Система и способ для автоматического планирования видов в объемных изображениях мозга

Система и способ для автоматического планирования видов в объемных изображениях мозга

Иллюстрации

Показать все

Реферат

Изобретение относится к области медицинской техники, а более конкретно - к автоматическому планированию видов в объемных изображениях мозга.

Медицинские изображения, полученные, например, в магнитно-резонансной томографии, широко используются в современных диагностических исследованиях, в частности в исследованиях человеческого мозга. Для полноценной визуализации, а также правильной постановки диагноза большое значение имеет качественное планирование видов, также известное как планирование сканов.

Планирование видов должно учитывать анатомические особенности, т.е. спланированные виды должны быть ориентированы в соответствии с анатомическими стандартами: традиционными опорными линиями, осями и плоскостями симметрии. В частности, при исследованиях головного мозга используются стандартные позиции, в которых в качестве продольной плоскости симметрии используется плоскость, разделяющая два полушария (проходящая через продольную щель большого мозга, называемая также продольной фиссурой), для сагиттального вида, и различные стандартные аксиальные (трансверсальные) виды, построенные на оговоренных анатомических точках (примером такого построения является ориентация в Талайраховом пространстве).

Процедура планирования видов, если ее выполнять вручную, занимает много времени. Более того, при ручном планировании на эту рутинную операцию затрачивается время и труд медицинского персонала высшей квалификации. Для повышения эффективности сканирования мозга можно применить автоматическую процедуру планирования видов, в основе которой лежит анализ объемных (3D) скаут-изображений. Здесь и далее под скаут-изображением понимается предварительный трехмерный снимок, сделанный с целью локализации области интереса.

Потребность в планировании видов для медицинских изображений вполне очевидна, использование стандартных анатомических точек, опорных линий и плоскостей симметрии тоже очевидно.

Таким образом, имеет место проблема создания способа автоматического планирования видов, причем способ должен быть достаточно быстрым и надежным (робастным) при использовании скаут-изображений низкой разрешающей способности («низкокачественных»), поскольку именно такие изображения часто принимают на предварительном этапе в целях убыстрения процесса. Решению этой проблемы посвящено много работ. Как правило, в большинстве подходов в качестве природной плоскости симметрии используется среднесагиттальная плоскость (ССП), а для создания продольной опорной оси - некоторые анатомические точки в этой плоскости. С этой точки зрения большинство методов сходны между собой, а различия заключаются в способах отыскания этих опорных линий и плоскостей.

Иногда в качестве основного объекта изобретения выбираются специфические части общей задачи планирования видов: например, патент США 7,450,983 [1] описывает определение в среднесагиттальной плоскости таких анатомических структур мозга, как передняя и задняя комиссуры; патент США 7,986,823 [2] описывает определение среднесагиттальной плоскости (ССП) в качестве отдельной задачи; патенты США 8,002,019 [3], 8,190,232 [4], 8,270,698 [5] описывают и построение среднесагиттальной плоскости, и отыскание анатомических точек в ней.

Патенты [1] и [3] используют быстрый и экономичный способ отыскания опорных линий для построения среднесагиттальной плоскости: обрабатываются только два сечения (среза) изображения - один корональный и один аксиальный, и две опорных линии, найденные в этих сечениях, используются для построения ССП. Такой подход не обладает большой робастностью, поскольку не обрабатывает избыточного набора сечений. В случае скаут-изображений низкой разрешающей способности это может привести к ненадежному построению ССП из-за статистической недостоверности используемых данных.

В патенте [5] обрабатывается избыточный набор аксиальных сечений для построения ССП, что, безусловно, повышает робастность способа. Однако этот способ использует только аксиальные сечения и не учитывает корональных. Следовательно, полезная дополнительная информация не используется. Выбор рабочих сечений в этом патенте проводится без учета анатомических особенностей головного мозга - набор рабочих сечений получается простой равномерной «рубкой» всего объема от нижней части до верхней. Не предусмотрено никакой предварительной стадии процесса для осмысленного выбора рабочих сечений. Робастность такого подхода можно повысить, если предусмотреть в нем обработку корональных сечений наряду с аксиальными, а также специальную процедуру, реализующую предварительный выбор рабочих сечений с учетом анатомических особенностей мозга. В патенте [2], который использует только два рабочих сечения, предварительный выбор сечений отсутствует: первое из сечений (аксиальный срез) выбирается просто как средний слой всего объемного скаут-изображения.

