Hasta popülasyonlarından elde edilen görüntü veri gruplarının niceliksel karşılaştırmasına izin veren görüntü standartlaştırma tekniklerinde yararlanılmıştır. Bu teknik standart veri kümelerinin yaratılması (metinsel veriler için standart referans terminolojilerine benzer şekilde) ve görüntü veri kümelerinin (otomatikleştirilmiş eşleştirme yöntemleri ve metinsel verinin standart terminolojisine benzer şekilde) eşleştirilmesi için yöntemler içermektedir. Görüntü standartlaştırılmasına başlamadan önce, yakından ilgili iki konuyu tartışacağız, DICOM ve DICOM-yapısal raporlama (DICOM-SR). DICOM ve DICOM-SR’nin tek başlarına görüntü içerik standardizasyonu yapmadıkları, fakat standart bir formatta önemli görüntü elde etme bilgisi ve görüntü içerik standartlaştırılması için ön koşul sağladığı unutulmamalıdır.

DICOM ve DICOM-SR

DICOM standardı, Ulusal Elektrik Üreticileri Derneği (NEMA) tarafından, tıbbi görüntülerin dağıtılması ve görüntülenmesine yardım için oluşturulmuştur. Tek bir DICOM dosyası, hem hasta demografik bilgisi ve görüntü elde edilmesi ile ilgili parametreleri tutan başlık bilgisini hem de görüntü verisini içerir. Bu standart, kullanıcının, görüntü geometrisinin ve kontrastının (örn. MR’ın içindeki sıra tipi ve parametreler) belirlenmesinin zor olduğu elde edilme bilgisinin tutulduğu alanlara erişimini sağlar. Bu bilgi, görüntü içeriği tarafından daha detaylı sınıflandırılmasından daha çok görüntü çalışmalarının (modalite, ardışıklık tipi ve oriyantasyon tarafından) sınıflandırılmasında önemlidir. DICOM standardı aynı zamanda ok ve gösterge gibi anotasyonları içeren görüntü sunum durumlarını kaydetmek için standart alanlar sağlar. DICOM-SR listeleri ve hiyerarşik ilişkileri, metine ek olarak kodlanmış ya da sayısal içeriğin kullanımını, kavramlar arasındaki ilişkilerin kullanımını ve görüntülere ve diğer nesnelere gömülü referansları destekleyen bir yapısal raporlama altyapısıdır. DICOM-SR’nin yalnızca modeli tanımladığı; örnekleme işlemi için doğal dil işlemcisinin ya doğrudan yapılandırılmış girdisine (şablon kullanımı olsun ya da olmasın) ya da yapılandırılmış çıktısına ihtiyaç duyulduğu anlaşılmalıdır.

Atlaslar

Anatominin standartlaşmış 3 boyutlu koordinat sistemi içindeki detaylı sunumu atlas olarak tanımlanmıştır. Bu anlatımda konu görüntüleme verisinden yaratılmış dijital atlaslarla sınırlandırılmıştır. Atlaslar ortak bir referans sistemiyle eşleştirildiklerinden standart veri olarak değerlendirilebilirler. Çeşitli hasta koşulları için çok modaliteli, çoklu organ atlasları olduğu halde atlas gelişiminin büyük bölümü normal beyin üzerinde yoğunlaşmıştır. Bunlar, beynin ve son dönemde, beyinkökünün etiketlenmiş atlaslarını ve hastalığa ve yaşa özel veri kümelerini kapsar. MR beyin atlaslarının gelişimi 2 şekilde olur: (1) tek tek taramalardan elde edilmiş referans atlasları ve (2) birçok konuda yapılan taramaların ortalaması olan olasılıklı atlaslar. Atlasların farklı kullanımları vardır; etiketlenmiş referans atlasları öğretim amaçlı ve model-temelli bölme için, olasılıklı atlaslar ise, model-tabanlı bölümlerde, hedef popülasyonlar genelinde bulunan yapılardaki gizli morfolojik değişiklikleri takip etmek için kullanılmaktadır. Olasılıklı atlaslar, birkaç gönüllüden ortak bir şablona kadar yapılan taramaların esnek şekilde deformasyonu için karmaşık işlemlere ihtiyaç duyar. Olasılıklı atlaslarda yapıların etiketlenmesi referans atlasında etiketlenmesine göre daha gereklidir, çünkü herbir orijinal görüntünün el ile etikletlenmesi, en son etiketi hesaplamak için kullanılır.

Morfolojik atlas kavramı, MR parametrik görüntüleri gibi diğer atlaslara genişletilebilir. Fakat şimdiye kadar, klinik sonuç üretilen zamanlarda dönüş-kafesi gevşemesi (T1), dönüş-dönüş gevşemesi (T2) ve belli difüzyon katsayısı (ADC) gibi MR parametreleri elde edilememiştir. Yüksek hızlı elde etme tekniklerinin gelişmesiyle, parametrik görüntüler günümüzde klinik bir gerçek olarak ortaya çıkar. Şu anda, MR görüntü karşılaştırmaları için sayısal standartlar sağlamak amacıyla, MR parametrelerinin beyin atlasları geliştirilmektedir. Parametrik atlaslar morfolojik değişimlerin ötesinde bilgi sağlayacak ve çeşitli hastalık süreçleriyle  ve normal büyüme şablonlarıyla ilgili derinde yatan fizyolojik süreçleri imkan dahilinde yansıtacaktır. T1, T2 ve ADC gibi MR parametrelerinin çoklu skleroz, epilepsi ve felç gibi hastalık süreçlerinin hassas göstergeleri olduğunu ispatlayan raporların sayısı artmaktadır.

Atlas ile Eşleştirme

Atlasların oluşturulması ve yeni görüntü kümelerinin var olan bir atlas ile eşleştirilmesi farklı veri kümelerindeki yapıları sıralayabilen özel kayıt algoritmalarına ihtiyaç duyar. Değişmez vücut dönüşümü, farklı elde etme yolları arasındaki hasta oryantasyonundaki değişiklikler için düzeltilebilir fakat morfolojik farklılıklarda hesaba katılamazlar. Anatominin normal fizyolojik farklılıklarından ya da hastalık sürecinden kaynaklanan bu farklılıkları modellemek için esnek deformasyon algoritmaları gerekir. Yeniden, görüntü kayıt algoritmasının gelişimi görüntü işleme alanında düşüşe geçmektedir ve okuyucu, hem doğrusal olan hem de doğrusal olmayan kayıt tekniklerini inceleyen kapsamlı makalelere yönlendirilmiştir. Dijital atlas gelişiminde olduğu gibi, kayıt algoritmalarının çoğu beyin veri kümeleri için geliştirilmiş ve doğrulanmıştır, fakat günümüzde beyne ait olmayan yapılara ait başvurular da raporlanmaktadır.

İçerik Tabanlı Tıbbi Görüntü Erişimi

Büyük görüntü veritabanları sayesinde görüntü içeriğiyle arama yapabilmenin önemi artmaktadır. Görüntü içeriğinden erişimi desteklemek için metin-tabanlı sorgulamayı genişleten yeni teknikler gereklidir.  Bu, özellikle, sistem yalnız görüntü içeriğine ya da ilgili metin verisiyle bağlantısına dayalı erişime sahip olduğunda desteklenebilen, kanıta dayalı tıp uygulamasına yönelik şu anki eğilim için doğrudur. Geniş kapsamda bütün görüntüleri ele alırsak (tıbbi görüntülerle sınırlı kalmadan) içerik-tabanlı görüntü erişimi şu anda ticari ya da prototip uygulamaları (örn. QBIC, VIRAGE, Photobook, Blobworld ve Netra Sistemleri) olan, çok sayıda sistemi etkileyen aktif araştırma alanıdır. Çoğu içerik-tabanlı görüntü erişim algoritmasının öncelikli tekniği, her görüntünün piksel değerlerine göre imzasını çıkarmak ve imzaları kıyaslamak için bir kural oluşturmaktır. İmza, görüntü sunumu olarak hizmet eder ve imzanın öğeleri özellik olarak adlandırılır. Renk, doku ve şekil, çoğu içerik-tabanlı görüntü erişim sistemine görüntü sunumunun özellikleri olarak dahil edilmiştir. Temel şema, tüm görüntüyü sorgu görüntüsü olarak kullanır fakat başka birçok sorgulama şeması da mevcuttur: erişimin görüntüdeki belirli bir alana dayandığı ya da erişilecek görüntü/objelerin renk histogramının ya da nesne modalitesinin belirtilmesiyle bölge tabanlı arama. Görüntü özelliklerinde sadece indeksleme yapmak, arama alanını daraltacak bir yol sağlar fakat önemli anlamsal bilgi, uygulama sırasında kaybolabilir. Görüntüleri anlamlı katsayılar ile küçük parçalara bölen Photobook projesi, öz temel görüntü kümesinden oluşan depolanmış görüntülerin algısal olarak belirgin unsurlarını ifade etmek amacıyla oluşturulmuştur. Fakat bu sistemlerden hiçbiri, tıbbi görüntüler için özelleştirilmemiştir ve genel içerik-tabanlı görüntü algoritmalarını tıbbi görüntülere uyarlama çalışmaları yapılmasına karşın bu açılımı  yapmak boş bir adım değildir. Tıbbi görüntülere odaklanan içerik-tabanlı erişim sistemleri şunları içerir:

1. I2C bilgi sistemi, tıbbi görüntülerin görsel içerikleriyle indekslenmesine ve erişimine izin verir. Sistem, belirli görüntü sınıflarını temel alan görüntü analiz alışkanlıklarını tanımlamak için kullanılan araçları birleştirir, bu algoritmalardan bazıları etkileşimli, bazıları ise otomatiktir. I2C, mini-PACS sisteminin bir parçası olarak değerlendirilmiş ve aynı zamanda webde dağıtılmıştır.
2. Sistem, birleşik tıbbi dil sistemi (UMLS) sağlık kavramları sözlüğü ve bilgi tabanlı görüntü analizi kullanan anlamsal indeksleme ile birleştirilmiş bir metoda dayanır. Bu sistem, radyoloji raporlarının doğal dil işlemesini ve DICOM başlık bilgisini, çalışmadan görüntüler seçmek için bir araya getirir. Yazarlar, görüntüleri bölmek için aynı zamanda bazı bilgi tabanlı görüntü işlemenin entegrasyonunu da önermektedirler.
3. Serbest metin dokümanlarını aramak için N-gram metodunun uzantısına dayanan, soyut manada görüntü içeriğini anlatan, global imzanın hesaplandığı CANDID sistemi, görüntü indeksleme için kullanılıyor. Bu sistem, göğüs CT görüntülerine erişmek için değerlendirilmektedir ve doku özelliklerini esas alır.
4. ASSERT sistemi, ROI’yi (hastalık taşıyan bölge) tanımlamak için bir doktora ihtiyaç duyar. Görüntü, ROI için hesaplanmış özelliklerle indekslenmiştir. Sistem, şu anda yüksek çözünürlüklü CT akciğer görüntüleri üzerinde klinik olarak değerlendirilmektedir.
5. Sorgu görüntüsüyle en iyi uyumu sağlayan görüntüyü, otomatik olarak seçmek için metin bilgisiyle, üç boyutlu yerleşimle ve özellik çıkarımı ile birleştirilen,  nörolojik görüntüler için olan içerik-tabanlı görüntü erişim sistemi, patoloji (felç, kanama, ve tümör) içeren görüntülerle değerlendirilmektedir. Kullanıcıların, görüntü arama alanını daraltmak için sorgu görüntüsü ile ilgili metin verisi girmesi gerekmektedir.
6. Görüntü tabanlı veritabanı (IRDB) sistemi, temel öğe analizine dayanan ve MR beyin görüntülerinin erişimine göre değerlendirilmiş olan tıbbi görüntü indekslemeyi kapsar. Bu ilk çalışma, yöntemi incelemek için genişletilmiş ve performansı nicelik açısından değerlendirilmiştir.
7. Son çalışma, patoloji görüntülerinin çok çözünürlüklü alan tabanlı araması için genel içerik-tabanlı görüntü erişim algoritmasının (SIMPLICITY) genişletilmesini ele almaktadır.
8. Farklı görüntü eşleştirme algoritmalarına ev sahipliği için altyapı sağlayan PACS ortamına entegre edilen içerik-tabanlı erişim sistemi de son zamanlarda tanımlanmıştır.

Bu gelişmeler, içerik-tabanlı tıbbi görüntü indeksleme ve erişiminde öncülük eden çabalardır. Yukarıda, içerik-tabanlı görüntü erişimi için özetlenen metodolojiler özellik çıkarımına dayanır, özelliklerin detayları ise uygulamaya bağlıdır. Kullanıcı etkileşiminin boyutu, kapsamlıdan en az kapsamlıya kadar değişir ve görüntü bölmenin zor olan tarafının üstesinden gelmek için gereklidir. SIMPLICITY, wavelet (dalgacık) tabanlı doku özellikleri kullanır ve görüntüyü yaklaşık olarak bölerek görüntü alt bölgelerini eşleştirir. Yan et al. tarafından tanımlanan bu algoritma, beyin simetrisine dayanır ve özellikler, yarısı çıkartılmış beyinler için hesaplanır. Buna karşın, bu tekniğin diğer vücut bölgelerinde kullanılabilirliği kolay değildir. Öz görüntü metodolojisinin kullanımı, görüntü erişiminin kesinliğinin arttırılmasını gerektiren görüntü önişleme adımlarına odaklanarak incelenmiştir. Ayrıca, bu metodoloji, beynin içindeki yapıları tanımlamak için de kullanılmıştır. Bu yöntem, beyin görüntülerinden oluşan bir veritabanı üzerinde doğrulanmış olsa da kavramsal olarak diğer organlar için de kullanılabilir.

İçerik-tabanlı Görüntü Erişimi’nde Öz Görüntü Metodolojisi

Alıştırma görüntülerinin olduğu küme, {xk} vektörleri olarak tanımlanmıştır ve m=Σ{x} ise C = Σ{(x − m)(x − m)T} ortak değişken matrisini oluşturmak için kullanılmıştır. vn ve λn’i sırasıyla C’nin öz vektörleri ve öz değerleri olarak tanımlayalım ve bu durumda ortak değişken matrisi C = Σnλn vn vn T olarak açıklanabilir. En büyük öz değerlere sahip öz vektörler bir çok bilgi içerir, bir anlamda prototip görüntüler olarak düşünülebilirler. Kümedeki her görüntü, sonradan xk ≈ Σpcp vp olan öz vektörlerin doğrusal kombinasyonuna yaklaştırılabilir, buradaki cp katsayısı, her birinin farklı k sınıflarına atandığı xk görüntüsü için özellik açıklamasıdır. Yeni bir sorgu görüntüsü olan qi, benzer şekilde özuzaya yöneltilmiştir ve cq katsayıları hesaplanmıştır. Sorgu görüntüsünü en iyi tanımlayan sınıf, alıştırma kümesindeki k sınıfları için p = {1,2,…,k} olduğunda, cq ve cp kaysayılarının Öklid uzaklığının karşılaştırılmasına göre belirlenir. Böylece sorgu görüntüsü, alıştırma kümesi sınıfına atanarak sonuçlanır ya da yeni bir sınıf oluşturur. Erişimin kesinliğini arttırmak amacıyla, ortak değişken matrisini (C  =  Σ{log(x/m)log(x/m)T} gibi) oluşturmak için kullanılan şartlardaki değişimlerin yanı sıra, birçok otomatik önişleme stratejisi de incelenmiştir. Farklı yöntemlerle elde edilen görüntüler arasındaki yoğunluk farklılıklarına olan duyarlılığı azaltmak için görüntü oranları incelenmiştir. Görüntü oran yöntemi, günlük indeks olarak anılırken, görüntü farklarından oluşan ortak değişken matrisi, çıkarma indeks yöntemi olarak anılmaktadır.

