RU196414U1 - Анализатор ангиографических изображений глазного дна человека - Google Patents

Abstract

Технический результат - обеспечение автоматической классификации сосудистого русла и зоны ишемии на ангиографических изображениях глазного дна человека. Анализатор ангиографических изображений глазного дна включает связанные с процессором с возможностью обмена информацией и управления блок ввода исходных цифровых ангиографических изображений, блок предварительной обработки исходных изображений, блок анализа изображений сосудов, блок выделения сосудов, блок выделения зон ишемии сосудов и блок памяти. Содержит связанный с выходом блока анализа изображений сосудов блок определения морфометрических характеристик сосудов, включающий модуль подсчета площади зоны ишемии, модуль подсчета длины сосудистого русла, модуль подсчета диаметров сосудов, их среднего значения и среднеквадратического отклонения, а также модуль подсчета плотности расположения сосудов, выход блока определения морфометрических характеристик сосудов связан с входом блока классификации, который включает модуль определения класса изображения, модуль определения класса сосудов, модуль определения класса зоны ишемии, причем выходы блока определения морфометрических характеристик сосудов и блока классификации соединены с блоком памяти. 1 ил.

Description

Полезная модель относится к анализаторам для распознавания изображений в медицине и может быть использована для автоматизации научных исследований.

Известно, что изображения глазного дна человека позволяют судить о состоянии ретинального и хориоидального сосудистых русел: их архитектонике, плотности сосудистого русла, проходимости сосудов, их окклюзии и наличии бессосудистых (ишемических) зон, динамике площади ишемических участков в зависимости от проводимого лечения.

Автоматизированные средства обработки и анализа биомедицинских изображений позволяют снизить временные и материальные затраты на морфологические исследования и используются в том числе при анализе изображений глазного дна человека. Для оценки ангиографической картины глазного дна необходимо знать плотность сосудистого русла (число капиллярных петель на единицу площади), средний диаметр сосудов, которые дают представление о степени васкуляризации сетчатой оболочки глаза в норме и сосудистой патологии органа зрения. При тромбозах ретинальных сосудов образуются зоны ишемии (неперфузии сосудов или кровоизлияний), по площади и топографии которых возможно прогнозировать степень зрительных нарушений, а по динамике размеров этих зон - об эффективности проводимого лечения. Классификация сосудов и зон ишемии на изображениях позволяет ставить своевременные диагнозы.

Описаны различные анализаторы глазного дна с использованием флуоресцентных изображений. Так, в патенте US 9757023 (В2), UNIV MICHIGAN REGENTS, 12.09.2017, описаны системы для автоматического обнаружения оптического диска в автофлюоресцентных изображениях сетчатки. Монохроматическое изображение сетчатки получают с помощью стимулированной аутофлуоресценции. Изображение обрабатывается с использованием математических фильтров и машинного обучения для определения сегментов кровеносных сосудов и для определения пикселов как возможно принадлежащих оптическому диску. Эти пикселы оптического диска группируются в кластеры, а наилучший подходящий круг (или его часть, лежащая внутри изображения) вставляется в каждый кластер. Круг может быть увеличен, чтобы улучшить контраст изображения по окружности круга. Выделяются сегменты кровеносных сосудов, которые пересекают круг, и снимаются показатели таких пересекающихся сегментов кровеносных сосудов. Эти показатели оцениваются методами машинного обучения для определения вероятности того, что каждый кластер содержит оптический диск, а контуры оптического диска дополнительно определяются путем анализа возможных пикселов оптического диска. Хотя в данной системе используются автофлуоресцентные изображения, которые схожи с ангиографическими изображениями, однако не ставилась задача выделения сосудов и обнаружения зон ишемии.