В патентах [1] и [5] при обработке сечений для выявления в них «серединной линии» строится аппроксимирующий эллипс, и используются его свойства симметрии. В патенте [5] эллипсная маска в сечении строится по предварительно выделенному контуру изображения мозга. Боле надежным был бы подход, в котором вместо контурного эллипса использовалась бы маска, покрывающая реальную форму среза мозга в сечении - главные оси такой плоской фигуры могут отличаться от осей контурного эллипса. Кроме того, при низкой разрешающей способности скаут-изображения построение плоской фигуры, накрывающей срез, более статистически достоверно, чем выделение контура этого среза и построение эллипса по нему.

В патентах [3] и [4] выявление серединной линии в сечениях усовершенствовано: линии симметрии аппроксимирующих эллипсов используются только в качестве начального приближения, а затем применяется этап уточнения, в ходе которого обнаруживается положение темной линии, разделяющей мозговые полусферы в данном сечении. Для обнаружения темных пикселей используются градиентные маски. Однако на практике обнаружение может быть затруднено из-за того, что искомая разделяющая линия может иметь весьма сложный характер: это зависит как от положения выбранного сечения относительно анатомии всего мозга, так и от качества скаут-изображения. Например, обнаруживаемая линия может иметь разрывы, может быть неоднородной по интенсивности составляющих ее пикселей, может иметь распределенный характер - то есть иметь более сложный характер, чем тот, на который ориентировано обнаружение локальной градиентной маской.

Более эффективным представляется использование специального численного критерия, который выявлял бы след продольной щели мозга (фиссуры) в заданной зоне сечения. В частном случае такая линия, разделяющая мозговые полушария, может быть темной; однако возможны и другие варианты интенсивности пикселей, составляющих такую линию - это зависит от используемого способа (протокола) получения изображения.

В патентах [1], [3], [4], как следствие того факта, что используются лишь две опорные линии для построения ССП, не применяется никакой постобработки для фильтрации недостоверных (несостоятельных) данных. В патенте [5] используются избыточные данные, и в итоге ССП строится регрессионным методом (на полученных опорных линиях создаются вспомогательные опорные точки, а затем искомая плоскость строится на этом множестве точек). Такой подход повышает робастность метода, но, тем не менее, и в этом патенте не применяется никакой пост-обработки для фильтрации статистически недостоверных опорных линий.

Представляется, что надежность результата была бы выше, если бы статистически недостоверные опорные линии отфильтровывались: например, можно было бы удалять линии, вектор направленности которых существенно отличается от обобщенного направления всей совокупности опорных линий.

Задача, на решение которой направлено заявляемое изобретение, заключается в разработке усовершенствованного способа обработки изображений как высокой, так и низкой разрешающей способности. При этом заявляемый способ нацелен, главным образом, на надежность (робастность) получаемых результатов.

Технический результат достигается за счет того, что разработан способ автоматического планирования видов в объемных изображениях мозга, состоящий из следующих этапов:

- получение трехмерного скаут-изображения;

- построение среднесагиттальной плоскости мозга на основе наборов опорных линий, вычисленных в выбранных сечениях вышеназванного трехмерного скаут-изображения;

- создание продольной опорной линии на основе анатомических точек, обнаруженных в вышеназванной среднесагиттальной плоскости;

- планирование сканов с ориентацией, основанной на вышеназванных среднесагиттальной плоскости и продольной опорной линии, отличающийся тем, что:

• вышеназванные опорные линии для построения среднесагиттальной плоскости:

- вычисляют на основе аксиальных и корональных сечений трехмерного изображения, предписываемых автоматически в виде двух соответствующих наборов сечений, выбранных путем анализа объемного изображения;

- вычисляют на основе обнаружения следов продольной фиссуры мозга в вышеуказанных сечениях, осуществляемого с использованием численного критерия, вычисляемого путем анализа пикселей изображения;

- собирают вышеназванные опорные линии, вычисленные на основе обнаружения следов продольной фиссуры мозга в вышеуказанных сечениях, в аксиальный и корональный избыточные наборы линий, соответственно;

- фильтруют такие наборы линий путем исключения из указанных наборов тех линий, которые несовместимы по направлению с обобщенным вектором направления всех линий соответствующего набора;

• формируют продольную опорную линию на основе изображения, реконструированного в среднесагиттальной плоскости, и анатомических точек, обнаруженных в этом изображении.

