Inżynier i Fizyk Medyczny 5/2015 vol. 4
265
artykuł
/
article
obrazowanie medyczne
/
medical imaging
liczbową jakąś formą oceny wizualnej i odpowiednimi wzorami
do manipulowania i rejestrowania dwóch zestawów danych.
Metody te są skuteczne w przypadku transformacji z niewielką
liczbą stopni swobody, np. tylko obroty (3 DOF), transkrypcje
(3 DOF) i ewentualnie izotropowe skalowanie (1 DOF). Niestety,
interaktywne dostosowanie jest metodą obciążoną podatno-
ścią na błędy, gdy jest więcej stopni swobody (np. skalowanie
anizotropowe – 3 DOF). Jest to dobra metoda do tzw. pierwsze-
go oszacowania przekształcania współrzędnych.
Struktura mapowania i fuzja obrazów
Po transformacji badań obrazowych ocenia się część lub całość
danych, na ile jedno badanie może być zsyntetyzowane lub skon-
densowane z drugim. W zależności od decyzji klinicysty może
być zastosowany jeden z dwóch typów fuzji:
––
„mapowanie struktury” (zarysy struktur anatomicznych
lub objętości do leczenia, zdefiniowane na jednym badaniu
obrazowym);
––
„zmapowane” lub „odwzorowanie obrazu”/„fuzja obrazu”
(przetwarzanie i formatowanie danych obrazu z jednego ba-
dania, aby dopasować orientację i skalę w innych obrazach).
Podsumowanie
Postęp technologiczny w obrazowaniu medycznym spowodo-
wał poprawę jego dokładności, z punktu widzenia uzyskiwanej
informacji, jak i jej interpretacji. Jednak każda modalność obra-
zowania ma swoje praktyczne ograniczenia, które dodatkowo
wynikają z podstawowej natury narządów, tkanek i struktur.
Wymusza to konieczność rozwoju nowych technologii obrazo-
wania, jak i również składania ich w celu wzajemnego uzupełnie-
nia wnoszonych danych diagnostycznych. Proces fuzji obrazu
pozwala ilościowo i jakościowo poprawić jakość funkcji prze-
twarzania obrazu i sprawia, że wzrasta efektywność diagnosty-
ki/oceny informacji obrazowej wynikająca z multimodalności.
Głównym wyzwaniem w stosowaniu algorytmów fuzji obrazu
jest zapewnienie adekwatności medycznej i pomocy w poprawie
wyników klinicznych. Odpowiednia kombinacja algorytmów fu-
zji obrazowych, funkcji przetwarzania, funkcji ekstrakcji i funkcji
decyzyjnych, pozwala na rozwiązanie konkretnych problemów
klinicznych. Nawet te same obrazy wymagają zastosowania róż-
nego rodzajów przetwarzania/procesowania dla różnych typów
diagnostyki w danym obszarze zainteresowania. Wciąż otwar-
tym problemem w fuzji obrazów i algorytmach przetwarzania
są właściwości obrazów związane np. z obecnością pikseli o zna-
cząco różnych intensywnościach, brakujących cechy, błędów de-
tektorów, nieścisłości przestrzennych i zmienności między obra-
zami. Niedokładność rejestracji obiektów między obrazami jest
ściśle związana z niską wydajnością funkcji lub fuzji na poziomie
decyzji algorytmów fuzji obrazówmedycznych i wymaga wiedzy
medycznej, jak i wglądu do cech/parametrów algorytmów. In-
nym ważnym elementem przy rozwiązywaniu problemów fuzji
obrazów medycznych jest położenie nacisku na rozwój algoryt-
mów poprawiających jakość obrazowania i definiowania regio-
nów zainteresowania. Potrzeba poprawy jakości obrazu wynika
z optymalizacji stosunku sygnału do szumu i fizycznych ograni-
czeń modalności obrazowania. Innym obszarem zainteresowa-
nia jest poprawa prędkości przetwarzania, zwłaszcza w przy-
padkach objętościowej fuzji obrazu. Jeśli chodzi o radioterapię
pojawia się dodatkowa potrzeba – analiza deformacji wynikają-
cych ze zmiany geometrycznej anatomii ciała człowieka. Powo-
duje to, że fuzja obrazów musi uwzględniać tę dynamikę układu,
a ponadto rozwój algorytmów deformacyjnych do szacowania
dawek promieniowania jonizującego, dostarczonych w zmienia-
jącej się strukturze podczas radioterapii.
Literatura
1.
-
cancer-radiation-therapy-1042.pdf
2.
A.P. James, B.V. Dasarathy:
Medical Image Fusion: A survey of the
state of the art
, Information Fusion, 2014.
Bibliografia
1.
L.M. Kessler, L. Kelvin:
Image fusion for conformal radiation the-
rapy
, Department of Radiation Oncology, The University of
Michigan.
2.
A.A. Pure, N. Gupta, M. Shrivastava:
An Overview of Different
Image Fusion Methods for Medical Applications
, International Jo-
urnal of Scientific & Engineering Research, 4(7), 2013.
3.
J. Flusser, F. Šroubek, B. Zitov´a:
Image Fusion: Principles, Me-
thods, and Applications, Tutorial EUSIPCO 2007, Lecture Notes
,
Institute of Information Theory and Automation Academy of
Sciences of the Czech Republic.
4.
H. Zhu, B. Wu, P. Ren:
Medical Image Fusion Based on Wavelet
Multi-Scale Decomposition
, Journal of Signal and Information
Processing, 4, 2013, 218-221.
