VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV BIOMEDICÍNSKÉHO INŽENÝRSTVÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT OF BIOMEDICAL ENGINEERING
SOFTWARE PRO ZPRACOVÁNÍ TERMOVIZNÍCH SNÍMKŮ DOLNÍCH KONČETIN DIABETICKÝCH PACIENTŮ SOFTWARE FOR IMAGE PROCESSING OF INFRARED THERMOGRAMS OF THE LOWER LIMBS OF DIABETIC PATIENTS
BAKALÁŘSKÁ PRÁCE BACHELOR’S THESIS
AUTOR PRÁCE
JANA LANGEROVÁ
AUTHOR
VEDOUCÍ PRÁCE SUPERVISOR
BRNO 2015
Mgr. VLADAN BERNARD, Ph.D.
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta elektrotechniky a komunikačních technologií Ústav biomedicínského inženýrství
Bakalářská práce bakalářský studijní obor Biomedicínská technika a bioinformatika Studentka: Ročník:
Jana Langerová 3
ID: 155557 Akademický rok: 2014/2015
NÁZEV TÉMATU:
Software pro zpracování termovizních snímků dolních končetin diabetických pacientů POKYNY PRO VYPRACOVÁNÍ: 1) Proveďte stručnou literární rešerši na téma syndrom diabetické končetiny. 2) Proveďte literární rešerši v oblasti termovizních zobrazovacích technik a metod zpracování obrazových dat. 3) Navrhněte software pro zpracování termovizních snímků plosek dolních končetin. Aplikace by měla být například schopna vyhodnocovat minimální, maximální či průměrnou teplotu v určené oblasti termovizního snímku. Předpokladem je možnost automatického srovnání teplotních údajů z pravé a levé končetiny. 4) Navrženou aplikaci realizujte v programovém prostředí MATLAB. Aplikace musí kromě všech potřebných procedur pro zpracování a analýzu termovizních snímků obsahovat i uživatelsky přívětivé grafické rozhraní. 5) Zpracujte termovizní snímky zadané databáze pacientů a statisticky vyhodnoťte získané výsledky. 6) Proveďte diskusi nad získanými výsledky. DOPORUČENÁ LITERATURA:
Termín zadání:
9.2.2015
Termín odevzdání:
29.5.2015
Vedoucí práce: Mgr. Vladan Bernard, Ph.D. Konzultanti bakalářské práce: doc. Ing. Radim Kolář, Ph.D.
prof. Ing. Ivo Provazník, Ph.D. Předseda oborové rady UPOZORNĚNÍ: Autor bakalářské práce nesmí při vytváření bakalářské práce porušit autorská práva třetích osob, zejména nesmí zasahovat nedovoleným způsobem do cizích autorských práv osobnostních a musí si být plně vědom následků porušení ustanovení § 11 a následujících autorského zákona č. 121/2000 Sb., včetně možných trestněprávních důsledků vyplývajících z ustanovení části druhé, hlavy VI. díl 4 Trestního zákoníku č.40/2009 Sb.
Abstrakt Tato práce se zabývá automatickým zpracováním termovizních snímků plosek nohou dolních končetin. Pro uvedení do problematiky obsahuje obecnou rešerši na téma syndrom diabetické nohy a diabetes mellitus. Další teoreticky rozebíranou oblastí je infračervené záření, využívané v termovizní zobrazovací technice a zpracování obrazových dat. Ve druhé části je pak v práci prakticky rozebrán návrh softwaru a následně také jeho uskutečnění a zprovoznění. Popsány jsou všechny dílčí kroky k dosažení teplotních analýz. Vytvořený software obsahuje dvě základní možnosti ořezání zpracovávané plosky, a to buď ruční, či automatickou s ruční korekcí. Na konci práce je k dispozici statistické zpracování programem získaných dat, které je pojato velmi obecně a slouží spíše pro ověření funkčnosti softwaru. Klíčová slova Syndrom diabetické končetiny, diabetes mellitus, termovizní systémy, zpracování obrazu, aktivní kontury, software pro zpracování termovizních snímků diabetické končetiny Abstract This work deals with the automatic processing of the thermal images of the soles of the lower limbs. It contains general research in the topic of diabetic foot syndrome and general description of diabetes mellitus. It also deals with the theoretical area of the infrared radiation used in thermovision techniques and image processing techniques. In the second part, there is practically described the proposition of the software and then also its realization and commissioning. Created software has two main possibilities for cropping the searching sole, the first one is completely manual detection and the second one is automatic with manual correction. In this work, there are also described all the procedures for reaching of the temperature analyzes. Last part of this work is dedicated to statical valorization of the information, which was got by the created software and which is conceived generally and serves to functional valorization of the created software. Keywords Diabetic foot syndrome, diabetes mellitus, thermal image systems, image processing, active countours, thermal image of the soles of the lower limbs processing software
LANGEROVÁ, J.Software pro zpracování termovizních snímků dolních končetin diabetických pacientů. Brno: Vysoké učení technické v Brně, Fakulta elektrotechniky a komunikačních technologií, 2015. 52 s. Vedoucí Mgr. Vladan Bernard, Ph.D.
Prohlašuji, že svou bakalářskou práci na téma Software pro zpracování termovizních ” snímků dolních končetin diabetických pacientů“ jsem vypracovala samostatně pod vedením vedoucího a konzultanta bakalářské práce a s použitím odborné literatury a dalších informačních zdrojů, které jsou všechny citovány v práci a uvedeny v seznamu literatury na konci práce. Jako autorka uvedené bakalářské práce dále prohlašuji, že v souvislosti s vytvořením této bakalářské práce jsem neporušila autorská práva třetích osob, zejména jsem nezasáhla nedovoleným způsobem do cizích autorských práv osobnostních a/nebo majetkových a jsem si plně vědoma následků porušení ustanovení § 11 a následujících autorského zákona č. 121/2000 Sb., o právu autorském, o právech souvisejících s právem autorským a o změně některých zákonů (autorský zákon), ve znění pozdějších předpisů, včetně možných trestněprávních důsledků vyplývajících z ustanovení části druhé, hlavy VI. díl 4 Trestního zákoníku č. 40/2009 Sb. V Brně 28.5.2015 Jana Langerová
3
Děkuji vedoucímu práce, Mgr. Vladanu Bernardovi, Ph.D za ochotnou konzultaci a cenné připomínky při vytváření této práce. Děkuji také konzultantovi, doc. Ing. Radimovi Kolářovi, Ph.D. za jeho cenné připomínky a rady při vytváření této bakalářské práce, zejména pak při tvorbě programu. Jana Langerová
4
OBSAH
Obsah 1 Úvod
4
2 Diabetes mellitus
5
2.1
Klasifikace diabetes Mellitus . . . . . . . . . . . . . . . . . . . . . . . . . .
5
2.1.1
Diabetes mellitus prvního typu . . . . . . . . . . . . . . . . . . . .
6
2.1.2
Diabetes mellitus druhého typu . . . . . . . . . . . . . . . . . . . .
6
3 Diabetická končetina
7
4 Infrazobrazovací systémy
8
4.1
Infračervené záření . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8
4.2
Zdroje infračerveného záření . . . . . . . . . . . . . . . . . . . . . . . . . .
9
4.2.1
Absolutně černé těleso . . . . . . . . . . . . . . . . . . . . . . . . .
9
4.2.2
Šedá tělesa a emisivita . . . . . . . . . . . . . . . . . . . . . . . . .
9
4.2.3
Lidské tělo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.3
Vyzařovací zákony . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 4.3.1
Planckův vyzařovací zákon . . . . . . . . . . . . . . . . . . . . . . . 11
4.3.2
Stefan-Boltzmanův zákon . . . . . . . . . . . . . . . . . . . . . . . 11
4.3.3
Wienův zákon posuvu . . . . . . . . . . . . . . . . . . . . . . . . . 12
5 Termovizní systémy 5.1
Optické zpracování emitovaného signálu termokamerou . . . . . . . . . . . 13
5.2
Objektiv termokamer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
5.3
Detektor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
6 Úvod do zpracování obrazových dat 6.1
15
Zpracování obrazu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 6.1.1
Segmentace obrazu . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
6.1.2
Aktivní kontury . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
6.1.3
Rozpoznávání obrazu . . . . . . . . . . . . . . . . . . . . . . . . . . 19
6.2
Histogram obrazu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
6.3
Ekvalizace histogramu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
7 Návrh softwaru
1
13
20
7.1
Úvodní operace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
7.2
Předzpracování obrazu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
7.3
Rozpoznání plosek nohou v termovizním snímku . . . . . . . . . . . . . . . 22
7.4
Aplikace metody aktivní kontury . . . . . . . . . . . . . . . . . . . . . . . 22
OBSAH 7.5
Výřez oblasti zájmu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
7.6
Vyhodnocení obrazu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
7.7
Porovnání výsledků pravé a levé plosky nohy . . . . . . . . . . . . . . . . . 23
8 Realizace programu
24
8.1
Inicializace programu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
8.2
Výřez plosek nohou . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
8.3
8.2.1
Ruční detekce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
8.2.2
Automatická detekce . . . . . . . . . . . . . . . . . . . . . . . . . . 25
8.2.3
Ruční úprava detekované plosky . . . . . . . . . . . . . . . . . . . . 26
Teplotní analýzy programu . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 8.3.1
Převod šedotónové hodnoty na stupně Celsia . . . . . . . . . . . . . 28
8.3.2
Průměrná teplota . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
8.3.3
Teplotní medián . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
8.3.4
Minimum a maximum . . . . . . . . . . . . . . . . . . . . . . . . . 29
9 Funkce programu
30
9.1
Uživatelské rozhraní . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
9.2
Dílčí funkce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
9.3
Funkce pro detekování AK . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
10 Statistické analýzy
32
10.1 Výstupní data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 10.2 Testování dat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 10.2.1 Normální rozdělení . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 10.2.2 Parametrické testy . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 10.2.3 Výsledky testování normality dat . . . . . . . . . . . . . . . . . . . 37 10.2.4 Výsledky dvouvýběrového t-testu . . . . . . . . . . . . . . . . . . . 39 10.2.5 Porovnání teplot nohou operovaných a neoperovaných . . . . . . . . 40 10.3 Grafické zhodnocení výsledků . . . . . . . . . . . . . . . . . . . . . . . . . 42 11 Závěr
44
Literatura
45
12 Seznam použitých zkratek a symbolů
49
Seznam příloh
50
Příloha 1
51
2
SEZNAM OBRÁZKŮ
Seznam obrázků 2.1
Klasifikace diabetes mellitus [1] . . . . . . . . . . . . . . . . . . . . . . . .