Способность заявляемого способа обрабатывать изображения низкой разрешающей способности является его важным достоинством, поскольку распознавание анатомических структур в таком «некачественном» изображении является сложной задачей. В то же время такое свойство способа является необходимым, поскольку на практике разрешающая способность скаут-изображения часто намеренно делается низкой, чтобы уменьшить время, затрачиваемое на получение изображения. Таким образом, описываемый подход к планированию видов мозга базируется на алгоритмах, которые позволяют повысить робастность результата даже в случае применения скаут-изображений низкой разрешающей способности (именно такие изображения часто принимают на предварительном этапе в целях убыстрения процесса). Заявляемый способ планирования видов позволяет сократить время, затрачиваемое на эту рутинную операцию, и в итоге повышает эффективность всего процесса медицинского обследования.

Перечисляя характерные особенности заявляемого способа, следует указать на следующие моменты:

• Заявляемый подход использует избыточный набор (множество) рабочих сечений как в аксиальной, так и в корональной плоскостях; как следствие, определяется избыточный набор опорных линий для построения ССП, что в итоге повышает точность построения ССП.

• Множество рабочих сечений (используемое для построения опорных линий) выбирается с помощью задаваемого алгоритма, учитывающего анатомические свойства мозга в исследуемом изображении. Кроме того, для различных подмножеств рабочих сечений в дальнейшем используются различные алгоритмы обработки, с учетом анатомических особенностей изображений в этих сечениях.

• Используется пост-фильтрация найденных в сечениях опорных линий: удаляются линии, вектор направленности которых существенно отличается от обобщенного направления всего множества (аксиального или коронального) опорных линий.

• Благодаря избыточности найденных опорных линий (аксиальных и корональных) итоговое построение ССП отличается повышенной робастностью и статистической достоверностью.

• Для обнаружения следов продольной щели головного мозга (фиссуры) в сечениях применен инновационный алгоритм, использующий задаваемый численный критерий, позволяющий выявить протяженные линии (сплошные или разрывные), что в итоге обеспечивает более достоверное построение опорных линий для ССП.

Изобретение включает в себя способ и систему для автоматического планирования видов (сканов) в объемном изображении мозга в соответствии с его анатомическими свойствами. Реализации этого изобретения вычисляют план для построения диагностических видов на основе обработки объемного скаут-изображения.

В частности, реализация изобретения включает в себя способ и систему для автоматического планирования видов (сканов) томографа на основе анализа предварительного чернового объемного изображения, что в итоге позволяет определить каноническую ориентацию сканов для получения диагностического изображения. В зависимости от приложения полученный план видов может быть использован прямо или косвенно при получении высококачественных диагностических двумерных изображений, ориентированных в соответствии с анатомическими стандартами.

Ориентация видов диагностического изображения определяется путем вычисления опорных линий и плоскостей на основе свойств анатомии и природной симметрии. В частности, общепринятой опорной плоскостью является среднесагиттальная плоскость (ССП), построенная на основе продольной щели мозга (фиссуры, которая разделяет две полусферы мозга). В этой плоскости для построения продольной опорной оси используются надлежащие анатомические точки, две или более (например, это могут быть анатомические точки, определяющие стандартную ориентацию мозга по Талайраху). Идея стандартной ориентации мозга поясняется на Фиг.2.

Выбор соответствующих анатомических точек или природных плоскостей симметрии не является предметом данного изобретения, так как такой анатомический подход очевиден и фактически является стандартом. Предметом изобретения служит способ робастного определения этих свойств в объемном изображении.

