A ciliaris izom túlzott működésének vizsgálata szomatoinfrával készített képeken

A ciliaris izom túlzott működésének vizsgálata szomatoinfrával készített képeken *

Harangi Balázs1, Csordás Tibor2, Hajdu András1 1

Faculty of Informatics, University of Debrecen, 4010 Debrecen, POB 12, Hungary [email protected], [email protected] 2 Lézer Magánrendelő, 4026 Debrecen, Mester u. 3-5. [email protected]

Absztrakt. A következő néhány oldal bevezeti az olvasót a debreceni Lézer Magánrendelő és a Debreceni Egyetem közösen végzett kutatásának alapproblémájába, vagyis, hogyan lehetséges detektálni a szem domborulatát befolyásoló, úgy neveztet ciliaris izom rendellenes működését szomatoinfrával készített felvételeken. Vázolja a kutatás fontosabb állomásait, ismerteti a munka során felhasznált elméleti és szakmai hátteret, illetve bemutatja az eddig megvalósított szoftver működését. Összefoglalja az elért eredményeket és azok jelentőségét, illetve ismerteti a további feladatokat és azok megvalósíthatóságát.

1. Bevezetés A tudományos kutatás célja egy olyan szoftver kifejlesztése, amelynek segítségével az orvosi diagnosztikában már használatos, magyar fejlesztésű szomatoinfra berendezéssel készített hőfelvételek elemzése egyszerűen elvégezhető és az esetleges változó körülményektől függetlenül mindig felállítható ugyanaz a számszerűsített diagnosztika az egyes betegek esetében. A kutatás fő irányvonala a szem domborulatát befolyásoló, úgy nevezett ciliaris izom túlzott működéséből fakadó extra hőmennyiség detektálása a szem környéki területeken. Az izom fokozott működése arányban áll a szemrégió bizonyos területein észlelt magasabb hőmérséklettel, amelynek elemzésével és egy tanuló adatbázis felhasználásával közelítő értéket tudunk mondani a túlzott működés mértékéről és a betegség kezeléséhez szükséges dioptriaváltozásról. Az eddigi fejlesztés során elkészült szoftver prototípus alkalmas a szomatoinfrával készített felvételek beolvasására, amelyen (egyelőre még felhasználói interaktivitást igénybe véve) a szem kijelölhető. Ezt követően az érdekes területek kiértékelésre kerülnek és az eredmény egy sajátságvektorban továbbadódik a kNN-osztályozónak, melyet megkapva a tanuló adatbázis elemeit felhasználva kiértékelést készít az aktuális páciens állapotáról.

* A kutatást a Magyar Tudományos Akadémia Bolyai János kutatási ösztöndíja támogatta.

1

2. A kutatás előzményei A kutatás kezdetén egy általános hőkamerával készített felvétel automatikus elemzésének a megvalósítása volt a feladata. Mivel a hőkamera, mint technikai eszköz nem tekint vissza hosszú múltra, jó alapot biztosít az innovatív kutatás megvalósításához. A projekt kezdetén született meg az együttműködés a debreceni Lézer Magánrendelővel, ahol Dr. Csordás Tibor ügyvezető orvos, már korábbi kutatásaiban [1] foglalkozott a szem rejtett fénytörési hibáinak a felderítésével, melyhez a klinika műszerei közül a magyar fejlesztésű szomatoinfra által készített hőtérképeket használta fel. 2.1.

A ciliaris izom

A szemlencsét egy gyűrű alakú, úgy nevezett ciliaris izom veszi körül (lásd 1. ábra), melynek összehúzódása révén a szemlencse bedomborodik.

1. ábra. A szemlencse domborulatáért felelős ciliaris izom

Ezáltal a szemlencse fénytörő ereje, amit a közismert dioptria számérték jellemez, megnövekszik. Ennek az apró izomnak köszönhetően képes az emberi szem közelre is élesen látni. Tehát, amikor valaki a szeméhez közeli tárgyra tekint, akkor a ciliaris izom összehúzódik, aminek a következtében a szemlencse bedomborodik és kialakulhat a tárgyról alkotott éles kép. Abban az esetben, amikor az emberi szem egy távolabbi objektumot észlel, akkor ez a gyűrű alakú izom elernyed, és a szemlencse ellapul, aminek következtében a dioptria érték lecsökken, és ily módon jöhet létre a távoli objektumról alkotott éles kép. Szemünk így tudja szabályozni, hogy távolra, vagy közelre lásson élesen.