5
4.1
Srovnání průběhů spektrální intenzity vyzařování různých těles [2] . . . . . 10
5.1
Odlišnost mezi termokamerami s kvantovými a tepelnými detektory [3] . . 14
6.1
Schéma zpracování obrazu, volně zpracováno podle [4] . . . . . . . . . . . . 16
6.2
Ukázka ekvalizace histogramu . . . . . . . . . . . . . . . . . . . . . . . . . 19
7.1
Blokový diagram programu . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
7.2
Ukázka zpracovávaného termosnímku . . . . . . . . . . . . . . . . . . . . . 21
8.1
Ruční detekce plosky nohy . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
8.2
Ruční výřez hledané plosky nohy . . . . . . . . . . . . . . . . . . . . . . . 25
8.3
Posloupnost automatické detekce plosky nohy pomocí AK . . . . . . . . . 26
8.4
Manuální korekce detekované plosky nohy . . . . . . . . . . . . . . . . . . 27
9.1
Dialogové okno při spuštění programu po načtení snímku a zadání teplot . 30
10.1 Testování normálního rozložení dat v P a L noze před PTA . . . . . . . . . 37 10.2 Testování normálního rozložení dat P a L nohy po PTA . . . . . . . . . . . 38 10.3 Testování normálního rozložení teplot nohou před a po PTA . . . . . . . . 38 10.4 Dvouvýběrový t-test pro průměrnou teplotu P a L plosky před PTA . . . . 39 10.5 Dvouvýběrový t-test pro teplotní medián P a L plosky před PTA . . . . . 39 10.6 Dvouvýběrový t-test mezi průměrnou teplotou P a L plosky po PTA . . . 39 10.7 Dvouvýběrový t-test porovnávající teplotní medián P a L plosky po PTA . 39 10.8 Srovnání minimálních teplot stejných plosek nohou před a po PTA . . . . . 40 10.9 Srovnání maximálních teplot stejných plosek nohou před a po PTA . . . . 40 10.10Srovnání průměrných teplot stejných plosek nohou před a po PTA . . . . . 41 10.11Srovnání teplotního mediánu stejných plosek nohou před a po PTA . . . . 41 10.12Četnost rozdílů P a L průměrů před PTA . . . . . . . . . . . . . . . . . . . 42 10.13Četnost rozdílů P a L průměrů po PTA . . . . . . . . . . . . . . . . . . . . 43 10.14Četnost rozdílů P a L mediánů před PTA . . . . . . . . . . . . . . . . . . . 43 10.15Četnost rozdílů P a L mediánů po PTA . . . . . . . . . . . . . . . . . . . . 43
3
1. Úvod Tato bakalářská práce se zabývá teoretickým nastíněním onemocnění diabetes mellitus a především pak jedné jeho velmi problematické komplikace - syndromu diabetické končetiny. Zároveň obsahuje také druhou teoretickou rovinu, kterou je oblast termovizních zobrazovacích technik a následného zpracování obrazu. Praktická část zahrnuje návrh softwaru pro automatickou analýzu termografického snímku diabetické končetiny. Podrobně je zde rozebrán jak teoretický návrh, tak skutečné zprovoznění programu. Třetí oblastí, kterou tato práce zahrnuje, je statistické zpracování a vyhodnocení dat, získaných s využitím vytvořeného softwaru. Tato část je pojata jako ověření funkčnosti a správnosti softwaru, který je stěžejním výstupem práce. Bakalářská práce je pojata spíše technickým způsobem, není zde tedy k nalezení podrobná medicínská studie výše jmenované problematiky. Cílem je uvést rozsáhlejší úvod do tohoto onemocnění, který slouží především k dobrému pochopení přínosu daného softwaru. Teoretická část je systematicky členěna do několika kapitol, které slouží pro dobrou orientaci ve struktuře textu. V první části je vždy uvedeno nastínění problematiky a dále v textu její podrobnější rozebrání. Na začátku je rozebráno téma diabetes mellitus a syndrom diabetické nohy. Druhý teoretický oddíl se pak věnuje zpracování obrazu obecně, obsahuje však také teoretický rozbor konkrétní segmentační metody aktivní kontury, která je stěžejní pro automatickou detekci hledaných struktur ve zpracovávaných snímcích. Nejdůležitějším výstupem této práce je vytvořený software. Jeho úkolem je načtení termovizního snímku dolních končetin pacienta, s pomocí obsluhy vymezení zájmové oblasti pravé a levé plosky nohy a následné automatické, či ruční detekování hranice těchto plosek. Po úspěšné detekci přichází na řadu analýza plosek nohou. Pro diagnostické účely je důležité detekovat průměrnou teplotu a teplotní medián na plosce nohy. Tyto informace je vhodné následně porovnat mezi pravou a levou nohou, čímž jsou získány výstupní výsledky. Software by měl být použitelný v běžné praxi a měl by pomoci usnadnit vyhodnocování daných parametrů. Za cíl si tedy klade zpřesnit a urychlit diagnostikování teplotních údajů v plosce nohy, nejčastěji diabetického pacienta.
4
2. Diabetes mellitus Diabetes mellitus je skupina chronických onemocnění, které se od sebe určitým způsobem liší. Důvodem k jeho vzniku je úplný, či relativní nedostatek inzulinu, který vede k narušení správné funkce metabolismu. Nemoc může spočívat buď ve špatné produkci inzulinu, nebo v jeho patologickém metabolismu. Třetí možností je pak problém na obou stranách - jak tvoření, tak spotřebovávání. Hlavním projevem je hyperglykémie. Za fyziologických podmínek organismus totiž nakládá s glukózou zcela odlišným způsobem. V posledních letech se toto onemocnění vyskytuje stále častěji jak v populacích států vyspělých, tak i rozvojových. V současné době je, podle posledních údajů z roku 2013, v České republice registrováno více než 841 tisíc pacientů trpících diabetem, tedy přibližně 8% všech obyvatel. Oproti předchozímu roku se jedná o nárůst 16 tisíc pacientů. [5] Pro srovnání, v USA v roce 2012 podle dostupných údajů (z [6]) bylo 9,3% populace označeno za diabetiky. Onemocnění bylo diagnostikováno u 21 milionů lidí a u dalších 8,1 milionů se předpokládal diabetes nediagnostikovaný.
2.1. Klasifikace diabetes Mellitus Přestože k nedostatku inzulínu v lidském těle může dojít z mnoha příčin, klasifikuje se onemocnění do čtyř základních skupin. Další dvě skupiny zahrnují hraniční poruchy glukózové homeostázy. Klasifikace jednotlivých skupin je znázorněna na následujícím obrázku 2.1.
Obrázek 2.1: Klasifikace diabetes mellitus [1] Možné příčiny, které vedou k nedostatku inzulínu mohou být [1]: • v β–buňkách ostrůvků pankreatu zcela chybí tvorba inzulínu • snížená tvorba inzulínu v β–buňkách ostrůvků pankreatu, či tvorba inzulínu defektního 5
2.1. KLASIFIKACE DIABETES MELLITUS • porucha uvolňování inzulínu z β–buněk • porucha transportu inzulínu pomocí vazby na plazmatické bílkoviny • porucha vazby inzulínu na receptor nebo porucha intracelulárního využití inzulínu, tedy nedostačující působení dostačujícího množství inzulínu • inzulín je špatně odbouráván • zvýšený účinek antagonistů inzulínu (glukagon, adrenalin, noradrenalin, růstový hormon, kortikoidy)
2.1.1. Diabetes mellitus prvního typu První typ diabetu je charakterizován tím, že organismus není schopen produkovat inzulín, nebo jeho dostatečné množství, protože došlo k autoimunitní destrukci β–buněk ostrůvků pankreatu. Bývá také označován jako „insulin-dependent typeÿ. Nejčastěji je tento typ onemocnění diagnostikován u dětí, není to však podmínkou. Může se vyskytnout v jakémkoli věku. Lidé, kterým byl diabetes diagnostikován až v dospělosti však pouze v 5% obdrží právě tuto diagnózu. Aby tito nemocní mohli vést plnohodnotný život, musí jim být podáván inzulín injekcí, či pumpou.[6] Bohužel, doposud neexistuje účinná prevence. Výzkum v této oblasti je však v USA aktivní a některé metody jsou již ve fázi klinických testů, další jsou naplánovány.[6]
2.1.2. Diabetes mellitus druhého typu Nejčastější ze všech možných variant diabetu je ten druhého typu. Ze všech diagnostikovaných variant diabetu v dospělosti, to bývá z 90% - 95% právě tato druhá. Problémem je u něj špatné využívání inzulínu, který je zpočátku tvořen bez problémů v β–buňkách ostrůvků pankreatu. Buňky jsou vůči inzulínu rezistentní. Proto je také možné setkat se s označením „non-insulin-dependent typeÿ. S přibývající domnělou potřebou hormonu tělo reaguje postupným oslabováním funkce β–buněk, které ztrácejí schopnost syntézy dostačujícího množství inzulínu.[6] Riziko rozvinutí diabetu druhého typu se zvětšuje se zvyšujícím se věkem, obezitou nebo genetickou prevalencí.
6
3. Diabetická končetina Syndrom diabetické nohy (SDN) je podle WHO definován jako ulcerace, či destrukce tkání na nohou u diabetiků spojená s neuropatií, s různým stupněm ischemické choroby dolních končetin a často s infekcí. [1] V praxi je tento nepříjemný doprovodný znak diabetu diagnostikován i u jiných onemocnění, například u pacientů s anamnézou ulcerací či gangrénou a u pacientů po amputacích nebo s Charcotovou osteoarthropatií. [1] Toto onemocnění patří k nejčastějším komplikacím rozvinutého diabetu. Prvotním impulzem ke vzniku může být pouze lehký úraz nohy, či otlačenina na noze způsobená nevhodnou obuví. Příčinou bývá také špatný krevní oběh v důsledku poškozených cév (diabetická angiopatie) nebo snížená citlivost na bolest, kdy se nemocný začne léčit až v pokročilém stádiu (diabetická neuropatie). Ve většině případů bývají oba typy kombinovány. Díky sníženému vnímání bolesti často pacienti přicházejí až v pokročilém stádiu, kdy již vyžadují komplexní a odbornou péči. Boj proti této infekci někdy bývá neúspěšný. V těchto případech je již jedinou terapeutickou možností amputace prstů, chodidla, dolní části nohy (od kolene dolů), či celé dolní končetiny. Podle údajů vyplývajících ze statistik ÚZIS bylo v roce 2011 evidováno v České Republice 44 000 diabetiků s diagnostikovaným SDN. To odpovídá 5,6 % diabetiků. Ve skupině se zvýšeným rizikem bylo ale zařazeno až 200 000 pacientů. Přibližně se tedy jedná o 15 - 25 % osob s diabetem. [7] K amputacím bylo pak třeba přistoupit celkem u 10 408 z diagnostikovaných pacientů. V 38 % se jednalo o amputace vysoké (nad kotníkem). Největším problémem není ani tak sama amputace, ale fakt, že u této skupiny pacientů bohužel podle statistik nastává přibližně v 60 - 70 % pětiletá mortalita. Do budoucna je tedy stále aktuálním cílem snižovat počty pacientů s nevyhnutelnými amputacemi a pakliže to je potřeba, tak alespoň přistupovat jen k amputacím částečným. [8] Pro srovnání, v sousedním Německu trpělo syndromem diabetické nohy k roku 2012 přibližně 200 000 pacientů. Průměrně je každý den u 80 z nich třeba provést částečnou, či úplnou amputaci. Více než polovina amputací (okolo 70 %) se provádí u diabetických pacientů. [9] Z uvedených statistik vyplývá, že je třeba věnovat velkou pozornost už prevenci onemocnění syndromu diabetické končetiny.