В соответствии с рассматриваемым примером реализации способ включает в себя следующие основные стадии (Фиг.1):

• в качестве входных данных с медицинского оборудования принимают объемное скаут-изображение. В частном случае (весьма распространенном) разрешающая способность этого изображения может быть низкой с целью экономии времени его получения (101 на Фиг.1);

• производят выбор рабочих сечений (срезов), из которых формируют две группы - аксиальные и корональные сечения соответственно. Выбор рабочих сечений ведется с учетом геометрических и анатомических свойств исследуемого мозга (102);

• отобранные аксиальные и корональные сечения (представляющие собой двумерные, серые изображения) обрабатывают. В результате обработки в них обнаруживают следы продольной щели (фиссуры) мозга (след есть отображение этой фиссуры в рассматриваемом рабочем сечении); обнаружение ведется способом, детали которого описываются далее в тексте. Указанный способ использует численный критерий, основанный на анализе интенсивностей пикселей (103);

• строят (формируют) опорные линии в сечениях; в качестве этих линий выбирают центральные оси обнаруженных следов продольной фиссуры мозга в сечениях. Опорные линии собираются в два набора (множества) - для аксиальных и корональных сечений соответственно. Эти наборы линий избыточны: общее количество линий в них превышает минимальное количество (две), необходимое для расчета среднесагиттальной плоскости (ССП) (104);

• так как вышеуказанные множества (наборы) опорных линий избыточны, проводят фильтрацию этих множеств с целью исключения линий, у которых вектор направления существенно отличается от обобщенного вектора направления всего соответствующего множества линий (105);

• на основе вышеуказанных наборов опорных линий строят среднесагиттальную плоскость (ССП). Этот этап может быть реализован несколькими способами, описываемыми далее в тексте: например, ССП может быть построена как регрессионная плоскость на наборе точек, воспроизведенных на каждой из опорных линий; другой подход использует обобщение направлений опорных линий и построение двух векторов, на основе которых далее строится ССП (106);

• на основе построенной ССП реконструируют двумерное изображение в сечении объемного скаут-изображения указанной плоскостью; для такой реконструкции могут быть использованы пиксели из объемного скаут-изображения, лежащие наиболее близко к сечению ССП (107);

• реконструированное в ССП изображение используют для отыскания в нем соответствующих анатомических точек для проведения продольной опорной оси (108). Любые приемлемые анатомические точки и любой способ их отыскания могут быть использованы на этом этапе;

• на основе вышеназванных анатомических точек вычисляют продольную опорную линию (109);

• найденные параметры ССП и продольной опорной линии передают в устройство планирования видов; указанные параметры представляют собой полный набор информации, необходимый для планирования видов (110).

Далее существо заявляемого изобретения поясняется с привлечением графических материалов.

Фиг.1. Блок-схема реализации заявляемого способа.

Фиг.2. Ориентация мозга в объемном скаут-изображении.

Фиг.3. След от пересечения продольной щели (фиссуры) большого мозга аксиальным сечением на различных уровнях высоты.

Фиг.4. Выбор рабочих аксиальных сечений.

Фиг.5. Выбор рабочих корональных сечений.

Фиг.6. Блок-схема процесса обнаружения следа продольной щели большого мозга в некотором сечении.

Фиг.7. След продольной щели большого мозга (фиссуры) в некоторых сечениях; в данном примере пиксели фиссуры темнее окружающих, принадлежащих белому веществу головного мозга.

Фиг.8. Детектор продольной щели большого мозга, представленный в виде полосы, в пределах которой проводится анализ пикселов и вычисляется оговоренный количественный критерий (например, значение относительного затемнения участка).

Фиг.9. Разрывная форма детектора продольной фиссуры большого мозга; эта форма зависит от анатомических свойств мозга, проявляющихся в исследуемом сечении.

Фиг.10. Создание бинарной маски в некотором сечении, расчет главных осей этой маски.

Фиг.11. Оценка диапазонов изменения параметров детектора при исследовании предписанной рабочей зоны.