Описана система, реализующая автоматический метод сегментации (US 10463247 (В2), UNIV CALIFORNIA [US], UNIV WENZHOU MEDICAL [CN], 2019-11-05). Система использует трехмерный метод сегментации с доплеровской дисперсией на основе интенсивности (ДДОИ) ОКТ с разверткой. Автоматический трехмерный метод сегментации используется для получения семи поверхностей внутриретинальных слоев. Микрососудистая сеть сетчатки, которая получается методом ДДОИ, может быть разделена на шесть слоев. Микрососудистая сеть из шести отдельных слоев визуализируется, а морфологические и контрастные изображения могут быть улучшены с использованием метода сегментации. Этот метод потенциально подходит для ранней диагностики и точного контроля при сосудистых заболеваниях сетчатки. Каждое томографическое изображение строится по восьми повторным сканированиям в одном и том же положении, что позволяет за счет увеличения времени съемки улучшить чувствительность ангиографического метода. Для сокращения влияния движения глаз при съемке используется алгоритм регистрации подпиксела. Графический процессор использовался для ускорения обработки данных для обеспечения предварительного просмотра полученных данных в режиме реального времени.

Описана система офтальмологической визуализации (US 10368734 (В2), ZEISS CARL MEDITEC INC., 06.08.2019), которая включает обработку первого набора данных изображений для получения одного или нескольких функциональных показателей; обработка второго набора данных изображений для получения одной или нескольких структурных метрик; сравнение одного или нескольких структурных показателей с одним или несколькими функциональными метриками; и обработки результатов указанного сравнения для получения вероятности заболевания или нормальности глаза. Недостатки этой системы автоматизации состоят в том, что: 1) система предназначена только для выделения бессосудистой зоны центральной ямки глаза, то есть она выделяет зоны ишемии только определенного типа; 2) системе для анализа нужно большое количество ангиографических изображений; 3) система не позволяет выделить сосуды на изображении; 4) система не позволяет получать морфометрические характеристики для сосудов, такие как диаметр сосудов, длина сосудов, площадь сосудов и т.п.; 5) система не раскрывает интерфейс работы с изображением.

Наиболее близкой к патентуемому устройству является автоматизированная система по патенту RU 2683758 С1, ФИЦ ИУ РАН, 01.04.2019 (прототип). Она содержит блок ввода исходных цифровых ангиографических изображений, средства анализа и выделения функциональных и структурных показателей глазного дна и базу данных, связанные между собой, с возможностью обмена информацией и управления с процессором. В систему введен блок предварительной обработки исходных изображений. Средства анализа и выделения функциональных и структурных показателей глазного дна содержат блок анализа изображений сосудов, выполненный с возможностью удаления шумовых объектов по площади и по удлиненности и построения остова области выделенных сосудов для последующего измерения их ширины, а также блок выделения сосудов, первый выход которого связан с блоком определения морфометрических характеристик сосудов, а второй выход - с блоком выделения зон ишемии сосудов, выход блока выделения зон ишемии сосудов связан с входом блока определения параметров зоны ишемии сосудов, выход которого и выход блока определения морфометрических характеристик сосудов связаны с базой данных.

Однако система не позволяет решать задачи, связанные с определением и уточнением классов/типов зон ишемии и сосудистого русла ангиографических изображений, т.е. не обеспечивает классификацию выделенных объектов.

Настоящая полезная модель обеспечивает решение задач автоматической классификации выделенных сосудистого русла и зоны ишемии на ангиографических изображениях глазного дна человека.

Анализатор ангиографических изображений глазного дна, включающий связанные с процессором с возможностью обмена информацией и управления блок ввода исходных цифровых ангиографических изображений, блок предварительной обработки исходных изображений, блок анализа изображений сосудов, блок выделения сосудов, блок выделения зон ишемии сосудов и блок памяти.

Отличие состоит в том, что анализатор содержит связанный с выходом блока анализа изображений сосудов блок определения морфометрических характеристик сосудов, включающий модуль подсчета площади зоны ишемии, модуль подсчета длины сосудистого русла, модуль подсчета диаметров сосудов, их среднего значения и среднеквадратического отклонения, а также модуль подсчета плотности расположения сосудов. Выход блока определения морфометрических характеристик сосудов связан с входом блока классификации, который включает модуль определения класса изображения, модуль определения класса сосудов, блок определения класса зоны ишемии, причем выходы блока определения морфометрических характеристик сосудов и блока классификации соединены с блоком памяти.