7
4. Infrazobrazovací systémy Stěžejním úkolem infrazobrazovacích systémů je zobrazení jak prostorové, tak časové distribuce teploty. Využití infračervené části elektromagnetického záření umožňuje bezkontaktní mapování teploty objektů, čehož lze s výhodou využít i v medicíně. Termogram je obraz povrchového rozložení a rozpětí teplot snímaného objektu. Nese v sobě informace o jeho vnitřním stavu, o struktuře a povrchových vlastnostech. [10] Jeho rozlišení závisí na rozlišení detektoru termokamery a standardní dnes bývá hodnota 320x240 px. [3] Termografie je pak metoda, pomocí které získáváme termogram. Počátek vývoje infrazobrazovacích systémů se datuje k období II. světové války, kdy byl tento rozvoj zapříčiněn potřebou zařízení pro noční vidění vojáků (noktovize). Jednalo se o aktivní IR zobrazovací systém. V 50. letech je následovaly pasivní skenovací analogové IR systémy, jež postupně začaly být digitalizované vlivem vývoje moderních číslicových technologií. V současné době jsou konstruovány především pasivní nechlazené a neskenovací digitální IR systémy. Pasivní systémy využívají k vytvoření obrazu infračervené záření, jež je generováno a modulováno samotnou snímanou scénou. Ve srovnání s tím aktivní IR systémy využívají jako signál infračervené záření, které je modulováno snímanou scénou, ale generováno vnějším zdrojem. [10]
4.1. Infračervené záření Infračervené záření je elektromagnetické vlnění tvořené fotony záření v rozmezí vlnových délek od 0,75 µm až k 1 mm. Tedy zahrnuje vlny delší, než má viditelná část spektra a přitom kratší, než mikrovlny. Dále IR záření dělíme ještě na tři podsložky. První z nich je blízká infraoblast (NWIR), která v sobě zahrnuje vlnové délky v rozpětí od 0,75 µm až po 3 µm. Záření z této oblasti může být zaznamenáno na filmové emulze. Další je střední infraoblast (MWIR) obsahující vlny o délkách 3 µm až 5 µm, jejichž odraz je možné detekovat použitím elektro-optického senzoru. Poslední skupinou je vzdálená infraoblast (LWIR), jež zahrnuje vlnové délky od 5 µm do 1 mm. Vlny z této oblasti lze detekovat pouze po jejich vyzáření taktéž pomocí elektro-optického senzoru. [2] Energie fotonů IR záření je velmi nízká, tedy nezpůsobuje ionizaci neutrálních atomů molekul prostředí, kterým prochází. Někdy je také možné narazit na termín „tepelné zářeníÿ, jež má stejný význam. IR záření je totiž radiační složka šíření tepelné energie. Vhodné je uvést, jakými mechanismy
8
4.2. ZDROJE INFRAČERVENÉHO ZÁŘENÍ se teplo může šířit od svého zdroje. Existují 3 možnosti: kondukcí (vedením), konvekcí (prouděním) a radiací (sáláním).
4.2. Zdroje infračerveného záření Zdroj záření v infračervené oblasti spektra může být jeden ze tří následujících: luminiscenční, radiový nebo tepelný. První dva podléhají specifickým zákonitostem, které mohou v zobrazované scéně vytvářet parazitní modulaci. U tepelných zdrojů je generována zářivá energie, která se přeměňuje z rotačně-vibračních kmitů atomů a molekul zdroje tepelné energie. Z toho tedy plyne, že infračervené záření může být generováno vším, čehož teplota převyšuje absolutní nulu 0 K. Infračervený zářivý tok generuje energetické pozadí, které je přítomno všude na zemi a vyplňuje veškerý prostor, což také umožňuje jeho neustálé šíření. [10] Pro konkrétní zdroje (absolutně černé těleso a šedé těleso) je možné velikost zářivého toku přesně stanovit.
4.2.1. Absolutně černé těleso Absolutně černé těleso (AČT) je idealizovaná představa o tělese, které pohlcuje veškeré záření, jež na něj dopadá, bez ohledu na jeho vlnovou délku nebo úhel dopadu. Lze si jej tedy představit jako ideální absorber. [2] Při pokusu o přirovnání k nějakému reálnému tělesu tuto představu nejvíce splňuje Slunce, respektive hvězdy. Platné je ovšem také pojetí absolutně černého tělesa jako ideálního zářiče. Pokud je totiž zdrojem záření AČT, vyzařuje na všech vlnových délkách při dané teplotě maximální dosažitelnou energii zářivého toku. [10] Na obrázku 4.1 je vyjádřeno porovnání spektrální intenzity vyzařování různých modelů černého tělesa. Plocha pod každou z křivek vyjadřuje vyzařovací energii každého objektu. Z obrázku je tedy zřejmé, že Slunce produkuje mnohem více excitační energie než Země, protože má vyšší teplotu. S postupně se zvyšující teplotou objektu se dominantní vlnová délka posouvá ke kratším oblastem spektra.
4.2.2. Šedá tělesa a emisivita Pokud má těleso emisivitu nezávislou na vlnové délce vyzařování, bývá nazýváno šedým tělesem. V reálném světě je stejně jako AČT nenalezneme, některé materiály se jim však mohou blížit a v určitém rozsahu vlnových délek skutečně vykazovat netečnost emisivity vzhledem k vlnové délce. Reálná tělesa splňující tuto podmínku pak pro zjednodušení
9
4.2. ZDROJE INFRAČERVENÉHO ZÁŘENÍ
Obrázek 4.1: Srovnání průběhů spektrální intenzity vyzařování různých těles [2] pokládáme za šedá tělesa o stejné teplotě povrchu. Bez tohoto zjednodušení by totiž nebylo možné exaktně určit intenzitu vyzařování reálného tělesa. [11] Emisivita (poměrná zářivost) číselně vyjadřuje zhoršení vyzařovacích vlastností zdroje záření oproti AČT. Závisí na vlnové délce vyzařování a teplotě tělesa. Nabývá hodnot od 0 do 1, přičemž 1 dosahuje pouze AČT. [12]
4.2.3. Lidské tělo Všechna tělesa o teplotě vyšší než 0 K jsou zdroje záření. Tedy i lidské tělo. To v pokojové teplotě emituje IR záření. V kontrastu s ním velmi studené objekty (například kapalné helium) emitují pouze mikrovlny. Pro zajímavost, aby lidské tělo bylo schopné vyzařovat viditelné světlo, muselo by dosahovat teplot až 800◦ C. Následující vzorec vysvětluje vztah mezi teplotou a vlnovou délkou, kterou tělo vyzařuje maximální množství energie [12]: λm =
2, 9 × 10−3 , [m] T
(4.1)
Pouze AČT a Šedé těleso lze považovat za ideální Lambertovský zářič, což znamená, že jejich vyzařování nezávisí na směru zdroje. Většina povrchů však tuto vlastnost nemá. Suchý, čistý, neochlupený a kosmetikou neošetřený povrch lidského těla lze považovat za velmi kvalitní, až ideální infračervený zářič, avšak pouze za splnění určitých podmínek. 10
4.3. VYZAŘOVACÍ ZÁKONY Optická osa infrazobrazovacího systému (termokamery) by totiž měla být umístěna kolmo k měřenému subjektu. [10]
4.3. Vyzařovací zákony Ze všech objektů s teplotou nad 0 K, tedy ze všech reálných, je emitováno teplotní záření. V mnohých případech se spektrum (intenzita v závislosti na vlnové délce) tohoto záření blíží spektru vyzařování absolutně černého tělesa.
4.3.1. Planckův vyzařovací zákon Je základním zákonem definujícím amplitudu vyzařování černého tělesa. Jeho formulaci umožnilo zavedení Planckovy kvantové hypotézy. Planckův zákon ve fotonovém tvaru vychází ze spektrální měrné zářivosti (výkon generovaný z jednotky plochy povrchu zdroje na dané vlnové délce do jednotkového prostorového úhlu). Spektrální měrnou zářivost lze vyjádřit ve tvaru [10]: "
hc 2hc2 −1 Lλ (λ) = 5 exp λ λkT
#−1
, [sr−1 · cm−2 · µm−1 ]
(4.2)
po vydělení energií fotonu lze zapsat Planckův vyzařovací zákon ve fotonovém tvaru [10] [2]: "
2c hc −1 Lλ (λ) = 4 exp λ λkT kde jednotlivé symboly odpovídají:
#−1
, [f oton · s−1 · sr−1 · cm−2 · µm−1 ]
(4.3)
T . . . teplotě c . . . rychlosti světla 2, 99 × 10−8 [m · s−1 ] h . . . Planckově konstantě 6, 63 × 10−34 [J · s] k . . . Boltzmanově konstantě 1, 38 × 10−23 [J · K −1 ] Lλ . . . spektrální měrné zářivosti [W · m−3 · sr−1 ]
4.3.2. Stefan-Boltzmanův zákon Celkový zářivý tok absolutně černého tělesa, generovaný z jednotky plochy zdroje na všech vlnových délkách při určité teplotě, je vyjádřen pomocí Stefan-Boltzmanova zákona a je úměrný čtvrté mocnině jeho absolutní teploty. Tento zákon je odvozen od Planckova vyzařovacího zákona a v energetickém tvaru jej lze vyjádřit takto [2]: Mλ = σT 4 , [W · cm−2 ]
(4.4)
kde σ je Stefan-Boltzmanova konstanta: 5, 6697 × 10−8 [W · m−2 · K −4 ] a T [K] je teplota. 11
4.3. VYZAŘOVACÍ ZÁKONY
4.3.3. Wienův zákon posuvu Maximum spektrální intenzity vyzařování se mění v závislosti na teplotě absolutně černého tělesa. Při počítání množství energie excitované absolutně černým tělesem, například sluncem, můžeme pomocí Wienova zákona posunu definovat dominantní vlnovou délku záření [2]: k , [m] T kde k je Wienova přemísťovací konstanta: 5, 898 × 10−3 [K · m] a T [K] je teplota. λmax =
12
(4.5)
5. Termovizní systémy Termovizní systém je zaužívaný pojem vyjadřující infrazobrazovací systém. Zjednodušeně se mu říká termokamera. Jedná se o chráněné komerční označení, jehož význam někdy bývá zaměňován za reprodukční systém, který informuje o rozložení teploty na povrchu těla za pomoci infračerveného záření. [10] Termokamery jsou hojně využívány v průmyslu, stavebnictví a jako součást zabezpečovacích systémů. Méně často pak také v medicíně, kde mohou pomoci odhalit různé patologie. Díky bezkontaktnímu měření navíc velmi pohodlně. Primárním parametrickým polem pro infrazobrazovací systémy (ZS) je zobrazovaný objekt a prostředí, jež jej obklopuje. Toto pole je závislé na změně prostorové a časové souřadnice. Pokud vezmeme v potaz pouze krátký časový úsek, po který je objekt zobrazovacím systémem snímán, chová se tento přístroj jako prostý radiometr. [10] Infrazobrazovací systémy se mohou dělit podle různých hledisek. Hlavním dělením rozdělujeme ZS na skenovací a neskenovací. Pro první skupinu je charakteristická lineární transformace prostorové souřadnice na souřadnici časovou pomocí skeneru, jež je tvořen buď jedním detektorem, nebo malou mozaikou detektorů. Pro druhou skupinu uvedená transformace probíhá za pomoci multiplexeru. Obrazový detektor je tvořen velkou mozaikou detektorů.