Фиг.12. Детектор продольной фиссуры мозга с прерывистой формой: его центральная часть подлежит исключению, размеры исключаемой части зависят от свойств исследуемого сечения.

Фиг.13. Параллельный детектор продольной фиссуры мозга, представляющий собой пучок параллельно направленных секущих.

Фиг.14. Построение рабочей зоны для детектора продольной фиссуры мозга в корональном сечении.

Фиг.15. Обнаружение продольной фиссуры мозга в рабочей зоне коронального сечения. Центральная ось детектора в дальнейшем используется для построения опорной линии в сечении.

Фиг.16. Обнаруженные позиции продольной фиссуры мозга в предписанных сечениях (7 аксиальных, 8 корональных), принимаемые в качестве опорных линий для дальнейшего вычисления ССП.

Фиг.17. Два набора опорных линий (векторов), построенных для аксиальных и корональных сечений.

Фиг.18. Недостоверные (ошибочно обнаруженные) линии продольной фиссуры мозга в наборе аксиальных сечений: видно, что 3 вектора из 12 имеют неверные направления.

Фиг.19. Использование обобщенного вектора направлений в процедуре постобработки с целью выявления статистически несостоятельных направлений.

Фиг.20. Вычисление ССП как регрессионной плоскости, построенной на избыточном наборе точек, сгенерированных на каждой опорной линии.

Фиг.21. Вычисление ССП на основе двух обобщенных направляющих векторов, вычисленных на основе аксиальных опорных линий.

Фиг.22. Система автоматического планирования видов в объемном изображении мозга.

Фиг.23. Система обнаружения продольной фиссуры большого мозга и построения опорной линии в некотором сечении.

Описываемый здесь пример реализации изобретения относится к области медицинских изображений, в частности к магнитно-резонансной томографии мозга. Объемное изображение формируется из пространственных пикселей, называемых вокселами. Каждый воксел определяет интенсивность серого цвета в соответствующей точке пространства. Первым этапом процесса планирования видов является получение предварительного изображения, так называемого скаут-изображения (101 на блок-схеме Фиг.1).

Обработка изображения низкой разрешающей способности является важным достоинством способа, поскольку распознавание анатомических структур в таком «некачественном» изображении является сложной задачей. В то же время такое свойство способа является необходимым, поскольку на практике разрешающая способность скаут-изображения преднамеренно понижается, чтобы уменьшить время, затрачиваемое на получение изображения. В связи с вышесказанным описываемый способ нацелен, главным образом, на надежность (робастность) получаемых результатов.

Фиг.2 иллюстрирует постановку задачи планирования видов: на нем показана произвольная ориентация объемного скаут-изображения. Куб 201 на иллюстрации означает объемное изображение, аксиальное сечение 202 показывает, что ориентация мозга весьма произвольна; плоскость 203 симметрии мозга ориентирована в объеме изображения таким образом, что ее след в сечении не совпадает с направлением соответствующей координатной оси скаут-изображения. Фигура 204 показывает предполагаемое среднесагиттальное сечение мозга, полученное в соответствии с плоскостью 203 симметрии. Для получения диагностических видов в их канонической ориентации следует вычислить соответствующие опорные линии и плоскости путем обработки скаут-изображения.

Геометрия скаут-изображения исследуется путем обработки сечений (двумерных изображений). В соответствии с элементом 102 на блок-схеме Фиг.1 в предлагаемом способе предусмотрена стадия автоматического выбора рабочих сечений (с целью их последующей обработки). Рабочие сечения выбираются как в аксиальной, так и в корональной плоскостях. Такой предварительный выбор необходим, поскольку след от рассечения фиссуры, разделяющей мозговые полусферы, выглядит различно для различных сечений и зависит от расположения сечений. Этот факт иллюстрируется на Фиг.3, где 301 обозначает уровни аксиальных сечений, 302 - изображения, получающиеся в этих сечениях. Боле того, не все сечения пригодны для получения нужных результатов. В связи с этим и предлагается подход с предварительным анализом изображения мозга и отбором подходящих рабочих сечений.