Технический результат состоит в обеспечении автоматической классификации сосудистого русла и зоны ишемии на ангиографических изображениях глазного дна человека.

Патентуемый анализатор реализует совместное использование методов обработки изображений, математической морфологии и анализе специфики ангиографических изображений, в основе которых лежат результаты, полученные при разработке методов автоматизации анализа различных биомедицинских изображений (см., например, I.B.Gurevich, V.V.Yashina, A.A.Fedorov, A.M.Nedzved, A.M.Ospanov. «Development, Investigation, and Software Implementation of a New Mathematical Method for Automated Identification of the Lipid Layer State by the Images of Eyelid Intermarginal Space» // «Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications)). Pleiades Publishing, Ltd., 2017. - Vol. 27, No. 3 - pp. 538 - 549; I.B.Gurevich, V.V.Yashina, A.A.Fedorov, A.M.Nedzved, A.T.Tleubaev. «Development, Investigation, and Software Implementation of a New Mathematical Method for Automatizing Analysis of Corneal Endothelium Images» // ibid, 2017. - Vol. 27, No. 3. - pp. 550-559; LB. Gurevich, V.V.Yashina, S.V. Ablameyko, A.M. Nedzved, A.M. Ospanov, A.T. Tleubaev, A.A. Fedorov, N.A. Fedoruk. «Development and Experimental Investigation of Mathematical Methods for Automating the Diagnostics and Analysis of Ophthalmological Images)) // ibid, 2018. Vol. 28. No. 4. pp. 612-636).

На фигуре представлена блок-схема патентуемого анализатора. Устройство включает блок 10 ввода изображений, блок 20 предварительной обработки исходных изображений, блок 30 анализа изображений, включающий блок 31 выделения сосудов и блок 32 выделения зон ишемии сосудов. Выход блока 30 соединен с входом блока 40 определения морфометрических характеристик сосудов и параметров зоны ишемии сосудов. Блок 40 определения морфометрических характеристик сосудов включает модуль 41 подсчета площади зоны ишемии, модуль 42 подсчета длины сосудистого русла, модуль 43 подсчета диаметров сосудов, их среднего значения и среднеквадратического отклонения, а также модуль 44 подсчета плотности расположения сосудов.

Выход блока 40 определения морфометрических характеристик сосудов связан с входом блока 50 классификации. В этом блоке проводится классификация анализируемого изображения, выделенных на изображении сосудов и зоны ишемии. Для этого блок 50 содержит модуль 51 определения класса изображения, модуль 52 определения класса сосудов и модуль 53 определения класса зоны ишемии.

Выход блока 40 определения морфометрических характеристик сосудов и блока 50 классификации соединены с блоком 60 памяти. В этом блоке производится документирование результатов анализа и хранятся эталоны и объекты классов изображений, сосудов и зон ишемии.

Соответственно, анализатор обеспечивает четыре этапа извлечения информации из ангиографических изображений: 1) предварительная обработка изображений; 2) анализ изображений (выделение сосудов и зон ишемии); 3) определение морфометрических характеристик сосудов и зон ишемии; 4) классификация.

Исходными изображениями являются цветные снимки сосудистого русла глазного дна человека с ярко освещенной частью в центре и затемнениями по краям. Ангиографические изображения, подлежащие анализу, являются тоновыми. Сосуды представляют собой разветвленную сеть кровеносных каналов, выходящих из центра диска зрительного нерва (темная область округлой формы). Зоны ишемии представляют собой темные области, в которых отсутствует кровоток, соответственно флуоресцеиновый раствор не попадает в ткани данной зоны, тем самым эти области остаются затемненными.

Анализатор позволяет получить: 1) бинарные изображения с выделенными сосудами, предназначенные для визуального анализа специалистами-офтальмологами; 2) морфометрические характеристики выделенных сосудов: а) плотность расположения сосудов, б) средний диаметр сосудов, в) среднеквадратическое отклонение диаметров сосудов, г) общая длина сосудов; 3) бинарные изображения выделенной зоны ишемии; 4) площадь зоны ишемии в кв. мкм; 5) класс выделенных сосудов; 6) класс выделенной зоны ишемии; 7) класс предъявленного ангиографического изображения.