5.1. Optické zpracování emitovaného signálu termokamerou Při pořizování záznamu pomocí infrazobrazovacího systému je nejdříve pomocí objektivu termokamery sejmut signál (emitované záření). Jelikož tento krok předchází jakémukoli dalšímu zpracování, je objektiv společně s detektorem nejdůležitější částí kamery a určuje její limitní dosažitelné výsledky. Také proto bude detailněji popsán níže. Po sejmutí aktuálního signálu následuje posunutí momentálního zorného pole detektoru, clonění, filtrace požadovaného spektra a zpracování je ukončeno zavedením referenční radiace pomocí optického modulátoru.[10]
5.2. Objektiv termokamer Termokamery nevyužívají běžné skleněné objektivy, protože sklo by infra záření jednak odráželo, jednak pohlcovalo. Požadováno je, aby záření čočkou objektivu prošlo. Nejčastěji
13
5.3. DETEKTOR se tedy čočky do termokamer vyrábějí z germania, chalkogenidového skla, selenidu zinečnatého nebo sulfidu zinku. Dobrý přenos těchto materiálů je zajištěn v rozmezí vlnových délek od 8 do 15 µm (LWIR). Pro nižší vlnové délky (MWIR) od 3 do 5 µm je optimální křemičité sklo. [13] Obecným cílem konstrukce všech těchto objektivů je pak dosažení průmětu detektoru do předmětové roviny tak, aby byl co nejmenší (tak bude dosaženo co největšího prostorového rozlišení) a také získání co možná největšího ozáření detektoru. [10]
5.3. Detektor Hlavním úkolem detektoru je převést na něj dopadající infračervené záření na elektrický signál. Při dělení detektorů se vymezují dvě hlavní skupiny: tepelné a fotonové. Tepelné detektory zaznamenávají intenzitu dopadajícího záření a v závislosti na ní mění své elektrické vlastnosti. Příkladem takového tepelného detektoru může být mikrobolometr. Mikrobolometrické 2D pole je dnes nejvyužívanějším detektorem (v 95% případů). [3] Po přehodnocení tajného vývoje mikrobolometrů ke komerčnímu užívání byly vyvinuty 2 základní typy: bolometrické pole s odporovou odpovědí a s feroelektrickou odpovědí (schopnost udržet si dipólový moment bez vnějšího elektrického pole). [14] Fotonové detektory bývají osazovány do nejdražších termokamer, jelikož dosahují větší citlivosti. Jejich nevýhodou ale je, že vyžadují chlazení. Fotonové detektory jsou navíc úzkopásmové, jsou tedy schopny detekovat záření jen v úzkém rozsahu vlnových délek. Následující obrázek shrnuje rozdíly mezi tepelnými a fotonovými detektory:
Obrázek 5.1: Odlišnost mezi termokamerami s kvantovými a tepelnými detektory [3]
14
6. Úvod do zpracování obrazových dat Před započetím kapitoly o zpracování obrazu je vhodné vysvětlit, jak se definuje obraz, jak jej lze získat, a pak také jeho samotné zpracování. Obraz je v tomto pojetí pole, či matice pixelů, které jsou uspořádány v řádcích a sloupcích. Jedná-li se o obraz v šedotónové oblasti, je každý pixel charakterizován určitou hodnotou v rozmezí 0 až 255. Takový obrázek má barevnou hloubku 8 bitů = 256 odstínů šedi. Pokud se zaměříme na barevný obrázek, barevná hloubka se ztrojnásobí na 24 bitů. Důvod je prostý, každý pixel barevného obrazu je charakterizován všemi složkami RGB = 8 x 8 x 8 bitů = 256 x 256 x 256 odstínů šedi, což odpovídá 16 milionům takto vyjádřitelných barev. [15] Skutečné množství odstínů v obrázku záleží na tom, v jakém je formátu. Mezi nejznámější bezeztrátové formáty patří tyto: GIF (8 bitů = 256 OŠ), TIFF (24 bitů). Dalším známým a hojně využívaným formátem je JPEG (24 bitů = 16 milionů OŠ), který ale komprimuje destruktivně. Při využití vektorové grafiky se pak nejčastěji používá formátu PS. Zpracování obrazu je metoda, která umožňuje převádět obraz do digitální podoby a provádět operace, které umožňují získat obraz buď lepší nebo z něj extrahovat určité požadované informace. Na obraz se při jeho zpracovávání nahlíží jako na dvourozměrný signál, na který můžeme aplikovat různé metody zpracování. Názorné schéma zpracování obrazu je uvedeno na obrázku 6.1 [4]
6.1. Zpracování obrazu Zpracování obrazu obvykle zahrnuje tyto kroky: • Získání obrazu - jeho importování do počítače s využitím skeneru nebo importování z digitálního fotoaparátu, či kamery • Analyzování obrazu, což zahrnuje kompresi dat a vylepšení obrazu • Zpracování obrazu využitím konkrétních algoritmů pro získání definovaného výsledku, či zájmové oblasti obrazu
Při zpracovávání obrazu se nejčastěji provádí těchto 5 operací: [4] [10] 15
6.1. ZPRACOVÁNÍ OBRAZU • Restaurování obrazu • Zkvalitňování obrazu (ostření, zvýrazňování) • Segmentace obrazu • Rekonstrukce obrazu • Rozpoznávání obrazu (rozlišování objektů v obraze) Segmentaci a rozpoznávání obrazu bude později věnováno více prostoru, protože se jedná o body pro tuto práci stěžejní a obecně velmi důležité.
Obrázek 6.1: Schéma zpracování obrazu, volně zpracováno podle [4]
16
6.1. ZPRACOVÁNÍ OBRAZU
6.1.1. Segmentace obrazu Segmentací obrazu rozumíme přiřazení určitého segmentu každému pixelu v obraze. Konkrétní segment je něčím charakterizován a vyjadřuje určitý celek obrazu. Segmentace patří k nedůležitějším metodám zpracování obrazu, protože často předchází dalším analýzám. Ty pak mohou probíhat pouze na některém segmentu obrazu, čímž je dosaženo větší přesnosti a zkrácení výpočetní doby. Je to tedy efektivnější. [16] Hlavním úskalím segmentace je velké zkreslení výsledků v případě neideálních vstupních dat. Tyto mohou být zatíženy šumem, či nehomogenním osvětlením. Takové obrazy jsou velmi těžko rozlišitelné lidským okem, natož pak počítačem. U medicínských dat se navíc přidává další problém. Kvalitu původního obrazu, získaného určitou zobrazovací metodou, jde jen velmi těžko ovlivnit. Složité anatomické struktury nemusí být vždy zřetelné a jejich segmentace bývá velmi problematická. Přesto je obecným požadavkem výsledek o to přesnější, že se jedná o data získaná pro medicínské účely. Aplikace jakékoli segmentační metody v těchto případech tedy vyžaduje větší přesnost a tím pádem více času, jež je věnován také předzpracování obrazu. Často je pro tyto data vhodné využít znalostní metody nebo neuronové sítě. K základním technikám segmentace obrazu řadíme [10]: • Prahování - modifikace škály šedi (může být určeno pomocí histogramu) • Detekce hran - detekce sousedních bodů, u nichž se prudce mění jas (hrana je reprezentována velikostí a směrem)
6.1.2. Aktivní kontury Segmentační metoda aktivní kontury (AK) nepatří k základním ani k nejznámějším, pro tuto práci však k naprosto nezbytným. V angličtině jí odpovídají dva názvy: active countours nebo snakes. Princip této operace spočívá v přizpůsobení určité kontury, která se postupně tvaruje v závislosti na obrazu, na nějž je aplikována. Metoda AK se dělí na dvě hlavní kategorie. První je založena na detekci hran, druhá je založena na detekci regionů.[17] Hranově založená metoda využívá k identifikace objektu v obraze obrazové přechody, tedy hrany. Bohužel, tento typ je velmi citlivý na znehodnocení obrazu šumem, či rozmazanými hranami. Výhodou však je, že mu nejsou kladena žádná omezení. To znamená, že pokud je popředí a pozadí obrázku heterogenní, může být dosaženo dostačujících výsledků. V poslední době bývá někdy upřednostňován typ AK založený na detekci regionů. Pozadí a popředí obrázku se zpracovává statisticky a energetické optimum se nachází tam, 17
6.1. ZPRACOVÁNÍ OBRAZU kde model nejlépe vystihuje hledaný objekt. Hlavní výhodou je menší závislost na přítomnosti šumu v obraze. Pokud je však pozadí a popředí heterogenní, může být kvalitnějších výsledků dosaženo využitím hranově založené metody. Pro aplikaci AK na medicínská data je vhodnější ještě další kategorie, která ale vychází z obou výše popsaných. Smísením obou přístupů by mělo být na obraz nahlíženo jak pohledem regionálním, tak i zaměřeným na místní informace. Obecně jsou aktivní kontury vyjádřeny jako proces minimalizace energie. Cílová funkce je vhodně formulovaná funkce energetická. V tomto pojetí AK vyjadřují kompromis mezi jejich vlastním zadáním a vlastnostmi obrázku. Energetická funkce AK je vyjádřena jako určitý integrál součtu funkce vnitřní energie kontury Eint , funkce, která tuto energii omezuje Econ a energetické funkce obrázku Eimage . Poslední symbolem rovnice je v(s), tedy vektor obsahující souřadnice kontury. [18]: EAK =
Z 1
s=0
[Eint (v(s)) + Eimage (v(s)) + Econ (v(s))]ds.
(6.1)
přičemž zájmová sada bodů odpovídá [18]: dEAK =0 dv(s)
(6.2)
a funkce vnitřní energie kontury je vyjádřena jako vážený součet první a druhé derivace okolí kontury [18]: Eint =
dv(s) 2 α(s) ds
d2 v(s) 2 + β(s) 2 ds
(6.3)
Segmentace medicínských obrazů je složitá operace především z důvodu vysokého šumu a vzorkovacích artefaktů v obraze. Aktivní kontury v této oblasti tedy vyčnívají svým principem, kdy je samotná kontura (neboli had) kontrolovaně a elasticky natahována tak, aby se přibližovala hranám hledaného objektu. Metodu nazýváme aktivní především z toho důvodu, že kontura je vytvářena kontinuálně, tak aby byla redukována její energie. [19] Hlavní výhodou metody je, že jejím výstupem je téměř koherentní oblast s hladkými hranicemi, zatímco při použití jiných segmentačních metod není zaručeno kontinuální, nebo uzavřené nalezení hran. Za nevýhodu konvenčních aktivních kontur lze naopak považovat jejich neschopnost detekovat silnou konkávnost v objektu a často tak mohou být vytvářeny nežádoucí konturové smyčky. [19]
18
6.2. HISTOGRAM OBRAZU
6.1.3. Rozpoznávání obrazu Rozpoznávání obrazu vede ke zjištění, zda jsou v obraze zastoupeny určité hledané struktury. Pokud jsou předmětem zájmu vlastnosti obrazu jako celku, lze charakteristické znaky tohoto obrazu určit pomocí jeho histogramu. Další možností je vyhledávání známých objektů v obraze (přizpůsobená filtrace). Druhé variantě však téměř vždy předchází předzpracování obrazu v podobě segmentace, či zvýrazňování. Je to tedy poslední článek řetězce diagnostiky obrazu.[10]
6.2. Histogram obrazu Histogram obrazu je graf četností výskytů jednotlivých stupňů šedi v šedotónovém obrazu. [20] Ideálním výstupem histogramu je rovnoměrné zastoupení všech odstínů šedi v obraze. Jeho využití je velmi oblíbené při zvýrazňování a především pak při transformaci kontrastu obrazu. Jak již bylo zmíněno výše, histogram lze využít také pro stanovení prahů při segmentaci.
6.3. Ekvalizace histogramu Ekvalizace histogramu je metoda, která umožňuje změnit obrázek tak, aby byl jeho histogram rovnoměrnější (aby byly všechny stupně šedi rovnoměrněji zastoupeny). Metoda upravuje kontrast rastrového obrazu a pracuje jako nelineární proces.[18]
Obrázek 6.2: Ukázka ekvalizace histogramu
19
7. Návrh softwaru Hlavní částí této bakalářské práce je návrh software, který by měl být schopen vyhodnocovat a analyzovat termovizní snímky plosek dolních končetin. Postup algoritmu spočívá v načtení daného snímku, rozpoznání pravé a levé plosky nohy a následné ohraničení těchto objektů pomocí metody aktivních kontur. Po získání oblasti zájmu přijde na řadu samotná analýza snímku. Důležitou vlastností, která se uplatní v závěru, je srovnání výsledků z pravé a levé plosky nohy. Tento algoritmus vyjadřuje také následující obrázek 7.1.