Alıştırma görüntü kümesi, tek bir MR serisinden elde edilen ardışık 100 dilimden oluşturulmuştur (bkz. ŞEKİL 4). Farklı boyutsal seviyelerdeki hastalardan alınan 100 görüntü, alıştırma kümesinden daha çok sorgu görüntüsüne benzeyen görüntü çekmek amacıyla, sorgu görüntüsü olarak kullanılmıştır. Sorgu görüntüleri, tümörü olan ve organları çıkarılmış hastaları dahil edecek şekilde seçilmiştir. Bir uzman, doğru eşleşmeden alınan dilimin dilim sapmalarını sınıflandırarak performansı değerlendirmiştir (2mm’lik sapma, alıştırma kümesinden alınan dilimin, doğru eşleşme diliminden 2 mm farklı bir yere hareket ettiği anlamına gelmektedir).

ŞEKİL 5, çeşitli ön işleme ve erişim indeks şemaları için kullanılan erişim profilini özetlemektedir. Erişim kesinliği, hem 3-boyutlu alanda görüntü uyumu, hem de yoğunluk standartlaştırılması açısından görüntü standartlaştırılması ile ilişkilidir (üç boyutlu hizalamanın olduğu 3’ten 5’e kadar olan Serilerin üzerine, tahminen 2-boyutlu hizalama kullanmış olan Seri 1 ve Seri 2’nin erişim performansını karşılaştırın). Görüntü yoğunluklarına olan duyarlılık, günlük indeksi uygulanarak azaltılmıştır (Seri 4 ve Seri 5 aynı performansa sahiptir). Bu ön çalışma, tam bir eşleşmenin gerçekleşmesi için hem alıştırma kümesi hem de sorgu görüntüleri için uygulanan bölge ve yoğunluk standartlaştırması için gerçekleştirilen önişleme adımlarının dahil edilmesinin önemini vurgulamaktadır.

Yapılandırılmış Metin Verisi

Birçok araştırmacı, kanıta dayalı tıbbi pratik ve araştırmayı kolaylaştırmak için metni ve görüntüleme verisini yapılandırmaya duyulan ihtiyaca dikkat çekmiştir. Tıp bilişiminde, klinik hikayelerden, ameliyat raporlarından ve radyoloji raporlarından alınan paralel metin bilgisinin, görüntü verisine uygun içerik sağlamak için önemli olduğunun anlaşılması gerekmektedir. Örnek verilecek olursa; bir çalışmanın ilgili görüntülerinin seçilmesi, (GÖRÜNTÜ ÇALIŞMA ÖZET’ine bakınız) radyoloji raporlarının doğal dil işlemesi ile elde edilmiş olan yapılandırılmış verinin etiketlenmiş atlasların hasta görüntü verisine otomatik eşleştirmesi ile entagrasyonuna ihtiyaç duyar. Metin bilgisi, Yan vb. ve Lowe vb.’nin içerik-tabanlı tıbbi görüntü erişim algoritmalarının içine de eklenmiştir.

ŞEKİL 4. Alıştırma kümesinden alınan görüntülerin alt kümesi (solda) ve bu alıştırma kümesi için en önce gelen 16 öz görüntü (sağda).

Şekil 5. Görüntülerin görüntü erişim kesinliği şu şekildedir: 1’den 4’e kadar olan

Seriler çıkarma indeksi kullanır. Seri 1, 2-boyutlu hizalama yapılmış, histogram açışından eşitlenmiştir; seri 2, 2-boyutlu hizalama yapılmış, histogram açısından eşitlenmiş, Gaussian filtresi uygulanmıştır; seri 3, 3-boyutlu kaydedilmiş, orijinal yoğunluklara sahiptir; seri 4, 3-boyutlu kaydedilmiş, histogram açısından eşitlenmiştir; seri 5, 3-boyutlu kaydedilmiş, orijinal yoğunluklara sahip, kayıt indeksi vardır.

Karar desteği ve tıbbi kaydın sunumunu düzenlemeye ve geliştirmeye yardım etmek için, yapılandırılmış raporlamanın olası yararlarını gösteren birçok çalışma yapılmıştır. Sadece yapılandırılmış veri, günümüzde bilgisayar biliminin bir alanından geliştirilen gelişmiş boyutsal, zamansal ve evrimsel veritabanı modelleme tekniklerinden etkilenir. Metinsel veriyi yapılandırmak için iki temel yaklaşım vardır: Geleneksel yapılandırılmış veri girişi ve doğal dil işleme teknikleri.

Geleneksel Yapılandırılmış Veri Girişi

Geleneksel yapılandırılmış veri girişi (SDE), kullanıcıyı, formlar, taslaklar ve/veya makrolar kullanarak sınırlı denetimli sözlükten açıklamalar yazmaya zorlar. Birçok sistem geliştirilmiştir: radyoloji için işaretleyici, ilerleme raporları için pen-ivory sistemi ve gastrointestinal endoskopi için raporlama sistemi. Çeşitli kullanıcı arayüzü tasarımları (sayfa, devamlı mı sayfa-kaydırmalı mı; palet, sabit mi dinamik değiştiricili mi; ve arama sonuçları, kısmi listeli mi tam listeli mi) ve girdi araçları (elektronik kalem ve sayısallaştırma tableti) değerlendirilmiştir. Şekil tabanlı yapılandırılmış raporlamanın olumlu yönleri, tutarlı kapsam, karar desteği ve uyumdan emin olmayı kapsar. Şekil tabanlı yapılandırılmış raporlama sistemlerinin yararlarına rağmen bu sistemler, yaygın şekilde benimsenmemiştir. Bazı engelli prototipler ve ticari ürünlerde rapor sapmaları, sınırlı ifade edilebilirlik, rapor kusurları, emek yoğunluğu, zaman alıcılık ve geleneksel iş akışı karmaşası bulunur.

Doğal Dil İşleme Yaklaşımı

Yapılandırılmış raporlamaya yönelik doğal dil işleme (NLP) yaklaşımı, doktorların istedikleri gibi rapor yazdırmalarına izin vermektedir. Bir bilgisayar programı, doktorların serbest-metin açıklamalarını otomatik olarak yorumlar ve bilgiyi bilgi yapılarının içine formüle eder. (örn., çerçeveler). NLP yaklaşımının en önemli avantajı, raporlama yapan doktora görünür olan bir veri yapılandırma gerçekleştirmesidir. Tıbbi doğal dil işleme problemi üzerinde çalışan sınırlı sayıda araştırma grubu bulunur; bu konunun tam bir özeti Referans 65’te bulunabilir. Şimdiye kadar, birçok tıbbi doğal dil işleme, sözdizimsel ve anlamsal gramerlerin birleştirilmesine dayanan sembolik metodlar kullanılarak uygulanmıştır. Bu sistemlerin açıklanmış doğruluğu, incelenen alanlar içinde  anlamlandırılabilir olmuştur. Ancak bu sistemlerin yeni tıbbi alanlardaki başarısı ve uyumluluğu tam anlamıyla, henüz incelenmektedir. Birçok klinik öncesi değerlendirme olduğu halde, NLP sistemleri klinik ortamlara seyrek olarak yerleştirilir. MedLEE sistemi, bugün belki de en çok uygulanan ve en kapsamlı tıbbi doğal dil işleme sistemidir ve 1995’ten beri düzenli olarak Kolombiya-Presbiteryan Tıbbi Merkezi’ndeki radyoloji raporlarına rutin olarak uygulanmaktadır. MedLEE bağımsız olarak değerlendirilmiş ve bazı klinik tanıma görevlerinin pratik kullanımı için etkili bulunmuştur.

Ortak referans çözünürlüğü, sözcük özelliklerinin dinamik değişimi, var olan elektronik tıbbi veri sözlüklerinin entegrasyonu, birleşik listelerin ve parantez içindeki deyimlerin gelişmiş kullanımı, tamamen sözdizimsel ayrıştırma, anlamsal yorumlama, bilinmeyen sözcüklerin kullanımı ve sistem çıktısını açıklayıcı kuralsal sunum ile eşleştirme gibi tıbbi doğal dil işleme alanındaki birçok problem devam etmektedir. İstatistiki doğal dil işleyiciler, sembolik yöntemlerdeki temel eksiklikler nedeniyle, günümüzde daha çok dikkat çekmektedir. İlk olarak, birinin, dili yalnızca kural-tabanlı bir sistem kullanarak modelleme başarı olasılığı olmayan bir yöntemdir, çünkü kurallar hiçbir zaman kapsamlı olmayacaktır ve çoğu kural ne kesin ne de bağımsız değildir (çoklu kurallar kendi aralarında zayıf etkileşime sahiptir). İkincisi, ortaya çıkan belirsizliği azaltırken kural kapsamını arttırma amacı, esasen sembolik NLP sistemleriyle uyuşmaz. Çizimleri belirsizleştirmek için gramer kapsamını genişletmek, sık sık, planlanmamış inceleme sayısının artışını beraberinde getirir. Üçüncü olarak, sembolik sistemlerde kural tabanı yöntemini yönetmek zaman alıcı ve zordur. Genelde, kural-tabanlı sistemler iyi şekilde ölçeklendirilmez. Son olarak ise, kural-tabanlı sistemler, daha önce görülmemiş modellerle ve dildeki değişikliklerle iyi bir uyum göstermez. Burada, radyoloji raporlarının geniş açıyla değerlendirildiği istatistiki doğal dil işleyicisi tanıtılmaktadır.

İstatistiki Doğal Dil İşleyicisi

Doğal dil işleyicisinin amacı, tıbbi raporun önemli bulgularını çıkarmaktır. İlk işi, bu raporlardan çıkarmak için bilginin türünü belirlemektir. Hastanın durumunu nitelendirmek için mümkün olduğunca çok detay çıkarılmıştır.

Örnek 1 [Örn-1] Beyin tümörü/ödemi olan bir hastanın raporundan örnek bir parçayı gösterir.

[Örn-1] FLAIR’de ve T2 ağırlıklı görüntülerde, sağ ön çeperde ve ön çeperde beyaz madde içeren etrafı kaplamış ödem işaretlenmiştir. Bu yaklaşım, basit mantıksal ilgi ilişkisini tanımlamak ve herbir ilişki için ayrı doku eşleştiricisi geliştirmek için var olmuştur. Mantıksal bir ilişki, bir dayanaktan ve bir ya da daha fazla değişkenin düzenlenmiş listesinden oluşur. Bu dayanak, değişkenler arasındaki ilişkinin tipini gösterir. Birçok durumda, her mantıksal ilişki üç değişkenden oluşur: bir başlık, bir ilişki ve bir değer. Başlık, değer tarafından değiştirilen bir kavramdır. Genellikle ilişki için EQUALS’un varsayılan değeri kullanılır. Örneğin, [Örn-1]’de bulunan mantıksal ilişkiler TABLO 1’de listelenmiştir. Alandaki çalışmalarda göğüse ait radyoloji alanında 120 mantıksal ilişki tanımlanmıştır.

NLP sisteminin mimarisi, beş etkileşimli modül içerir.

1. Yapısal analizci, bir tıbbi raporu bağımsız bölümlere ve cümlelere ayrıştırır.
2. Anlamsal analizci, anlamsal ve sözdizimsel etiketleri cümledeki her bir kelimeye veya kelime grubuna atar. Şu anda, sözlüğün içinde 250 anlamsal etiket ve 12 sözdizimsel kategori vardır.
3. Ayrıştırıcı, kelime-kelime bağımlılık ağacı üretmek için istatistiki yöntemler kullanır. Bağımlılık ağacı, bir cümlenin yapısını cümlenin kelimelerindeki ikili sistem başlık düzenleyici ilişkisine (bağımlılık olarak da bilinir) göre belirler. Ayrıştırıcı, tüm başlık düzenleyici bağlantılarının genel sonuç olasılığını en üst düzeye çıkaran ağaç konfigürasyonunu belirlemek için istatistiki yöntemler kullanır.
4. Anlamsal yorumlayıcı, TABLO 1’de gösterildiği gibi mantıksal ilişkiler kümesi oluşturarak ayrıştırıcı bağlantılarının anlamsal içeriğini sağlar.
5. Çerçeve yapıcı, bütün mantıksal ilişkileri, yapılandırılmış çerçeveler içinde toplar. Herbir çerçeve, seçilmiş özelliklerin açıklamalarıyla birlikte belirli bir konu (örn. kütle) hakkında bilgi sunar.

Metin Verisini Standartlaştırma

Serbest metnin yapılandırılmasına ek olarak, yapılandırılmış terimlerin, standartlaştırılmış terminolojiyle eşleştirilebilmesi de önemlidir. Birçok çalışma, standart terminolojilerin (UMLS ve SNOMED-RT) kavram kapsamını, romatizmal hastalık yönetiminde sağlık durumu değerlendirmesi, klinik radyoloji, tıbbi prosedürler, klinik hemşireliği dili ve klinik problem listesinin kodlanması gibi tıp ile ilgili çeşitli alanlarda değerlendirmiştir. Bu değerlendirmelerin genel sonucu, belirli terminolojiler belli alanlara daha çok uyuyormuş gibi görünse de her iki terminolojinin kavram içeriğinin, incelenen tıbbi alanların herhangi birinde tam olmadığıdır. Bu değerlendirmelerde, kavramların standart terminolojilerle eşleştirilmesi ya bir uzman tarafından el ile ya da otomatik çalışan indeksleme araçlarıyla gerçekleştirilmiştir. Literatürde ileri sürülen otomatik yöntemler, tam terim eşleşmesini içeren nispeten basit tekniklerle anlamsal uzaklık ölçülerinin birleştirilmesi, trigram indeksleme, vektör alanları ve deneye dayalı erişim gibi daha karmaşık teknikler arasında değişiyor.

TABLO 1. Mantıksal ilişkiler örnek olarak [Örn-1

Standart sunumla tıbbi raporlardaki kavramların SNOMEDIII gibi otomatik eşleştirme incelenmiştir. İlk uygulama, NLP tarafından, göğse ait radyoloji raporlarından çıkarılan kavramların otomatik eşleştirilmesini değerlendirmiştir. Değerlendirme, otomatik eşleştirmenin, terimlerin 87%’si için doğru olduğunu göstermiştir(toplamda 700 terim değerlendirilmiştir). Terimlerin 12% kadarı SNOMED 3.5’un içinde bulunmuyordu (değerlendirme zamanında var olan versiyon); bu terimler aslında radyolojiye özel kavramlardı.

No related posts.

Benzer yazılar Yet Another Related Posts Eklentisini ile listelendi.

When I first analyzed RapidMind’s architecture I was very happy to see that someone came up with a solution for utilizing both CPU and GPU power. With the long time that passed after their acquisition by Intel, finally the team came up with ArBB which has a revolutionary idea being Virtual Machine. This abstraction is very important and makes ArBB an important player in the field. Whereas it still lacks answers for where does this framework stand. Should it be only supporting IA (Intel Architecture) and related GPU structures than it would be hard for us to depend on it, they claim opposite for hardware independence but I prefer to wait and see those examples. Choosing performance infrastructures like Intel IPP, TBB and MKL in CPU and multi-core domain against other competitors for my company was not very problematic but when it comes to adding GPU power to our framework we need something in common. Anyway its hard for me to talk directly about ArBB but once it’s ready and mature enough with my above considerations answered I’ll spend plenty of my time for evaluating this beautiful framework. From an engineering view it’s a marvelous framework but our first concern in the company is to ensure that we can work with all GPU structures available. Another issue is we’re a little bit tired of different architectures and frameworks changing every time. We adjusted our framework to use TBB (Threading Building Blocks) efficiently and it’s hard for us to switch to new architectures easily when they just claim that they’re good, maturity is very important for us. Lastly if we decide using ArBB in the future the most important feature will be the determinism that other GPGPU structures lack. I’m planning to write a deep blog on ArBB in the next coming versions after the official version is released.