Методы, используемые для идентификации сосудов на двухмерных изображениях, базируются на локальных признаках изображения, отражающих специфические свойства васкулярных сегментов. Метод, основанный на обработке пикселов, использует двухшаговый подход. Первым шагом является процедура улучшения качества изображения (обычно - оператор свертки), применяемая к начальному набору пикселов, для дальнейшего подтверждения выделенных объектов в качестве сосудов на втором этапе.

Блок 40 определения морфометрических характеристик сосудов и параметров зоны ишемии сосудов содержит модули 41-44, обеспечивающие выполнение следующих функций.

Модуль 41 «Подсчет площади зоны ишемии». При известном масштабе исходного изображения число пикселов, входящих в зону ишемии, переводится в площадь зоны ишемии в мкм².

Модуль 42 «Подсчет длины сосудистого русла». При известном масштабе исходного изображения длина построенного остова в пикселах переводится в длину сосудистого русла в мкм.

Модуль 43 «Подсчет диаметров сосудов, их среднего значения и среднеквадратического отклонения».

На первом шаге по бинарному изображению сосудов, полученному в блоке 31, строится дистанционная карта, в которой каждому пикселу ставится в соответствие расстояние до края сосуда, в соответствии с метрикой Чамфера (Peter F.M. Nacken. «Chamfer Metrics, the Medial Axis and Mathematical Morphology» // Journal of Mathematical Imaging and Vision, 1996 - Vol. 6, No. 2-3 - pp. 235-248.).

На втором шаге выполняется утоньшение (A.Nedzved, S.Ablameyko and S. Uchida, "Gray-Scale Thinning by Using a Pseudo-Distance Map," 18th International Conference on Pattern Recognition (ICPR'2006), Hong Kong, 2006, pp. 239-242) бинарного изображения сосудов, полученного в блоке 31.

На третьем шаге остовы сосудов и дистанционная карта позволяет получить оптимальный по точности набор пикселов со значениями, соответствующими значениями ширины сосудов. Анализ дистанционной карты позволяет определить характер изменения диаметра сосуда по его длине.

По известным диаметрам сосудов в каждой точке остова вычисляются: средний диаметр и его среднеквадратическое отклонение.

Модуль 44 «Подсчет плотности расположения сосудов». Вычисляется как отношение числа выделенных пикселов в блоке 31, принадлежащих сосудистому руслу, к общей площади исходного изображения. Эта величина характеризует плотность расположения сосудов.

Блок 50 классификации содержит модули 51-53.

Модуль 51 «Определение класса изображения». К набору вычисленных морфометрических характеристик сосудов и параметров зоны ишемии сосудов применяется алгоритм, основанный на вычислении оценок (АВО) (Ю.И. Журавлев, В.В. Никифоров. «Алгоритмы распознавания, основанные на вычислении оценок» // «Кибернетика», №3, Киев., 1971, С. 1-11.).

Алгоритмы класса АВО предназначены для отнесения объекта с признаковым описанием к одному из классов, описанных совокупностью заданных объектов-прецедентов, принадлежащих этим классам. Классификация объекта производится в два этапа. На первом этапе строится вектор оценок объекта по заданным классам: каждая оценка в этом наборе выражает степень сходства объекта с j-м (j=1, …, l) классом объектов - чем больше оценка, тем более похож объект на объекты j-ro класса. На втором этапе классификации по вектору оценок принимается решение о зачислении объекта в тот или иной класс, которое кодируется информационным вектором со значениями из множества (0,1,Δ): 0 - если алгоритм не относит объект к j-му классу; 1 - если алгоритм относит объект к j-му классу; Δ - если алгоритм не смог классифицировать объект по принадлежности/непринадлежности j-му классу. То, как именно принимается решение о классификации объекта, т.е. то, как на основе вектора оценок строится информационный вектор, определяется решающим правилом алгоритма.