Выбор аксиальных рабочих сечений иллюстрируется на Фиг.4, основные этапы этого процесса таковы:

• в объеме вокруг изображения головы описывается прямоугольный параллелепипед (bounding box). Фиг.4 (1) показывает, как выглядит названный параллелепипед 401 в сагиттальном сечении, взятом в середине скаут-изображения;

• определяется координата верхнего уровня 402 изображения головы, затем уровни 403 сечений определяются с помощью предписанных расстояний, отсчитываемых от верхнего уровня, и на их основе определяются рабочие зоны для выбора сечений. Расстояния для уровней 403 определены заранее на основе статистического анализа обучающей выборки изображений. Вышеназванные уровни сечений и рабочие зоны иллюстрируются на Фиг.4 (2), (3);

• в каждой из вышеназванных рабочих зон выбирается множество аксиальных сечений (с некоторым фиксированным шагом по вертикальной координате), они обозначены как 404, 405 соответственно. Эти множества сечений иллюстрируются Фиг.4 (3).

Затем выбирается множество корональных рабочих сечений, как это показано на Фиг.5. Для этой цели используется одно из ранее выбранных аксиальных сечений 501 (например, среднее). В нем определяется рабочая зона 502, и набор корональных сечений получается в ней с фиксированным шагом по продольной оси.

Расположение вышеназванных рабочих зон, расстояния и геометрические пропорции для выбора сечений зависят от анатомии мозга и свойств скаут-изображения (размеров, позиции и относительного размера исследуемой головы в скаут-объеме и т.д.). Эти параметры определяются предварительным статистическим анализом обучающей группы скаут-изображений.

Таким образом, выполняется этап получения двух наборов рабочих сечений (аксиального и коронального), как это описано выше.

На следующей стадии описываемого способа 103 в отобранных рабочих сечениях обнаруживаются линии - следы рассечения продольной фиссуры большого мозга. Для этого процесса разработан усовершенствованный способ обнаружения, выполняющий анализ изображения в сечении, как это описано ниже.

Фиг.6 иллюстрирует блок-схему способа обнаружения следа продольной щели большого мозга в выбранном сечении. Основные стадии процесса таковы:

• формирование детектора как полосы, покрывающей множество пикселей, используемых для вычисления заданного числового критерия в определенном положении этого детектора, 601;

• создание сплошной бинарной маски - плоской фигуры, покрывающей область мозга в рабочем сечении изображения, 602;

• вычисление главных осей вышеназванной бинарной маски как осей инерции плоской фигуры, 603;

• выбор рабочей зоны для обнаружения продольной фиссуры мозга в исследуемом сечении (на основе геометрии бинарной маски), задание параметров для изменения положения детектора в рабочей зоне - диапазонов изменения координат его центра и угла поворота, 604;

• отыскание оптимальной позиции детектора в предписанной рабочей зоне с помощью оптимизации численного критерия, 605;

• вычисление искомой опорной линии в данном сечении как центральной оси детектора в найденном его оптимальном положении, 606.

Ниже приведено детальное описание перечисленных этапов.

Основная идея обнаружения линии разделения мозговых полушарий (фиссуры) в исследуемом сечении заключается в отыскании наиболее протяженной линии (непрерывной либо прерывистой) с заданными яркостными свойствами. В описываемой реализации такая линия является темной на фоне окружающего ее белого вещества мозга. Для иных протоколов (режимов) получения изображения возможны иные проявления этой линии (например, в некоторых протоколах она может выглядеть светлой, либо формироваться пикселями определенного яркостного диапазона); в таких ситуациях рассматриваемый способ обнаружения должен быть изменен в соответствии с яркостными свойствами обнаруживаемой линии. Пример обнаружения следа продольной фиссуры мозга в некотором сечении показан на Фиг.7 (в этом примере линия выглядит темной). В первом сечении искомая линия образует непрерывную структуру 701, во втором сечении показана прерывистая линия 702.