Besides the usage in company infrastructure another problem that faced me was my PhD thesis. I’m working on neuroimaging field for coming up with answers for both efficiently storing and querying these abundant data. In order to make something efficient than known methods you should either recommend new algorithms or implement the solutions on new architectures like many core hardware (CPU, GPU etc.) Following study is a result of my research for deciding on a structure for a framework which will use parallel programming models inside.

Neuroimaging field produces one of the most extensive dataset structures in medical imaging field. It is very hard to store this dense data for further queries to compare patients functional abilities. Even in compression and data reduction scenarios spatial indexing is necessary for efficient retrieval and query. Spatial indexing has focus on location and neighboring relations of the data besides its abundance. So as the new 3D neuroimaging data is inserted for an individual within different periods it gets slower to query / retrieve on spatial indexing methods.  Since neuroimaging field never involved in clinical applications, speed in data storage and retrieval was never an issue. It’s very obvious that in abundance of such 3D data if parallelism is not considered, sequential methods will fail within time thus leading to a fail in clinical usage.

The framework that’ll be used during parallel implementations of R-Tree like spatial indexing structures gains importance. A clinical system that’ll work on different hardware structures should be free of processor architectures. Today the most important individual (standard desktop computers) high performance computing and parallel programming models depend on multi core CPU programming or GPGPU (General Purpose GPU) programming models. According to the algorithms availability for parallelism one can reach hundreds of multiplier factors on GPU compared to sequential algorithms on CPU. The most important parallelism levels today are:

• Data level parallelism ( Data / Loop),
• Task level parallelism,
• Pipeline level parallelism(variant of task level parallelism but with higher complexity)

Parallelism levels different from the above levels are beyond the scope of multi-core and GPGPU programming models. Even though GPGPU fastens many data level parallel architectures this advantage is lost in applications where high data transfer or messaging levels are reached. Whether it is CPU or GPU every processing unit has its own memory (cache) and shared memory (DRAM). Since it is very hard to transfer data between these structures one should avoid using complex data structures and messaging in their parallel algorithms. As it can be seen in Figure 1, GPU has many ALU (Arithmetic Logic Unit) whereas it lacks the cache space. Owing to these structure differences we can deduce that an algorithm implemented for parallel structures may still work with better performance on a multi-core CPU when it could not be efficiently parallelized on GPU. Studies on spatial indexing structures to make them work on parallel structures sometimes have led to similar results thus a hybrid structure is favored against just the GPGPU model.

Figure 1: Schematic comparison of CPU and GPU structures.(1)

After the release of CUDA™ by NVidia many software systems upgraded their infrastructure by using this revolutionary GPGPU framework. The biggest problem during this progress was the monopoly danger of NVidia for GPGPU. Years of discussions on “Cross platform programming”, “Cross CPU programming” were suddenly left and suddenly everyone started adapting their infrastructure to GPGPU via NVidia framework CUDA. This was very similar to DirectX monopoly as a part of Microsoft strategy. OpenGL (Open Graphics Library) was supported against DirectX for cross platform compatibility by many hardware and operating system manufacturers. A similar alliance started firstly by Apple and followed by others like IBM, AMD and lastly Intel for keeping up with CUDA using an open standard namely OpenCL (Open Computing Language). Another fact here is I believe Intel plans to use OpenCL support in LarraBee and ArBB this way many GPGPU code will be ready to run on LarraBee after years of latency. A nice discussion on Intel OpenCL strategy reveals how they look at this approach. Hardware manufacturers have started supplying necessary interfaces for OpenCL on their multi core (both on CPU or GPU) processors. Owing to this support once an implementation is done it will work both on multi core CPU systems and GPGPU enabled systems by using OpenCL where CUDA only works on NVidia. ATI was one of the first supporters of OpenCL and they released their OpenCL libraries after Apple’s opening  of the OpenCL structure. NVidia also released their libraries for OpenCL standards short time after acceptance of OpenCL as a standard thus they refused the monopoly claims after their support. My idea on this monopoly issue is somehow pragmatic, NVidia is the one who first gave huge power on GPGPU and even they had the chance of only supporting Cuda they try to support every new structure by using Cuda in the infrastructure part, they at least support new comers and don’t force community to use only its products as Microsoft once did. IBM (Cell processors), AMD, ARM have both released their support libraries and the last microprocessor company who released their OpenCL alpha support (November 2010) was Intel in their whatif platform. Performance comparison studies revealed that CUDA works with an approximate factor of %10 better performances than OpenCL on the same NVidia card which can be neglected for the freedom gained for working on cross processor availability. One should also not forget that this comparison can only be done on NVidia cards and NVidia OpenCL libraries which make use of CUDA at the back end, so this slight performance difference can be understood easily. One of the most important asset of OpenCL is any implementation that is not capable of gaining performance on GPGPU can easily be applied to multi-core CPU structure so that the effort spent for a parallel implementation is not lost owing to hardware limitations of GPU (high data transfer times, abundance of messaging). NVidia is against these parts and claim that CUDA code can easily be converted to OpenCL code but in the end this still means extra effort and time. In  projects where great man/month spent it is not that easy to convert from one architecture to other, and project managers usually stick to the first architecture that the system is implemented on (“If it works don’t touch!”)

The software architecture and framework that is planned to be implemented during my PhD study is expected to work on different hardware like desktops, laptops etc. as it will be used in clinical applications. Thus there is no chance of pushing the clinicians to work with a specific hardware.

One should see that Cuda is an architecture whereas OpenCL is a framework for hardware abstraction. This results in support from all available hardware vendors in many core field. Yes Cuda has huge support, yes you can convert Cuda to OpenCL when you need it, yes Cuda is slightly more efficient than OpenCL but in the end it is vendor specific. As a software engineer I never would like to stick into one hardware architecture unless it gives huge software infrastructure advantages and as a software company whose ambition is on letting its customers to exploit all hardware architectures for real time image processing we believe that we should be suggesting as many hardware  available as that works efficiently with our real time signal processing framework. This war is between hardware vendors and as a software company we must be offering availability within the biggest coverage we can both from hardware and OS level support.

Owing to all reasons stated above OpenCL is selected as the parallel programming framework of my PhD study and my company GPGPU infrastructure.

References:

1.http://gpgpu.org/static/sc2007/SC07_CUDA_1_Introduction_Luebke.pdf

PS. Larrabee is like a child of mine, I’ve spent lots of time to understand it starting from the times when Larrabee was only a myth about which no official explanation was allowed. I still believe every CPU core covered by lots of GPU will change the game they’re still not obvious about it:) If Larrabee will lack OpenCL support I’ll adapt on whatever Intel suggests but I believe Larrabee – ArBB and OpenCL will be bundled in order to use the ready software framework community.

No related posts.

Benzer yazılar Yet Another Related Posts Eklentisini ile listelendi.

Medikal Görüntü İşleme

American Medical Informatics Association dergisinin 2000 yılındaki  yayınında  baş makalede “The cornerstones of medical informatics”, tıp bilişiminin dört aşamasından  biri olan Sağlık Hizmetleri hakkında, yeni bir bilgi yönetim grubunun gelişim temelleri anlatıldı. Bu dört ana unsur, tıp bilişiminin gelişimi için önemli olan altyapıya odaklanır ve geleneksel veri işleme ve bilgi sistemlerini genişletir. Makaleden alıntı yapılarak bu aşamalar aşağıdaki gibi açıklanabilir. (sıraları değiştirilmiştir) :

1. Verinin elde edilmesi ve sunulması için yöntemlerin geliştirilmesi ile aşırı yüklenme engellenebilir;
2. Veriyi ve bilgiyi resmetmek için yapılar üreterek karmaşık ilişkiler görselleştirilebilir;
3. Parçaların toplamından daha fazlasını elde etmek için çeşitli kaynaklardan alınan bilginin entegrasyonu ve bilginin iş süreçlerine entegrasyonu ile en yüksek verim düzeyinde harekete geçilebilir;
4. İnsan, süreç ve bilgi teknolojileri arasındaki değişimi yöneterek bilginin kullanımı optimize edilebilir.

Medikal görüntüleme bilişiminin bilişim konularına ek olarak görüntü saklama ve iletişim sistemleri (PACS), görüntü işleme ve analiz uygulamalarıyla ilgili alanları da kapsayan geniş bir tanımı vardır. Bu alanlardan her biri çok geniştir, mesela; PACS ağ oluşturma, görüntü arşivleme ve gösterme, görüntü sıkıştırma ve görselleştirme ile ilgili konuları kapsar. PACS şu anda 15 sene ya da daha fazla süren araştırma ve geliştirmeye dayanan oldukça olgun bir teknolojidir. UCLA Radyolojik Bilimler Bölümü görselleştirme, sıkıştırma ve ağ oluşturma konularındaki yenilikleriyle bu alanda öncüdür. Bununla birlikte, bilişim bakışı açısından PACS’in, geleneksel veri işleme ve bilgi sistemleri alanına ait olduğu düşünülebilir ( Bu benim aslında her zaman ifade ettiğimle örtüşüyor, PACS gün geçtikçe standard HBYS benzeri otomasyona dönüşüyor bu da benim gibiler için zevksizleştiriyor:), o yüzden her zaman şirketteki arkadaşlara aynı şeyi söylüyorum PACS bizim nihai amacımız değil ana amacımıza giden yolda basit bir araçtır.). Medikal görüntü işleme ve analizi birçok araştırma alanı ile geniş bir konudur. Medikal görüntüleme alanına uygulanabilecek evrensel bir görüntü işleme çözümü/yaklaşımı olmadığı için medikal görüntü işleme ile ilgili birçok farklı yapıya başvurulabilir. Bu arada, PACS alanlarından görüntü işleme ve görüntüleme bilişiminin birlikte çalıştığını da vurgulamak iyi olur; PACS ve görüntü işlemedeki gelişmelerin görüntü bilişimi üzerinde etkisi vardır. Medikal görüntüleme bilişimi, başlangıçta anlatılan dört aşamanın  altyapısı sayesinde gelişir. Görüntü veritabanlarındaki görüntü çalışması özetlenmesini, standartlaştırılmasını ve dolaşımını kapsayan görüntü bilgi yönetimi ile ilgili konulara ağırlık verilmektedir. Görüntüler ve görüntüleme çalışmaları klinik bir ortamda yalıtılmış olarak ele alınmaz ve ilgili yazılı bilgi, görüntüleme bilişimi altyapısı için önemlidir. Bu yazı, radyoloji raporlarına özel olarak dikkat çekerken serbest metin verisinin yapısallaştırılmasını ve standartlaştırılmasını, görüntüleme kaynaklarını içeren farklı veri kaynaklarının entegrasyonunu ve son olarak entegre edilmiş görüntünün ve ilgili verinin kullanıcıya özel görselleştirilmesini de kapsıyor. Bu yazı yukarıda bahsedilen son aşama  ile ilgili konulara değinmiyor.

Aşama 1 : Verinin elde edilmesi ve sunulması için yöntemlerin geliştirilmesi ile aşırı yüklenme engellenebilir

İlgili verinin sunumu bilginin aşırı yüklenmesini engellemek için gereklidir; bu  temel verinin etkin bir şekilde indekslenmesini gerektirir. Görüntü tarafında ise, bu aşama görüntü çalışmalarının özetlenmesi (yapı) ve standartlaştırılması ve içerik odaklı görüntü elde edilmesinin sağlanması için yöntemler geliştirilmesini gerektirir. Metin verisi mevcut durumda serbest metin biçiminde fazlasıyla bulunur; bu aşama serbest metnin yapısallaştırılması ve standartlaştırılmasını gerektirir. Bu alanlardaki araştırmalar şu alt başlıkları işaret etmektedir:

Görüntü Çalışmasının Özetlenmesi

Görüntüleme çalışmalarının büyük olması ve uzmanların anlamsal olarak yorumlaması gerekmesinden dolayı altyapı, aşırı yükleme olmaksızın verinin elde edilmesi ve sunumunu desteklemek için özellikle tıp görüntüleri için uygundur. Tıbbi görüntüleme; özellikle nörolojik ya da onkolojik koşullardaki hastaların sunum ve klinik bulgularının doğru şekilde belgelenmesi için hakim bir araç olmaya başlamaktadır. Bu durumda, veri görüntülemenin etkili yönetimi ve ilgili hasta bilgisi en önemli gereksinimlerdir. Tıbbi metin verisinin aksine, görüntülenen veri ek olarak farklı yönetim sorunu ortaya çıkarır (Veri kümelerinin büyüklüğü gibi); bu problemler kronik durumlardan dolayı (beyin tümörü ve gelişim gecikmesi gibi) devamlı sabit miktarda görüntüleme alınan hastalar için daha fazladır. Görüntüleme çalışmalarının içerikleri akıllıca yapılandırılmadığı ve düzenlenmediği sürece, kullanımları günümüzdeki çevre ve şirketlerden başka , tüm hekimlerin günlük kullanımında  (ilk yardım, nörologlar ve psikiyatristler) aksayacaktır. Büyük görüntüleme çalışmalarını az miktardaki görüntüye indirgeme yeteneği, kullanıcılara verileri etkin şekilde gösterme çabasının ilk adımıdır. ŞEKİL 1’de tıbbi kayıt ile görüntü birleşimindeki görüntü çalışmasının özetlenmesinin olası sonuçlarına, öğretici dosyaların otomatik oluşturulmasına, büyük sıkıştırma oranlarıyla kliniksel sıkıştırmaya, geçmiş görüntü verisinin görüntü ön işleme ve dijital kütüphane uygulamalarına dikkat çekilmektedir.

Gerçi günümüzde uygun görüntü özetlenmesinin gerekliliği belirtilmiş olsa dahi büyük ve karmaşık görüntü veri kümelerinin,  uzmanlar ve ilk yardım hekimlerine görüntü dağıtım gereksiniminin elde edilmesine öncülük eden görüntü teknolojisinde gelişme olmuştur. Bu yüzden, görüntü özetlenmesini gerçekleştirmek için değiştirilebilen veya yerini koruyan birkaç sistem vardır. Birçok ticari tanısal iş istasyonu, radyolog ve diğer hekimlerin bir çalışmadan el ile kilit görüntüler seçmesine izin veren özellikler taşımaktadır. El ile yapılan her işlemde olduğu gibi, bu eylem, hekimlerin iş akışını etkiler ve zaman alıcıdır. Görüntü ön işlemedeki yeni gelişmeler görüntü çalışmalarını almak için tıbbi / radyolojik bilgi ve yöntemler  sağlar, fakat bu gelişmeler görüntü çalışmasındaki anahtar görüntülerin seçilmesinde yaşanan problemi çözmez.