Основой алгоритмов является метод вычисления оценки - меры сходства/близости между классифицируемым объектом и объектом-прецедентом. Этот метод основан на сравнении различных фрагментов признаковых описаний объекта и прецедента. Каждый фрагмент, по которому происходит сопоставление признаковых описаний двух объектов, называется опорным множеством алгоритма, а совокупность всех опорных множеств, используемых в алгоритме - системой опорных множеств.

Модуль 52 «Определение класса сосудов». К изображениям выделенных сосудов применяется алгоритм, основанный на вычислении оценок, с прямоугольными опорными множествами (LB.Gurevich, A.V.Nefyodov. «Block Diagram Representation of a 2D-AEC Algorithm with Rectangular Support Sets» // «Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications)). - MAIK "Nauka/Interperiodica", 2005. - Vol. 15, No. 1. - P. 187-191).

ABO с двухмерными опорными множествами (алгоритмы класса ДАВО) представляют собой модификацию алгоритмов класса АВО для случая, когда описанием объекта в задаче распознавания является матрица. Алгоритмы класса АВО работают с описаниями объектов, представляющими собой векторы. Класс ДАВО работает с описаниями объектов в виде матриц. За исключением указанной модификации, принципы действия алгоритмов класса ДАВО и класса АВО совпадают.

В качестве системы опорных множеств в данном блоке выбрана совокупность всех прямоугольников со сторонами, укладывающимися в матрице размера, соответствующего изображению.

Модуль 53 «Определение класса зоны ишемии». К изображениям выделенной зоны ишемии применяется описанный выше алгоритм класса ДАВО с прямоугольными опорными множествами.

Проведенные вычислительные эксперименты показали, что разработанные методы выделения сосудистого русла и зон ишемии на ангиографических изображениях глазного дна человека дают результаты, позволяющие выявить и оценить ход лечения диагностируемых заболеваний. Дополнение анализатора блоком 50, осуществляющим процедуры классификации, позволяет увеличить точность и надежность методов, не приводя к недопустимому увеличению вычислительной сложности, благодаря использованию эффективных алгоритмов.

Интерпретация результатов проводилась совместно с экспертами-офтальмологами. Установлено, что точность метода, по меньшей мере, не уступает точности результатов визуальной обработки ангиографических изображений экспертами-офтальмологами, причем обеспечивается увеличение скорости обработки до 3-х порядков (в 1000 раз):

а) обработка одного изображения в автоматическом режиме на стандартной ПЭВМ занимает не более 1 секунды (в зависимости от размеров обрабатываемого изображения), а обработка экспертом-офтальмологом занимает не менее одного часа;

б) возможность автоматической обработки позволяет существенно уменьшить число обследований (изображений), необходимых для принятия диагностического решения и выбора тактики лечения.

Программная реализация выполнена на языке программирования Python версии 3 с использованием библиотеки scikit-image. Интерфейс написан на языке программирования Python версии 3 с использованием библиотеки Qt. Реализованная программа является кроссплатформенной и запускается на любой стандартной ПЭВМ с поддержкой языка программирования Python 3.

Claims (4)

1. Анализатор ангиографических изображений глазного дна, включающий связанные с процессором с возможностью обмена информацией и управления блок ввода исходных цифровых ангиографических изображений, блок предварительной обработки исходных изображений, блок анализа изображений сосудов, блок выделения сосудов, блок выделения зон ишемии сосудов и блок памяти,
2. отличающийся тем, что:
3. содержит связанный с выходом блока анализа изображений сосудов блок определения морфометрических характеристик сосудов, включающий модуль подсчета площади зоны ишемии, модуль подсчета длины сосудистого русла, модуль подсчета диаметров сосудов, их среднего значения и среднеквадратического отклонения, а также модуль подсчета плотности расположения сосудов, при этом
4. выход блока определения морфометрических характеристик сосудов связан с входом блока классификации, который включает модуль определения класса изображения, модуль определения класса сосудов, модуль определения класса зоны ишемии, причем выходы блока определения морфометрических характеристик сосудов и блока классификации соединены с блоком памяти.

Images