Основой описываемого способа является количественный детектор следа продольной фиссуры головного мозга в некотором сечении. Детектор определен как полоса, покрывающая множество пикселей, с возможностью анализа их интенсивностей и подсчета численного критерия, оценивающего предполагаемое присутствие искомой линии в исследуемой зоне. В частности, в описываемой реализации таким критерием служит нормированная оценка затемнения участка, поскольку искомая линия является темной. Под нормализацией понимается деление соответствующих яркостных статистик в зоне, покрываемой детектором, на общее количество пикселей в этой зоне. Идея обнаружения иллюстрируется на Фиг.8. Для сечения мозга 801 детектор формируется как полоса 802, искомая линия (фиссура) в этом примере показана как извилистая темная структура 803. Для вычисления критерия затемнения участка используются интенсивности пикселей 804.

При исследовании плоского сечения изображения детектор имеет способность к поступательному перемещению и повороту. Его длина адаптируется в соответствии с границами рабочей зоны. Детектор может быть разрывным (то есть иметь зазоры), если это требуется в соответствии с ограничениями, накладываемыми анатомией. Например, если обнаруживаемая линия определенных в сечениях предполагается разрывной, соответствующая часть полосы детектора исключается из вычислений. На Фиг.9 показан периметр 901 полосы детектора и исключаемая из вычислений зона 902 в центре этой полосы. Такое адаптивное поведение детектора может быть предписано в соответствии с изученными заранее анатомическими свойствами изображений в сечениях, эти свойства зависят от положения выбранного сечения.

Для определения рабочей области внутри сечения создается бинарная маска. Маска строится как сплошная плоская фигура, которая покрывает изображение мозга в сечении. В описываемой реализации для построения маски отыскивается наибольший (по площади) непрерывный светлый объект на темном фоне. Для отыскания маски используются операции заливки и выделения сплошных объектов в изображении. На Фиг.10 меткой 1001 обозначено сечение мозга в сером изображении, 1002 показывает сплошную бинарную маску. Такой подход, основанный на наилучшем покрытии объекта плоской фигурой, более надежен, чем построение эллипса по выделенному периметру объекта. Главные оси 1003 маски 1002 строятся как оси инерции плоской фигуры; далее эти оси используются для определения рабочей зоны в сечении путем исключения внешних полей 1004, относительный размер которых предписан на основе предварительного статистического анализа обучающей выборки изображений. На Фиг.10 исключенные поля обозначены как 1006, а рабочая зона как 1005.

Внутри рабочей зоны применяется описанный выше детектор. Ширина детектора выбирается в соответствии с анатомическими свойствами изображения: она должна быть несколько больше, чем предполагаемая ширина обнаруживаемой линии; этот параметр выбирается на основе предварительной статистической обработки изображений, полученных при фиксированном протоколе (режиме сканирующей аппаратуры). Длина детектора адаптивно меняется в зависимости от его положения в рабочей зоне (1005 на Фиг.10). Поскольку детектор должен быть проверен во всех допустимых позициях внутри рабочей зоны, для него задаются диапазоны изменения параметров положения - поступательного перемещения и поворота, а также шаги изменения этих параметров. Фиг.11 иллюстрирует возможные положения детектора для задаваемых поступательных смещений и углов поворота. Детектор 1102 показан в произвольной позиции внутри рабочей зоны 1101. Диапазон поступательного перемещения детектора обозначен на рисунке как 1103, положение детектора в некоторой поступательно смещенной позиции показано как 1104. Диапазон вариаций углового положения детектора показан как 1105.

Для каждой проверяемой позиции детектора вычисляется значение численного критерия (путем анализа интенсивности пикселей внутри формы, покрываемой детектором). В описываемой реализации критерий вычисляется как нормированная оценка затемнения участка, более детальное описание критерия дано далее в тексте. Таким образом, выполняется оптимизационный процесс для отыскания наилучшей позиции детектора, то есть позиции, для которой критерий затемнения (используемый в данном примере) принимает максимальное значение. Найденная оптимальная позиция детектора (его серединной оси) и принимается за искомую линию, разделяющую мозговые полушария в данном сечении. В простейшем случае оптимизация может быть реализована как экстенсивный перебор всех возможных положений детектора с проверкой критерия.