Geniş bir görüntü çeşitliliği üzerinde doğru çalışan bir otomatik bölme / sınıflandırma algoritması olsaydı, uygun görüntü tanımlama basit bir süreç olabilirdi; fakat böyle bir algoritma henüz geliştirilmemiştir. Birçok grup, bilgi tabanlı yaklaşım önermiştir, bu yaklaşım; nesne merkezli hiyerarşik planlama kullanarak kilit bölgeleri devre dışı bırakmakta ve bu yöntemle görüntü analizini kişiselleştirebilmektedir. Bu yaklaşım da sürece rehberlik edilebilmesi için uzmanın girdisini gerektirdiğinden manüel kalmaktadır. Görüntüleme bilişimi ve görüntü işleme literatüründeki bir araştırma; uygun görüntüleri (anormallik içeren görüntü dilimleri) yerleştirmek için değiştirilme olasılığı bulunan bir araştırmayı işaret eder. Bu araştırmada, araştırmacılar beyin simetri düzlemini belirlemiş ve çıkarılan “yarı-beyin”den alınan özellikleri, olası anormal dilimlerin yerini otomatik olarak belirlemek için kullanmıştır. Bu araştırmada görüntüleri sınıflandırma yeteneği açıkça gösterilmesine karşın, bu belirli yöntemin tam bir değerlendirilmesi henüz rapor haline getirilmemiştir.

Uygun Görüntü Seçimi için Radyoloji Raporu Entegrasyonu

Beyin MR çalışmaları hakkındaki belirli bir uygulama ile görüntü çalışmaları özetlemesi için yeni bir yöntem geliştirilmiştir. Bu yaklaşımla, serbest metinli radyoloji raporlarındaki uzman bilgisi ile hastanın görüntülerini etiketli beyin atlasına eşleştiren otomatikleştirilmiş kayıt algoritmasını birleştiriyor. Beyin atlası ile eşleştirme, çalışmadaki yapıların belirlenmesi sonucunu doğurur, öyle ki hasta görüntüleri etiketlenmiş sayılabilir. Doğal dil işlemcisi, uygun bulgular ve bunların yerlerinin belirlenmesini içeren ilgili metin raporlarından alınan yapılandırılmış bilgiyi çıkartır. Bu yapıları içeren dilimler, daha sonra atlas etiketli hastanın görüntülerinden tanımlanır. Bunun sonucunda; tüm çalışma esas alınarak uygun görüntülerin, tıpkı tüm çalışmaya ait veri grubunun anatomik etiketleri gibi, otomatik tanımlanması yapılır. Aynı zamanda, davranışsal bozukluklar gibi, sürekli standart biçimde yapılandırılmış işlevsel veri elde edilen klinik durumlar için, entegre olan ve yapılandırılmış biçimde elde edilen metin bilgisi inceliyoruz. Bu durum; taahhüt edilen mimaride geniş çeşitlilikte metin girdi biçiminin, yer alması için gerekli esnekliği arttırır.

Sürecin tamamını kapsayan mimari, ŞEKİL 2’de gösterilmiştir. Veri, biri metin verisi için diğeri görüntü verisi için olmak üzere iki kaynaktan işlenmiştir. Görüntü veri kaynağındaki ilk modül, araştırma belirleyicisi olarak adlandırılmıştır. Burada, hasta nüfus bilgilerindeki bilgi, görüntüleme yöntemi, anatomi, araştırma nedeni, görüntü geometrisi, ve elde edilme parametreleri, araştırmaların tıpta dijital görüntüleme ve iletişim (DICOM) başlıklarından elde edilmiştir. Bu bilgi, atlas ve görüntü bölme algoritmasının seçilmesi/ya da kişiselleştirilmesi için kullanılmaktadır (aşağıda). Atlas seçme modülü; hastanın yaşına, hastalık durumuna ve görüntüleme yöntemine göre uygun anatomik atlası seçer.

Eşleştirme seçici, eşleştirme algoritmasının seçiminden sorumludur. Bilginin tabanı, uzmanlar tarafından tanımlı kuralları içerir, bu kurallar, kayıt algoritması seçimi ve güncel görüntüleme araştırması için tanımlanan optimum işleme parametreleri ile ilgidir. Kurallar; kayıt algoritmalarının yayınlanmış geçerleme araştırmalarını temel almaktadır ya da tipik klinik araştırmalar üzerinde yapılan, çalışan kayıt deneyleri ile belirlenmiştir. Eşleştirme, daha sonra bir önceki modülde seçilen algoritmayı (ve parametreleri) kullanan, kontur üreten modülün içinde gerçekleştirilir. Eşleştirme algoritmasının çıktısı, hasta görüntü veri grubu ve atlas uzayı arasındaki üç boyutlu dönüşümü belirleyen bir matristir. Bu matris, atlas için tanımlanmış konturlardan hasta görüntülerindeki yapıların yerlerini tahmin etmekte kullanılır. Görüntü elde etme geometrisi her dizi için bilindiğinden, dönüşüm matriksi aynı zamanda araştırmanın tüm görüntü dizilerindeki uygun yapıların belirlenmesinde kullanılabilir.  Bu modül aynı zamanda radyoloji raporundan (metin işleme modüllerinden elde edilen) alınan bulguların yer bilgilerine ilişkin dilimleri tanımlar. Metin verisi (radyoloji raporu), yapılandırılmış kareler seti üreten doğal dil işleyici (NLP) modülünün içinde işlenir. Her kare, belirli bir bulgu için rapor edilmiş özellik tanımlamalarını içerir. Görüntü içerik çıkarımına ait bulguların ilk konumlarını bulmak için konum özelliği gerekir. Doğal dil işlemcisi metinden konum bilgisini çıkarır ve bu bilgiyi mantıklı ilişkiler grubu olarak ifade eder. NLP modülünün çıktısı, haritacı olarak bilinir ve çıkarılan terimlerin standartlaşmış SNOMED-RT ya da UMLS gibi terminolojik karşılıklarını bulur. Her uygun yapı için, görüntü parçalayıcı ve özellik çıkarıcı modüller sırasıyla, konturları düzelterek, özellikleri hesaplar. Bu son iki modülün uygun görüntü seçiminde kullanımı isteğe bağlıdır, fakat işlemin tamamlanması için bulunmaktadır.

Uygun beyin görüntülerini seçeceği vaat edilen bu mimarinin belirli bir uygulaması, on tane görüntüleme araştırması için geçerlenmiştir. ŞEKİL.3’te beyin atlası görüntüleri, hasta görüntüleri ve yeniden dilimlenen görüntüleri gösteren kullanıcı ara yüzünün ekran görüntüleri verilmiştir. Sol alt paneldeki tablo, NLP bulgularını temel alan, yapılandırılmış raporun sonuçlarını içermektedir; çizilen sıra bu yapılardan birinin yanal teriminin değişimiyle tanımlanan ventrikül olduğunu göstermektedir. Haritacı, bu anatomik açıklamanın beyin atlasında sunulan denk terim karşılıklarının bulunmasına yardım eder. Atlas yapılarının listesinde bu yapıya denk gelenler tanımlanmış ve sağ alt panelde gösterilmiştir. Radyoloji raporu yanal ventrikül dışında hiçbir detay belirlemediği için, haritacı, atlasın içinde yanal ventrikülü içeren yedi yapı bulmuştur. ŞEKİL.3 aynı zamanda atlasta ve hastanın orijinal ve dilimlenmiş görüntülerinde tanımlanan bu yapıyı göstermektedir. Bu uygulama Woods ve diğerlerinin üç boyutlu eşleştirme yazılımını kullanmıştır ve olasılıklara bağlı olarak etiketlenen beyin atlası, ortalaması alınmış yüksek çözünürlüklü taslaktan alınmıştır, bu taslak  dokuz kişiden alınan üç boyutlu hacim verisini (256×256 matris, T1-ağırlıklı, SPGR sırası) esas almaktadır. Dilimler, yapıların %98’inde uzman olan otomatik algoritma tarafından tanımlanmıştır. Bu sonuçlar; büyük tümörler  ve organ parçalarına sahip hastaların bile dahil edilmesi sonucu, yapının kendisini bölmektense, yalnızca belirli dilimlerin yerinin belirlenmesine  çalıştığımızı kanıtlar. Bu çalışmada, yapının tam olarak bölünmesi, kesinlikle 12-parametre affine dönüşümünü genişletmek için esnek deformasyon metotlarının kullanımını gerektirir. Modalitelerin düzlük hatasızlığı, öznel 3-noktalık ölçeğe göre değerlendirilmiştir ve şu dağılıma sahiptir: 83 % (iyi kaplama), 12 % (orta kaplama) ve 5% (zayıf kaplama)

No related posts.

Benzer yazılar Yet Another Related Posts Eklentisini ile listelendi.

Medikal Görüntüleme dersi ODTÜ Enformatik Enstitüsü Tıp Bilişimi bölümünün güzide derslerinden biridir:) Neyse konuyla olan ilişkilerimizden dolayı biz de dersi alalım dedik sanırım 3 yıl önce aldım bu dersi. Bu basit çalışma da dersin dönem projesinin sonuçlarındandır.  Aslında çok ilkel bir proof of concept çalışması 1-2 gün gibi bir süre ayırarak yapılmış proje ama DR ( Dijital Radyografi ) sistemlerinin 40-50K Euro olduğu göz önüne alınırsa onun ucuz alternatifi olan CCD Flat Panel Detector yapılarının ise 20K Euro’lardan gittiği düşünülürse basit bir konsept çözümünün bile bu konuda cihaz geliştirmek isteyenlere cesaret vermesi gerekmektedir. Biz şu anda şirkette bu tarz sistemler geliştirip üretmek isteyen şirketlerin ihtiyacı olan tüm yazılım altyapısını sağlıyoruz ve medikal görüntüleme alanında cihaz üretmek isteyen gruplara hem danışmanlık hem de yazılım hizmeti sağlıyoruz. Müşterilerimizin ilgi duydukları sistemlerle ilgili ilk konuşmalarındaki tedirginlik ile sonrasında beraber çalışma ve bizden öğrenme süreci sonrasındaki rahatlıklarını anlatmak çok zor. Sonuçta aşağıdaki 1-2 günlük emğin ürünü ilkel yapı emek ve zaman harcanması durumunda yerli sistemlerin rahat yapılabileceği ve ülkede satılan 1000′lerce Dijital Radyografi sisteminde alternatif olunabileceği yönünde ümit verir diye düşünüyorum.

Özet

Teknolojideki son gelişmelerle birlikte Analog X-Ray sistemleri yerlerini Dijital  Görüntüleme Üniteleri’ne bırakmaktadırlar. Yazımızda Analog Sistemden kastımız yıllardır kullanılmakta olan kasetli, film sistemleridir, Dijital Radyografi Sistemi ise tab etme ihtiyacı duymayan X-Ray görüntülerini dijital hale getirebilen sistemler olarak düşünülmelidir, Dijital Radyografi Sistemler’de kullanılan Analog-Dijital sensör yapıları kapsamımız dışında olup bunlar karıştırılmamalıdır. Teknolojideki bu değişim sayesinde, analog sistemlerde kullanılan kimyasal ekipmanlardan sağlanan tasarruf ve çevrenin daha az kirletilmesi gibi faydalar görülmekte, ayrıca dijital ortama aktarılan X-Ray görüntülerinin saklanması, işlenmesi ve aktarılması çok daha kolay olmaktadır. Bir X-Ray görüntüleme sistemi temel olarak X-Ray Kaynağı ( X-Ray Tüpü ), bu tüpü aktive eden enerji kaynağı ve X-Ray kaynağından çıkıp hastadan geçen ışınları yakalayan bir sistemden oluşur.  Analog ve Dijital sistemlerin temel ayrım noktalarından birisi de görüntünün yakalanma şeklidir. Analog sistemlerde görünür ışığa dönüştürülen X-Ray ışınları bir film kasetine düşürülür ve daha sonra banyo edilerek görselleştirilir. Dijital sistemlerde ise gelen X-Ray ışınları ya Görüntü Yoğunlaştırıcılar ( Image Intensifier ) veya sintilatörler vasıtası ile kamera gibi bir görüntü arabirimine aktarılır ya da X-Ray enerjisine hassas sensörler ile dijitize edilerek görüntü oluşturulur. Bu projedeki genel amacımız en basit bileşenleri kullanarak X-Ray ışınlarını CCD sensörü kullanarak yakalayıp dijitize etmekti. Sonuç olarak basit bir yapı ile X-Ray dijitizasyonunun başarımında sorun olmadığı kanısına varılmış ve ileride yapılabilecek daha büyük denemeler için cesaret alınmıştır.

• Giriş

Proje için yola çıkarken esas amacımız nxn boyutta bir CCD sensör matrisinden X-Ray görüntüsü elde etmekti. Bunun için örnek sistem olarak son yıllarda gittikçe yaygınlaşan Flat Panel Dedektör ( FPD ) teknolojisi düşünüldü. Günümüzde kullanılan FPD’lerin genel yapılarını ikiye bölerek açıklayabiliriz. İlk kısım sintilatör adı verilen ve alınan X-Işınını görünür ışığa çeviren kısımdır. Bu kısım için bilinen en önemli yapılardan birisi de ince bir talyum aktivasyonlu sezyum iyodid ( CsI:Tl ) tabakasıdır. İkinci kısım ise sintilatörden gelen görüntüyü yakalamayla ilgilenir. Görünür ışığa duyarlı amorf silikon ( a-Si:H ) elektronik sensör matrisi FPD nin genel yapısını oluştursa da bu çözüm çok pahalıya gelmekte bunun yerine bir çok uygulamada CCD sensörlerinden oluşan bir yapı kullanılabilmektedir. Bizim amacımız bu ikinci ucuz çözümün en primitif halini tasarlayıp daha ileriye gidebilmek için cesaret kazanmaktı.  Bunun da ilk adımı standart X-ışını görüntüsünü CCD bir sensör vasıtası ile görebilmektir.

• Tasarım

Sistemimizin temel bileşenleri sintilatör görevini üstlenecek standart bir ramfansatör, bu ramfansatörün oturtulacağı kapalı bir kutu ve sintilatörümüzde oluşan görüntüyü dijitize eden bir CCD kameradır.

Burdan elde edilen görüntü bir görüntü yakalama kartı vasıtasıyla bilgisayara aktarılmakta ve depolanmaktadır. Aktarım aşaması için X-Işını Tüpüne enerji veren sistemin pedalının yazılımı yenilenmiş ve bu bilginin bilgisayara aktarılması sağlanıp anjiyografideki sine moda benzer bir kayıt yazılımı yapılmıştır.

Burda esas amaç radyografi modunda yani yüksek miliamper ve tek şutlama yapılacağı için görüntünün maksimum elde edilmesi öncesi ve sonrası oluşan görüntüleri de yakalayıp ileride düşünülen jeneratör tetiklemesi sonucu şutlama ve görüntülemenin kıyaslamasını yapabilir veri elde etmektir. Kaydedilen görüntüler CCD kökenli tıbbi görüntülemede en yoğun kullanılan 8-Bit CCIR formatındadır ve kayıt ise avi formatındadır. Yazılım son şutlamayı sol ekranda gösterirken sağ ekranda daha önceki şutlama serilerini oynatarak kullanıcıya doz ayarlama ve görüntü üzerinden karar verme serbestiyeti tanır. Ana ekrandaki görüntünün yanında oluşturulan küçültülmüş görüntülerden operasyon sırasında istenilen seçilip onun izlemesini yapmak mümkündür.

Şekil 5: 83 KV da elde edilen ilk görüntüler.

Şekil 6: 100 KV de elde edilen bir entegre görüntüsü.

No related posts.

Benzer yazılar Yet Another Related Posts Eklentisini ile listelendi.

