Testy algorytmów doboru kształtu mikrozwapnień

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.
3. 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 ( x, y ) w kilku (np. 8) kierunkach wokół punktu centrum ( x 0 , y 0 )
zdefiniowana jest wartość spadku:
f ( x 0 , y 0 ) f ( x, y )
s ( x, y )
, gdzie ( x 0 , y 0 ) -punkt wejściowy (lokalne maksimum),
d ( x 0 , y 0 , x, y )
d ( x 0 , y 0 , x, y ) - odległość Euklidesowa pomiędzy punktami, f ( x, y ) -wartość funkcji
jasności w punkcie ( x, y ) 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 x i odchylenie standardowe ,
- parametr n w zależności wyznaczającej próg: T x n
- obraz wejściowy: oryginalny lub przetworzony.
Interfejs z parametrami algorytmów:
4. Testy porównawcze
Obrazy testowe:
Rozmiar
Spójność Parametr Opis słowny
max okna
doboru
sąsiedztwa
progu
[cm]
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
Kształt dobry, Łączy najdrobniejsze
skalach
obiekty; Dodaje niewielkie otoczenie
wokół najmniejszych pików - artefaktów
LM
Oryginalny
0.15
8
Kształty bezsensowne
LoG w wielu
Kształty bardzo duże w stosunku do
skalach
obiektów – dużo dodanego tła;
LS
Oryginalny
0.15
1.5
Dużo obiektów ginie; Mocno poszarpane
granice
LoG w wielu
1.2
Niektóre obiekty giną, niektóre połączone;
skalach
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
Kształty lepiej dopasowane – bez
skalach
dodanego tła, lekko poszarpane granice
LM
Oryginalny
0.15
8
Bezsensowne kształty
LoG w wielu
Kształty zawierają poza obiektem także
skalach
tło wokół obiektu, lekko poszarpane
granice
Wybrany
algorytm
Obraz
wejściowy
Oryginalny
0.15
1.5
Dobrze dopasowany kształt
LoG w wielu
Kształt za ciasny
skalach
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
Duże obiekty z dodanym tłem
skalach
LS
Oryginalny
0.15
1.5
Bardzo małe obiekty, niektóre nie
zawierają w pełni całej powierzchni
artefaktu
LoG w wielu
1.5
- ‘’ skalach
A_1153_LCC: słabo widoczne mikrozwapnienia (próg lokalizacji=60)
MS
Oryginalny
0.15
8
Dobre, gładkie kształty
LoG w wielu
Większe
skalach
LM
Oryginalny
0.15
8
Bez sensu
LoG w wielu
Bardzo duże z otaczającym tłem
skalach
LS
Oryginalny
0.15
1.5
poszarpane
LoG w wielu
1.5
Ładne kształty
skalach
LS
5. 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/