2

2.2.

A ciliaris izom problémája

A szemlencse domborulatát szabályozó izom azonban nem minden esetben lazul el távolra nézéskor, ilyenkor a szemlencse sem lapul el tökéletesen. Például hosszú ideig tartó olvasás után, vagy stressz hatás következtében a távolra látás homályossá válik. Ennek az állapotnak a tartóssága esetén mínuszos dioptria értékű lencsével korrigálható újra 100%-osra a távoli látásélesség. Viszont abban az esetben, amikor ez az állapot nem tartós, a hagyományos szemészeti vizsgálat hibás eredményt adhat. A szem fénytörési hibáját dioptriában meghatározó úgy nevezett refraktométer ilyen esetekben több dioptriát is tévedhet. A rövidlátásnak ezt a formáját a szakmai nyelven „akkomodatív rövidlátás”-nak nevezik, melynek észlelése a gyakorlatban is használt hagyományos szemvizsgálati eljárásokkal nem lehetséges. Az ilyen fajta rövidlátás detektálásához egy több lépéses vizsgálat szükséges, melynek során szemcseppel kikapcsolják a ciliaris izom működését és, ha valóban akkomodatív rövidlátásról van szó az adott páciens esetében, akkor az éles látás pár nap elteltével helyre áll. Ezt a szemcseppet azonban nem alkalmazzák rutinszerűen a szemüvegek felírása előtt, hiszen a használatának ideje alatt a szem fényérzékennyé válik, a látás homályos lesz, ami átmenetileg lehetetlenné teheti a munkavégzést és a biztonságos közlekedést. Ez az izom görcs olyankor is fönnállhat, ha valakinek pluszos fénytörési hibája van, vagyis abban az esetben, amikor közelre nem lát teljesen élesen, de a szemlencse további bedomborodása pótolja a szükséges plusz dioptriát. Így a látásélesség elfogadható, és így a szemvizsgálat eredménye szerint is tökéletes a szem működése. Az ilyen betegek általában vagy nem is kapnak szemüveget, vagy csak a szükségesnél gyengébb dioptriájú szemüveget kapnak, aminek hatására a panaszok éppen csak, hogy enyhülnek. Tehát a pluszos fénytörési hibájú szemek gyakran maradnak korrigálatlanok, míg a rövidlátók sok esetben a szükségesnél erősebb dioptriájú üveget viselnek az alkalmazkodási görcs miatt. 2.3.

A kutatás célja és megvalósíthatósága

A kutatás célkitűzése egy olyan egyszerű, és gyorsan alkalmazható eljárás kidolgozása és annak automatikus elvégzése egy erre alkalmas szoftverrel, amelynek segítségével lehetővé válik a szemet körülvevő ciliaris izom görcsének kiszűrése, mellyel elkerülhetővé válhat a fölösleges, illetve nem a páciens tényleges állapotának megfelelő szemüveg viselése. Szeretnénk elérni, hogy a szem hőkisugárzásának automatikus elemzésével kiszámolhatóvá váljon, hogy a ciliaris izom működési zavara milyen mértékű alkalmazkodást eredményez a pácienseknél, így az aktuálisan hordott szemüvegből ezt az értéket visszaszámolva megállapítható legyen a legkényelmesebb szemüveg várható dioptria értéke. A vizsgálat segítségével egyetlen felvétel alapján, bármilyen szemészeti szaktudás nélkül kiderülhet, hogy egy fejfájás vagy látászavar hátterében állhat-e szemészeti probléma.

3

Mivel a szemlencse domborulatát szabályozó ciliaris izom a szem elülső felszínéhez közel helyezkedik el, a működése során termelődő hő thermokamerával detektálható. Így az alkalmazkodási görcsben levő izom, a szem vetületén várhatóan nagyobb mennyiségű hőkisugárzást eredményez, mint egy elernyedt izom.

