Samenvatting Medische Beeldvorming OP1.4 (jaar 1 periode 4)

Aantekeningen Medische Beeldvorming OP1.4
OP1.4eMB1 Lokale bewerkingen en filters in het spatiële domein

Beeldbewerkingen
Medische beelden kunnen verschillende doelen hebben, van het detecteren van een ziekte of
afwijking tot het plannen en monitoren van de effectiviteit van een behandeling. Het primaire doel
van beeldbewerkingen is om een afbeelding zodanig te veranderen zo dat het resultaat geschikter
wordt voor een specifieke toepassing of een specifiek doel dan de originele afbeelding was.
Voorbeelden daarvan zijn de aanpassingen van het weergegeven contrast in een afbeelding, het
verlagen van invloed van ruis op het beeld of het vergroten van de detail waarneembaarheid. Het
woord specifiek is hiervan belang, niet iedere techniek is geschikt om in iedere situatie te gebruiken.
De keuze is afhankelijk van de situatie en het probleem wat je wilt oplossen. Je hebt dus kennis nodig
van de problemen die kunnen voorkomen in de afbeeldingen en hetgene wat je kunt doen om deze
te omzeilen of verbeteren. En ook op wat voor wijze dat precies gebeurd. Er zijn verschillende
soorten bewerkingen te onderscheiden:
- Puntbewerkingen (pixel)
o Pixel input afbeelding bepaalt pixel output afbeelding.
- Lokale bewerkingen (pixelgroepen)
o Pixel + omgevende pixels input afbeelding bepalen pixel output afbeelding.
- Globale bewerkingen (gehele afbeelding)
o Alle pixels input afbeelding bepalen pixel output afbeelding.

Coördinatenstelsel van afbeeldingen
Puntbewerkingen en op lokale schaal vinden plaats in de afbeeldingsinformatie zelf. Dit worden ook
wel bewerkingen in het zogenaamde beelddomein (spatiële domein) genoemd. Het spatiële domein
verwijst naar de afbeelding en alle pixels die er samen voor zorgen dat een afbeelding tot stand
komt. Bewerkingen in het spatiële domein maken gebruik van de beeldinformatie in de vorm van
pixelwaardes. Digitale systemen hebben om dit te kunnen doen een methode nodig om te weten
waar een bepaalde bewerking uitgevoerd moet worden. Daarvoor wordt gebruik gemaakt van een
coördinatenstelsel. Hiermee kan de precieze locatie van een pixel in een afbeelding bepaald worden.
Digitale systemen zien hun afbeelding als een rooster van informatie, opgedeeld in rijen en
kolommen. De horizontale positie van een pixel kan aangegeven worden door het nummer van de
kolom, aangegeven met C (colom). De kolommen zijn oplopend geordend van links naar rechts. De
verticale positie van een pixel wordt aangegeven door middel van de R (row). Geordend van boven
naar beneden. De posities worden aangegeven met gehele getallen en lopen van 1 tot en met het
nummer dat de laatste rij of de laatste kolom nummer weergeeft. Het coördinatenstelsel van een
afbeelding kan gedefinieerd worden in posities op verticale en horizontale assen.

In de linker afbeelding wordt dit
weergegeven. De X en Y coördinaten
geven de locatie van één specifieke pixel
in deze afbeelding aan.

, Met deze informatie kun je een puntbewerking definieren. De
input afbeelding, het origineel, is aangegeven met ‘f’. De
specifieke pixellocatie is (x,y). Voor de bewerkte afbeelding,
aangegeven met ‘g’, werkt het hetzelfde. In dit geval geven de
coördinaten x en y de locatie weer van de pixel in de 4 de kolom en
de 3de rij van de afbeelding. De grijswaarde van elke pixel in de
output afbeelding, de bewerkte afbeelding, hangt enkel af van de
grijswaarde van de coresponderende pixel in de input afbeelding.
Stuk voor stuk wordt iedere pixel in de originele afbeelding
vertaald naar één pixel in de bewerkte afbeelding. Een voorbeeld
daarvan is het wijzigen van de lookup table om helderheid en contrast van de afbeelding te
veranderen.

Puntbewerkingen (op meerdere
afbeeldingen)
Puntbewerkingen kunnen ook op meerdere beelden tegelijk
uitgevoerd worden. Het principe daarachter is weergegeven in
deze afbeelding. Opnieuw is een specifieke pixel in de bewerkte
afbeelding aangegeven met g(x,y). De waarde daarvan wordt
bepaald door middel van een berekening op een set van pixels,
dezelfde locatie in de afbeeldingen die als input worden gebruikt.
Een voorbeeld daarvan is het gemiddelde nemen van meerdere
afbeeldingen die vlak na elkaar zijn verkregen, ook wel ‘frame
averiging’ genoemd. Dit wordt binnen de digitale fluorscopie en echografie toepast om de
aanwezigheid van ruis in afbeeldingen te verminderen en om de signaal-ruisverhouding te verhogen.
Een ander voorbeeld is digitale subtractie, dit wordt o.a. binnen de radiodiagnostiek en nucleaire
geneeskundige toegepast om veranderingen binnen een afbeelding beter zichtbaar te maken,
waarbij de achtergrond minder goed zichtbaar wordt.

Lokale bewerkingen
Bij lokale bewerkingen wordt er niet alleen informatie van de pixel zelf,
maar ook de omgeving van de pixel gebruikt. Dit kun je in de afbeelding
zien. Informatie uit groepen pixels uit de originele afbeelding, wordt
vertaald naar enkele pixels in de bewerkte afbeelding. De reden dat dit
gedaan wordt is omdat de omgeving veel informatie kan bevatten.

Pixelgroepen (neighborhood)
In deze drie voorbeelden wordt dit duidelijk. Ondanks dat in ieder van deze
afbeeldingen die middelste pixel gelijk is, verschillen de omgevingen sterk van elkaar. Daardoor
verschillen ook de afbeeldingen sterk van elkaar. De naburige pixels die in het engels worden
aangeduid met ‘neighbors en de neighborhood’ zijn voor iedere afbeelding anders. Er wordt
verschillende informatie overgebracht, en afhankelijk van het specifieke doel van de afbeelding kun
je voor een andere bewerking kiezen. De mate waarin deze informatie wordt overgebracht kun je
laten toenemen. De wiskundige bewerking die voor lokale bewerkingen wordt gebruikt heet
convolutie. Hierbij wordt de beeldmatrix vermenigvuldigd met een kleinere matrix die over de
beeldmatrix heen geschoven wordt. Het resultaat is dat
elke pixelwaarde in het nieuwe beeld, afhangt van zowel
de oude pixelwaarde en van de pixelwaarde rondom
deze pixel. In het gebied wat zo groot is als de kleinere