Применение методов цифровой обработки для автоматизированной сегментации сердца по данным компьютерной томографии
- Авторы: Ширшин А.В.1,2, Бойков И.В.1, Малаховский В.Н.1, Рамешвили Т.Е.1, Кушнарев С.В.1
-
Учреждения:
- Военно-медицинская академия имени С.М. Кирова
- Национальный исследовательский университет ИТМО
- Выпуск: Том 41, № 1 (2022)
- Страницы: 49-54
- Раздел: Обзоры
- URL: https://journals.eco-vector.com/RMMArep/article/view/104344
- DOI: https://doi.org/10.17816/rmmar104344
- ID: 104344
Цитировать
Полный текст
Аннотация
Компьютерная томография как метод неразрушающего исследования внутренней структуры объектов в настоящее время широко применяется в кардиохирургии, в том числе для решения специфических задач, включающих математическое моделирование физиологических процессов, проведение хирургических вмешательств в дополненной реальности, трехмерную печать, радиомику. Одним из ключевых этапов в создании трехмерной модели по данным компьютерной томографии является сегментация — процесс выделения объектов на изображении. В настоящее время существует несколько подходов к автоматизации процесса сегментации, включающих применение методов обработки изображений, текстурного анализа и алгоритмов машинного обучения (в частности, кластеризации). Методы обработки изображений являются наиболее простым из представленных подходов и встречаются в различных приложениях для сегментации томографических данных. В работе проведен обзор преимуществ и недостатков различных методов обработки изображений (пороговая бинаризация, выращивание областей, обнаружение контуров и сегментация по морфологическим водоразделам) как инструментов автоматизированной сегментации сердца по данным компьютерной томографии. Выявлено, что изображения, получаемые при компьютерной томографии, обладают характерными особенностями, влияющими на процесс сегментации (наличие шумов, эффект частичного объема и т. д.). Выбор метода сегментации основывается на яркостных характеристиках области интереса и требует знания предметной области, поэтому должен осуществляться специалистом, обладающим компетенциями в области анатомии и цифровой обработки изображений. В качестве самостоятельных способов автоматизированной сегментации перечисленные методы применимы только в относительно простых случаях (выделение однородных или высококонтрастных областей), в противном случае требуются комбинация этих методов, применение алгоритмов машинного обучения или ручной коррекции результатов.
Полный текст
АКТУАЛЬНОСТЬ
Компьютерная томография (КТ) как метод неразрушающего исследования внутренней структуры объектов в настоящее время широко применяется в медицинской визуализации, в частности для диагностики заболеваний сердца [1]. Современные КТ-аппараты способны за считанные секунды составлять картину распределения рентгеновской плотности внутренних органов с субмиллиметровым пространственным разрешением [2]. Это позволяет с высокой степенью детализации воспроизводить трехмерную макроструктуру нормальных и патологически измененных органов для целого ряда прикладных задач в кардиохирургии, включающих математическое моделирование физиологических процессов, проведение хирургических вмешательств в дополненной реальности, трехмерную печать, анализ радиомических показателей [3–6]. Детальное выделение анатомических особенностей сердца и общего ствола, возможное при создании виртуальных 3D-моделей, также необходимо при планировании хирургической коррекции некоторых врожденных пороков сердца [7].
Одним из ключевых этапов в создании трехмерной модели по данным КТ является сегментация — процесс выделения объектов на изображении [8]. Она может быть ручной (область интереса выделяется поэлементно оператором), автоматизированной (оператор использует алгоритмы сегментации и корректирует их результаты) и автоматической (сегментация происходит без участия оператора). Последний способ наиболее привлекателен для использования в клинике, но некоторые особенности медицинских КТ-изображений (неоднозначное распределение рентгеновской плотности, эффект частичного объема, нерезкие контурные перепады и т. п.) делают задачу автоматической сегментации нетривиальной, требующей применения технологий искусственного интеллекта. Карты сегментации, полученные ручным способом, наиболее полно соответствуют области интереса и могут быть использованы в качестве эталона сравнения результатов сегментации [9]. Тем не менее высокая трудоемкость ручной сегментации не позволяет широко использовать данный способ на практике.