3. A kutatás lépései A debreceni Lézer Magánrendelővel közösen kitűzött feladat megoldásának következő fázisa, amikor megvizsgáljuk a szomatoinfrával készített felvételeket és megnézzük, hogy a képfeldolgozás területéről milyen módszerek, algoritmusok lehetnek eredményesek ezek kezelésére, feldolgozására, elemzésére, kiértékelésére. 3.1.

Szomatoinfrával készített felvételek

A Lézer Magánrendelőben működő szomatoinfra készülék a vizsgált páciens testfelszínének egyes területeit 68.000 képpontra bontja, és minden képpontban megméri az adott pont „infra spektrális” tartományát. A kapott mérési adatok alapján a számítógép a mérőpontok egyedi spektrumait megfelelő, úgy nevezett hamis szín eltolásban jeleníti meg [2]. A spektrum hangolhatóságának eredményeképpen módosítható az infra tartomány és ezzel együtt megváltoztatható az elkészített hőtérkép színösszetétele (lásd 2. ábra), így lehetővé válik emberi szemmel detektálni az apróbb elváltozásokat jelző kisebb hőmérsékleti eltéréseket is.

2. ábra. Eltérő színskála beállítás ugyanannál a páciensnél.

A szomatoinfra rendszerből kinyert képek szélessége 384, magassága 288 pixel és mindegyik felvétel egy 8 bites színpaletta színeit használja fel, aminek eredménye, hogy egy-egy felvételen maximálisan 256 különféle szín található. 3.2.

Szürkeskálás képek használata

A hasonló vak színezést használó rendszerek, mint például az épületdiagnosztikában használatos infrakamerák, vagy az időjárás előrejelzésben is

4

használatos műhold felvételek, azért alkalmazzák ezeket a színskálákat, hogy megkönnyítsék az emberi szem számára a kisebb eltérések detektálását. Ennek szemléltetése jól látszik a 3. ábrán, melynek bal oldalán egy szürkeskálás kép látható, jobb oldalán pedig egy másik, több féle színt alkalmazó színskálával mentett kép, ugyanarról a páciensről.

3. ábra. Gray scale és a highcontrast scale közötti különbség. Jól látható, hogy amíg egy szürkeskálás képen az arc, az emberi szem számára szinte egy teljesen homogén felületként jelenik meg, addig egy több féle színt, de ugyan annyi színárnyalatot használó színskála az apróbb hőmérsékleti különbségeket is jól láthatóvá teszi. Ezeknek a színskáláknak a használata csupán a manuális képelemzést teszi kényelmesebbé és hatékonyabbá, egy számítógépes szoftver számára teljesen lényegtelen az, hogy egy inputképnek a pixelei melyik színpaletta színeit veszik fel értékül, éppen emiatt az elkészült program az egyszerűen feldolgozható és gyorsan számolható szürkeskálás képeken végez kiértékelést. 3.3.

Képek normalizálása

A beolvasott képeken eltérő hőskála beállítások lehetnek, és mivel a kifejlesztett rendszer működésének alapja egy összehasonlításhoz felhasználandó tanuló adatbázis, ezért szükséges, hogy ezen adatbázisban lévő képek és az újonnan érkező képek hőskála beállításai azonosak legyenek, vagy a kinyert információkat ezek a beállítások ne befolyásolják. Ennek megoldása a képek utólagos kiegyenlítése, vagyis a pixelekhez tartozó világosság értékek normalizálása. Az értékek standardizálásával a képeket jellemző intenzitás eloszlások átlaga és szórása kiegyenlíthető, így a belőlük származtatott intenzitás-hisztogramok közel azonos skálára helyezhetők. Ezzel az eljárással elfedhetők az eltérő hőskála beállításokból származó képek közötti különbségek. 3.4.