Geçenlerde şirket sunucularındaki dosya hiyerarşisinde hangi bilgileri neye göre indekslemeliyiz kısmıyla ilgili geç de olsa bir çalışma başladı. Tabi benim yıllardır biriktirdiğim nerdeyse TB seviyesindeki arşivlerin de elden  geçmesi işi mecburen bana düştü. 3 yıl kadar önce doktora derslerimden birisinde CCD Flat Panel Detector yapmak için verdiğim çaba sonucu ortaya basit bir şeyler çıkmıştı. Bu konunun Ar-Ge’si üzerine kafa yormaya başladığımızda ise esas sorunun görüntüleri alıp birleştirmede değil CCD serilerini soğutmada olduğunu görmüştük. Neyse o sıralarda  yaptığım bir sunumu eşelenme sırasında buldum ve özellikle AB uyumluluğu sürecinde zorunlu hale gelen DR,CR ve türevlerini merak edenlere temel de olsa bilgi verir düşüncesiyle buraya koymaya karar verdim.

DR nedir?

Konvansiyonel                                                                                                               Dijital

DR Bileşenleri

• Dijital röntgen:
– CR (Bilgisayarlı radyografi),
– DR (Dijital röntgen)
– Dijital mamografi
– Dijital floroskopi (C-Kollu sistemler vb.)
– DSA (Dijital subtraksiyon anjiografi)

Konvansiyonel sistemlere göre

• Avantajları :

• Dezavantajları :

CR-Bilgisayarlı Radyografi

DR – Dijital Radyografi

• X-Işınından elde edilen görüntü direkt olarak dijital halde bilgisayara aktarılır. Bu aktarımı sensörleri sayesinde yapar.
• Direk aktarım yaptığı için minimal artifakt oluşur. CR daki gibi arada tarama gibi ek operasyon olmadığı için hem sürat hem de kullanılırlık açısından daha verimlidir.
• Lazer tarayıcının kuvvetine bağımlılık olmadığı için esas olarak sensör yapıları önem kazanır.
• Dijital hale getirebilecek bir çok sensör olmasına rağmen konumuz gereği Düz Panel Dedektörleri ile ilgileneceğiz (Flat Panel Dedektör – FPD)
• Günümüzde kullanılan FPD’lerin genel yapılarını ikiye bölerek açıklayabiliriz:

• İlk kısım sintilatör adı verilen ve alınan X-Işınını görünür ışığa çeviren kısımdır. Bu kısım için bilinen en önemli yapılardan birisi de ince bir talyum aktivasyonlu sezyum iyodid ( CsI:Tl ) tabakasıdır.
• İkinci kısım ise sintilatörden gelen görüntüyü yakalamayla ilgilenir. Görünür ışığa duyarlı amorf silikon (a-Si:H) elektronik sensör matrisi FPD nin genel yapısını oluştursa da bu çözüm çok pahalıya gelmekte bunun yerine bir çok uygulamada CCD sensörlerinden oluşan bir yapı kullanılabilmektedir.

- Amorf Silikon yapı : Trixell, Varian vb.
- CCD Sensörlü yapı : RF Systems – Naomi

Amorf Silikon FPD

• Fiyatlar çok pahalı.
• Teknolojik tekel var ve rekabet oluşamadığı ve düşük olduğu için servis bakım maliyetleri çok yüksek.

CCD – FPD

• Maliyetler çok daha ucuz.
• Servis bakımı kolay ve ucuz.
• Görüntü kalitesi kamera sayısına bağlı ne kadar çok kamera o kadar iyi görüntü.
• 190 kamera 60 MP görüntü kalitesi çok yüksek.
• Mamografi gibi aşırı yüksek çözünürlük gerektiren konularda kullanılamıyor hala tek sorun burada bence.

No related posts.

Benzer yazılar Yet Another Related Posts Eklentisini ile listelendi.

Düşük depolu, işlem gücü az ve düşük çözünürlükte gösterim yapabilen mobil/gömülü sistemlere medikal görüntü ulaştırmak zordur ancak, modern hastane ortamında hazır bir programlama için önemli bir iştir. Endüstride genel yaklaşım ve teknik literatür JPEG2000 sıkıştırma ve görüntü akışını kullanmaktadır. Görüntü sıkıştırmanın yanı sıra JPEG2000 görüntü akışını da destekler. Farklı boydaki görüntüler sıkıştırılmış görüntünün açılırken en az bozulma yaratacak kodakışından ayrıştırılır. Biz DICOM ağlarında JPEG2000 akış sağlayacak DICOM2000 sözdizimi geliştirdik. DICOM 2000, medikal görüntü alışverişi standardı olan DICOM’a JPEG2000’nin sıkıştırma ve akış gücünü verir. Kullanıcının donanımının işlem ve gösterme kabiliyetlerine uygun en iyi kalite medikal görüntüyü iletmeyi sağlar. Bu makalede DICOM2000 tabanlı PACS mimarisinde iletişim ile DICOM tabanlı PACS’lerde kullanılan yaygın mimaride iletişim karşılaştırılacaktır. Makalenin amacı doğrultusunda bu iletişim mimarileri kategorize edilip isimlendirilip anlatılmıştır. Sonunda, DICOM2000 tabanlı PACS, standart PACS’a göre avantajlarından bahsedilecektir.

Anahtar Kelimeler: PACS, DICOM, JPEG2000, Medikal Görüntü Akışı

1.GİRİŞ

Dijital medikal görüntülerin katılımı, medikal sistem toplam maliyeti düşürüp hastane verimliliğini arttırır. Fakat bazı dezavantajlar vardır. Dijital medikal görüntüler büyük boylu olma ve büyük depolama/ağ ihtiyacı eğilimindedir. Modern bir hastanenin yıllık eksiksiz bir medikal görüntü miktarı 10 terabyte’ı aşkındır. Ayrıca, Görüntü Arşivleme ve İletim Sistemleri Gigabitlerce depo alanına veya 10 Gigabitlerce bant genişliğine ihtiyaç duyar. Mesela, tipik bir dijital X-ray görüntüsü 2Kx2K gri ölçüm ile 12bpp gösterilir ki bu değer medikal görüntülerin 50 megabit civarında olacağını gösterir.Görüntü sıkıştırma medikal görüntünün boyutlarını azaltır ve depolama ve ağ gereksinimlerini rahatlatır. Bununla beraber, modern PACSler bir kaynağa ve çeşitli uygulamalara uygun, farklı güç, depo, iletişim, kapasitedeki cihazları(mobil, gömülü) destekleyen ve içeren hazır programlama ortamı sağlama eğilimindedir. Cihazların işlemci gücü, hafıza kapasitesi, gösterme kapasitesi sınırları ve mobil ağ bant genişliği sınırları nedeniyle bu cihazlar dijital madikal görüntüleri özgün boyutlarında işleyemez. Kaynak , görüntü akışını destekleyen ve ufak bozulma sağlayan sıkıştırma teknikleriyle (kayıplı veya kayıpsız ) sıkıştırılmış medikal görüntü olduğu zaman, PACS en yüksek verimliliğe ve en düşük gereksinimlere sahiptir. Görüntü akışı, görüntünün bir kısmını veya hepsini tasvir edebilmek için gerekli olan piksel verisinin belirli bir çözünürlükte ve kalitede saklanmış bir görüntü kod akışından çıkartılması ve kullanıcı tarafı uygulamaya ulaştırılması demektir.

Şekil 1 – JPEG2000 akışının görsellenmesi- kodakışından düşük çözünürlükteki görüntünün çıkartılması

Mesela, şekil 1’deki üç farklı kullanıcı cihazı bir kod akışından beslenmektedir. Sadece görüntüyü en iyi kalite ve çözünürlükte  gösterebilecek verilere ihtiyaç vardır. Düşük çözünürlük ve düşük kaliteli göstericilere rağmen  görüntünün bir parçasını orjinal çözünürlükte ve olası en iyi kalitede görmek mümkündür. Sadece JPEG2000 kod akışıyla bir kaç etkileşim gerekir. Görüntünün düşük çözünürlükteki versiyonu sadece bir önizlemedir. Kullanıcı daha sonra JPEG2000’den daha yüksek çözünürlükte  ayrıştırmak için görüntünün bir bölgesini işaretleyebilir. Süreç görüntüden ayrıştırılan bölge orjinal çözünürlüğe ulaşana kadar devam eder.  Tüm görüntüyü orginal çözünürlükte görmek mümkün olmasa da, görüntü üzerinde “kesitleme” yapmak olasıdır (kullanıcı görüntünün orjinal çözünürlükteki bağlı bölgeleri üstünden ilerleyebilir).

JPEG2000 sabit görüntü sıkıştırması için bir ISO/IEC standartıdır.  Diğer sıkıştırılması açılmış görüntüde en az uzaysal bozulma sağlayan sabit görüntü sıkıştırmalarına göre daha üstün bir sıkıştırma performansı sağlar.   Kayıpsız ve kayıplı sıkıştırma modlarını aynı süreç içerisinde sunar. JPEG2000 ilgi bölgesi kodlama ve görüntü akışı destekler. En az uzaysal bozulma ile farklı büyüklükteki görüntüler sunucu tarafında bir JPEG2000 kodakışı  tek yönlü ayrıştırılarak farklı kullanıcılara gönderilebilir. Ayrıştırılmış görüntünün kalitesi görüntü tarayıcısının oto-ölçek fonksiyonu ile elde edilmiş görüntünün kalitesinden çok daha iyidir. Ancak en az veri seti kullanılmıştır. JPEG2000 sıkıştırma PACS medikal görüntü arşivlerinin büyüklüğünü önemli ölçüde azaltır. JPEG2000 görüntü akışını kayıpsız kodlanmış görüntülerde bile kullanır.

JPEG, SPHIT ve çeşitli özel sıkıştırma teknikleri gibi medikalde kullanılan başka sabit görüntü sıkıştırma standartları vardır. JPEG2000 medikalde kullanılan diğer sıkıştırma tekniklerine karşı çeşitli avantajlara sahiptir. Sıkıştırılması açılmış görüntüde en az uzaysal bozulma sağlayan üstün sıkıştırma performansı sağlar, yüksek kalite görüntü akışına izin verir, ve Medikalde Dijital Görüntü ve Haberleşme  (DICOM) standartı tarafından kabul edilen bir standarttır.

DICOM, PACS’te çoğunlukla kullanılan haberleşme protokolüdür. DICOM standardı; DICOM ileti formatını, biyomedikal  görüntü ve  fotoğraf bilgisi için ileti değişiminde gereken protokolü ve dosya yapısını tanımlar. DICOM iletisi iki bölümden meydana gelir :

- İleti başlığı medikal hakkında açıklayıcı bilgiler içerir; görüntü, hasta, tıbbi çalışma vb.

- Görüntü verileri, yerli DICOM formatında olan ham ve sıkıştırılmamış medikal görüntülerin piksellerini içerir.

Ayrıca,  yerli DICOM formatı DICOM standardı için bir mekanizma tanımlar. Bu mekanizma diğer sıkıştırma ve imaj biçimlerinin sarmalanmasında görevlidir.  Şu anda, DICOM standardı uzunluk kodlamasını, kayıplı ve kayıpsız JPEG sıkıştırmasını, kayıpsız ve yakın kayıpsız JPEG-LS sıkıştırmasını, kayıplı ve kayıpsız JPEG2000 görüntü sıkıştırmasını destekler. Bu sıkıştırma standartları, JPEG2000 hariç, görüntü akışını destekler.

DICOM  standardı  JPEG2000 kodlamasını desteklemesine rağmen,  JPEG2000 in DICOM iletişim protokolünün üzerinden akışını desteklemez. Standart DICOM iletisinin görüntü akışını desteklemesi için genişletilmiş olması gerekir. DICOM standardı bilgi alışverişi için bir mekanizma tanımlar ve bu mekanizma standart tarafından öngörülmez ve böylelikle de standart DICOM iletisinde bulunmaz. DICOM2000 sözdizimi, JPEG2000’in DICOM iletişim protokolünün üzerinden akışı için DICOM standart iletisinin genişletilmiş halidir. Önerilen genişletme diğer DICOM uygulamaları için açıktır ki bu da mevcut PACS içine önerilen genişletme için daha kolay, net ve hızlı bir biçimde olanak sağlar. Önerilen sözdizimi kontrollü bir ortamda test edilmiş ve uygulanmıştır. DICOM ağları içinde hızlı medikal görüntü tarama etkinleştirmesiyle ve DICOM veri ve yüksek kaliteli, düşük çözünürlüklü medikal görüntülerin tanıtımı sınırlı ekran boyutlu cihazlarda iyi sonuçlar elde edilmiştir. Bu sonuçlar da rapor edilmiştir.

DICOM2000 tabanlı PACS mimarisinde, birçok olası mimariler de vardır. Bu mimarileri anlatacağız ve avantajlarını ve dezavantajlarını göstereceğiz. Ayrıca, teknik literatürde önerilen diğer çözümlerle ve JPEG2000 medikal görüntülerinin alışverişini destekleyen standart DICOM sözdizimi tabanlı PACS mimarileriyle de karşılaştıracağız. Genel olarak, DICOM tabanlı PACS mimarisinde JPEG2000 medikal görüntü değişimi için 3 tane kategori ve iletişim mimarisi tanımlayacağız : JPEG2000 destekli standart DICOM tabanlı PACS mimarisi, DICOM ve JPEG2000 tabanlı tescilli PACS mimarisi ve DICOM2000 tabanlı PACS mimarisi. İletişim mimarisinde referansları yollamada kolaylık sağlamak için benzersiz isimler atanmıştır. Rapor organizasyonu şöyledir : Bu bölümün geri kalanı DICOM2000 sözdizimi anket aramasının sonucunu hızlı verir;  bölüm 2 JPEG2000 destekli standart DICOM tabanlı PACS mimarisini tanımlar; bölüm 3 teknik literatürde önerilen görüntü akışı için çözümleri tanımlar; bölüm 4 DICOM2000 tabanlı PACS mimarisini tanımlar; bölüm 5 raporu sonlandırır.

1.1. DICOM2000 Syntax

Teknik literatürde önerilen çözümler, JPEG2000 akışında DICOM iletişim sistemine ek olarak harici bir iletişim sisteminin parçası dahilinde uygulanmıştır. DICOM2000 sözdizimiyle, JPEG2000 akışı DICOM iletişim protokolünde birleştirilmiştir. DICOM2000 sözdiziminin sorgu mekanizması JPEG2000 Alışveriş Protokolü (JPIP) nden sonra modellenmiştir. Standart DICOM iletisi JPIP sorgu mekanizmasını açık bir şekilde desteklemek için genişletilmiştir.

JPIP standardı  JPEG2000 aile standartlarının bir parçasıdır. Bu standart JPEG2000 içeriği ile etkileşim içindedir  ve JPEG2000 görüntü taramasını uzaktan kontrol etme kullanımında kullanılır. JPIP standardı sözdizimi bütününü tanımlar ve yöntemleri JPEG2000 içeriğini uzaktan taramada kullanılır. Çözünürlüğü, kaliteyi ve JPEG görüntüsünün istenilen bölgede olmasını istemek için JPIP kullanıcı tarafındaki uygulamaları mümkün kılar.

Şekil 2 – DICOM2000 yapı özellikleri örneği

DICOM2000 kullanıcı tarafındaki uygulamaları sağlayan DICOM2000 iletisi, (DICOM2000 sözdizimini destekleyen DICOM kullanıcıları) JPEG2000 medikal görüntülerle  etkileşimde olmak amacıyla 2 ek özellik daha içerir. İlk özellik, JPIP İstek Dizisi adlı, DICOM kullanıcı isteğiyle JPIP İstek Dizisi olarak biçimlendirilmiştir. İkinci özellik, JPIP Yanıt Dizisi adlı, JPIP cevabı olarak yanıtlanan JPEG2000 görüntü formatı için verilen DICOM2000 sunucu yanıtıdır.

