Метод повышения контраста медицинских видеоизображений с адаптивной глубиной коррекции для систем поддержки врачебных решений

Введение. При проведении диагностического осмотра или лечения врачу требуется быстро и точно выявлять и локализовывать аномалии и заболевания, для чего используются, в том числе, и технические средства. Быстрое развитие технологий в области датчиков, устройств визуализации и методов диагностики обеспечивает планомерный переход от анализа изображений врачом к широкому использованию автоматизированных диагностических систем – систем поддержки принятия врачебных решений.

Цель работы. Разработка метода повышения контраста эндоскопических изображений с учетом их особенностей с целью увеличения эффективности медицинских диагностических систем.

Материалы и методы. Повышение контраста неизбежно приводит к росту уровня шумов. Применение на предварительном этапе коррекции известных методов шумоподавления влечет за собой, как правило, потерю мелких деталей, которые важно сохранить при обработке. Разработан метод повышения контраста эндоскопических изображений, в основе которого лежит нелинейное преобразование яркости пикселов, учитывающее их локальную окрестность. Функциональная зависимость между глубиной коррекции контраста и оценкой детальности окрестности обрабатываемого пиксела получена с помощью регрессионного анализа.

Результаты. Результаты экспериментальной оценки и сравнение с аналогом показывают, что при сопоставимом уровне повышения контраста обеспечено большее значение индекса структурного сходства с исходным изображением (0.71 против 0.63 у аналога) при уменьшении роста уровня шумов на 17 %.

Заключение. Метод обеспечивает коррекцию контраста одновременно как светлых, так и темных фрагментов изображения и ограничивает при этом рост шумовой составляющей (характерный для методов этого класса) по сравнению со стандартными методами посредством адаптации глубины коррекции к свойствам окрестности обрабатываемого элемента изображения.

1. Huang T. S., Yang G. J., Tang G. Y. A fast two-dimensional median filtering algorithm // IEEE Trans. on Acoustics, Speech, and Signal Processing. 1979. Vol. 27, iss. 1. P. 13–18. doi: 10.1109/TASSP.1979.1163188

2. A low-memory, straightforward and fast bilateral filter through subsampling in spatial domain / F. Banterle, M. Corsini, P. Cignoni, R. Scopigno // Computer Graphics Forum. 2012. Vol. 31, iss. 1. P. 19–32. doi: 10.1111/j.1467-8659.2011.02078.x

3. Tomasi C., Manduchi R. Bilateral filtering for gray and color images // 6th Intern. Conf. on Computer vision, Bombay, India, 4–7 Jan. 1998. Piscataway: IEEE, 1998. P. 839–846. doi: 10.1109/ICCV.1998.710815

4. Buades A., Coll B., Morel J.-M. Neighborhood filters and PDE's // Numerische Mathematik. 2006. Vol. 105, № 1. P. 1–34.

5. Jin W., Qi J. An improved approximate K-nearest neighbors nonlocal-means denoising method with GPU acceleration // Intelligent Science and Intelligent Data Engineering. 2012. Vol. 7751. P. 425–432.

6. Maggioni M., Foi A. Nonlocal transform-domain denoising of volumetric data with groupwise adaptive variance estimation // Proc. SPIE Electronic Imaging. 2012. Vol. 8296. P. 1–8. doi: 10.1117/12.912109

7. Agaian S., Silver B., Panetta K. Transform coefficient histogram based image enhancement algorithms using contrast entropy // IEEE Trans. Image Process. 2007. Vol. 16, iss. 3. P. 741–758. doi: 10.1109/tip.2006.888338

8. Mukherjee J., Mitra S. K. Enhancement of color images by scaling the DCT coefficients // IEEE Trans. on Image Processing. 2008. Vol. 17, iss. 10. P. 1783–1794. doi: 10.1109/TIP.2008.2002826

9. Fattal R. Edge-avoiding wavelets and their applications // ACM Trans. Graphics. 2009. Vol. 28, iss. 3. P. 1–10. doi: 10.1145/1531326.1531328

10. Gray and color image contrast enhancement by the Curvelet transform / J.-L. Starck, F. Murtagh, E. J. Candès, D. L. Donoho // IEEE Trans. on Image Processing. 2003. Vol. 12, iss. 6. P. 706–717.

11. 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. 1.1–1.14.

12. Arigela S., Asari V. K. A Locally tuned nonlinear technique for color image enhancement // WSEAS Trans. Signal Processing. 2008. Vol. 4, № 8. P. 514–519.

13. Прэтт У. Цифровая обработка изображений: в 2 кн. Кн. 2 / пер. с англ. М.: Мир, 1982. 480 с.

14. Kvasir: a multiclass image dataset for computer aided gastrointestinal disease detection / K. Pogorelov, K. R. Randel, C. Griwodz, S. L. Eskeland, T. Lange, D. Johansen, C. Spampinato, D. Dang-Nguyen, M. Lux, P. T. Schmidt, M. Riegler, P. Halvorsen // MMSys. Proc. of the 8th ACM on Multimedia Systems Conf. 2017. P. 164–169. doi: 10.1145/3083187.3083212

15. Wang Z., Simoncelli E. P., Bovik A. C. Multiscale structural similarity for image quality assessment // Conf. Record of the 37th Asilomar Conf. on Signals, Systems and Computers. Pacific Grove, California, 9–12 Nov. 2004. University of Illinois at Urbana-Champaign: IEEE, 2004. Vol. 2. P. 1398–1402.

16. Rosenfeld A., Troy E. B. Visual texture analysis. Maryland: Computer Science Center, University of Maryland, 1970. 15 p.

17. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2005. 1072 с.