Obrázek 7.1: Blokový diagram programu
20
7.1. ÚVODNÍ OPERACE
7.1. Úvodní operace Zpracovávaný termografický snímek vždy obsahuje obě chodidla pacienta. Ukázka takového snímku je na obrázku 7.1. Po startu programu předchází ostatním úkolům získání informace o pravé a levé části snímku. Toto hrubé rozdělení obrázku na 2 části bude zcela v kompetenci uživatele. Při spuštění ihned po načtení obrázku obsluha programu provede ruční detekci pravé a levé končetiny obdélníkovým výřezem. Po provedení tohoto kroku již program bude schopen pracovat samostatně (bude-li si to tak uživatel přát) až do doby výpisu závěrečných výsledků. Tato první část nebude automatizovaná především proto, aby byl uživatel schopný hned po spuštění definovat, co je pravá a co levá končetina. Tento přístup je volen vzhledem k důsledkům nejrůznějších artefaktů v okolí snímaného pacienta a faktu, že často jedna noha zasahuje více než polovinu snímku. Hodnocené snímky jsou získány přímo v nemocnici od pacientů, kteří ne vždy plně spolupracují a proto jsou snímky pořízeny z různých (ale vždy podobných) úhlů či vzdáleností. Taktéž jsou získány v podobných teplotních podmínkách, což umožňuje jejich vzájemné porovnávání.
Obrázek 7.2: Ukázka zpracovávaného termosnímku
7.2. Předzpracování obrazu Dříve, než je započata analýza obrazu, musí být upraven do vhodného tvaru. Tím rozumíme jeho předzpracování. Spočívá především v převedení barevné škály obrazu do odpovídajících stupňů šedi a datového typu double. Dále sem také můžeme zařadit zjištění jeho rozměrů, které slouží pro vytvoření jedinečných masek využívaných při aplikaci metody AK.
21
7.3. ROZPOZNÁNÍ PLOSEK NOHOU V TERMOVIZNÍM SNÍMKU
7.3. Rozpoznání plosek nohou v termovizním snímku Po hrubém označení pravé a levé končetiny přichází na řadu detekce plosky chodidla. Základním problémem při jejím rozpoznávání v termovizních snímcích je častá nezřetelnost hrany při rozhraní plosky nohy a jejího okolí. Artefakt můžou představovat části dolní končetiny nad chodidlem, které na snímku bývají někdy zřetelné. Záleží především na způsobu pořízení snímku, ale také na anatomii dolní končetiny konkrétního pacienta. Všechny objekty na pozadí je třeba odfiltrovat, aby se daly provádět analýzy. Bohužel, tyto hrany nejsou mnohdy zřetelné ani lidským okem, natož pak při využití algoritmu detekce hran, či prahování. Velmi vhodnou metodou pro automatické ohraničení se v tomto případě jeví aktivní kontury. S pomocí předdefinované masky, která se postupně přizpůsobuje dané plosce, lze docílit uspokojivých výsledků. Pokud však výsledek detekce plosky chodidla stále obsahuje nejasnosti, může uživatel cílenou oblast zájmu již dodefinovat sám. Tyto zbytkové artefakty jsou vždy mírnější povahy než před započetím detekce. Existuje také možnost, že uživatel se již na začátku rozhodne pro kompletně ruční detekci oblasti zájmu (hledané plosky). Program proto bude uzpůsobený i pro tuto variantu a hned na počátku umožní uživateli výběr mezí tím, která metoda detekce je v danou chvíli pro konkrétní snímek vhodnější - zda ruční, či automatická.
7.4. Aplikace metody aktivní kontury Po určení pravé a následně levé části snímku je nutné na tyto výřezy aplikovat jedinečné masky. Podle rozměru obrázku se vytvoří nová, stejně velká matice nul, ve které je oblast masky přepsána na jedničky. Maska se definuje procentuálně, podle rozměru obrázku. Vzhledem k anatomii plosky chodila a k ručnímu výřezu pravé a levé části, kdy se předpokládá maximální možné, přitom však jednoduché ořezání okolí dané plosky, se považuje za vhodné zvolit výřez na výšku 80%, kdy maska začíná po 10% výšky obrazu a končí při dosažení 90% výšky snímku. Na šířku je volen výřez 60%, kdy se zanedbává 20% z leva a také 20% z pravé části původní matice. Po definování jedinečných masek snímku se začnou počítat jednotlivé iterace, přičemž v každé z nich se hledá energetické minimum bodu na rozhraní masky a okolí. Takto se maska postupně deformuje až do tvaru odpovídající hledané plosce chodidla. Jako optimální se jeví použití přibližně 100 iterací. Proto byla tato hodnota zvolena jako univerzální pro všechna zpracování.
22
7.5. VÝŘEZ OBLASTI ZÁJMU
7.5. Výřez oblasti zájmu Jakmile je detekována cílová oblast zájmu, je třeba tuto část oddělit od pozadí obrazu. Prakticky je tedy zapotřebí plosku nohy ořezat. To se bude dít pomocí násobení masky, která vznikne za pomoci AK a pravé či levé části počátečního výřezu.
7.6. Vyhodnocení obrazu Po získání opravdové oblasti zájmu bez dalších artefaktů je možno začít s vyhodnocováním dat z obrazu. Software by měl být navržen tak, aby usnadnil diagnostikování konkrétních teplotních údajů diabetické nohy pacienta. Jedná se tedy především o místo s maximální a minimální teplotou na plosce nohy. Dále je také vhodné vypočítat průměrnou teplotu a teplotní medián dané končetiny. Výpočet výše uvedených hodnot se provede pomocí funkcí v prostředí MATLAB. Problém však nastává při přepočtu této šedotónové hodnoty na teplotu ve stupních Celsia, proto je tomuto bodu třeba věnovat více času a pečlivosti. Po zjištění konkrétních teplotních údajů je pak nutné vyznačit v obraze místa, kterým tyto teploty odpovídají. Tím by měla být dokončena analýza obrazu.
7.7. Porovnání výsledků pravé a levé plosky nohy Důležitou vlastností softwaru je také možnost porovnání získaných analýz z pravé a levé končetiny. Tato modalita může být modifikována a použita ke zjištění rozdílů mezi teplotními údaji ze zdravé a nemocné plosky nohy. Výsledky tohoto porovnání zahrnují rozdíly v maximální, minimální, průměrné teplotě a teplotním mediánu plosek nohou pacienta. Tyto údaje mohou vhodně posloužit k dalším diagnostickým postupům a usnadnit celkovou časovou náročnost vyhodnocování termografických snímků dané tématiky.
23
8. Realizace programu Navržený program je realizován v programovém prostředí MATLAB a je schopen vyhodnocovat zadané teplotní analýzy. Uživatel je schopen modifikovat analyzování obrázků výběrem automatické, či ruční detekce plosek nohou. Získané výsledky jsou na konec vypsány do otevřeného dialogového okna a zároveň i exportováno do externího excel souboru.
8.1. Inicializace programu Po spuštění programu se uživateli otevře dialogové okno, ve kterém vybere soubor s termografickým snímkem, který následně bude zpracován. Dále také v tomto oknu zadá minimální a maximální teplotu, která je na snímku zaznamenána, a kterou ihned po načtení snímku vidí.
8.2. Výřez plosek nohou Dříve, než je přistoupeno k samotné detekci plosek nohou, je nutné ve snímku obdélníkovým výřezem definovat, kde se přibližně nachází pravá a levá končetina.
Obrázek 8.1: Ruční detekce plosky nohy
8.2.1. Ruční detekce Po definování pravé a levé části je uživateli nabídnuto dialogové okno, ve kterém je zobrazena pravá či levá část snímku s ploskou nohy, převedená již do šedotónové oblasti. Pomocí levého tlačítka myši uživatel postupně detekuje podle svého nejlepšího uvážení plosku chodidla konkrétní nohy. Jakmile uzavře posledním kliknutím mnohoúhelník, program automaticky začne provádět analýzy. 24
8.2. VÝŘEZ PLOSEK NOHOU
Obrázek 8.2: Ruční výřez hledané plosky nohy
8.2.2. Automatická detekce Stejně jako ruční detekci může uživatel zvolit také automatickou variantu, která je pro zpřesnění manuálně korigovatelná. Jak je již výše napsáno, automatická detekce je v tomto případě řešena využitím metody aktivních kontur. Do programu je segmentace pomocí aktivních kontur implementována s využitím [21]. Pro detekci plosky nohy je nejdříve inicializována přibližná maska, tedy binární obdélník. Jeho obvod je postupně přizpůsobován hledané plosce, čímž se mění hledaná kontura. Toto přizpůsobení se děje pomocí výpočtu energie vždy dvou sousedních bodů a jejich vzájemným porovnáním. Vybrán je bod s minimální energií, protože aktivní kontury jsou v principu funkcí minimalizace energie. Po definování nové kontury je jí přizpůsobena také původní maska - uvnitř kontury jsou definovány 1 a vně pak 0. Pokud je původní obrázek (pozn.: tím je nyní myšlen ten po obdélníkovém výřezu) převeden do stupňů šedi a vynásoben s takto definovanou maskou, je tak proveden výřez hledané plosky nohy. Pokud zvážíme homogenitu pozadí a samotných plosek plosek, lze snadno dojít k závěru, že bohužel nikdy nedojde k dokonalé detekci, proto přichází na řadu manuální korekce. Na následujícím obrázku 8.3 je znázorněna posloupnost automatického detekování. Nejdříve je tedy načtena původní část snímku ještě v oblasti RGB, následně je inicializována binární maska ve tvaru obdélníku. V levém dolním rohu je pak znázorněna pomocí zelené linky detekovaná kontura po proběhnutí sta iterací. Poslední dvojice obrázků pak ukazuje novou, přizpůsobenou binární masku, podle které je následně obrázek ořezán.
25
8.2. VÝŘEZ PLOSEK NOHOU
Obrázek 8.3: Posloupnost automatické detekce plosky nohy pomocí AK
8.2.3. Ruční úprava detekované plosky Manuální korekce je provedena tak, že na původní obrázek, převedený do stupňů šedi, je aplikována detekovaná kontura s několika vyznačenými body, které jsou přemístitelné a tudíž umožňují korekci detekované oblasti. Původní kontura je však složena z velmi jemně rozložených bodů (v závislosti na snímku jich je přibližně 2500). Aby tedy uživatel mohl korekci provést pohodlně a přitom dostatečně přesně, bylo za korigovatelné označeno pouze 14 bodů z obvodu plosky, tedy samotné kontury. Výběr těchto 14 bodů se děje pomocí f or cyklů, kdy jsou postupně vybrány body nejprve z první a následně i ze druhé poloviny bodů seřazených vzestupně podle svých x-ových souřadnic. Důležitým momentem po nastavení požadovaných poloh bodů, tedy vymodelování konečného výřezu, je zápis nových souřadnic bodů a export těchto informací do programu k dalšímu zpracování. Pomocí funkce addNewPositionCallback je vyřešen jak živý náhled aktuálních pozic bodů, tak také jejich zapamatování po stisknutí tlačítka, jež ukončí manuální korekci. Vložení 14 vybraných bodů do obrázku a umožnění jejich přemístění je řešeno využitím funkce impoly. 26
8.3. TEPLOTNÍ ANALÝZY PROGRAMU
Obrázek 8.4: Manuální korekce detekované plosky nohy Na obrázku 8.4 je zobrazen průběh možné ruční korekce - je vyznačeno 14 pohyblivých bodů, nad obrázkem jsou zobrazeny jejich souřadnice a v levém dolním rohu je pak umístěno ukončovací tlačítko.
