Testy algorytmów doboru kształtu mikrozwapnień
Transkrypt
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/