В описываемой реализации для детектора используются разновидности численного критерия, перечисленные ниже:

• критерий, вычисляемый как относительная доля пикселей (среди покрываемых детектором) с интенсивностью ниже заданного порогового значения;

• критерий, вычисляемый как нормализованная взвешенная сумма интенсивностей пикселей;

• критерий, вычисляемый как нормализованная взвешенная сумма интенсивностей пикселей при условии, что выбираются пиксели с интенсивностью, удовлетворяющей заданному диапазону.

В описываемой реализации используются критерии с формой более сложной, чем непрерывная прямоугольная полоса. В частности, используются детекторы разрывной формы (с зазорами), показанные на Фиг.9. На Фиг.12 дана более детальная иллюстрация. Метками 1201 обозначены примеры аксиальных сечений мозга, 1202 - периметры соответствующих детекторов, 1203 - подобласть, исключаемая из вычислений. В этом иллюстративном примере из детектора исключается центральная часть, размер исключаемой части разный для разных сечений. Размер исключаемой части зависит от свойств сечения, в данном примере эта область большая для нижних сечений и маленькая для верхних. Такая закономерность построения детекторов соответствует анатомическим особенностям мозга в этих сечениях: в нижних сечениях искомая линия раздела полушарий разрывна вблизи центра, а в верхних сечениях этот разрыв постепенно исчезает. Взаимосвязь между геометрией, исключаемой из детектора подобласти и высотой сечения, определяется предварительным статистическим анализом на обучающей выборке изображений.

В итоге процесс обнаружения, описанный выше, выполняется для всех выбранных аксиальных сечений. При этом центральная ось детектора, находящегося в найденной оптимальной позиции в исследуемом сечении, принимается за линию, разделяющую мозговые полушария. Эти линии собираются для последующего их использования - для создания ССП. Если при этом процесс обнаружения в каком-либо сечении потерпит неудачу, этот факт не отразится катастрофически на построении ССП: робастность результата достигается за счет избыточного набора сечений.

Процесс обнаружения опорных линий, построенный на оптимизации критерия путем перебора всех возможных положений детектора с буквальным его построением в каждом положении (как иллюстрируется Фиг.11), является очень затратным по времени выполнения. Поэтому в данном изобретении предлагается также другая реализация алгоритма обнаружения, более быстрая, названная «параллельным обнаружением». При таком подходе детектор строится как пучок из нескольких параллельных секущих, как это показано на Фиг.13. Для каждого проверяемого угла ориентации детектора строится набор коллинеарных линий (1301 на Фиг.13). Эти линии названы секущими, поскольку они пересекают все пиксели в рабочей зоне; при этом вдоль каждой линии собирается статистика интенсивностей пересекаемых ею пикселей (которая используется при вычислении критерия обнаружения фиссуры). Расстояние между параллельными секущими выбирается меньшим, чем ширина применяемого детектора, поэтому детектор можно представить как пучок, собранный из нескольких секущих (1302 на Фиг.13). На основе статистики интенсивностей пикселей вдоль каждой секущей вычисляется критерий как комбинация соответствующих статистик нескольких секущих, собранных в пучок. Таким образом, весь процесс «параллельного» обнаружения представляется следующими этапами:

• в исследуемом сечении выбирается рабочая зона, выбираются диапазоны перемещений и поворотов детектора в этой зоне;

• выбирается ширина детектора, назначается расстояние между секущими;

• далее выполняется оптимизационный процесс для критерия, тестируемого во всем предписанном диапазоне углов. При этом для каждого тестируемого угла выполняются следующие процедуры:

- строится набор параллельных секущих в пределах рабочей зоны (секущие направлены в соответствии с тестируемым углом поворота детектора);

- для каждой секущей вычисляются необходимые статистики интенсивностей пикселей;

- реконструируется детектор как пучок секущих для всех возможных пучков в совокупности линий. Перебор всех возможных пучков соответствует поступательному перемещению детектора от линии к линии. Для каждой (реконструированной таким образом) поступательной позиции детектора вычисляется значение критерия. В итоге отыскивается оптимальное значение критерия, соответствующее некоторому оптимальному поступательному перемещению детектора при фиксированном угле;

• оптимальные значения критерия, найденные описанным выше способом для каждого тестируемого угла в предписанном