Szemrégió lokalizálása

Egyéb betegségekre utaló elváltozások, mint például a mellrák, vagy az ízületi gyulladás detektálásával szemben a szem elváltozásainak megjelenése a felvételeken

5

anatómiailag jól behatárolható. Így például, amíg egy mellrák a felsőtestről készített hőtérképen szinte bárhol elhelyezkedhet [3,4,5,6], addig a szemmozgató izom minden vizsgált személy esetén a szaruhártya szélétől 1-2mm-re helyezkedik el. Ezt a lokalizálhatóságot kihasználva, a szem helyének meghatározása után lehetőség nyílik a vizsgálni kívánt területek pontos megfigyelésére. A szem hőképeken való automatikus detektálása még nagyon friss kutatási terület [7], ezért a manuális kijelölést is célszerű támogatni. A szemrégió manuálisan történő meghatározását követően a kijelölt területnek a tovább osztása révén, az előálló kisebb részek önálló elemzésével történik a páciensek állapotának kiértékelése. A további részekre történő felbontás automatikusan történik, egy ilyen lehetséges felbontás a 4. ábrán látható.

4.

ábra. A szemet reprezentáló régió felbontása a résztartományok pontosabb vizsgálhatóságához.

Ezzel a felbontással lehetővé válik a vizsgálni kívánt elváltozásokhoz helyileg szorosabban kapcsolódó területek kiválasztása, vagy esetleg nagyobb súllyal való figyelembe vétele. Ezzel az előzetes számítások alapján pontosabb eredmények is elérhetők. 3.5.

Statisztikai leírók kinyerése

A hőképeket elemző kutatások eredményeit leíró szakirodalom [3,8] általános útmutatásként javasolja a statisztikai leírók használatát. A statisztikai (kevésbé determinisztikus) megközelítéseket az indokolja, hogy a hőkamerával készülő képek eléggé foltszerűek, a megfigyelt területek határai kevésbé definiáltak és időben nagyon könnyen módosulhatnak. Konkrét eszközként hatékonyan alkalmazhatók tehát azok a tanulóalgoritmusok, amelyek tanítóvektorai az intenzitáshisztogramon alapuló elsőrendű, valamint a cooccurence mátrixon alapuló másodrendű statisztikai leírókból épülnek fel [9]. Nevezetesen, a statisztikai elemzés alapjait a következő leírók adhatják: hisztogram várható értéke, hisztogram szórásnégyzete, hisztogram ferdesége, hisztogram lapultsága, hisztogram energiája, hisztogram entrópiája, a szomszédsági mátrix energiája, a mátrixra számított szórásnégyzet, a szomszédsági mátrixra számított korreláció, a szomszédsági mátrixra számított inverz differencia, a szomszédsági mátrixra számított entrópia.

6

Ezek a statisztikai leírók kiszámításra kerülnek minden egyes szemrégiót alkotó kisebb részre, és ezek együttesen alkotnak egy-egy tulajdonság vektort. Ha a 4. ábrán lévő felosztással számolunk, akkor az így kapott tulajdonság vektor közel 500 értéket tartalmaz. Természetesen vannak ezen leírók között, olyanok is, amelyek nem szignifikánsak az elváltozásra nézve. Ezek kiszűrése a tesztelés során fog megtörténni, jelenleg viszont mindegyik leíró használatban van. 3.6.

Betanítás, osztályozás, döntés

A vizsgált szemelváltozáshoz legjobban kapcsolódó részek és a későbbiekben az elváltozással szignifikáns statisztikai leírók kiválasztása után a szoftver működésének alapjául szolgáló tanuló adatbázis létrehozása szükséges. Ebben az adatbázisban szerepelnek az úgy nevezett tanító páciensekről készített felvételek alapján előállított sajátságvektorok. Jelenleg ezen vektorok két fő csoportba vannak sorolva, vannak vektorok, amelyekhez tartózó pácienseknél fellelhető a keresett elváltozás, és vannak akiknél nem, azaz teljesen egészségesek. Ezt az adatbázist felhasználva a rendszer egy tanulóalgoritmus segítségével döntést hozhat az elváltozás jelenlétéről. A tanítóvektorokban szereplő értékek korrelálnak a különböző mértékű elváltozásokkal, hiszen a szem egyes régióinak hőmérsékleti viselkedésén alapulnak. Ezt a tanító-adatbázist felhasználva egy osztályozó (kNN) algoritmus egy újonnan érkező sajátságvektort (azaz egy ténylegesen diagnosztizálandó felvételt) a hozzá legközelebb eső tanítóvektorok alapján tud kategorizálni. Az osztályozás jóságát várhatóan javítani fogja, hogy ha a szemrégió felosztásával kapott összes rész helyett a szemorvos által javasolt területekhez tartozó, és az elváltozással szignifikáns statisztikai leírók alapján fog megtörténni az osztályozás. Az osztályozó algoritmus paramétereinek optimális beállítása a tesztadatbázissal végzett kimerítő tesztelés útján végezhető el.

