ЦИФРОВАЯ ОБРАБОТКА ЭНДОСКОПИЧЕСКИХ ИЗОБРАЖЕНИЙ ДЛЯ СИСТЕМ ПОДДЕРЖКИ ВРАЧЕБНЫХ РЕШЕНИЙ

Эндоскопическое обследование занимает ведущее место в практической медицине. Современным направлением исследований, реализующим повышение эффективности эндоскопического осмотра, является разработка систем поддержки врачебных решений. Это системы нового типа, предполагающие интеграцию результатов автоматического анализа сигналов изображений c результатами, полученными врачом, а также использование информации, имеющейся в базе данных системы. Взаимодействие врача с системой позволяет обеспечить значительное повышение чувствительности и специфичности диагностики.
Цель проведенного исследования – создание новых автоматических методов цифровой обработки эндоскопических изображений, обеспечивающих их высокую эргономичность и возможность эффективного использования в системах поддержки врачебных решений. В рамках исследования предложены следующие методы: метод сегментации и удаления зеркальных бликов; метод компенсации радиальных и тангенциальных геометрических искажений, особенно выраженных при использовании широкоугольных объективов в эндоскопических камерах; метод формирования мозаичной панорамы из входного видеопотока в условиях низкой детальности исходных сюжетов; метод адаптивной коррекции яркости и контраста изображений, обеспечивающий одновременную успешную коррекцию как темных, так и светлых областей изображения (неравномерный контраст) без значительного подчеркивания шумовой составляющей, характерного для существующих методов нелинейного контрастирования; процедура цветокоррекции по критерию "комфортное восприятие", основанная на матрице линейных преобразований, учитывающая характеристики эндоскопических изображений и позволяющая настраивать цветовую палитру в соответствии с личными предпочтениями врача.
Рассмотренные методы успешно прошли тестирование на реальных эндоскопических изображениях в отделе инновационных медицинских приборов Корейского электротехнологического научно-исследовательского института. Результаты тестирования показывают их эффективность и целесообразность использования в системах поддержки врачебных решений.

1. Liedlgruber M., Uhl A. Computer-aided decision support systems for endoscopy in the gastrointestinal tract: A Review // IEEE Rev. in Biomed. Engin. 2011. Vol. 4. P. 73–88.

2. Münzer B., Schoeffmann K., Böszörmenyi L. Content-based proc. and analysis of endoscopic images and videos: A survey // Multimedia Tools and Applications. 2018. Vol. 77(1). P. 1323–1362.

3. Obukhova N., Motyko А. Image analysis in clinical decision support system // Computer Vision in Control Systems. Springer, 2017. P. 261–299.

4. Serra J., Salembier P. Mathematical morphology and its applications to image processing. Dordrecht, Netherlands: Kluwer Academic Publishers, 1994. 368 p.

5. Shih T., Chang R. C. Digital inpainting – survey and multilayer image inpainting algorithms // Proc. of the Third Int’l Conf. on Information Technology and Applications (ICITA 2005), Sydney, Australia, 4–7 July 2005. Piscataway: IEEE, 2005. P. 15–24.

6. Sethian J. A fast marching level set method for monotonically advancing fronts // Proc. of the Natl. Acad. Sci., Washington, 20 Feb. 1996. P. 1591–1595.

7. Walree P. Distortion. URL: https://web.archive.org/web/20160420093927/http://toothwalker.org:80/optics/distortion.html (дата обращения 20.12.2018).

8. Hsu C. H., Miaou S. G., Chang F. L. A distortion correction method for endoscope images based on calibration patterns and a simple mathematic model for opticallens // Biomed. Engin. Appl., Basis & Communications. 2005. Vol. 17. P. 309–318.

9. Harris C., Stephens M. A Combined corner and edge detector // Proc. of the 4th Alvey Vision Conf., Manchester, UK. 1988. P. 147–151.

10. Hartley R., Zisserman A. Multiple view geometry in computer vision. cambridge university press, 2003. 561 p.

11. Obukhova N., Motyko А., Pozdeev A. Modern methods and algorithms in digital processing of endoscopic images // Proc. of Conf. of Open Innovations Association FRUCT and ISPIT, Helsinki, Finland, 6-10 Nov. 2017. Piscataway: IEEE, 2017. P. 260–267.

12. Vonikakis V., Andreadis I. Multi-scale image contrast enhancement // Proc. of the 10th Intl. Conf. on Control, Automation, Robotics and Vision. Hanoi, Vietnam, 17–20 Dec. 2008. Piscataway: IEEE, 2008. P. 856–861.

13. Tao L., Asari K. V. An adaptive and integrated neighborhood dependent approach for nonlinear enhancement of color images // SPIE J. of Electronic Imaging. 2005. Vol. 14(4). P. 1–14.

14. Arigela S., Asari V. A Locally tuned nonlinear technique for color image enhancement // WSEAS Trans. Signal Process. 2008. Vol. 4(8). P. 514–519.

15. Обухова Н. А., Поздеев А. А. Метод нелинейного контрастирования медицинских изображений // Сб. докл. 19-й Междунар. конф. "Цифровая обработка сигналов и ее применение DSPA-2017", Москва, 29–31 марта 2017. М., 2017. С. 521–524.

16. A new image calibration technique for colposcopic images. Medical imaging 2006: Image Processing / W. Li, M. S. Tompson, Y. Xiong, H. Lange; ed. by J. M. Reinhardt, J. P. W. Pluim // Proc. of SPIE. 2006. Vol. 6144, P. 227–239.

17. Pat. US 8027533 B2, Method of Automated Image Color Calibration, 2008.

18. Wolf S. color correction matrix for digital still and video imaging systems. Washington: National Telecommunications and Information Administration, 2003. 20 p.

19. Trust the colors with olympus true color LED. URL: https://www.olympus-lifescience.com/en/resources/white-papers/true-color-led (дата обращения 20.12.2018).

20. Обухова Н. А., Мотыко А. А. Процедура калибровки по цвету для мультиспектральной ТВ системы диагностики онкологических изменений шейки матки // Вопр. радиоэлектроники. Сер.: Техника телевидения. 2015. Вып. 4. C. 149–153.