8.3. Teplotní analýzy programu Poté, co je pomocí programu správně detekována hledaná ploska pravé a levé nohy, je přistoupeno k vyhledávání teplotních údajů v definované části snímku. Jedná se o nalezení průměrné teploty a teplotního mediánu v dané plosce, dále je nalezena minimální a maximální hodnota teplot snímku, společně s vyznačením jejich souřadnic. Všechny výsledky jsou finálně exportovány do externího .xlsx souboru, do nějž jsou také vepsány všechny teploty, které daná ploska nohy obsahuje. Tyto teplotní údaje jsou vyhledávány ve stupních šedi a až zpětně převáděny podle zadané stupnice do stupňů Celsia, proto všem analýzám předchází převedení původního obdélníkového výřezu do stupňů šedi a jeho následné vynásobení s přizpůsobenou binární maskou, která musí být převedena do odpovídající datového typu uint8. Provedení tohoto kroku je v MATLABu zapsáno takto: tmp1 = rgb2gray(I1).*uint8(seg1); 27
8.3. TEPLOTNÍ ANALÝZY PROGRAMU
8.3.1. Převod šedotónové hodnoty na stupně Celsia Všechny analýzy probíhají na snímku převedeném do 256 odstínů šedi, což umožňuje nalezení všech požadovaných teplotních údajů. Problém však nastává tehdy, chceme-li na výstupu získat údaje srozumitelné, tedy převedené na stupně Celsia. Pro tento účel je v programu vytvořena funkce gray2celsium, která popsaný problém řeší. Vstupní proměnnou funkce je šedotónová hodnota, jejíž převod je požadován, společně s teplotním minimem a maximem, které jsou vyznačeny na stupnici, jíž obsahuje původní snímek. Tyto údaje uživatel při spuštění sám zadá do GUI rozhraní. Výstupní proměnou pak je hodnota ve stupních Celsia. Prvním krokem převodu je načtení obrázku obsahující celou škálu šedi (banding.jpg), tedy 256 odstínů. Tato škála je navzorkována a uložena do matice. Dále je vypočítaná teplota, která na původním snímku vyjadřuje změnu o takový dílek stupně Celsia, který na šedotónovém snímku odpovídá změně o 1. V dalším kroku je celé škále šedi přiřazena odpovídající hodnota ve stupních Celsia. Posledním důležitým krokem je nalezení hodnoty ve stupni Celsia, která odpovídá vstupní proměnné obsahující odstín šedi. To se děje pomocí vyhledávací funkce f ind, která nalezne index v matici, kde se shoduje vložený odstín s některým z naškálovaných. Následně je z indexu tohoto řádku, ale druhého sloupce vzata hodnota, obsahující hledanou hodnotu ve stupních Celsia.
8.3.2. Průměrná teplota Průměrná teplota plosky je nalezena po zprůměrování všech šedotónových hodnot detekované části snímku a následném převedení tohoto průměru do stupňů Celsia. Proměnná ind obsahuje hodnoty obrázku větší, než 0, tedy je z ní oproti tmp vymazáno okolí detekované plosky mající hodnotu 0. %hledání průměru prumer = mean(tmp1(ind)); prumer1_l = gray2celsium( round(prumer), min_obrazek, max_obrazek
)
V proměnné tmp1 (či analogicky v proměnné tmp2 ) je uložen skutečný výřez plosky levé (či pravé) nohy.
8.3.3. Teplotní medián Nalezení teplotního mediánu je poněkud složitější, poněvadž je třeba proměnnou tmp1 (či tmp2 ), ve které je umístěn obrázek, převést na datový typ single tak, aby v následné řadě mohl být nalezen medián. Poté, co je tak učiněno, je třeba nalézt pozici určeného mediánu 28
8.3. TEPLOTNÍ ANALÝZY PROGRAMU v této řadě, která musí odpovídat pozici hodnoty, mající velikost mediánu v původním obrázku. Tato hodnota je následně označena za skutečný teplotní medián a stejně, jako průměr převedena zpět z hodnoty v odstínu šedi do stupňů Celsia.
8.3.4. Minimum a maximum Při detekování minimální a maximální teploty v obrázku je zvláštní pozornost věnována tomu, aby tyto hodnoty nebyly nalezeny příliš blízko ke kraji plosky nohy, kde by mohly znamenat jistý artefakt. Proto je detekovaná ploska pro tuto analýzu po celém obvodu ještě zmenšena tak, aby bylo zamezeno detekci na hraně samotné plosky. Zmenšení (ořezání) objektu je řešeno s využitím funkce imerode. se = strel(’disk’,7); zmensena_maska = imerode(seg,se); Po nalezení hodnot a jejich převedení zpět na stupně Celsia jsou ještě zakresleny na odpovídající souřadnice do výřezu detekované plosky nohy. Protože se může jednat o více bodů, mající stejnou hodnotu, musí jejich vykreslení být řešeno využitím f or cyklu. [i,j] = find(tmp1Zmenseny==maximum(1)); imshow(tmp1) hold on; for z=1:(length (i)) p1=plot(j(z),i(z),’r+’); end
29
9. Funkce programu V následující kapitole budou podrobně rozebrány všechny vytvořené, či implementované funkce, které program obsahuje. Hlavním a spouštěcím skriptem je user interface.m, který inicializuje GUI, pomocí kterého uživatel zadává výchozí parametry.
9.1. Uživatelské rozhraní Po spuštění skriptu user interface.m, se otevře GUI prostředí, ve kterém uživatel vybere požadovaný soubor a zadá teplotní extrémy z termosnímku. Z tohoto skriptu jsou volány dvě základní funkce, a to v závislosti na zvolené metodě detekce plosky chodidla. První možností je ruční detekce, proto pokud je zvoleno toto tlačítko, je spuštěn skript rucni orez.m, který umožňuje kompletně manuální ořez oblasti zájmu, tedy hledané plosky. Druhou variantou je pak automatická detekce, při níž je možné výsledek ještě manuálně zpřesnit. Skript zastávající tyto funkce je pojmenován jako hlavni skript.m. Na následujícím obrázku 9.1 je znázorněno GUI, po spuštění a zadání nezbytných parametrů.
Obrázek 9.1: Dialogové okno při spuštění programu po načtení snímku a zadání teplot
9.2. Dílčí funkce Jak do hlavni skript.m, tak také do rucni orez.m je implementována celá řada dalších dílčích funkcí, které řeší problémy částečně popsané už výše. Jedná se o funkce podpůrné, 30
9.3. FUNKCE PRO DETEKOVÁNÍ AK řešící jednotlivé podúlohy pro získání výsledných analýz. Mezi tyto přídavné funkce patří: vyberBoduL.m a vyberBoduP.m, které umožňují správné pozicování přemístitelných bodů pro úpravu detekované kontury. V podobném duchu se nesou ještě další dvě funkce, tedy: vyrezL.m a vyrezP.m, které umožňují ukončení manuální korekce a zapsání nových pozic bodů, tedy opravení detekovaného výřezu plosky nohy. Další dílčí funkcí je zmenseni objektu.m, která zmenšuje detekovanou plosku nohy přibližně o jeden centimetr (konkrétně odebírá 7 pixelů) po jejím obvodu za účelem detekování minima a maxima v místech nepříliš blízkých okraji plosky chodidla.
9.3. Funkce pro detekování AK Funkce localized seg.m je převzata z [21] a je upravena pro účely prezentovaného softwaru. Její náplní je detekování kontury plosky nohy v rámci počtu iterací, jež jí je nabízen jako vstupní proměnná. Dalšími vstupními proměnnými je ještě původní část 2D obrázku určená k detekci a inicializační binární maska. Výstupní proměnná je pak jediná, a to upravená binární maska reprezentující tvar plosky nohy. Doplňkovou vlastností této funkce je také zobrazování aktuální pozice kontury, tedy živý náhled jejího vytváření.
31
10. Statistické analýzy Součástí této bakalářské práce je také vyhodnocení dat získaných ze zadaných snímků deseti pacientů a porovnání jejich výsledků. Na výstupy testových analýz je však třeba nahlížet, jako na data sloužící k potvrzení a otestování funkčnosti softwaru, jehož vytvoření bylo podstatou této práce. Zpracovávané termosnímky vždy byly pořízeny před operací PTA (perkutánní transluminární angioplastika) a po operaci jedné z končetin a všechny pocházejí od diabetických pacientů. Snímání nemocných probíhalo zdravotnickým personálem za podobných teplotních podmínek a také z podobných úhlů, ovšem bez jakýchkoli dalších přizpůsobení. Všechny zpracovávané snímky byly pořízeny pomocí termokamery FLIR B200 (Flir Systems, Danderyd, Sweden). IR rozlišení snímků je 200 x 150 px. Spektrální rozsah byl 7,5 - 13 µm. Teplotní citlivost pak byla 0,08 ◦ C. Částečné porovnání výsledků se děje automaticky již během průběhu samotného výpočetního algoritmu, kdy se porovnávají získané hodnoty mezi pravou a levou končetinou. Tyto analýzy jsou součástí výstupu, který je mimo prostředí MATLAB zapsán také do externího excel souboru (.xlsx) a je pojmenován stejně, jako zpracovávaný snímek. Další analýzy byly provedeny až následně s využitím softwaru STATISTICA Cz (verze 12) a také softwaru Microsoft Excel (verze 2013).
10.1. Výstupní data Z výsledků vypočítaných vytvořeným softwarem byly vytvořeny tabulky, představující analýzy deseti různých pacientů nejdříve před a následně po PTA zákroku. Tabulky jsou popsány níže a seřazeny za sebou na následujících stránkách. První tabulka (10.1) shrnuje výsledky získané z levých nohou pacientů. Konkrétně v ní najdeme teplotní minimum, maximum, průměr a medián levé plosky nohy před operací. Následující tabulka (10.2) popisuje výsledky teplotních minim, maxim, průměrů a mediánů, získaných z pravé nohy pacientů ještě před operací. Ve třetí tabulce (10.3) jsou shrnuta data získaná z levé nohy pacientů po zákroku PTA. Čtvrtá tabulka (10.4) prezentuje výsledky z pravé nohy pacientů po zákroku PTA. V poslední tabulce této části (10.5) jsou pak shrnuty výsledky rozdílů průměrů a mediánů mezi pravou a levou končetinou. Zobrazeny jsou výsledky ze snímků před a po zákroku PTA.
32
10.1. VÝSTUPNÍ DATA Tabulka 10.1: Shrnutí výsledků teplotních analýz levé nohy před PTA Pacient
Minimum [◦ C] Maximum [◦ C] Průměr [◦ C] Medián [◦ C]
1
27,13
23,84
25,55
25,60
2
31,34
25,99
29,58
29,54
3
26,74
23,04
24,61
24,53
4
30,82
26,48
28,04
28,00
5
25,26
22,41
23,89
23,94
6
27,52
23,70
26,30
26,45
7
29,87
35,13
33,94
34,08
8
24,92
30,53
27,73
27,65
9
30,53
33,95
32,50
32,40
10
29,59
33,09
31,47
31,58
Průměry
28,37
27,82
28,36
28,38
Tabulka 10.2: Shrnutí výsledků teplotních analýz pravé nohy před PTA Pacient
33
Minimum [◦ C] Maximum [◦ C] Průměr [◦ C] Medián [◦ C]
1
26,36
23,08
24,65
24,60
2
30,38
26,45
28,79
28,83
3
26,74
22,53
24,44
24,31
4
30,12
24,93
26,71
26,81
5
26,95
23,19
24,85
24,89
6
28,58
24,01
26,26
26,33
7
27,59
34,71
33,48
33,62
8
25,86
31,94
29,33
29,52
9
31,07
33,69
32,20
32,20
10
28,00
31,55
30,61
30,67
Průměry
28,16
27,61
28,13
28,18
10.1. VÝSTUPNÍ DATA Tabulka 10.3: Shrnutí výsledků teplotních analýz levé nohy po PTA Pacient
Minimum [◦ C] Maximum [◦ C] Průměr [◦ C] Medián [◦ C]
1
30,46
24,31
26,76
26,52
2
30,41
23,88
26,47
26,28
3
27,16
22,66
24,99
25,08
4
31,87
27,00
28,82
28,76
5
28,97
24,85
26,06
25,87
6
28,66
24,64
27,20
27,36
7
30,09
34,38
32,78
32,83
8
23,09
28,90
25,66
25,51
9
30,33
33,35
31,95
32,00
10
28,05
31,94
30,78
31,00
Průměry
28,91
27,59
28,15
28,12
Tabulka 10.4: Shrnutí výsledků teplotních analýz pravé nohy po PTA Pacient
34
Minimum [◦ C] Maximum [◦ C] Průměr [◦ C] Medián [◦ C]
1
25,46
21,14
22,53
22,49
2
30,03
23,97
26,23
26,14
3
27,67
22,74
25,25
25,29
4
29,57
26,18
27,40
27,50
5
24,51
22,19
23,16
23,21
6
29,76
24,60
27,24
27,40
7
26,98
34,47
33,19
33,24
8
26,01
31,63
29,40
29,48
9
31,92
34,02
33,32
33,37
10
28,13
30,37
29,21
29,35
Průměry
28,01
27,13
27,69
27,75
10.1. VÝSTUPNÍ DATA Tabulka 10.5: Komparace výsledků průměrů a mediánů před a po operaci Rozdíl prům
Rozdíl prům
před PTA [◦ C]
po PTA [◦ C]
1
0,91
4,23
1,00
4,03
2
0,79
0,24
0,71
0,14
3
0,17
0,26
0,21
0,21
4
1,32
1,42
1,19
1,25
5
0,95
2,91
0,95
2,66
6
0,04
0,04
0,12
0,04
7
0,46
0,41
0,46
0,41
8
1,60
3,74
1,87
3,98
9
0,29
1,37
0,19
1,37
10
0,85
1,57
0,91
1,65
Průměry
0,74
1,62
0,76
1,58
Pacient
35
Rozdíl med
Rozdíl med
před PTA [◦ C] po PTA [◦ C]
10.2. TESTOVÁNÍ DAT
10.2. Testování dat Získaná data, prezentovaná v předchozí sekci, byla statisticky zpracována. Konkrétně se jednalo o testování normality rozložení pomocí normálně-pravděpodobnostního grafu, následně také parametrické testy a boxploty.