Автоматизированная сегментация позволяет в сравнении с ручной снизить трудозатраты, а в сравнении с автоматической, как правило, использует менее сложные вычислительные алгоритмы. В настоящее время существует несколько подходов к автоматизированной сегментации, включающих применение методов обработки изображений, текстурного анализа и алгоритмов машинного обучения (в частности, кластеризации). Методы обработки изображений являются наиболее простым из представленных подходов и встречаются в различных приложениях для сегментации томографических данных [10, 11].
Цель настоящей работы — обзор преимуществ и недостатков методов обработки изображений как инструментов автоматизированной сегментации сердца по данным компьютерной томографии.
МАТЕРИАЛЫ И МЕТОДЫ
В качестве тестового набора данных были использованы 224 КТ сердца с внутривенным контрастированием, полученные в спиральном режиме на аппарате GE Revolution CT (General Electric, США) с шагом 1 мм и размером матрицы получаемых изображений 512 × 512 пикселей. Обработка изображений проводилась с использованием языка Python 3.8 и библиотек numpy, python-opencv, matplotlib.
РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ
Методы цифровой обработки, применяемые для сегментации изображений, можно разделить на два типа: контурные (основанные на определении контурных перепадов между различными областями) и яркостные (основанные на объединении в замкнутую область элементов изображения, обладающих сходством в соответствии с набором наперед заданных критериев) [12]. К первому типу можно отнести пороговую бинаризацию, обнаружение контуров и сегментацию по морфологическим водоразделам, ко второму — выращивание областей.
Наиболее простым и широко применяемым для сегментации методом обработки изображений является пороговая бинаризация [13]. Она заключается в выделении пикселей, яркость которых принадлежит определенному диапазону значений. Для выбора порогов сегментации можно использовать визуальный анализ получаемой карты сегментации или гистограммы изображения, а также алгоритмы поиска оптимальных порогов, например метод Оцу [14]. Как можно заметить по результатам сегментации миокарда, представленным на рис. 1, данный метод чувствителен к шуму (колебания яркости в жировой ткани и полостях сердца). Также он не учитывает эффект частичного объема, который выражается в искажении плотностных характеристик структур, занимающих элемент изображения не полностью (например, створка митрального клапана и перепончатая часть межжелудочковой перегородки (МЖП) на представленном изображении).
Рис. 1. Сегментация методом пороговой бинаризации: а — гистограмма КТ-изображения; b — диапазон значений, включенный в маску сегментации; c — результат сегментации
Следующим методом, используемым для сегментации изображений, является обнаружение контуров. Из-за упомянутых выше шумов и эффекта частичного объема контурные перепады на томограммах чаще всего не являются резкими, а их поиск включает последовательное преобразование изображения с применением сглаживающих и дифференциальных фильтров. Это позволяет более полно отграничить области интереса ценой увеличения вычислительной сложности. На рис. 2 представлен результат выделения контуров на исходном изображении с использованием алгоритма Кенни [15]. В отличие от метода пороговой бинаризации, зоны митрального клапана и МЖП включены в результат сегментации, но сохраняются ложные контуры в полостях сердца. Также к недостаткам данного метода можно отнести несвязанность полученных контуров, что требует дальнейшей постобработки.
Рис. 2. Результат выделения контуров на исходном изображении при помощи алгоритма Кенни (для наглядности инвертированы цвета)
Метод выращивания областей напротив, заключается в поиске среди окружающих заданную область таких пикселей, яркость которых приближена к средней по данной области [16]. Благодаря этому происходит более наглядное, чем при детекции контуров, выделение связной области интереса с меньшей, чем у пороговой обработки, чувствительностью к шуму. Тем не менее, как видно на рис. 3, b, данный метод не учитывает эффект частичного объема — «тонкие» структуры оказались включенными в карту сегментации полостей сердца. Следует также отметить, что данный метод применим для сравнительно крупных сегментов, в которых можно задать начальную область.
Рис. 3. Сегментация полостей сердца методом наращивания областей: а — задание базовых областей; b — избирательное присоединение к базовым областям окружающих пикселей; c — результат сегментации
Для сегментации структур, имеющих относительно неравномерное распределение рентгеновской плотности (как, например, участок миокарда на представленной томограмме), может быть применен метод морфологических водоразделов [17]. Он заключается в определении локальных минимумов яркости на изображении с последующим построением границ между ними в местах, где начинает соединяться между собой вода, условно заполняющая яркостный рельеф из этих минимумов (рис. 4, а, b). Преимуществом данного метода в сравнении с методом обнаружения контуров является получение замкнутых областей. К недостаткам можно отнести высокую вычислительную сложность, а также чувствительность к локальным максимумам, что, в свою очередь, может привести к избыточной сегментации (рис. 4, c).
