Strona główna

Testy algorytmów segmentacji (doboru kształtu) potencjalnych obiektów mikrozwapnień Cel


Pobieranie 69.57 Kb.
Data19.06.2016
Rozmiar69.57 Kb.
Testy algorytmów segmentacji (doboru kształtu) potencjalnych obiektów mikrozwapnień


  1. Cel

Celem wybranych algorytmów jest segmentacja zlokalizowanych potencjalnych obiektów mikrozwapnień. Cechy wykrytych obiektów z możliwie dobrze dobranym kształtem będą służyć do dalszej weryfikacji – klasyfikacji na podstawie cech na prawdziwe i fałszywe – oraz do diagnozy klastrów mikrozwapnień.
2. Opis wyników lokalizacji potencjalnych obiektów mikrozwapnień – danych wejściowych segmentacji

Zastosowany algorytm detekcji (oparty na filtracji LoG w wielu skalach) wykrywa prawdziwe mikrozwapnienia oraz szum: wysycone makrozwapnienia, fragmenty bardzo jasnych włókien i ich skrzyżowań oraz artefakty (małe – o powierzchni kilku pikseli - obiekty, np. rysa, pyłek, który osiadł na zdjęciu rentgenowskim podczas skanowania itp.)




Obiekty wykrywane przez algorytm detekcji - mikrozwapnienia















Obiekty wykrywane przez algorytm detekcji

Makrozwapnienia

Artefakty



















Obiekty wykrywane przez algorytm detekcji - jasne włókna i ich skrzyżowania








Opis obrazu fałszywych wskazań metody detekcji:

- duże nierównomiernie wysycone (nierównomierna tekstura) mikrozwapnienia, wykrywane jako kilka oddzielnych obiektów w zależności od zmian tekstury (algorytm segmentacji powinien łączyć te obiekty w jeden duży obszar),

- artefakty – małe (o powierzchni kilku pikseli) bardzo jasne piki lub rysy,

- włókna – bardzo długie struktury (krzywe) nieco jaśniejsze od tła, wykrywane jako kilka oddzielnych obiektów w zależności od zmian wysycenia i tekstury.


  1. Opis algorytmów segmentacji kształtu

Dane wejściowe:

Punkty – w przybliżeniu centra obiektów (lokalnych maksimów) oraz przybliżona średnica (skala w filtracji LoG).
3a) algorytm maksymalnego spadku (MS)– hill climbing
Założenie: krawędzie mikrozwapnienia lub innego obiektu stanowią zamknięty kontur wokół wejściowego punktu centrum.
Dla każdego punktu w kilku (np. 8) kierunkach wokół punktu centrum zdefiniowana jest wartość spadku:

, gdzie -punkt wejściowy (lokalne maksimum), - odległość Euklidesowa pomiędzy punktami, -wartość funkcji jasności w punkcie w dziedzinie obrazu lub w dziedzinie wielorozdzielczej (np. po filtracji LoG w wielu skalach).

W pierwszym kroku punkty krawędzi obiektu są znajdowane w wybranych kierunkach (równomiernie rozłożonych na okręgu o środku w punkcie centrum w każdym kierunku). Dla każdego kierunku, piksel uznawany jest za punkt krawędzi, jeśli dostarcza największą wartość spadku. Następnie wybrane punkty zostają połączone.


Parametry algorytmu:

- liczba kierunków, w których szukamy maksymalnego spadku,

- maksymalne okno sąsiedztwa, w którym poszukujemy maksymalnego spadku,

- obraz wejściowy: oryginalny (wyjściowy dla algorytmu lokalizacji) lub przetworzony obraz po filtracji LoG w wielu skalach: Dla każdego ziarna (punktu centrum) i w jego otoczeniu obraz jest przefiltrowany filtrem LoG o odpowiedniej skali dobranej w algorytmie lokalizacji: max na ścieżce filtrów LoG – odpowiadające w przybliżeniu średnicy obiektu).


3b) algorytm lokalnego minimum najbliższego centrum (LM)
Analogiczny do algorytmu maksymalnego spadku, ale poszukuje się najbliższego lokalnego minimum w danym kierunku.
3c) algorytm bazujący na lokalnych statystykach w sąsiedztwie punktu (LS)
W oknie sąsiedztwa obliczane są lokalne statystyki. Następnie piksele o wartościach funkcji jasności powyżej adaptacyjnego progu (obliczanego na podstawie statystyk) oraz tworzące spójny obszar wokół punktu wejściowego zaliczane są do obiektu.