5. Összefoglalás, eredmények, tervek Az eddig elkészített szoftver prototípus a tervezett funkcionalitásnak csak egy kis részét valósítja meg, de a végleges rendszer alapjául szolgáló képbeolvasó, képkezelő, szemrégió kijelölő és elemző, illetve osztályozó egységek működő képesek, a tervezett eredmények megvalósulni látszanak, miszerint elég jó eredménnyel képes már ebben a kezdeti szakaszban is megállapítani az inputképhez tartozó páciens állapotát. Az eddigi tesztelések eredménye biztató, körülbelül 65%-os pontossággal képes helyes eredményt adni. Ez az eredmény növelhető az elváltozásokat szignifikánsan leíró statisztikai változók kiválasztásával, illetve a szemrégió felosztásából létrejövő kisebb részek megfelelő kiválasztásával és ezeknek az érdekesebb területeknek az egymással történő összehasonlításával. Az egyik probléma viszont az, hogy egyelőre nem áll túl nagy teszt adatbázis a rendelkezésre (körülbelül 40 kép, amelyből 20 egészséges és 20 beteg). A jövőben megvalósítani kívánt funkciók például az automatikus szemrégió kijelölés megvalósítása, vagy legalábbis a kijelöléshez igénybe vett külső interakció

7

minimalizálása. A tervek szerint a végső rendszer rendelkezni fog egy felhasználói felülettel, amelynek segítségével mindenféle programozási tudás nélkül is használható lesz a szoftver, illetve az azon létrehozott gomb rendszerrel megadható lesz, hogy melyek azok az érdekes területek, amelyeket a rendszer a szemrégiót kijelölő ellipszisből kiválasztva az elváltozás detektálásához felhasználjon. Ezzel a megoldással akár egyéb szembetegségekhez tartozó elváltozások is detektálhatóak lehetnek.

Irodalomjegyzék [1] Csordás, T.: Letehetjük a szemüvegünket? - Új szemészeti kutatás városunkban!,http://www.lezermaganrendelo.hu/archivumok/szemesz.pdf [2] Szacsky, M.: Somatoinfra® Diagnosztikai rendszer, http://www.somatoinfra.bme.hu/szuro.htm [3] Ng, E.Y.K. , Ung, L.N. , Ng, F.C. , Sim, L.S.J.: Statistical analysis of healthy and malignant breast thermography. Journal of Medical Engineering and Technology 25, 253–263 (2001) [4] Shen, L., Shen, Y.P., Rangayyan, R.M., Desautels, J.: Measures of asymmetry in mammograms based upon shape spectrum. In: Proceedings of the Annual Conference on EMB 15, San Diego, CA, pp. 48–49, (1993) [5] Head, J.F., Lipari, C.C., Elliott, R.L.: Computerized image analysis of digitized infrared images of the breasts from a scanning infrared imaging system. In: Proceedings of the Conference on Infrared Technology and Applications XXIV, Part I, Vol. 3436, San Diego, CA, SPIE, pp. 290–294 (1998) [6] Lipari, C.A., Head, J.F.: Advanced infrared image processing for breast cancer risk assessment. In: Proceedings for 19th International Conference of IEEE/EMBS, Chicago, USA, pp. 673–676 (1997) [7] Selinger, A., Socolinsky, D.A.: Face Recognition in the Dark. In: Joint IEEE International Workshop on Object Tracking and Classification Beyond the Visible Spectrum, Washington, D.C. (2004) [8] Kociolek, M., Materka, A., Strzelecki, M., Szczypinski, P.: Discrete wavelet transform-derived features for digital image texture analysis, In: Proceedings of the International Conference on Signals and Electronic Systems, Lodz, pp. 111–116 (2001) [9] Diakides, N.A., Bronzino, J.D. editors: Medical Infrared Imaging. CRC Press Taylor & Francis Group (2008)

8