Рис. 4. Сегментация методом морфологических водоразделов: а — яркостный рельеф исходного изображения (изображение нормализовано в диапазон 256 градаций серого, значения яркости более 127 заменены на 0); b — заполнение рельефа «водой» до значения яркости 80; c — результат сегментации
Каждый из четырех рассмотренных методов цифровой обработки имеет свои слабые стороны и не может быть предложен в качестве универсального инструмента для автоматизированной сегментации сердца по данным КТ. Тем не менее некоторые дополнительные методы обработки (например, морфологические операции или операции улучшения изображений) могут улучшить результат сегментации, поэтому специалисту, проводящему выделение анатомических структур на томограммах, необходимо понимать специфику используемых методов и уметь сочетать их для успешного выполнения поставленной клинической задачи.
ЗАКЛЮЧЕНИЕ
Изображения, получаемые при компьютерной томографии, обладают характерными особенностями, влияющими на процесс сегментации (наличие шумов, эффект частичного объема и т. д.). Выбор способа сегментации основывается на яркостных характеристиках области интереса, а также требует знаний предметной области, поэтому должен осуществляться специалистом, обладающим компетенциями в области анатомии и цифровой обработки изображений. В качестве самостоятельных способов автоматизированной сегментации перечисленные методы применимы только в относительно простых случаях (выделение однородных или высококонтрастных областей), в противном случае требуются комбинация методов обработки, применение алгоритмов машинного обучения или ручной коррекции результатов.
ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ
Источник финансирования. Финансирование данной работы не проводилось.
Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи.
Этическая экспертиза. Проведение исследования одобрено локальным этическим комитетом ФГБВОУ ВО «Военно-медицинская академия имени С.М. Кирова».
Вклад авторов. Все авторы внесли существенный вклад в проведение исследования и подготовку статьи, прочли и одобрили финальную версию перед публикацией.
Об авторах
Александр Вадимович Ширшин
Военно-медицинская академия имени С.М. Кирова; Национальный исследовательский университет ИТМО
Автор, ответственный за переписку.
Email: asmdot@gmail.com
ORCID iD: 0000-0002-1494-9626
SPIN-код: 4412-0498
врач-рентгенолог клиники рентгенорадиологии и ультразвуковой диагностики, аспирант факультета систем управления и робототехники
Россия, 194044, Санкт-Петербург, ул. Академика Лебедева, д. 6Ж; Санкт-ПетербургИгорь Валерьевич Бойков
Военно-медицинская академия имени С.М. Кирова
Email: qwertycooolt@mail.ru
докт. мед. наук, заместитель начальника кафедры рентгенологии и радиологии
Россия, Санкт-ПетербургВладимир Николаевич Малаховский
Военно-медицинская академия имени С.М. Кирова
Email: malakhovskyvova@gmail.com
ORCID iD: 0000-0002-0663-9345
SPIN-код: 2014-6335
докт. мед. наук, профессор, ассистент кафедры рентгенологии и радиологии
Россия, Санкт-ПетербургТамара Евгеньевна Рамешвили
Военно-медицинская академия имени С.М. Кирова
Email: t.rameshvili@mail.ru
докт. мед. наук, профессор, доцент кафедры рентгенологии и радиологии
Россия, Санкт-ПетербургСергей Владимирович Кушнарев
Военно-медицинская академия имени С.М. Кирова
Email: S.v.kushnarev@yandex.ru
ORCID iD: 0000-0003-2841-2990
SPIN-код: 5859-0480
канд. мед. наук, преподаватель кафедры рентгенологии и радиологии
Россия, Санкт-ПетербургСписок литературы
- Shumakov I.V., Sukhova M.B. MSCT Coronary Angiography in Diagnosis of Chronic Coronary Occlusions // Sovremennye tehnologii v medicine. 2018. Vol. 10, No. 2. P. 118–124. doi: 10.17691/stm2018.10.2.13