Parametry algorytmu:

- maksymalne okno sąsiedztwa, na podstawie którego obliczane są statystyki: średnia i odchylenie standardowe ,

- parametr n w zależności wyznaczającej próg:

- obraz wejściowy: oryginalny lub przetworzony.
I
nterfejs z parametrami algorytmów:

4. Testy porównawcze

Obrazy testowe:






Wybrany algorytm

Obraz

wejściowy



Rozmiar max okna sąsiedztwa [cm]

Spójność

Parametr doboru progu

Opis słowny

A_1153_LMLO: mikrozwapnienia złośliwe, drobne, różnokształtne (próg lokalizacji=100)

MS

Oryginalny

0.15

8

-

Kształty mniejsze, bardziej dopasowane; nie łączy najmniejszych obiektów; Dobrze zaznaczone najmniejsze artefakty – bez dodatkowego tła; Poszarpane granice




LoG w wielu skalach










Kształt dobry, Łączy najdrobniejsze obiekty; Dodaje niewielkie otoczenie wokół najmniejszych pików - artefaktów

LM

Oryginalny

0.15

8

-

Kształty bezsensowne




LoG w wielu skalach










Kształty bardzo duże w stosunku do obiektów – dużo dodanego tła;

LS

Oryginalny

0.15

-

1.5

Dużo obiektów ginie; Mocno poszarpane granice




LoG w wielu skalach







1.2

Niektóre obiekty giną, niektóre połączone; Kształty dobre

A_1152_LCC: duże makrozwapnienie, nierównomiernie wysycone (próg lokalizacji=100)

MS

Oryginalny

0.15

8

-

Kształty zawierają poza obiektem także tło wokół obiektu, lekko poszarpane granice powstałe z połączenia nakładających się wykrytych regionów




LoG w wielu skalach










Kształty lepiej dopasowane – bez dodanego tła, lekko poszarpane granice

LM

Oryginalny

0.15

8

-

Bezsensowne kształty




LoG w wielu skalach










Kształty zawierają poza obiektem także tło wokół obiektu, lekko poszarpane granice

LS

Oryginalny

0.15

-

1.5

Dobrze dopasowany kształt




LoG w wielu skalach










Kształt za ciasny

A_1238_LMLO: artefakty – bardzo jasne piki o małej powierzchni (próg lokalizacji=100)

MS

Oryginalny

0.15

8

-

Kształty dobrze dopasowane




LoG w wielu skalach










- ‘’ -

LM

Oryginalny

0.15

8

-

Duże bezsensowne kształty




LoG w wielu skalach










Duże obiekty z dodanym tłem

LS

Oryginalny

0.15

-

1.5

Bardzo małe obiekty, niektóre nie zawierają w pełni całej powierzchni artefaktu




LoG w wielu skalach







1.5

- ‘’ -

A_1153_LCC: słabo widoczne mikrozwapnienia (próg lokalizacji=60)

MS

Oryginalny

0.15

8

-

Dobre, gładkie kształty




LoG w wielu skalach










Większe

LM

Oryginalny

0.15

8

-

Bez sensu




LoG w wielu skalach










Bardzo duże z otaczającym tłem

LS

Oryginalny

0.15

-

1.5

poszarpane




LoG w wielu skalach







1.5

Ładne kształty




  1. Wnioski

Algorytm maksymalnego spadku MS znajduje dosyć dobre kształty na obrazie oryginalnym oraz na obrazie po filtracji LoG.

Algorytm lokalnego minimum LM znajduje większe kształty zawierające całe obiekty oraz fragmenty tła.

Algorytm LS znajduje małe obszary, które w większości nie zawierają całego rzeczywistego obiektu oraz sporo wskazań (w których wykryte obiekty nie zawierają punktu centrum) zostaje całkowicie usuniętych.


Literatura

[1] I.N. Bankman, T. Nizialek, I. Simon, O.B. Gatewood, I.N. Weinberg, W.R. Brody (1997) ''Segmentation algorithms for detecting microcalcifications in mammograms'', IEE Trans. Inform. Techn. Biomed. 1(2), 141-149


Używanie interfejsu:

Wywołanie okienka: OPERATIONS / SEGMENT FORM SEEDS

Procedury są wykonywane dla aktywnego okna z obrazem.


Znajduje punkty centrum (ziarna). Działa tak ja poprzednio (process detection) tylko bez klasteryzacji i segmentacji, więc punktów jest więcej.

Segmentacja startuje od punktów centrum (jak w opisie algorytmów).

Przykładowe zadania na laboratorium

- Porównanie efektów znajdowania punktów centrum (lokalizacji potencjalnych mikrozwapnień) na obrazach przetworzonych w różny sposób, np. filtracja wygładzająca itp.

- Na obrazach ze znalezionymi punktami centrum (seeds) porównanie algorytmów segmentacji i subiektywna ocena kształtów obiektów

- Wnioskami mogą też być ewentualne sugestie dotyczące poprawy algorytmów, np. gzie przydałoby się wygładzanie kształtów (ewentualnie jaką metodą).


- Program i przykładowe obrazy są pod adresem:

Instalacja:



http://www.ire.pw.edu.pl/~awroble/Ania_pliki/program/Installation.exe
Kod binarny i pliki, które powinny być w katalogu programu MammoViewer.exe:

http://www.ire.pw.edu.pl/~awroble/Ania_pliki/program/MammoViewer.exe;

http://www.ire.pw.edu.pl/~awroble/Ania_pliki/program/Files_MammoViewer.zip
Przykładowe obrazy (lokalizacja – set seeds - działa prawie dla wszystkich z progiem =100, dla słabo widocznych ok. 60):

http://www.ire.pw.edu.pl/~awroble/Przyklady_wskazan/


©snauka.pl 2016
wyślij wiadomość