DICOM2000 özelliklerinden oluşan  her DICOM özelliği, standartta tanımlanmış birçok özellikten meydana gelir. Özellik tanımlayıcılarını içeren 4 tane alan vardır (4 bit uzunlukta), veri türü (2 bit uzunlukta), büyüklük (2 bit uzunlukta) ve değer (değişken uzunluğu , maksimum bit uzunluğunun 216 olduğu alan). DICOM2000 değeri alanı öznitelikleri JPIP İstek/Yanıt Dizisi olarak biçimlendirilmiş parametre dizisini içerir. JPIP isteği bir dizi isim = değer çiftinden oluşan işaretlerden meydana gelir. JPIP işaretleri : fsiz, rsiz, roff. Bu işaretler çözünürlüğü, bölge büyüklüğünü  ve istenilen medikal görüntünün bölge uzunluğunu tanımlamada kullanılır. DICOM2000 özellikleri, DICOM2000 sözdizimini çalıştırmayan diğer tüm DICOM uygulamaları için açıktır. Tanınmayan özelliklerin çözümlenmemesine rağmen, DICOM iletisinin geri kalanı hala okunabilir ve yorumlanabilir.

DICOM sözdizimi hakkında detaylı bilgi bulabilirsiniz.

2. STANDART DICOM TABANLI VE JPEG2000 DESTEKLİ PACS

İlk bölümde JPEG2000 standardından bahsedildiği gibi DICOM iletisi tüm JPEG2000 kod akışını sarmalar.  DICOM, JPEG2000’in dosya formatlarının sarmalanmasını desteklemez. DICOM iletisinde, piksel verisi  sıkıştırılmamış yerli DICOM görüntü formatında ilgili JPEG2000 kod akışıyla yer  değiştirir. DICOM iletisinde tanımlanan görüntü piksellerinin tüm özellikleri, sıkıştırılmış medikal görüntüdeki gerçek değerleri temsil eder.

JPEG2000 kod akışının kapsüllenmesi, DICOM iletisi ile JPEG2000 arasında görüntü aktarımını sağlar. Bağlantılı olan DICOM uygulamaları JPEG2000 medikal görüntülerin aktarımını kayıplı yada kayıpsız olarak destekleyip desteklemese de kabul etmek zorundadır.

Şekil 3 – JPEG2000 de bilgi alışverişi için standart DICOM iletişimi

JPEG2000 de bilgi alışverişi için standart DICOM iletişimi birçok yolla uygulanabilir. Bu uygulamaların arasındaki en temel fark, DICOM sunucu içi uygulamasının JPEG2000 sıkıştırmasını destekleyip desteklemediğidir. Şekil 4’te tanımlanan JPEG2000 iki kat depo mimarisi, JPEG2000 sıkıştırmasını desteklemez. Bu yüzden, yerli DICOM formatında ve JPEG2000 formatında medikal görüntüler depolanmalıdır.  Bu depolama işlemi gereklidir, çünkü; bütün DICOM uygulamaları yerli DICOM görüntü formatındaki medikal görüntülerin aktarımını desteklemek zorundadır. DICOM kullanıcı isteği doğrultusunda, medikal görüntünün DICOM sunucusu da  yerli DICOM formatında veya JPEG2000 formatında uyarlamasına hizmet edecektir. Ayrıca,  kullanıcı uygulamaları sunucuda yeni görüntüler depolandığında medikal görüntünün her iki uyarlamasını da sağlamak zorundadır. Bu yaklaşım sadece, medikal görüntü arşivini azaltmak yerine artırır, kullanıcı uygulamalarının karmaşıklığını artırır ve yerine getirilmesi büyük ölçüde olasısızdır. Standart DICOM JPEG2000 iki kat depo mimarisinin başka bir sakıncası, yerli DICOM formatındaki eski görüntülerin, JPEG2000 medikal görüntülerini isteyen DICOM  kullanıcıları için hizmet verememesidir.

Şekil 4 – Standart DICOM JPEG2000 İki Kat Depo Mimarisi —DICOM tabanlı JPEG2000 destekli ikiye ayrılmış medikal görüntü deposu içeren PACS : yerli DICOM formatındaki ve JPEG2000 formatındaki görüntüler için.

Eğer DICOM sunucu uygulaması JPEG2000 sıkıştırmasını desteklerse, JPEG2000 formatında sadece medikal görüntüler depolanmalıdır. Böylece medikal görüntü arşivi azalır. Standart DICOM JPEG2000 Tek Depo Mimarisi Şekil 5 te tanımlanmıştır. DICOM kullanıcı uygulaması, yerli DICOM formatında medikal görüntü istediği zaman, JPEG2000 görüntü sıkıştırılması çözülür, yerli DICOM formatının koduna dönüştürülür ve DICOM kullanıcısına gönderilir. Eğer DICOM kullanıcısı JPEG2000 formatında medikal görüntü isterse, DICOM iletisinde sarmalanır ve kullanıcıya gönderilir.

JPEG2000 medikal görüntüleri sıradan bir veritabanı sisteminin içinde ya da JPIP sunucusunda depolanabilir (Şekil 9’un altında belirtildiği gibi). JPIP tabanlı PACS sunucusu uygulaması, bu kısımdan sonra tanımlanacak olan JPEG2000 medikal görüntü değiş tokuşu için ekstra yolları destekler.  Standart DICOM JPEG2000 Tek Depo Mimarisi için eski DICOM görüntü arşivlerini JPEG2000 görüntü aşivlerine dönüştürmek gereklidir. Bu sayede DICOM  kullanıcıları JPEG2000 formatındaki eski medikal görüntüleri isteyebilir.

Şekil 5–Standart DICOM JPEG2000 Tek Depo Mimarisi–PACS mimarisi, DICOM JPEG2000 aktarım sözdizimi için herhangi bir medikal görüntü arşivi içeren JPEG2000 formatında görüntü ve JPEG2000 sıkıştırması için modül

JPEG2000 medikal görüntülerinin sarmalanması yerli DICOM göre formatına göre ağ bant gereksinimlerini azaltmasına rağmen,  JPEG2000 akışını sağlamaz. Kullanıcı cihazı bunu desteklemese bile, tüm JPEG2000 kod akışını göndermek hala gereklidir. Medikal görüntü çözünürlüğü, kullanıcı cihazının ekran çözünürlüğü için çok büyük olabilir veya kullanıcı cihazı bunu işleyebilmek için yeterli belleğe sahip olmayabilir. Sadece PC DICOM tabanlı kullanıcı cihazları verimli görüntü işlemeyi destekler. Bu nedenle, Standart DICOM Tek Depo Mimarisi  güçlü kullanıcı cihazları talep eder.

Şekil 6 – DICOM standart JPIP Pixel veri sağlayıcı hizmeti

DICOM standardının doğrudan onu desteklememesine rağmen, medikal görüntü akışının önemini tanır. Standart, DICOM standartının dışında tanımlanan bir ağ protokolünü kullanıyor olan piksel veri aktarmasını sağlayan Piksel veri sağlayıcı hizmetini tanımlar. Güncel olarak, desteklenen tek hizmet, JPIP ağ protokolünün kullanımını desteklemek için bir mekanizmayı temsil eden JPIP Piksel veri sağlayıcısıdır. JPIP Pixel veri sağlayıcı mimarisi, Şekil 6′da tanımlanmıştır. Bu mekanizma kullanıldığı zaman, DICOM iletisinde yer alan pixel verisi, JPIP isteğini temsil eden URL dizisini içeren tek bir DICOM niteliğiyle özel hedef bilgisi dahilinde değiştirilir. DICOM standart JPIP Pixel veri sağlayıcı hizmetinde DICOM kullanıcı uygulaması, JPIP protokolünü yerine getirmek zorundadır ve JPIP kullanıcısının rolünü göz önünde bulundurmalıdır. DICOM kullanıcısı, JPIP Pixel veri sağlayıcı hizmetinin üzerinden DICOM görüntüsünü talep eder, Şekil 6′nın sol tarafı. DICOM yanıt mesajı, medikal görüntüyle pixel verisinden başka ilgili olan tüm bilgiyi içerir. Ayrıca, JPIP sunucusnun ağ adresini  ve hedef görüntüsünün  ismini içerir. İkinci iletişim kanalının üzerinde(JPIP ağı), DICOM kullanıcı uygulaması, şimdi bir JPIP kullanıcısının rolünde, JPIP sunucusu tarafından hizmet edilen hedeflenen görüntünün olduğu talep eder, Şekil  6′nın sağ tarafı.  JPIP protokolünün kullanımından dolayı, JPEG2000 akma yeteneklerinin tüm yayılma alanı, kontrol altındadır. Kullanıcı uygulaması, tam çözünürlük ve kalitede medikal görüntü parçalarına talep edebilir. Hem de, DICOM formatındaki eski medikal görüntüler, JPEG2000 formatına kodlanmak ve JPIP sunucu tarafına depolanmak zorundadır. Bu şekilde eski görüntüler bile, JPIP Piksel veri sağlayıcı hizmetinin üzerinde kullanışlıdır.

Şekil 7 – Standart DICOM JPIP İki Kat Depo Mimarisi Sağlayıcısı — DICOM’in ve JPIP kullanıcı uygulamalarının, medikal görüntü arşivini paylaşmadığı zaman DICOM standart JPIP Piksel veri sağlayıcı hizmeti

DICOM standart JPIP Piksel veri sağlayıcı hizmeti, üç yolda yerine getirilebilir. İlk yol, standart DICOM JPIP İki Kat Depo Mimarisi Sağlayıcısıdır. DICOM sunucu uygulaması, yerli DICOM görüntü formatındaki medikal görüntülerin erişimine sahip olmak zorundadır, çünkü yerli DICOM formatındaki medikal görüntülerin aktarımını desteklemelidir. JPIP Piksel veri sağlayıcı hizmetinin anlambilimi, JPIP sunucu uygulamasına DICOM sunucu uygulamasından tamamen bağımsız olarak davranır. Bu demektir ki; sunucu uygulamaları medikal görüntü arşivlerini paylaşmaz. Bu bir sakıncadır çünkü; JPIP sunucusu ve DICOM sunucusu medikal görüntü depoları senkronize olmak zorundadır. Sunucu İçerik Yönetimi, bir çıkış ve veri eşlemesinin yerine getirilmesi gereken bir yol olur, fakat bu DICOM standartı tarafından tanımlanmaz. Hem de DICOM sunucu uygulamasının, piksel veri aktarmasının üzerinde hiçbir kontrolü yoktur. DICOM sunucusu ile alakalı olduğu gibi, tüm DICOM görüntüsü için uygundur.  Eğer, bir sebep için, görüntü JPIP sunucusunda yoksa yada görüntü uygun değilse DICOM görüntüsü baştan aktarılmalıdır. Bu kez,medikal görüntü tam boyutunda ve tamamen DICOM ağ protokolünün üzerinden aktarılmak zorundadır. Bu yüzden, JPEG2000 akışı garanti edilemez. Eğer DICOM ve JPIP sunucusu, medikal görüntü arşivini paylaşırsa, bu sunucular arasındaki zaman uyumu,  DICOM standartı biçiminde olmamasına rağmen kaçınılabilir. Paylaşılan medikal görüntü arşivi, bazı sınırlamaları koyar. JPIP sunucusu sadece JPEG2000 görüntülerini kullanır. Bu yüzden, medikal görüntüler JPEG2000 formatında depolanmalıdır. Çünkü, DICOM sunucusu yerli DICOM görüntülerinin aktarımını destekler, ve JPEG2000 sıkıştırmasını da desteklemek zorundadır. DICOM standartı, JPIP Piksel Veri Sağlayıcı hizmetini kullanan görüntü depolama işlemini desteklemez. Bu yüzden, görüntü depolama işlemi, JPIP sunucusunda engellenmek zorundadır.

Şekil 8 – Standart DICOM JPIP Sağlayıcısı JPEG2000 Depo Mimarisi — DICOM ve JPIP sunucu uygulamalarının bir medikal görüntü arşivini paylaştığı zamanki DICOM JPIP Piksel Veri Sağlayıcı Hizmeti

DICOM standardı JPIP Piksel veri sağlayıcı hizmetinin uygulanması için ikinci yol, standart DICOM JPIP sağlayıcı JPEG2000 depo mimarisidir. JPEG2000 medikal görüntüleri, paylaşılan görüntü arşivinde depolanır. Bu durumdaki problem, yerli DICOM görüntü formatında, JPEG2000 görüntü formatında veya her ikisinde de görüntülerin depolanıp depolanmadığıdır. Son seçenek,standart DICOM JPEG2000 iki kat depo mimarisi için açıklanan aynı nedenlerle söz konusu değildir. Diğer iki seçenek, görüntü formatı kodlama esnasında işleme tabi tutmayı artırabilir, ama bu kaçınılmazdır.

DICOM standart JPIP Piksel veri sağlayıcı hizmetini yerine getirmesi için üçüncü yol, standart DICOM JPIP sağlayıcı JPIP depo mimarisidir. Medikal görüntüler, JPIP sunucusunda JPEG2000 görüntü arşivinde depolanır. Bu durumda, DICOM sunucusu JPIP iletişim protokolünü desteklemek zorundadır. Standart DICOM JPIP sağlayıcı JPIP depo mimarisi, JPEG2000 medikal görüntülerin ve DICOM JPIP Piksel veri sağlayıcı hizmetinin DICOM aktarımını destekler. Ayrıca, JPIP sunucu uygulaması, görüntü depolama çalışmasının DICOM sunucu uygulamasından başlattığını desteklemeli ve bütün diğerlerini engellemelidir.

Şekil 9 – Standart DICOM JPIP sağlayıcı JPIP depo mimarisi — bütün görüntülerin, JPIP sunucu uygulamasında depolananan DICOM JPIP Piksel veri sağlayıcı hizmeti; DICOM sunucu depoları ve JPIP sunucusundan istenen görüntüler

Çünkü DICOM, JPIP Piksel veri sağlayıcı hizmetini kullanan medikal görüntü depolama çalışmasını desteklemez,  JPIP Piksel veri sağlayıcı hizmeti üzerinden alınan medikal görüntüler için değişiklikleri güncellemek , incelemek ve yorumlamak imkansızdır. DICOM kullanıcı uygulamaları diğer DICOM hizmetlerini kullanan DICOM sunucusunda görüntüleri depolamak zorundadır. Temelde, işleme tabi tutulan ve/veya yorum yapılan medikal görüntüler, yeni örnekler olarak depolanır, veya birçok olayda olduğu gibi, onlar basitçe atılandır ve kaybedilendir.

3. DICOM ve JPEG2000 TABANLI TESCİLLİ PACS

DICOM tabanlı PACS üzerinden medikal görüntü akışı için bizim bilgimize birçok çözüm teklif edildi. Çözümler çoğunlukla, standartların JPEG2000 ailesi tabanlı ve/veya standart olmayan sıkıştırma tekniklerinde JPEG2000′e benzer temel alınır. İki temel yaklaşım vardır. İlk yaklaşımda, yeni ağ protokolleri DICOM ileti format tabanlı geliştirilmiştir. Medikal görüntü paylaşımı için eşleme sistemi, Blanquer et al tarafından geliştirildi. Teklif edilen sistem, medikal görüntülerin DICOM iletilerinde sarmalandığı JPEG2000′i kullanır. Görüntüler, sıradan ağ protokolünün üzerinden sistemin çeşitli parçalarının arasında paylaşılır — ne DICOM ne de JPIP protokolleri kullanılır. DICOM başlığı ilk olarak yollanır. Medikal görüntü piksel verisi, tabaka tabaka varış noktasına gönderilir. Bu sistem sadece kalite ölçeklenebilirlik sağlar. Çözünürlük ölçeklenebilirliğini sağlayabilecek hiçbir mekanizma yoktur.

