vol. 4 5/2015 Inżynier i Fizyk Medyczny
260
artykuł
\
article
obrazowanie medyczne
\
medical imaging
Metody poznawcze
W obrazowaniu medycznym istnieją sytuacje, w których wie-
dza lekarza/diagnosty może być stosowana w projektowaniu
segmentacji, oznakowania i rejestracji obrazów. W przypadku
tej metody potrzebna jest specjalistyczna wiedza, aby określić
kryteria i ograniczenia segmentacji opartej na cechach bada-
nego regionu anatomicznego. Jest to związane ze ściśle zdefi-
niowaną anatomią, prezentowaną w sposób charakterystyczny
dla poszczególnych typów obrazowania na etapie grupowania
wykrytych obszarów zainteresowania. Istnieje szereg zastoso-
wań, w których taka wiedza jest przydatna do fuzji obrazu, np.:
segmentacja, diagnoza mikrozwapnień, klasyfikacji tkanek, dia-
gnostyka mózgu, fuzja klasyfikatorów, wykrywanie raka piersi
oraz wytyczenie elementów anatomicznych mózgu. Systemy
oparte na wiedzy mogą być używane w połączeniu z innymi me-
todami, takimi jak intensywność pikseli. Niezawodność tej me-
tody zależy w dużej mierze od jakości i wiedzy lekarza orzecznika
w oznaczeniu anatomii i jej identyfikacji. Zaletą jest możliwość
odniesienia obrazów do opracowanych standardów oceny wzro-
kowej. Wadą metody jest duży determinant czynnika ludzkiego
w ocenie obrazów, podatny na zmienność intensywności pikseli.
Metody falki
Podstawą falkowej fuzji obrazu jest wydzielenie użytecznej in-
formacji z jednego szczegółu obrazu i wprowadzenie go do inne-
go. Szczegóły informacji obrazowej są zwykle determinowane
wysokimi częstotliwościami. Metody falki bazują na wyborze
częstotliwości zarówno w czasie, jak i przestrzeni. Uzyskany ob-
raz po fuzji uzyskuje cechy z obu obrazów, co wynikowo popra-
wia jakość obrazowania. Istnieje kilka prostych matematycznych
modeli do wzajemnego „przeniknięcia” cech z poszczególnych
obrazów, takie jak np. operacja dodawania i funkcje wiążące,
aż do bardziej złożonych modeli matematycznych. Niezależnie
od zastosowanych modeli, ze względów praktycznych, rozdziel-
czość obrazu pozostaje taka sama przed i po fuzji. Ponadto roz-
dzielczość obrazu referencyjnego wymusza wymaganą liczbę
poziomów dekompozycji (obraz o wysokiej rozdzielczości wy-
maga większej liczby poziomów dekompozycji niż obraz o niskiej
rozdzielczości). Istnieje kilka zastosowań falki w fuzji obrazów,
np.: pseudokolorowanie obrazówmedycznych, diagnostyka me-
dyczna, cechy poziomu fuzji obrazu, segmentacja, planowanie
leczenia w radioterapii 3D i prezentacja kolorów.
Metoda falki wykazuje największą przydatność w powiązaniu
z innymi technikami. Najlepsze jest powiązanie falkowej fuzji
obrazu z sieciami neuronowymi, która często przyjmuje rolę
przetwarzania cech obrazów, a metoda falki rolę operatora fuzji.
Podobnie do sieci neuronowych działają operatory bazujące na
kernelu, np. SVM (
Suport Vector Machines
), które w powiązaniu
z metodą falki pozwalają osiągnąć połączenie obrazów na po-
ziomie ich poszczególnych cech. Jeżeli metoda falki jest opera-
torem fuzji obrazów, to istnieje kilka metod przetwarzania cech,
np.: SVM, pomiar struktur, operator samoadaptacyjny, rozdziel-
czość – entropia, funkcja krawędzi, transformata konturów itd.
Metody oparte na sieciach neuronowych
Sztuczne sieci neuronowe (ANN) są wzorowane na idei sieci neu-
ronowej, posiadającej zdolność do uczenia się od wejścia przez
funkcje przetwarzania i podejmowania globalnych decyzji. Mo-
dele sztucznych sieci neuronowych wymagają „szkoleniowego”
zestawu wejściowego do identyfikacji zestawu parametrów
sieci, którym przypisywane są wagi. Zdolność neuronowych mo-
deli sieciowych do przewidywania, analizowania i wnioskowania
informacji z danych bez przechodzenia przez złożone działania
matematyczne jest postrzegana jako ich zaleta. To sprawia,
że sieć neuronowa jest narzędziem niezwykle skutecznym do
fuzji obrazu. Wynika to z dynamiki tego narzędzia w stosunku
do zmienności cech między obrazami, zwłaszcza w przypadku
używania nowych modalności. Możliwość trenowania sieci neu-
ronowej i modelowania tego dynamicznego układu pozwala
na generację cech oraz funkcji składania, klasyfikację, scalanie
danych, fuzję obrazu, naturalne metody obliczeniowe i fuzję
klasyfikatorów.
Chociaż sztuczne sieci neuronowe posiadają umiejętności
„uczenia się”, to wiarygodność metod sieci neuronowych jest
ograniczona przez jakość danych wejściowych, które stanowią
podstawę do procesu uczenia i dokładności konwergencji al-
gorytmu uczącego. W celu poprawy jakości cech metody mogą
być zastosowane hybrydy sieci neuronowych i sekwencyjnego
przetwarzania z innymi technikami syntezy, np.: metody falki,
logiki rozmyte, genetyczno-rozmyte sieci neuronowe, SVM-AN-
N-GMM. W praktyce bardzo trudno wykazać skuteczność połą-
czeń metod fuzji dla różnych form obrazowania, ze względu na
różną jakość obrazów wybranych do procesu uczenia.
Metody oparte na rozmytej logice
Metoda logiki rozmytej jest stosowana jako element operatora
transformaty lub operatora decyzyjnego w procesie fuzji obra-
zu. Istnieje wiele zastosowań rozmytej logiki w fuzji obrazu, np.:
diagnostyka mózgowia, segmentacji i integracji obrazów, eks-
trakcji informacji obrazowej, segmentacji w obrazowaniu mó-
zgowia, przestrzennie ważona entropia, cechy fuzji, multimo-
dalna fuzja obrazu, diagnostyka raka jajnika, ekspresja genów.
Dobór zbiorów funkcji rozmytych do optymalnej fuzji obrazu
stanowi dalej otwarty problem. Poprawę funkcji przetwarzania
i analizy, aby pasowały lepiej do rozmytego miejsca, można uzy-
skać poprzez połączenie ich z metodami probabilistycznymi.
Inne metody
Istnieje wiele metod, które są oparte na technologii redukcji
wymiarowości, takie jak analiza składowych niezależnych (ICA)
i analiza głównych składowych (PCA). Takie techniki redukcji