10.2.1. Normální rozdělení Nejklasičtějším modelovým rozdělením, od něhož je odvozena celá řada statistických analýz je tzv. normální rozložení, graficky znázorněné například jako Gaussova křivka. [22] Předmětem jeho popisu je rozdělení pravděpodobnosti spojité náhodné veličiny. Kompletně je popsáno dvěma parametry: µ - střední hodnota a σ 2 - rozptyl. [22] Normalita je klíčovým předpokladem řady statistických metod a pro její ověření se využívá celé řady testů a grafických metod. V rámci této práce byla pro zkoumání normálního rozložení teplot plosek nohou zvolena grafická metoda, konkrétně n-p graf v softwaru STATISTICA a porovnání p hodnoty, která musí být větší, než 0,05, aby rozdělení vyhovovalo podmínkám normality.
10.2.2. Parametrické testy Předpokladem všech parametrických testů je normální rozložení testovaných dat, jehož ověření musí takovému testu předcházet. Existuje více druhů parametrických testů, nejznámější jsou však dva: Studentův t-test a F-test. [23] Studentův t-test se dělí na jednovýběrový nebo dvouvýběrový a ten pak ještě na párový, či nepárový. Jednovýběrové testy srovnávají některou popisnou statistiku vzorku s jediným číslem, jehož význam je ze statistického hlediska hodnota cílové populace. [23] Pokud se však mají srovnávat data pocházející ze dvou skupin, je ideální použít dvouvýběrový test, kterým je nejčastěji t-test. Důležité je také počáteční zhodnocení, zda se jedná o data párová, či nepárová. [23] Pro porovnávání získaných teplotních hodnot mezi pravou a levou končetinou byl použit právě poslední popsaný typ testování, tedy dvouvýběrový t-test nepárový. Srovnání výsledků mezi operovanou a neoperovanou končetinou je prezentováno prostřednictvím boxplotů.
36
10.2. TESTOVÁNÍ DAT
10.2.3. Výsledky testování normality dat Níže jsou prezentovány výsledky testování normality dat před a po provedení zákroku PTA:
Obrázek 10.1: Testování normálního rozložení dat v P a L noze před PTA Z obrázku 10.1 vyplývá, že vyhodnocené teplotní údaje (minimum P a L, maximum P a L, průměr P a L, medián P a L) pocházející od všech pacientů před PTA odpovídají normálnímu rozložení. Na tuto skutečnost ukazuje jak grafické znázornění n-p grafu, tak také vypsané p-hodnoty, kdy všechny splňují podmínku normality (> 0, 05). Také ze druhého obrázku 10.2, prezentující obdobné výsledky, ale až po provedení PTA vyplývá, že všechny vyhodnocené údaje odpovídají normálnímu rozložení. Poslední test normálního rozložení byl proveden pro data prezentující minimum, maximum, průměr a medián neoperovaných (buď P nebo L) a korespondujících operovaných nohou všech pacientů. Ze třetího obrázku 10.3 je patrné, že téměř všechny testované skupiny vyhověly podmínce normality, až na skupinu maximálních teplot před PTA zákrokem. Na tuto skutečnost opět ukazuje jak grafické znázornění n-p grafu, tak také vypsané p-hodnoty.
37
10.2. TESTOVÁNÍ DAT
Obrázek 10.2: Testování normálního rozložení dat P a L nohy po PTA
Obrázek 10.3: Testování normálního rozložení teplot nohou před a po PTA
38
10.2. TESTOVÁNÍ DAT
10.2.4. Výsledky dvouvýběrového t-testu Níže jsou prezentovány výsledky dvouvýběrových t-testů. Je z nich zřejmé, že všechny otestované skupiny vyhověly podmínce p > 0, 05 a také je z nich možné snadno porovnat průměry obou srovnávaných skupin, stejně jako jejich směrodatné odchylky.
Obrázek 10.4: Dvouvýběrový t-test pro průměrnou teplotu P a L plosky před PTA
Obrázek 10.5: Dvouvýběrový t-test pro teplotní medián P a L plosky před PTA
Obrázek 10.6: Dvouvýběrový t-test mezi průměrnou teplotou P a L plosky po PTA
Obrázek 10.7: Dvouvýběrový t-test porovnávající teplotní medián P a L plosky po PTA
39
10.2. TESTOVÁNÍ DAT
10.2.5. Porovnání teplot nohou operovaných a neoperovaných Pomocí boxplotu (či krabicového grafu), je možné graficky znázornit a porovnat data z více skupin, v této konkrétní aplikaci jsou těmito skupinami končetiny operované a neoperované. Pozorovateli je umožněno posoudit symetrii, variabilitu a existenci extrémních hodnot u zvolených dat. Z krabicového grafu je patrný jak průměr, tak také směrodatná odchylka dané skupiny. Z následujících čtyř grafů vyplývá, jak moc a zda vůbec se na teplotě plosky nohy projevila operace PTA. Porovnávány jsou výsledky všech deseti zadaných pacientů. Levý boxplot vždy znázorňuje končetiny určené k operaci a pravý pak stejné končetiny, ale již po provedení zákroku PTA.
Obrázek 10.8: Srovnání minimálních teplot stejných plosek nohou před a po PTA
Obrázek 10.9: Srovnání maximálních teplot stejných plosek nohou před a po PTA 40
10.2. TESTOVÁNÍ DAT
Obrázek 10.10: Srovnání průměrných teplot stejných plosek nohou před a po PTA
Obrázek 10.11: Srovnání teplotního mediánu stejných plosek nohou před a po PTA Ze zobrazených výsledků vyplývá, že operace na vývoj teplot plosek nohou měla, i když nikterak, razantní vliv. Téměř u všech vyhodnocených parametrů lze pozorovat pooperační snížení teploty přibližně o 0, 5◦ C. Menší výjimkou je porovnání maximální teploty, kdy je znatelné snížení menší. Nutno dodat, že skupina maximálních teplot plosek nohou před PTA se jako jediná ukázala nebýt normálním rozložením.
41
10.3. GRAFICKÉ ZHODNOCENÍ VÝSLEDKŮ
10.3. Grafické zhodnocení výsledků Na závěr byly výsledné rozdíly v průměrných teplotách a teplotních mediánech ještě pro přehlednost a zjednodušení zobrazeny graficky. Pro vykreslení grafů byl použit program Microsoft Excel 2013. První dva grafy (10.12 a 10.13) znázorňují vyskytující se četnost zaokrouhlených hodnot rozdílů průměrů mezi pravou a levou nohou před a po operaci PTA. V oblasti hodnot před operačním zákrokem se vyskytují pouze 3 hodnoty - 0, 1 a 2, přičemž nejčastější hodnota byla právě 1, a to konkrétně u poloviny pacientů. V oblasti výsledků po zákroku se vyskytlo více hodnot rozdílů - konkrétně 0, 1, 2, 3 a 4. Nejčetnější rozdíl mezi průměrem pravé a levé nohy po operaci byl ale 0, a to přesně ve 4 případech. Třetí a čtvrtý graf (10.14 a 10.15) znázorňují vyskytující se četnost zaokrouhlených hodnot rozdílů mediánů mezi pravou a levou nohou před, a taktéž po operaci. Mezi rozdíly mediánů před PTA se vyskytují pouze 3 hodnoty - 0, 1 a 2, přičemž nejčastější hodnota byla právě 1, a to konkrétně u poloviny pacientů. Nejčetnější rozdíl mezi mediánem pravé a levé nohy po operaci byl opět 0, a znovu ve 4 případech. Při bližším pohledu na grafy, jejichž vstupními daty byly zaokrouhlené rozdíly, je zřejmé, že mezi sebou vzájemně korespondují výsledky průměrů a mediánů. To značí, že se jedná o data bez extrémních hodnot a celkem souměrná.
Obrázek 10.12: Četnost rozdílů P a L průměrů před PTA
42
10.3. GRAFICKÉ ZHODNOCENÍ VÝSLEDKŮ
Obrázek 10.13: Četnost rozdílů P a L průměrů po PTA
Obrázek 10.14: Četnost rozdílů P a L mediánů před PTA
Obrázek 10.15: Četnost rozdílů P a L mediánů po PTA
43
11. Závěr Diabetes mellitus je onemocnění velmi nepříjemné a závažné. O to problematičtější, že v posledních letech zaznamenává jeho poměrně strmý nárůst u lidí zejména ve vyspělých zemích. Vyskytuje se ve čtyřech základních formách, přičemž první dvě jsou nejrozšířenější. Diabetes prvního typu se nejčastěji objevuje již v útlém dětství. V populaci je ale vůbec nejrozšířenější diabetes druhého typu, který se nezřídka objevuje až v pokročilejším věku. Příčina každého typu je v něčem specifická, společný důsledek však je, že organismus pociťuje akutní nedostatek hormonu inzulínu, což způsobuje všechny následné komplikace. Mezi nejzávažnější z nich patří Syndrom diabetické nohy. Tato komplikace není vyloučená i u jiných typů onemocnění. Závažnost onemocnění může být různá a vždy záleží na tom, jak brzy se začne pacient léčit. V nejpokročilejších stádiích již bohužel bývá jedinou pomocí pacientovi amputace postižené části končetiny. Pomocí termografických technik lze bezkontaktně měřit teplotu. Tohoto jevu lze využít v mnohých odvětvích, své zastoupení má i ale v medicíně. S pomocí informací získaných z termografických snímků diabetické končetiny může být usnadněna její diagnostika a tyto teplotní údaje mohou být užitečné při určování terapie. Velkou výhodou takto získaných informací je neinvazivnost této metody. Hlavním cílem této bakalářské práce bylo vytvoření softwaru, s jehož pomocí je umožněna extrakce a vyhodnocení teplotních detailů z termografického snímku končetiny diabetického pacienta. Tento software se podařilo vytvořit a kompletně zprovoznit s využitím programu MATLAB (verze R2012b). Bylo k němu vytvořeno také uživatelské rozhraní (GUI), pomocí kterého může uživatel pohodlně diagnostikovat zadané snímky plosek nohou pacientů. Pro detekci plosek nohou, což je stěžejní předpoklad pro provedení úspěšné analýzy, je využita metoda aktivních kontur. Princip této metody spočívá v hledání energetického minima v předem definované oblasti. Vstupní kontura, nebo jinak řečeno maska, se postupně přizpůsobuje na základě nalezeného energetického minima hledanému objektu ve snímku. Protože jsou ale hledané plosky na snímcích často tak nezřetelné, je na konci automatické analýzy uživateli umožněno ještě ruční dokorigování oblasti zájmu. Vytvořený software je schopen po úspěšném detekování plosky nohy vyhledat teplotní minimum, maximum, průměr a medián ve stupních šedi a následně tyto údaje převést na stupně Celsia. Jeho výstupem jsou všechny tyto hodnoty pro pravou a levou nohu a také jejich porovnání. Výsledky jsou zobrazeny jak do GUI, tak také zapsány do externího excel souboru. K tomuto souboru bude mít uživatel přístup kdykoli po dokončení analýzy 44
a bude tak moci s daty případně také dále pracovat. Soubor je pro přehlednost pojmenován úplně stejně, jako konkrétní analyzovaný snímek, jehož výsledky jsou v něm zapsány. Na závěr bakalářské práce byly provedeny statistické analýzy, které slouží především pro ověření funkčnosti softwaru. Z uvedených boxplotů je zřejmé, že byla prokázána teplotní změna ve srovnání stavů končetin před a po operaci PTA. Další výsledky analýz je velmi složité komentovat, vzhledem k nutnosti počítat s dalšími faktory, které jsou pro každého pacienta individuální. Zpracovávané snímky pocházejí od lidí, kteří byli hospitalizováni. Nohy pacientů, kteří leží, chladnou už tím, že se nehýbají. Celková změna prokrvení je dána i změnou polohy těla před a po operaci v návaznosti na možné změně hydrostatického tlaku krve v nohou. Detailů potřebných ke správnému vyhodnocení úspěšnosti zákroku PTA je tedy celá řada a předmětem této bakalářské práce není přesné diagnostikování problémů, ale navržení softwaru, které jej usnadní. Tento cíl byl, věřím, splněn a otestován na provedených analýzách.