DICOM medikal görüntülerin kalite ölçeklenebilirliği Ramakrishnan ve Sriraan tarafından uygulanmıştır. Bu uygulama, JPEG2000 sıkıştırmasına çok benzeyen Hiyerarşik Ağaçlandırmada Bölmelendirme (Set Partitioning In Hierarchical Trees – SPIHT) sıkıştırma tabanlıdır. Veri aktarımı HTTP ağ protokolüne göre esas alınmıştır. DICOM başlığı ilk takipte medikal görüntü piksel verisi ile gönderilir. Piksel verisi kademeli gönderilir. Böylece kullanıcı uygulaması, aktarım tam kaliteye ulaştığında durabilir. Blanquer’in çözümüne benzer olarak, bu sistem, sadece kaliteli ölçeklenebilirlik sağlar.

Şekil 10 – İki Tabakalı Tescilli Mimari — uygulama aracı medikal görüntülerden mobil cihazlara aktarım sağlar ve PACS ile mobil cihazlar arasındaki iletişimi kurar.

Yeni ağ protokollerine dayanan çözüm sınırlıdır, çünkü eksiklik olduğunda kullanılamaz ve sanayi PACS sistemlerini onaylar.  Ayrıca, mevcut PACS ‘ te teklif edilen sistemlerin gerçek bütünleştirmesini sağlamaz. Genellikle, iki iletişim kanalı ve iki sistemin arasındaki aracın bazı türlerini sağlamak için zorunludur. Her iki teklifte de, sahipler yeni PACS in tamamen önerilen ağ protokolüne dayanarak uygulanması fikrindedir.

DICOM medikal görüntü akışı için ikinci yaklaşım; iki tabaka iletişim mimarisinin gelişimini belirtir. İlk tabaka, DICOM tabanlı PACS ile iletişim için kullanılır, Şekil 10 sağ taraf. İkinci tabaka ise görüntülerin kullanıcı cihazlarına aktarımında kullanılır. Şekil 10 sağ taraf. İletişimin ikinci tabakası genellikle JPIP iletişim protokolüne dayanır.

Bu yaklaşımın örneği Tian et al’ın çalışmalarında bulunabilir. Bu öneride, medikal görüntü arşivi yerli DICOM görüntü formatına dayanır. Görüntü akışı ve sıkıştırması birleştirilmemiştir. Bu yüzden, depolama gereksinimi yüksek kalır. JPIP piksel veri sağlayıcı mekanizmasında olduğu gibi, en azından iki iletişim protokolü olmak zorundadır. Kullanıcı uygulaması, JPIP protokolü üzerinde medikal görüntü istemelidir. Aracı, JPIP isteğini DICOM isteğine çevirir ve isteği DICOM sunucu uygulamasına taşır. Alınan medikal görüntü, aracı kenarında daha fazla işleme tabi tutulandır, ve kullanıcı uygulamasına geri gönderilir. Eğer DICOM iletisi, JPEG2000 medikal görüntü içermiyorsa, görüntü ilk sıkıştırılmalıdır. Bu yüzden, ekstra işleme tabi tutma yer alır ve toplam hizmet eden zaman, önemli şekilde büyür.

4. DICOM2000 TABANLI PACS

DICOM2000 sözdizimi, standart DICOM sorgu mekanizmasını genişletir. Bunun yanında, hasta hakkında bilgi, çalışma, bir başka medikal görüntü  hakkındaki veriler, DICOM2000 kullanıcı uygulaması çözünürlüğü, kaliteyi ve istenilen JPEG2000 medikal görüntünün ilgili bölgesini tanımlayabilir.

DICOM2000 sözdizimine dayanan iletişim Şekil 11’de tanımlanmıştır. İki tip kullanıcı vardır: DICOM2000 kullanıcıları ve standart DICOM kullanıcıları. DICOM2000 sözdizimi, onu desteklemeyen diğer DICOM uygulamaları için tamamen açıktır. Böylece, DICOM2000 sunucu uygulaması standart DICOM kullanıcılarıyla iletişim kurar. Bu da DICOM standardı ile uyum içindedir.

Şekil 11 – DICOM2000 iletişimi — DICOM2000 kullanıcıları onların “Pencereyi odakla” sını tanımlayabilir; DICOM2000 sisteminin hala, diğer DICOM uygulamalarıyla iletişim kurma yeteneği vardır.

DICOM2000 sunucu uygulaması DICOM2000 isteğini aldıktan sonra, hedefteki JPEG2000 medikal görüntü işleme sokulur ve kullanıcı isteğine göre koda dönüştürülür, Şekil 11’in sol kısmı. Sonuç veren JPEG2000 piksel verisi (DICOM2000 kullanıcı cihazının yürürlüğü ve yeteneklerini göstermesi), uygun bilgiyle yan yana DICOM2000 mesajının içinde sarmalanır, ve DICOM2000 iletişim kanalından yollanır. Sarmalanan JPEG2000 piksel verisi çıkarılır, sıkıştırması çözülür, ve kullanıcı uygulaması cihazında gösterime uygun  hale getirilir.

Eğer DICOM2000 sunucusu DICOM isteğini alırsa, tam JPEG2000 görüntüsü, yerli DICOM formatında sıkıştırılması çözülür ve DICOM kullanıcısına yollanır. DICOM2000 sunucu uygulamasının, sıkıştırmayı çözme  ve JPEG2000 medikal görüntülerin yerli DICOM görüntü formatına dönüştürme yeteneği olmalıdır. Ayrıca, eğer DICOM kullanıcısının JPEG2000’i gösterme yeteneği varsa, tam JPEG2000 görüntüsü, DICOM iletisinin içinde sarmalanır ve aktarılır. Eğer kullanıcı isteği, JPIP İstek Dizisi’nin niteliğini içermezse, DICOM2000 sunucusu, DICOM isteğinin olduğu gibi davranır.

DICOM2000 sözdiziminin açıklığından dolayı, DICOM2000 tabanlı uygulamaları önceden var olan DICOM tabanlı PACS yeni iletileriyle birleştirmek kolaydır. Bu, gerçekten medikal görüntü akışı için yeni ağ protokollerinde temel alınan PACS te bir avantajdır. DICOM2000 sözdizimini desteklemeyen uygulamalar basitçe, eklenen nitelikleri görmezlikten gelecektir.

Şekil 12 – DICOM2000 Tek Sunuculu Mimari — bütün işlevsellikler, DICOM2000 sunucu uygulamasına yerleştirilir.

DICOM2000 sözdizimi, bütün DICOM JPEG2000 transfer sözdizimlerinin yararlarını arşivler ve JPIP Piksel veri sağlayıcı hizmeti birinde birleştirilir. Medikal görüntü arşivinin büyüklüğü JPEG2000 sıkıştırması kullanıldığında daha küçüktür. Medikal görüntülerin akışı, DICOM iletişim kanalı boyunca elde edilir. Görüntü arşivi her bir görüntünün sadece bir kopyasını içerir ve kapasiteleri ne olursa olsun tüm kullanıcı cihazları hizmet için kullanılır. Farklı büyüklükteki görüntüler, minimal uzamsal bir  çarpıtmayla JPEG2000 kod akışından basit bir yolla çıkarılır (Maksimum kalite). Önerilen diğer çözümün aksine DICOM medikal görüntü akışı için, DICOM2000 medikal görüntü depolama işlemi mobil cihazları bile destekler. Bu yüzden, mobil cihazlarda medikal görüntüleri depolamak ve güncellemek mümkündür.

DICOM2000 iletişimi iki yolla uygulanır. İlk yol; DICOM2000 Tek Sunuculu Mimari, Şekil 12. Tüm işlevsellikler DICOM2000 sunucusunda yerleştirilmiştir. DICOM2000 sıkıştırmasının yanında, sunucu uygulaması JPEG2000 kodlamasını desteklemek zorundadır. Bu, DICOM2000 sunucusunun kullanıcı istekleri doğrultusundaki JPEG2000 görüntüleri kodlamasını sağlar. DICOM2000 kullanıcı uygulaması JPEG2000 medikal görüntüleri istediği zaman; JPIP İstek Dizisi çözümlenir ve JPEG2000 medikal görüntüsü kullanıcı isteğine göre kodlandırılır.

Şekil 13 – DICOM2000 İki Sunuculu Mimari — işlevsellikler, DICOM2000 ve JPIP sunucu uygulamalarının arasında bölünür; JPEG2000 medikal görüntüleri, JPEG2000 kodlaması için sorumlu olan JPEG2000 sunucu uygulamasında depolanır.

DICOM2000 iletişimini uygulamanın ikinci yolu DICOM2000 İki Sunuculu Mimaridir, Şekil 13. Tüm işlevsellikler DICOM2000 ve JPIP sunucu uygulamaları arasında bölünür. JPEG2000 kodlama işlevselliği JPIP sunucusuyla değiştirilmiştir. Ayrıca, JPEG2000 medikal görüntüleri JPIP sunucusunda depolanır. Sadece medikal görüntüye ilişkin bilgi DICOM2000 sunucusunda depolanır. DICOM2000 sunucusu tüm iletişimi kontrol eder. Kullanıcı uygulaması DICOM2000 sunucusu boyunca medikal görüntüleri ele alabilir. Medikal görüntü depolama işlemini DICOM2000 sunucusu boyunca ele alır. Kullanıcı uygulamaları yeni medikal görüntüleri, JPIP sunucu uygulamasında depolayan DICOM2000 sunucusunda uzaktan bilgisayarına yükler. Yüklenen yerli DICOM görüntüleri ilk JPEG2000 formatında sıkıştırılır.

DICOM2000 kullanıcı uygulaması JPEG2000 medikal görütülerini istediğinde, JPIP İstek Dizisi DICOM2000 iletisinden çıkarılır, hedeflenen JPEG2000 medikal görüntünün ismi ile yanyana JPIP isteğiyle bütünleştirilir ve JPIP sunucu uygulamasına gönderilir. JPIP sunucusuyla olan iletişimde, DICOM2000 sunucusu JPIP kullanıcı uygulaması gibi davranır. JPIP sunucusu istenilen JPEG2000 akışını , ve sadece DICOM2000 müşteri isteğine hizmet eden JPEG2000 piksel verisi, DICOM2000 sunucusu uygulaması için geri akıştır. DICOM2000 sunucusu tarafından alınan DICOM2000 iletisindeki ilgili bilgi ile birlikte JPEG2000 piksel verisi sarmalanır ve DICOM2000 kullanıcı uygulamasına geri gönderilir.

DICOM2000 İki Sunuculu Mimarisi uygulamaya konmuştur ve kontrollü ortamda test edilmiştir. Çok iyi sonuçlar elde edilmiştir. PACS görüntü arşivinin büyüklüğü 10 kezden daha fazla azaltıldı. Düşük çözünürlük ve düşük kalitedeki JPEG2000 görüntüleri JPEG2000 kod akışından çıkarılmıştır ve verilen çözünürlük için mümkün kalitede başarıyla incelenen cep telefonlarına gönderilmiştir. Alınan görüntüler sadece öngörünüm olarak işlenmiştir. İlgi alanı sonradan seçilen ve yüksek çözünürlükte istenendir. Süreç, görüntü bölgesinin orijinal görüntü gibi  aynı çözünürlükte işlenememesine kadar devam eder. Görüntüleyici, orijinal çözünürlükteki görüntünün bölgesinden sonra kayan bölge boyunca yönetebilir. 

5. SONUÇ

Modern PACS, medikal işler için heryeri kapsayan mobil cihazları içermelidir. Bu yüzden, DICOM standartı, medikal görüntülerin iletişimindeki olduğu standart gibi, görüntü akışını desteklemelidir. Görüntü akışı için modern çözümler, genelde JPEG2000 standardında temel alınır. Bu standart, görüntü sıkıştırması ile veri akışını birleştirir. Farklı büyüklükteki görüntüler, minimal uzaya ait bozulmayla, birinden basit bir yolda (kayıplı veya kayıpsız) JPEG2000 kod akışı sunucusundan çıkarılmış ve  farklı kullanıcılara sunulmuştur. Bizim bilgimize, DICOM ağlarının üzerinden JPEG2000 akışını yerine getiren PACS için hiçbir çözüm yoktur. DICOM üzerinden JPEG2000 medikal görüntülerin akışını biz  teklif ettik ve kesinlikle onu uygulayan DICOM2000 söz dizimini geliştirdik. DICOM2000 sıkıştırmayı ve DICOM2000’e JPEG2000’den akış gücünü getirir.

Raporda, JPEG2000 medikal görüntülerin değiş tokuşuna izin veren PACS mimarilerini sunduk. DICOM2000 tabanlı PACS mimarileri, standart DICOM sözdizimi tabanlı PACS mimarileriyle karşılaştırılmış ve çözümler teknik literatürde sunulmuştur. DICOM2000 tabanlı PACS var olan diğer DICOM tabanlı JPEG2000 medikal görüntülerin değişimini uygulayan PACS üzerinde önemli avantajları vardır. Kısaca listelendiğinde, bu avantajlar şunlardır :

• PACS görüntü arşivinin büyüklüğü on kat daha küçüktür.

• Görüntü sıkıştırması görüntü akışıyla birleştirilmiştir. Bu demektir ki; herhangi bir kullanıcı en kaliteli görüntüye uygun yeteneklerle hizmet edebilir.

• Çıkarılan medikal görüntüler, minimum uzaysal bozulma ile vardır. Bunlar, aynı büyüklüğün otomatik ölçeklendirilen görüntülerinden çok daha kalitelidir.

• Bir medikal görüntüye bağlanan bütün kullanıcı istekleri, tek görüntü kod akışından hizmet edilir.

• Gereksiz veri olmadığından, ağ trafiği azaltılır. Alçak – bant ağlarında bile hızlı medikal görüntü gösterimini sağlar.

• Tüm iletişim, DICOM iletişim protokolü üzerinden sağlanır. DICOM sunucusu piksel veri iletimi üzerinde kontrole sahiptir.

• DICOM2000 tabanlı PACS, standart DICOM iletişimini destekleyen diğer PACS ile kolaylıkla birleşebilir.  DICOM2000 uygulamaları kolay ve açık olarak var olan DICOM tabanlı PACS ile birleştirilebilir.

• JPEG2000 medikal görüntü değişimi için olan diğer PACS mimarisini içermez. Örneğin; JPIP Piksel Veri Sağlayıcı Hizmeti ile DICOM2000’i birleştirmek mümkündür.

• Medikal görüntü depolama işlemi mobil cihazları bile destekler.

• DICOM2000 tabanlı PACS, yerli DICOM formatındaki eski DICOM görüntü arşivleriyle kolayca birleştirilebilir. Arka plan süreci, eski DICOM medikal görüntüleri JPEG2000 formatına çevirebilir, ve onları yeni medikal görüntü arşivine depolayabilir.

DICOM tabanlı PACS in iki mümkün mimarisi vardır. DICOM2000 Tek Sunuculu Mimari tüm işlevsellikleri DICOM2000 sunucu uygulamasına koyar. DICOM2000 İki Sunuculu Mimari DICOM2000 ve JPIP sunucu uygulamaları arasındaki tüm işlevsellikleri böler. DICOM2000 İki Sunuculu Mimarisi daha karmaşık ve daha zaman alıcı gözükse de, ekstra yararlar sunar – JPEG2000 medikal görüntü değişimi için standart DICOM hizmetleri ile DICOM2000 sözdizimi işlevselliklerini birleştirme ihtimali.

