объединения их вдоль общей границы (контура).

3.5.1 Для отслеживания контура обычно используют цепной код [70] или структурирующий элемент (рисунок 3.5), программно перемещая который в ко­ординатно-полярной сетке изображения, добиваются, чтобы в процессе отслежи­вания контура оставались только элементы, полностью покрытые структурирую­щими элементами.

Рисунок 3.5 - Структурирующий элемент

В рассматриваемом случае отслеживание контуров долей простаты и сопут­ствующих элементов целесообразно выполнить структурирующим элементом, представленном на рисунке 3.5 б, поскольку трапецеидальная сетка позволяет, используя повороты элемента «б», за меньшее число итераций отследить кривиз­ну долей простаты и сопутствующих элементов. Учитывая, что сегментация пе­реднего плана видеокадра использует принцип упрощения сцены [41], например, в виде контуров, используем это правило упрощения, сохраняющее при реализа­ции локального алгоритма все существенные детали изображения простаты, при­сущие тонкой линии (или узкой области) ∆Iперехода от черного к светлому, где величина градиента.Эту величину можно определить, если из­вестна производнаяпо каким-либо ортогональным или (и) полярным

направлениям поиска контурного рисунка.

Структурирующий элемент алгорит­мически может быть представлен в виде оператора E(i,j),где производная аппрок­симируется разностью яркости соседних элементов. Оператор E(i,j),исследуемый как перекрестный оператор Робинса [41, 70], имеет вид:

Поскольку все объекты переднего плана выделяются на фоне, воспринима­емом как шум n(Xi, Yj)аддитивного плана, то

При этом алгоритм оконтуривания (рисунок 3.6) объектов (долей) рассчитан на оценку градиента S (x.,yj), поэтому в процессе отслеживания контуров долей необходима операция сглаживания (интерполяции) такая, что [41, 70]:

77

Рисунок 3.6 - Алгоритм оконтуривания объектов видеокадра (долей проста­ты и смежных элементов)

где l1и l2соответственно два окна, ширина которых с интеллектуальным подхо­дом выбирается итеративно из условия: ширина «сглаживающего» окна должна уменьшать воздействие шумов, но не уничтожать «тонкую» структуру контура, которая может содержать дополнительные признаки долей сопутствующих объ­ектов (мочевой пузырь, уретра, семенные каналы, соединительная ткань), исполь­зуемые как при операции кластеризации, так и при распознавании текущего со­стояния предстательной железы.

Окно I в процессе выделения компонентов изображения адаптивно пере­страивается по мере накопления апостериорной информации в процессе реализа­ции алгоритма поиска и отслеживания контуров с использованием интеллекту­ального приема регуляции функций I(x):увеличение окна I увеличивает расплыв­чатость контура, уменьшая разрешение (что ухудшает качество кластеризации), а уменьшение ширины I повышает влияние шумов на точность отслеживания кон­тура. В основу критерия может быть положено вычисление скользящего среднего: где n - объем текущей выборки, In+1- значение яркости n+1-го пиксела на пути структурирующего элемента.

Для дискретной регуляторной функции,будет [41, 70]:

где- скользящее окно площадью Al, окружающее элемент (zj).

3.5.2 Кластеризация - задача, в которой требуется разбить множество пик­селов переднего плана на непересекающиеся множества, называемые кластерами.

Кластеризация используется как инструмент сегментации объекта передне­го плана перед вычислением значений количественных признаков. Задача автома­

тической сегментации с использованием алгоритма кластеризации решается сле­дующим образом. Имеется множество пикселей, состоящие из N

переменных векторов, таких, что:

здесь x. - z-тая доля ПЖ, x'j-признак, характеризующий этот сегмент.

Процесс кластеризации тогда заключается в разбиении обучающего множе­ства на k непересекающихся подмножеств:

Подмножество ωι- сегменты (доли) объекта переднего плана - предстатель­ной железы. С каждым кластером (сегментом, долей ПЖ) связан вектор с., назы­ваемый центром кластера или его центроидом. В решаемой задаче число класте­ров, в основном априори известно (за исключением средней доли, возникающей при гиперплазии простаты или раковое разрастание одной из долей), поэтому ис­пользуются алгоритмы кластеризации сначала первой группы, согласно следую­щей методике [155].

В качестве расстояния между центроидами используем эвклидово расстоя­ние, т.е.

а в качестве расстояниямежду двумя кластерами ωiи ωисполь­

зуем метрики:

- ближнего соседа:

- дальнего соседа:

- между центрами тяжести кластеров:

где С - центры кластеров ω.и ω.

В соответствии с выражениями (3.35 - 3.40) алгоритм (рисунок 3.8) класте­ризации (сегментации) строится по следующей методике:

1) выбираем k произвольных полярно не совпадающих векторов и назнача­ем их центрами кластеров (сегментов ПЖ);

2) для каждого вектора из обучающего множестванаходим ближайший

центроиди назначаем вектор X кластеру ωс центром

C,;

3) уточняем положение центров, вычисляя новые координаты центров кла­стеров как выборочное среднее по совокупности векторов, попавших в этот кла­стер, т.е. для всех i, что:

81

где-обще количество векторов, попавших в кластер ωt;

4) проверяем условие окончания итераций, вычисляя при этом относитель­ные изменения координат центров, т.е.

тогда, если координаты центров кластеров (сегментов) изменились менее, чем на заданную величину б такую, что

то принимается, что кластеризация (сегментация изображения ПЖ) завершена, действие алгоритма сегментации исчерпано.

<< | >>
Источник: Разумова Ксения Викторовна. ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ОБРАБОТКИ ВИЗУАЛИЗИРОВАННОЙ ИНФОРМАЦИИ ДЛЯ ОЦЕНИВАНИЯ И ПРОГНОЗИРОВАНИЯ СОСТОЯНИЯ ПРЕДСТАТЕЛЬНОЙ ЖЕЛЕЗЫ. ДИССЕРТАЦИЯ на соискание ученой степени кандидата технических наук. Курск - 2018. 2018

Еще по теме 3.5 Сегментация и кластеризация уточненного переднего плана модифицированных видеокадров:

  1. Содержание
  2. 3.5 Сегментация и кластеризация уточненного переднего плана модифицированных видеокадров
  3. Структура метода вторичной обработки визуализированной информации о состоянии ПЖ
- Акушерство и гинекология - Анатомия - Андрология - Биология - Болезни уха, горла и носа - Валеология - Ветеринария - Внутренние болезни - Военно-полевая медицина - Восстановительная медицина - Гастроэнтерология и гепатология - Гематология - Геронтология, гериатрия - Гигиена и санэпидконтроль - Дерматология - Диетология - Здравоохранение - Иммунология и аллергология - Интенсивная терапия, анестезиология и реанимация - Инфекционные заболевания - Информационные технологии в медицине - История медицины - Кардиология - Клинические методы диагностики - Кожные и венерические болезни - Комплементарная медицина - Лучевая диагностика, лучевая терапия - Маммология - Медицина катастроф - Медицинская паразитология - Медицинская этика - Медицинские приборы - Медицинское право - Наследственные болезни - Неврология и нейрохирургия - Нефрология - Онкология - Организация системы здравоохранения - Оториноларингология - Офтальмология - Патофизиология - Педиатрия - Приборы медицинского назначения - Психиатрия - Психология - Пульмонология - Стоматология - Судебная медицина - Токсикология - Травматология - Фармакология и фармацевтика - Физиология - Фтизиатрия - Хирургия - Эмбриология и гистология - Эпидемиология -