Методы обработки биомедицинских сигналов и изображений

АННОТАЦИЯ

В статье рассматривается анализ и обработка биомедицинских сигналов и изображений. Были исследованы современные алгоритмы и методы в области обработки биомедицинских сигналов.

ABSTRACT

The article discusses the analysis and processing of biomedical signals and images. Modern algorithms and methods in the field of biomedical signal processing were investigated.

Ключевые слова: Биомедицинские сигналы, изображения, обработка, сегментация

Keywords:  Biomedical signals, images, processing, segmentation

Биомедицинские сигналы - это изучение физиологической активности организмов, начиная от последовательностей генов и белков, до нервных и сердечных ритмов, до изображений тканей и органов. Обработка биомедицинских сигналов направлена на извлечение важной информации из биомедицинских сигналов. С помощью биомедицинской обработки сигналов биологи могут обнаружить новую информацию, а врачи могут отслеживать различные заболевания.

Качество цифровых медицинских изображений стало серьезной проблемой, потому что шум и другие факторы влияют на медицинскую фотографию. Медицинские изображения должны быть четкими, чистыми, без шума. Удаление шума на цифровых медицинских изображениях остается одной из основных сфер при изучении биомедицинских сигналов и изображении.

Обработка изображений может производиться в различных целях: улучшение графической информации для интерпретации человеком и обработка данных изображения для таких задач, как хранение, передача и извлечение графической информации, обнаружение объектов и их идентификация, восстановление отсутствующих участков. Различные методы изображения широко используются в биомедицинской сфере, то есть функциональной магнитно-резонансной томографии (МРТ), компьютерной томографии (КТ), ультразвуковой визуализации и позитронно-эмиссионной томографии (ПЭТ).

Недавние публикации показали, что методы ЭЭГ и МРТ сфокусированы на анализе и разработке методов количественной оценки боли у пациентов, кроме того, эти методы могут идентифицировать эпилептические припадки путем записи состояния покоя [1], а также выявления различий в активности мозга

Между тем, компьютерная томография (КТ) связана с анатомией, которая обеспечивает пространственное и временное разрешение. Мультидетекторная КТ является неинвазивным методом визуализации, который является технологическим инструментом для визуализации анатомии сердца с высоким разрешением [2].

В ультразвуковые методы широко применяется для диагностики заболеваний различных органов и систем. Особенно метод обладает высокой диагностической эффективностью при исследовании пищеварительной системы, сердечно-сосудистой системы, мочеполовой, в акушерстве, исследовании поверхностно расположенных органов, костно-мышечный аппарат и др [3].

Методы обработки изображения включают в себя несколько методов, а именно: улучшение, сегментацию, выделения границ объектов, метод предварительной фильтрации, выделение характерных точек объекта и морфологические операции. Сегментация - это процесс, который используется для устранения сложных процедур в изображениях [4].

Сегментация изображения - это широко используемый метод цифровой обработки и анализа изображений для того чтобы классифицировать изображение на несколько областей в соответствии с характеристикой изображения, например значением пикселя или частотной характеристикой. До сих пор существует множество алгоритмов сегментации изображений, которые широко применяются в науке и повседневной жизни. В соответствии с их методом сегментации мы можем приблизительно классифицировать их по сегментации на основе регионов, кластеризации данных и сегментации по краям.

Выделение контуров - это метод, используемый для определения границ объектов внутри изображения. Край определяется как внезапные разрывы в изображении. Внезапное изменение уровня яркости в изображении можно назвать краем. Наиболее известными методами по выделению границ на изображении является - алгоритм Кении, Операторы Собела и Превитта  и оператор Лапласа.

Сегментация изображения это один из первых шагов, которые ведут к тестированию изображения. Многие методы сегментации изображения были использованы в медицинских применениях тканей и органов. Сегментация изображений становится важной во многих приложениях, таких как раскрытие границ в коронарной ангиографии, хирургическое моделирование, выявление опухоли, развитие мозга, автоматическая классификация клеток крови,  запись изображений, и анализ изображений сердца и т. д. [5].

Электрокардиография имеет фундаментальное значение для наблюдения за работой сердца и диагностики заболеваний. Он включает измерение очень малых биоэлектрических сигналов (в милливольтах), производимых человеческим сердцем при его открытии и закрытии клапанов в предсердии и желудочке.