45
LITERATURA
Literatura [1] Česká diabetologická společnost, Standardy léčby pacientů se syndromem diabetické nohy, Česká diabetologická společnost Std., 2012. [Online]. Available: http: //www.diab.cz/dokumenty/dianoha.pdf [2] H. A. Fricker. (2013) Lecture 6: Thermal Radiation. [Online]. Available: http://topex.ucsd.edu/rs/Lec06.pdf [3] Termokamera.cz. Konstrukce termokamery. online. [Online]. Available: http: //www.termokamera.cz/princip-a-funkce/konstrukce-termokamery/ [4] P. Machado. (2012) Introduction to Image Processing. online. [Online]. Available: http://www.engineersgarage.com/articles/image-processing-tutorial-applications [5] M.
Zhorský,
2012,”
“Činnost
Aktuální
oboru
informace
diabetologie,
Ústavu
péče
o
zdravotnických
diabetiky
informací
a
v
roce
statistiky
České republiky, 2013. [Online]. Available: http://www.uzis.cz/rychle-informace/ cinnost-oboru-diabetologie-pece-diabetiky-roce-2012 [6] Division of Diabetes Translation. (2014) National Diabetes Statistics Report. 4770 Buford Highway NE, Mailstop F-73, Atlanta, GA 30341-3717. [Online]. Available: http://www.cdc.gov/diabetes/pubs/statsreport14/national-diabetes-report-web.pdf [7] A. Broulíková, “Syndrom diabetické nohy – diagnostika a léčba,” Interní medicína, 2013. [Online]. Available: http://www.internimedicina.cz/pdfs/int/2013/02/10.pdf [8] J.
Jílková.
online.
(2012)
[Online].
Mezioborové Available:
sympozium
Syndrom diabetické nohy“. ” http://zdravi.e15.cz/clanek/priloha-lekarske-listy/
mezioborove-sympozium-syndrom-diabeticke-nohy-468328 [9] A. Risse, “Diabetic Foot Syndrome,” Medical data institute GMBH, 2012. [Online]. Available: http://www.md-institute.com/en/diabetic-foot-syndrome.html [10] A. Drastich, Netelevizní zobrazovací systémy. Vysoké učení technické, Fakulta elektrotechniky a informatiky, Ústav biomedicínského inženýrství, 2001. [11] J.
Škorpík,
“Přenos
energie
elektromagnetickým
zářením,”
Transformační
technologie, 2014. [Online]. Available: http://www.transformacni-technologie.cz/ prenos-energie-elektromagnetickym-zarenim.html
46
LITERATURA [12] Faculty of Science, “Thermal Radiation,” THE UNIVERSITY OF BRITISH COLUMBIA, 2010. [Online]. Available: http://c21.phas.ubc.ca/article/ thermal-radiation [13] Axis Communications AB. (2014) Lenses for thermal cameras. online. [Online]. Available: http://www.axis.com/products/video/camera/about˙cameras/lens˙ta.htm [14] R. Westervelt, Imaging Infrared Detectors II, H. Abarbanel, R. Garwin, R. Jeanloz, J. Kimle, J. Sullivan, and E. Williams, Eds.
JASON The MITRE Corporation,
2000. [Online]. Available: http://fas.org/irp/agency/dod/jason/iird.pdf [15] NASA and the European Space Agency. Image processing. online. [Online]. Available: https://www.spacetelescope.org/static/projects/fits˙liberator/image˙processing.pdf [16] M. Španěl. (2005, Oct.) Obrazové segmentační techniky. online. [Online]. Available: http://www.fit.vutbr.cz/˜spanel/segmentace/#˙Toc125769332 [17] S. Lankton and A. Tannenbaum, “Localizing Region-Based Active Contours,” IEEE Transaction on Image Processing, 2008. [Online]. Available: http://www.ncbi.nlm. nih.gov/pmc/articles/PMC2796112/ [18] M. S. Nixon and A. S. Aguado, Feature Extraction & Image Processing. ACADEMIC PRESS, 2009, ch. Flexible s, pp. 244–272. [19] Geoff Dougherty, Digital image processing for medical applications.
Cambridge
University Press, New York, 2011. [20] P. Walek, M. Lamoš, and J. Jan, Analýza biomedicínských obrazů.
Vysoké
učení technické v Brně Fakulta elektrotechniky a komunikačních technologií Ústav biomedicínského inženýrství, 2013. [Online]. Available: http://www.dbme.feec.vutbr. cz/sites/default/files/news/fabo.pdf [21] S.
LANKTON,
line].
“Active
Available:
Contour
Segmentation,”
2008.
[On-
http://www.mathworks.com/matlabcentral/fileexchange/
19567-active-contour-segmentation/content/regionbased [22] D. Malúšková, “Normalita,” MUNI, Tech. Rep., 2013. [Online]. Available: https://is.muni.cz/auth/el/1411/podzim2013/ASTAc/um/44261522/Normalita.pdf [23] D.
Malúšková,
[Online].
“Parametrické
Available:
MUNI,
Tech.
Rep.,
2013.
https://is.muni.cz/auth/el/1411/podzim2013/ASTAc/um/
44542430/Parametricke˙testy.pdf 47
testy,”
LITERATURA [24] J. D. Hardy, “THE RADIATION OF HEAT FROM THE HUMAN BODY: II. A Comparison of Some Methods of Measurement,” J Clin Invest, 1934. [Online]. Available: http://www.jci.org/articles/view/100608/pdf [25] I. Karen, M. Kvapil, S. Býma, and O. Herber, DIABETES MELLITUS, Jan Škrha, R. Červený, Z. Hamouz, K. Janík, and O. Maňas, Eds.
Společnost
všeobecného lékařství ČLS JEP, 2005. [Online]. Available: http://www.svl.cz/files/ files/Doporucene-postupy-2003-2007/Diabetes-mellitus.pdf [26] R. Vavřička, “Bezdotykové měření teploty,” ČVUT v Praze, Fakulta strojní, Ústav techniky prostředí, 2007.
48
12. Seznam použitých zkratek a symbolů AČT
absolutně černé těleso
IR
infračervený (infra red)
ZS
zobrazovací systém
NWIR
blízká infra oblast
MWIR
střední infra oblast
LWIR
dlouhé infra oblast
OŠ
odstín šedi
PS
Postscript
GIF
Graphics Interchange Format
JPG
Joint Photographic Experts Group
TIFF
Tagged Image File Format
AK
Aktivní kontury
PTA
Perkutánní translumiární angioplastika
Eint
energie kontury
Econ
energie omezující konturu
Eimage
energie obrázku
T
teplota
c
rychlost světla (2, 99 × 10−8 )
h
Planckova konstanta (6, 63 × 10−34 )
k
Boltzmanova konstanta (1, 38 × 10−23 )
Lλ
spektrální měrná zářivost
σ
Stefan-Boltzmanova konstanta (5, 6697 × 10−8 )
49
Seznam příloh 1. Důležité extrakty z kódu (popsané v kapitole 8) 2. Zip soubor software thermale analyzation obsahující všechny funkce pro správnou funkčnost software, kterými jsou: • user interface • gray2celsium • gray2celsium matrix • hlavni skript • localized seg • rucni orez • strjoin • vyrezBoduL • vyrezBoduP • vyrezL • vyrezP • zmenseni objektu a obrázek banding.jpg, který slouží pro správné naškálování zadaného snímku do stupňů šedi 3. Video návody pro ovládání softwaru ve variantě pro ruční ořez a automatický ořez využitím aktivních kontur (navod manualni.avi a navod automaticky.avi )
50
Příloha 1 Důležité extrakty z kódu programu Ruční úprava detekované plosky h = impoly(gca, [bodyl]); %vypsání aktuálních pozic bodů addNewPositionCallback(h,@(p) title(mat2str(p,3))); fcn = makeConstrainToRectFcn(’impoly’,get(gca,’XLim’),... get(gca,’YLim’)); setPositionConstraintFcn(h,fcn); %uložení aktuálních pozic bodů addNewPositionCallback(h(1),@(p) assignin(’base’,’xy’,p)); %vytvoření tlačítka pro ukončení úprav p = uicontrol(’Position’,[20 20 200 40],’String’,’Ukončit úpravy’,... ’Callback’,’uiresume(gcbf)’); uiwait(gcf);
Převod šedotónové hodnoty na stupně Celsia s = imread(’banding.jpg’); matice = zeros(255,2); matice(:,1) = [1:255]; konst=((max_obrazek-min_obrazek)/254); matice(1,2)=min_obrazek; for i=1:254 novemin=(min_obrazek+(i*konst)); matice(i+1,2)=novemin; end I = find(matice==gray); celsium= (matice(I,2));
51
Teplotní medián %hledání mediánu rada = (tmp1(ind)); radasingle = im2single(rada); mediaan = median(radasingle); pozicemedian=find(radasingle==mediaan); mediann=rada(pozicemedian); median1_l = gray2celsium( round(mediann(1)), min_obrazek, max_obrazek )
Minimum a maximum %max ve stupních šedi maximum = max(tmp1Zmenseny(ind)); %max ve stupních celsia maximum1_l = gray2celsium( round(maximum(1)), min_obrazek, max_obrazek ) %min ve stupních šedi minimum = min(tmp1Zmenseny(ind)); %min ve stupních celsia minimum1_l = gray2celsium( round(minimum(1)), min_obrazek, max_obrazek )
Vykreslení min a max souřadnic do snímku [i,j] = find(tmp1Zmenseny==maximum(1)); imshow(tmp1) hold on; for z=1:(length (i)) p1=plot(j(z),i(z),’r+’); end
52
