2. Разработка алгоритма преобразования биомедицинской информации с целью реконструкции медицинского изображения

Системы УЗКТ, предназначенные для медицинской визуализации мягких тканей, обычно нацелены на разрешение от сантиметров до миллиметров и поэтому требуют ультразвуковых волн с частотой порядка мегагерц.

Исходя из этого, для проведения процедуры обычно используется вода в качестве среды передачи с низким ослаблением энергии волны между ультразвуковыми преобразователями и объектом, для сохранения соответствующего звукового давления.

Системы УЗКТ имеют общее с обычной рентгеновской томографией фундаментальное архитектурное сходство в том, что включают в себя активные элементы визуализации, окружающие объект исследования. Для распределения ультразвуковых преобразователей вокруг объекта измерения, могут использоваться несколько подходов к проектированию: моно-, би- и мультистатические варианты конфигурации преобразователей. Распространенными являются 1D- или 2D-линейные массивы ультразвуковых преобразователей, действующих как излучатели на одной стороне объекта, и как приемник на противоположной стороне, образуя параллельную установку. Иногда такая конфигурация имеет дополнительную возможность перемещения для сбора дополнительной информации с различных ракурсов. Несмотря на экономичность сборки, основным недостатком такой установки является ограниченная способность (или невозможность) сбора информации об отражательной способности, поскольку такая конфигурация позволяет получать только информацию о передаче волн [2].

Другой вид конфигурации – кольцо датчиков, позволяющее осуществлять 3D-визуализациию, без необходимости перемещения диафрагмы (рис. 2).

Рисунок 2 – Схема ультразвуковой 3D-томографии

Конструкция представляет из себя отверстия, образованные полусферически распределенными преобразователями. Несмотря на то, что данная конструкция более дорогостоящая в производстве, она обладает преимуществом, заключающемся в регистрации почти однородных данных, получаемых со множества направлений.

Методами томографической реконструкции, используемыми для получения изображений на основе регистрируемой информации, являются классическое обратное преобразование Радона и преобразование Фурье.

Реконструкция может быть произведена с помощью интерполяции. Допустим, что имеется N проекций функции f(x,y) при равностоящих углах, дискретизация проекции выполнена с одной и той же частотой. Дискретное преобразование Фурье для каждой проекции даст отсчеты в частотной области. Объединение всех проекций с частотной дискретизацией приведет к созданию полярного растра в частотной области. Полярный растр будет разреженным, поэтому для заполнения неизвестных точек БПФ используется интерполяция, а восстановление может быть выполнено с помощью обратного дискретного преобразования Фурье. Производительность реконструкции может быть улучшена путем разработки методов для изменения разреженности полярного растра, что повышает эффективность интерполяции.

Например, концентрический квадратный растр в частотной области может быть получен путем изменения угла между каждой проекцией следующим образом:

где -самая высокая частота, подлежащая оценке.

Концентрический квадратный растр повышает вычислительную эффективность, позволяя всем позициям интерполяции находиться на прямоугольной решетке ДПФ, представленной на рисунке 3. Кроме того, это уменьшает ошибку интерполяции.

Рисунок 3 – Виды растров дискретного преобразования Фурье

a – полярный растр отсчетов в частотной области преобразования Фурье, полученный путем дискретизации всех проекций с одной и той же частотной дискретизации; б – растр в виде концентрических квадратов, полученный путем изменения частоты дискретизации с изменением угла проецирования.

В настоящее время также активно используются подходы, основанные на методах глубокого обучения. Данные методы достигли впечатляющих результатов в различных задачах восстановления изображений. При реализации данных методов, производится тщательный отбор данных для обучения ИИ: предъявляются высокие требования к качеству изображений и их разметке. Нейронные сети выполняют реконструкцию изображения, устранение артефактов и шумоподавление.

Таким образом, для реконструкции изображений, получаемых методом УЗКТ, возможно использование следующего алгоритма преобразования:

1. Регистрация УЗ-волн, проходящих через объект исследования, посредством ультразвуковых преобразователей;

2. Выполнение преобразования радона для получения двумерной проекции объекта под заданными углами;

3. Выполнение ДПФ для каждой проекции для получения отсчетов в частотной области;

4. Объединение всех проекций и получение полярного растра частотной области;

5. Интерполяция с целью заполнения неизвестных точек ДПФ;

6. Восстановление при помощи обратного ДПФ;

7. Применение обученного алгоритма машинного обучения для улучшения качества изображения.