Из-за электрической активности мышц, нестабильности контакта электрода с кожей и движения пациента, шум вызывается во время построения электрокардиограммы (ЭКГ). Важно удалить шум из этого сигнала, так как он имеет очень малую амплитуду и разные частоты повторяются почти каждую секунду. Для таких нестационарных биосигналов исходя из свойств можно использовать Wavelet Transform. В исследовании [6] используются непрерывное вейвлет-преобразование (CWT) и дискретное вейвлет-преобразование (DWT) для шумоподавления и извлечения нужного информации из ЭКГ.

Обсуждаемый [7] в своем исследовании он представляет обзор новых инноваций в процессе и применении 3D-печатных объектов на основе данных медицинской визуализации. Данные о трехмерных медицинских изображениях моделей КТ, МРТ и ультразвука могут быть получены с использованием технологии DICOM.

Опухоль головного мозга является одной из проблем, которая быстро растет, и ее раннее обнаружение и точная диагностика критически важна для выживания. Обнаружение опухоли с помощью магнитно-резонансной томографии (МРТ) головного мозга очень сложно, когда выполняется вручную, а также отнимает много времени. Кроме того, опухоли принимают различные формы и могут присутствовать в любой части мозга. Следовательно, идентификация опухоли представляет собой важную задачу в жизни человека, и необходимо определить ее точное положение в мозге и пораженных областях. Основная проблема заключается в точной сегментации опухоли, поскольку удаление хороших тканей повлияет на органы, которые контролируются этой частью мозга. Предложенный алгоритм использует концепции глубокого обучения для автоматической сегментации опухоли по изображениям мозга МРТ [8] .

С ростом развития и спроса на мультимедийные продукты, проблема недостаточной пропускной способности сети и хранения устройства памяти ставит задачу хранения постоянно растущего объема цифровых данных. Целью сжатия является получение сжатого изображения хорошего качества, что делает хранение и передачу более эффективным. В этой статье [9] изучено сравнение сжатия изображений на основе вейвлетов и определено наиболее подходящее вейвлет-преобразование. Уменьшение размера файла позволяет хранить больше изображений на определенном диске или в памяти. Это также уменьшает время, необходимое для передачи изображений по сети, так и для эффективного хранения.

Биомедицинская обработка сигналов является быстро развивающейся областью. В частности, обработка биомедицинских данных играет важную роль в биологических исследованиях и медицинской практике. В продвинутом мире некоторые из методов визуализации в настоящее время широкодоступны, которые могут иметь дело с выявлением заболевания и предоставлять диагностическую информацию.

Список литературы:

1. Zhang CH Lu Y, Brinkmann B, Welker K, Worrell G, He B Lateralization and localization of epilepsy related hemodynamic foci using presurgical fMRI // Clin Neurophysiol. - 2015 г.. - 1. - стр. 26,278.
2. Zidan SH Shetata SM Value of multi-detector computed tomography in delinea- tion of the normal cardiac conduction system and related anatomic structures // Egypt J Radiol Nuclear Med. - 2016 г.. - 14.
3.  Shapovalova A. G. Ultrasound examination as the highest level of clinical // Medicine and ecology. - 2013. - 1. - pp. 11-14.
4. Тропченко А.А. Тропченко А.Ю Методы вторичной обработки и распознавания изображений . Учебное пособие. – СПб: Университет ИТМО, 2015.
5. Tsui P.H., Yeh, C.K., & Huang, C.C Noise-assisted correlation algorithm for suppressing noise-induced artifacts in ultrasonic Nakagami images // IEEE Transactions on Information Technology in Biomedicine. - 2012. - 16 : Vol. 3. - pp. 314-322.
6. Shilpa Hudnurkar Ankita Wanchoo Denoising and Analysis of ECG Signal using Wavelet Transform for Detection of Arrhythmia // International Journal of Recent Technology and Engineering. - 2019. - 4 : Vol. 8.
7. Marro A., Bandukwala, T., & Mak, W. Three-dimensional printing and medical imaging: a review of the methods and applications // Current problems in diagnostic radiology. - 2016. - 45 : Vol. 1. - pp. 2-9.
8. Esther Rani P Mahadev Venkata Sai Harsha, Anil Singh, Sujeet Singh Brain Tumor Segmentation in MRI Images using Convolution Neural Networks // International Journal of Recent Technology and Engineering. - 2019. - 4 : Vol. 8.
9. Zaynidinov H.N. Khomidov M.E Application of discrete wavelet transform for compression data // International journal of advanced research in science, engineering and technology. - 2020. - 6 : Vol. 7.