10.3. Использование признаков эхограммы

Для получения эхограммы необходимо вначале принять эхо-сигналы на несущей частоте, т. е. в недетектированном виде, а затем преобразовать их в видеосигналы, которые можно достаточно просто запомнить и отобразить наряду с информацией о пространственном расположении линии сканирования. В этом разделе мы рассмотрим использование признаков, получаемых на основе подобных данных.

Чтобы использовать на практике такой способ характеризации тканей, необходимо иметь устройство стробирования, оцифровки и

запоминания больших массивов данных с частотой порядка 10 МГц, а также компьютер, способный обрабатывать данные со скоростью, приемлемой для клинического обследования. Такая аппаратура стала доступной не так давно, однако некоторые ранние работы по этой тематике были выполнены вручную [16]. Вычислялась амплитудная гистограмма А-эхограммы по частоте появления всплесков заданной амплитуды в эхо-сигнале. Было показано, что средняя амплитуда эхо-сигнала может служить полезным дискриминатором для различения циррозной печени от здоровой.

Однако на амплитуду эхо-сигнала сильно влияет изменяющееся затухание в вышележащих слоях тканей, поэтому все больший интерес проявляется к дискриминаторам, основанным на измерении пространственных признаков изображения или связанных с ним параметров, например в недектированном эхо-сигнале. Здесь возникает интересное расхождение взглядов. С одной стороны, имеется «строгий» подход: для анализа необходима исчерпывающая информация на несущей частоте ультразвука, так как детектирование неизбежно влечет за собой потерю информации о фазе и, возможно, приводит к некоторому уменьшению полосы частот. Главная сложность при этом заключается в том, что запоминание изображения в радиочастотной форме до проведения анализа требует специальных приемов и аппаратуры, которых не имеется в стандартных эхоимпульсных системах. Поэтому до настоящего времени этот подход ограничивался анализом лишь одномерных (типа А), а не двумерных (типа В) изображений.

Противоположный «практический» подход — анализировать данные В-сканирования, представляемые в обычной форме видеосигнала. Однако здесь тоже могут появиться сложности, связанные, например, с тем, что количество поступающей информации как по динамическому диапазону, так и по пространственной частоте дискретизации (особенно в продольном направлении), даже после детектирования может значительно превышать емкость цифровой памяти, применяемой в современных серийных В-сканерах.

В описанных выше случаях задача нахождения диагностически информативных дискриминаторов имеет много общего с другими методами анализа сигналов и изображений, применяемыми например, в аэрофоторазведке или в микробиологии. Однако здесь надо принимать во внимание особое обстоятельство — наличие когерентного спекл-шума (см. разд. 6.5.2) в изображении и в А-эхограмме, а также фонового шума, которые могут понижать качество по крайней мере некоторых из дискриминаторов.

Весьма полезное сообщение об использовании анализа текстуры тканей по А-эхограмме на несущей частоте ультразвука приведено в работе [8]. Для различения in vivo ткани нормальной печени и тканей с двумя диффузными патологиями — ожирением печени (f) и алкогольным циррозом (с), что вызывает постановку трех задач различения: применялся набор из 16 дискриминаторов, основанных на статистических данных. Для всех перечисленных задач различения была установлена статистическая значимость каждого из 16 дискриминаторов в разделении нормы и патологии. Затем с помощью многофакторного анализа была изучена возможность комбинированного анализа нескольких дискриминаторов, и оказалось, что оптимальная способность различения тканей достигается при совместном анализе примерно четырех из них. Однако более поздняя работа тех же авторов ставит под сомнение полученные результаты.

В этой работе авторы исследовали, как на способность различения влияет детектирование исходных данных (путем цифровой, т. е. как бы «идеальной», обработки). Они показали, что при этом может происходить некоторая потеря способности различения [9], хотя им и не удалось установить, происходит ли эта потеря из-за существенного уменьшения объема данных (что может быть скомпенсировано значительно более представительной выборкой при анализе В-изображения) или она обусловлена более существенной причиной, связанной с потерей полосы частот [7].

Пример другого подхода к анализу В-изображений содержится в работе [23], в которой исследуемая область изображения выделяется и запоминается, затем по ней вычисляется несколько текстурных признаков и используется комбинация этих признаков для характеризации области. Эти признаки разделяются на несколько видов и включают в себя 6 статистических характеристик распределения вероятности амплитуды сигнала по всем точкам выбранной области, 5 характеристик пространственной плотности эхо-сигналов, 13 характеристик производной по пространству изображения, 21 характеристику двумерного фурье-преобразования изображения и 48 статистических характеристик 2-го порядка, определяемых путем построения матриц совпадения событий. Эти признаки анализируются совместно с помощью пакета программ статистической обработки, при этом можно выделять «наилучший» для данного изображения набор дискриминаторов, а затем применять выбранную процедуру для классификации неизвестных данных. Показано, что эту процедуру можно применять для решения

целого ряда клинических задач, например для обнаружения и классификации диффузных заболеваний печени и опухолей брюшной полости [19, 20], а также для контроля за реакцией опухолей и окружающих нормальных тканей на лечебное воздействие (рис. 10.1).

Чтобы уменьшить потери информации в изображении, сохранив совместимость разработанной системы со стандартной аппаратурой для визуализации, эти авторы использовали аналого-цифровой преобразователь для временного запоминания изображения, предоставив врачу возможность выбрать одну или несколько ограниченных областей изображения для оцифровки и анализа. Работы в этом направлении быстро развиваются; более полные обзоры работы других групп в этом направлении можно найти в работах [4, 5, 26].

Интересное развитие работ по анализу изображений — коррекция (улучшение качества) изображений, хотя это можно считать отступлением от предмета характеризации тканей в изложенном выше смысле этого слова. Цель этой процедуры — каким-либо образом преобразовать отображаемые данные так, чтобы облегчить наблюдателю восприятие отдельных признаков. Один из хорошо известных методов этого типа — контрастирование границ. Как известно (гл. 7), глаз легче воспринимает резкую границу, чем размытую, поэтому соответствующая обработка данных позволяет

Рис. 10.1. Последовательные изменения одного из параметров текстуры В-изображения (скорость спадания спектра мощности) при обследовании злокачественных узелков (штриховая линия) до и во время химиотерапии. Начальный рост кривой (до химиотерапии) соответствует операции удаления опухоли яичка. Последующая успешная химиотерапия приводит к монотонному уменьшению параметра. Для контроля обследовалась текстура печени (сплошная линия); изменения здесь могут быть обусловлены действием лекарственных веществ, использованных в химиотерапии (неопубликованные данные: Nassiri, Cosgrove).

обнаруживать невоспринимаемую размытую границу и представляет ее как резкую.

Другой пример улучшения качества изображения, который оказывается полезным в ряде случаев, — «выравнивание гистограммы амплитуд». Если любую картину разделить на участки изображения с использованием равномерной шкалы уровней амплитуды или яркости, может оказаться, что гистограмма вероятности появления элементов изображения с заданной амплитудой будет содержать весьма резкие пики при одних значениях амплитуды, тогда как другие оказываются относительно маловероятными. Иногда можно улучшить восприятие признаков изображения, если, используя такую гистограмму, модифицировать характеристику отображения так, чтобы уравнять вероятности появления точек заданной амплитуды в любом воспринимаемом элементе изображения.

Рассматривая использование методов повышения качества изображений, важно иметь в виду, что глаз и мозг человека сами обладают замечательной способностью обрабатывать изображения, т. е. могут выделять существенные признаки для достижения конкретной цели, так что искусственная обработка изображения на практике может оказаться малоэффективной.