- Latina J., Shabani M., Kapoor K., et al. Ultra-High-Resolution Coronary CT Angiography for Assessment of Patients with Severe Coronary Artery Calcification: Initial Experience // Radiol. Cardiothorac. Imaging. 2021. Vol. 3, No. 4. P. e210053. doi: 10.1148/ryct.2021210053
- Niederer S.A., Lumens J., Trayanova N.A. Computational models in cardiology // Nat. Rev. Cardiol. 2019. Vol. 16, No. 2. P. 100–111. doi: 10.1038/s41569-018-0104-y
- Arjomandi Rad A., Vardanyan R., Thavarajasingam S.G., et al. Extended, virtual and augmented reality in thoracic surgery: a systematic review // Interact. Cardiovasc. Thorac. Surg. 2022. Vol. 34, No. 2. P. 201–211. doi: 10.1093/icvts/ivab241
- Vukicevic M., Mosadegh B., Min J.K., Little S.H. Cardiac 3D Printing and its Future Directions // JACC Cardiovasc. Imaging. 2017. Vol. 10, No. 2. P. 171–184. doi: 10.1016/j.jcmg.2016.12.001
- Oikonomou E.K., Williams M.C., Kotanidis C.P., et al. A novel machine learning-derived radiotranscriptomic signature of perivascular fat improves cardiac risk prediction using coronary CT angiography // Eur. Heart J. 2019. Vol. 40, No. 43. P. 3529–3543. doi: 10.1093/eurheartj/ehz592
- Садыкова Г.К., Железняк И.С., Ипатов В.В., Рязанов В.В. Возможности применения многоплоскостных реформаций, ориентированных на оси сердца, в диагностике общего артериального ствола при рентгеновской компьютерной томографии // Вестник Российской Военно-медицинской академии. 2018. № 1(61). С. 132–138.
- Абдулракеб А.Р.А. Модификация порогового метода сегментации полутоновых изображений // Радиотехнические и телекоммуникационные системы. 2017. № 2 (26). С. 50–58.
- Borrelli P., Kaboteh R., Enqvist O., et al. Artificial intelligence-aided CT segmentation for body composition analysis: a validation study // Eur. Radiol. Exp. 2021. Vol. 5, No. 1. P. 11. doi: 10.1186/s41747-021-00210-8
- Fedorov A., Beichel R., Kalpathy-Cramer J., et al. 3D Slicer as an image computing platform for the Quantitative Imaging Network // Magn. Reason. Imaging. 2012. Vol. 30, No. 9. P. 1323–1341. doi: 10.1016/j.mri.2012.05.001
- Yushkevich P.A., Piven J., Hazlett H.C., et al. User-guided 3D active contour segmentation of anatomical structures: significantly improved efficiency and reliability // Neuroimage. 2006. Vol. 31, No. 3. P. 1116–1128. doi: 10.1016/j.neuroimage.2006.01.015
- Gonzalez R.C., Woods R.E. Digital Image Processing, Global Edition. 4th ed. London: Pearson, 2018.
- Матлахов В.П., Игнатов А.Н., Суслов А.Г. Разработка программного модуля для определения процентного состава компонентов износостойких покрытий // Вестник Брянского государственного технического университета. 2016. № 2 (50). С. 46–51.doi: 10.12737/20243
- Пашина Т.А., Гайдель А.В., Зельтер П.М., и др. Сравнение алгоритмов выделения области интереса на компьютерных томограммах легких // Компьютерная оптика. 2020. Т. 44, № 1. С. 74–81. doi: 10.18287/2412-6179-CO-659
- Canny J. A computational approach to edge detection // IEEE Trans. Pattern Anal. Mach. Intell. 1986. Vol. 8, No. 6. P. 679–698.
- Zhu L., Gao Y., Appia V., et al. Automatic delineation of the myocardial wall from CT images via shape segmentation and variational region growing // IEEE Trans. Biomed Eng. 2013. Vol. 60, No. 10. P. 2887–2895. doi: 10.1109/TBME.2013.2266118
- Sakly H., Said M., Tagina M. Evaluation of the active contour and topographic watershed segmentation “assessment of the systolic ejection fraction in the left ventricular for medical assistance in 5D short axis cine MRI” // Heliyon. 2020. Vol. 6, No. 11. P. e05547. doi: 10.1016/j.heliyon.2020.e05547
Дополнительные файлы
![](/img/style/loading.gif)