DICOM2000 İki Sunuculu Mimari’yi uyguladık. Sistem iyi sonuçlar verdi. Farklı büyüklükteki medikal görüntüler orijinal JPEG2000 kod akışından çıkarıldı ve DICOM2000 kullanıcılarına ulaştırıldı. Görüntülerin kalitesi ve büyüklüğü kullanıcı cihazı işlemesine ve görünen yeteneklere uyum sağladı.

DICOM2000 sisteminin mevcut uygulaması tamamlanmamıştır, çünkü; ROI görüntüsünün görünümünü desteklemez. Bu, orijinal çözünürlükte medikal görüntünün istenilen parçasına talep etmesi için DICOM2000 kullanıcı uygulamalarını sağlayacaktır. Tüm medikal görüntü bölgeye görüntülenebilir hale gelebilir.

DICOM2000 tabanlı PACS, heryerde olan medikal bilgi işlem ortamına doğru yön değiştirmiştir.

6. Acknowledgments

The work presented in the paper was developed within the: project “Eroentgenology of Special hospital for lung disease,” No. 6233B [31] and IT

Project “WEB portals for data analysis and consulting,” No. 13013, supported by the government of Republic of Serbia, 2006. – 2010.

7. References

1. Choong, M.K., Logeswaran, R., Bister, M.: Cost-effective handling of digital medical images in the telemedicine environment. International Journal of Medical Informatics, Vol. 76, No. 9, 646-654. (2007)

2. Huang, H. K.: Enterprise PACS and image distribution. Computerized Medical Imaging and Graphics, Vol. 27, No.2-3, 241-253. (2003)

3. Sneha, S. and Dulipovici, A.: Strategies for Working with Digital Medical Images. In Proceedings of the 39th Annual Hawaii international Conference on System Sciences, HICSS, Vol. 05, Kauai, HI, USA. IEEE Computer Society, Washington, DC, 100.1. (2006)

4. Skodras, A. N.: The JPEG2000 Image Compression Standard in Mobile Health. MHealth: Emerging Mobile Health Systems, SpringerLink, 313-327. (2006)

5. Bardram, J.E.: Hospitals of the future – ubiquitous computing support for medical work in hospitals. The 2nd international workshop on ubiquitous computing for pervasive healthcare applications – UbiHealth 2003, Seattle, Washington, USA. (2003)

6. Atkinson, C., Kaplan, B., Larson, K., Martins, H.M.G, Lundell, J., Harris, M.: Ubiquitous Computing for Health and Medicine. Designing Ubiquitous Information Environments: Socio-technical Issues and Challenges, eds. C. Sørenson, Y. Yoo, K. Lyytinen, and J.I. DeGross, London: Kluwer Academic Publishers, 355-358. (2005)

7. Dragan, D. and Ivetic, D.: An Approach to DICOM Extension for Medical Image Streaming. In Proceedings of the 19th DAAAM International Symposium, “Intelligent Manufacturing & Automation”, Trnava, Slovakia. (2008)

8. Mirkovic, J., Ivetic, D., Dragan, D.: Presentation of Medical Images Extracted From DICOM Objects on Mobile Devices. In Proceedings of the 9th International Symposium of Interdisciplinary Regional Research “ISIRR 2007” Hungary – Serbia – Romania, Novi Sad, Serbia. (2007)

9. Dragan, D. and Ivetic, D.: An Implementation of DICOM/JPEG2000 Client/Server Architecture. In Proceedings of the 9th International Symposium of Interdisciplinary Regional Research “ISIRR 2007” Hungary – Serbia – Romania, Novi Sad, Serbia. (2007)

10. Eyadat, M. and Muhi, I.: Compression Standards Roles in Image Processing: Case Study. The Proceedings of the International Conference on Information Technology: Coding and Computing – ITCC’05, 135-140. (2005)

11. Information technology – JPEG2000 image coding system: Core coding system. ISO/IEC 15444-1, 2000 | ITU-T Recommendation T.800. (2002)

12. Taubman, D. and Marcellin, M.: JPEG2000: Image compression fundamentals, standards and practice. Kluwer Academic Publishers, Boston, USA. (2001)

13. Tinku, A., and Ping-Sing, T.: JPEG2000 Standard for Image Compression – Concepts, Algorithms and VLSI Architecture. Wiley-Interscience publication. (2005)

14. Dragan D.: Encapsulation of JPEG2000 Compression by DICOM standard message [master thesis]. University of Novi Sad, Faculty of Technical Science, Department for Computing and Control, Novi Sad, Serbia. (2008)

15. Przelaskowski, A.: Compression of mammograms for medical practice. In Proceedings of the 2004 ACM Symposium on Applied Computing – SAC ’04, 249-253. (2004)

16. Clunie D.A.: Lossless Compression of Grayscale  Medical Images – Effectiveness of Traditional and State of the Art Approaches. Proceedings of SPIE, 74-84. (2000)

17. American College of Radiology, National Electrical Manufacturers Association: Digital imaging and communication in medicine (DICOM): version 3. Draft Standard, ACR-NEMA Committee, Working Group VI, Washington DC. (1993)

18. Dragan, D., and Ivetić, D.: DICOM overview. The VII International Symposium “Young People and Multidisciplinary Research”, Resita, Romania. (2005)

19. Dragan, D., Ivetić, D., and Popović, M.: DICOM Communication and Mapping on TCP/IP Protocol. In Proceedings of the Symposium INFOTEH-JAHORINA 2006 [CD-ROM], Vol. 5, Ref. E-II-15, 384-388, Jahorina, Bosnia and  Hercegovina. (2006)

20. Bidgood, W. D. Jr., Horii, S. C., Prior, F. W., and Van Syckle, D. E.: Understanding and using DICOM, the data interchange standard for biomedical imaging. Journal of American Medical Information Association Vol. 4, No. 3, 199-212. (1997)

21. Oosterwijk, H.: DICOM Basics. OTech Inc/Cap Gemini Ernst and Young. (2002)

22. Seok-Hwan, J. and Whoi-Yul, K.: Defining a New Annotation Object for DICOM Image: a Practical Approach. Computerized Medical Imaging and Graphics, Vol. 28, No. 2-3, 371-375. (2003)

23. American College of Radiology, National Electrical Manufacturers Association: Digital imaging and communication in medicine (DICOM): revision PS 3.1-2006 ~PS 3.15-2006. Draft Standard, ACR-NEMA Committee, Rosslyn, VA. (2006)

24. Tian, Y., and Zhang, J.G.: JPIP-based Wireless Transmission and Display of High Resolution DICOM Medical Images. Chinese Journal of Medical Instrumentation (Zhongguo Yi Liao Qi Xie Za Zhi), Vol. 30, No. 4, 299-301. (2006)

25. Tian, Y., Cai, W., Sun, J., and Zhang, J.: Accessing medical image databases on the go. SPIE Newsroom, Electronic Imaging & Signal Processing [Online]. Available at: http://spie.org/x19505.xml. (cited 2008 Feb)

26. Information technology – JPEG2000 image coding system: Interactivity tools, APIs and protocols. ISO/IEC 15444-9, 2005 | ITU-T Recommendation T.808. (2005)

27. Taubman, D., and Prandolini, R.: Architecture, Philosophy and Performance of JPIP: Internet Protocol Standard for JPEG2000. In Proceedings of the International Symposium on Visual Communications and Image Processing (VCIP2003), Lugano, Italy. SPIE Vol. 5150, No. 3, 791-805. (2003)

28. Moshfeghi, M. and Ta, J.: Efficient Image Browsing with JPEG2000 Internet Protocol. Medical Imaging 2004: PACS and Imaging Informatics, Proceedings of SPIE, Vol. 5371, 31-42. (2004)

29. Blanquer, I., Hernández, V., and Mas, F.: A Peer-to-Peer Environment to Share Medical Images and Diagnoses Providing Context-Based Searching. In Proceedings of the 13th Euromicro Conference on Parallel, Distributed and Network-Based Processing (Euromicro-PDP’05), Lugano, Switzerland. IEEE  Computer Society, Washington, DC, 42-48. (2005)

30. Ramakrishnan, B., and Sriraam, N.: Internet Transmission of DICOM Images with Effective Low Bandwidth Utilization. Digital Signal Processing, Vol. 16, No. 6, 825-831. (2006)

31. Ivetić, D., Berković I., and Dragan, D.: Technological Aspects of E-Rentgenology Systems. In proceedings of the Symposium INFOTEH-JAHORINA 2006 [CDROM], Jahorina, Bosnia and Hercegovina. Vol. 5, Ref. E-II-10, 373-375. (2006)

No related posts.

Benzer yazılar Yet Another Related Posts Eklentisini ile listelendi.

No related posts.

Benzer yazılar Yet Another Related Posts Eklentisini ile listelendi.

Kerem Caliskan

Abstract

History of Computer Animation

• 1887: Goodwin invented nitrate celluloid film

• 1892: Reynard invented the Praxinoscope

• 1893: Edison invented the Kinetscope

– Only one viewer at a time

• 1894: Lumiere invented the cinematograph

– Camera + Projector + Printer

• 1900: THE ENCHANTED DRAWING

– Live action films + replacement technique

• 1906: HUMOROUS PHASES OF FUNNY FACES

– The first animation recorded frame by frame

• 1925: “The Adventures of Prince Achmed”

– Lotte Reiniger, 1st feature animation

– Silhouette animation

• 1885: CRT (Cathode Ray Tube)

• 1960: William F. Boeing coins “Computer Graphics”

• 1961: John Whitney, Intro to Alfred Hitchcock’s Vertigo

• 1961: Spacewars, 1st video game

• 1963: Ivan Sutherland, Sketchpad

• 1974: z-buffer, Ed Catmull

• 1975: Phong shading

• 1980: Tron, 1st feature film by CG

• 1986: Luxo Jr. nominated for Oscar

• 1995: Toy Story, 1st full CG feature film

•2009: Avatar, 3D Computer Animation + Computer Vision

Technical Prelimininaries & Introduction to Keyframing

Rendering Pipeline :

• All vertices of scene in shared 3-D “world” coordinate system.
• Vertices shaded according to lighting model
• Scene vertices in 3-D “view” or “camera” coordinate system.
• Exactly those vertices & portions of polygons in view frustum.

Ray Casting Display Pipeline :

• Animation is typically produced by the following:

–         Transforming the observer position and orientation in world space over time.

–         Modifying the position and orientation of objects in world space over time.

–         Modifying  the shape of objects over time.

–         Modifying display attributes of objects over time.

Transformations :

–         In many applications it is necessary to modify the position, orientation or size of a 2D object.

–         The most widely used transformations are:

• Translation: move one object to another position
• Rotation: rotate the object around the origin
• Scaling: change the size of the object

In order to transform an object, we transform the points that define it.  For instance:

• Polygon: its vertices.
• Circle: its center and, perhaps, its radius

Translation: Can be expressed as components or as addition of column vectors

Rotation around axes : A point is rotated around the origin. Rotation is through an angle q.

Rotating around X Axis :

Scaling : Changing the size of an object.

Composition of transformations:

A series of transformations can be multiplied to form a composite transformation.

Example: Rotate an object around an arbitrary point.

1. Translate P so that the axis is at the origin
2. Rotate the object
3. Translate the object so that P returns to its position

Round-off Errors :

Orientation Representation

Important factor for representation is that whether it allows for interpolation between key frames or not.

• Transformation Matrix Representation :

• Fixed Angle Representation : Rotate around global axes.

• Euler Angle Representation : Rotate around local axes.

• Angle and axis Representation:

• Quaternion Representation :

Representing rotation using quaternions :

Basic Quaternion Math: [s1,v1]+[s2,v2] = [s1+s2,v1+v2]

Interpolation of Rotations using  Quaternion Representation :

Interpolation

Interpolation can be explained as generating the in-between values (like connecting the dots) You should maintain desired control of the interpolation over time and velocity.

Interpolate position of a point in space.

• We can interpolate any changeable value like:

– position

– orientation

– Color (sunrise)

– Intensity (dimmed lights)

– camera focal length (zoom)

• Non-trivial -

– appropriate parameterization of position,

– appropriate interpolating function,

Interpolation function :

How smooth the resulting function needs to be (i.e. continuity),

• Computational expense – order of interpolating polynomial

• Local or global control of the interpolating function

Interpolation vs Approximation

• Actual values at key frames (interpolation)

Or

• Control interpolating function and do not represent actual values (approximation).

Spline eqations:

Cubic curve equations :

• General form: x(u) = U* Ms * Mg

• Ms: spline transformation (blending functions)

Mg: geometric constraints (control points)

Natural Cubic Splines:

To calculate a hermite curve you need the following vectors:

• P1: the start point of the curve
• T1: the tangent (e.g. direction and speed) to how the curve leaves the start point
• P2: he endpoint of the curve
• T2: the tangent (e.g. direction and speed) to how the curves meets the endpoint

Catmull-Rom Splines :

Catmull-Rom splines are a family of cubic interpolating splines formulated such that the tangent at each point pi is calculated using the previous and next point on the spline, _ (pi+1 −pi−1). The geometry matrix is given by:

Unlike a natural cubic spline, a Catmull-Rom spline has local control. This means that modifying one control point only affects the part of the curve near that control point.

Bezier Curves :

Properties of Bezier Curves:

• Passes through start and end points

• Lies in the convex hull

Joining Bezier Curves:

• Start and end points are same (C0)

• Choose adjacent points to start and end in the same

line (C1)

C2 continuity is not generally used in cubic Bézier

curves. Because the information of the current

segment will fix the first three points of the next curve

segment

Controlling the speed:

• Using an interpolating piecewise spline determine the piecewise P(u) equations between control points

• Determine the arc-length of the segments by sampling u

• Compute the average velocity of the object between intervals by arc-length/time

• Move at constant speeds (average velocity) between intervals.

Path following:

• Apart from the position of the object, the orientation of the object also has to be considered.

Frenet frame:

If an object is moving along a path, the orientation can be made directly dependent on the properties of the curve (i.e., tangent and curvature).

Animation languages:

• Abilities:

– I/O operations for graphical objects

– Support hierarchical composition of objects

– A time variable

-  Interpolation functions

– Transformations

– Rendering-parameters

– Camera attributes

– Producing, viewing, and storing of one of more frames of animation

• A program written in an animation language is

referred to as a script.

Shape Deformation Forward  / Inverse Kinematics

Warping an Object

• Displace one vertex of an object

– And as a consequence make neighbor vertices move with the displaced vertex

• Use an attenuation function to determine the amount of displacement for the other vertices:

2D Grid Deformation

• 1974 film “Hunger”
• Draw object on grid
• Deform grid points
• Use bilinear interpolation to recompute vertex positions on deformed grid

• Initially construct a 2D grid around the object as a local coordinate system aligned with the global axes

– Global to local transformation can be done by simple translate and scale

• Then distort the grid by moving the vertices of the grid.

– This will distort the local coordinate system and hence the vertices of the object will be relocated in the global coordinate system

The location of the vertex is found using bilinear interpolation, first interpolate two vertices and then the other two vertices and again interpolate between these found points to find the vertices in between.

Global deformations

• Alan Barr, SIGGRAPH ’84
• A 3×3 transformation matrix affects all vertices

–         P’=M(P) .dot. P

• M(P) can taper, twist, bend…

Global tapering:

Twist about an axis:

Free-form Deformation (FFD)

• Sederberg, SIGGRAPH ’86
• Position geometric object in local coordinate space
• Build local coordinate representation
• Deform local coordinate space and thus deform geometry
• Similar to 2-D grid deformation
• Define 3-D lattice surrounding geometry
• Move grid points of lattice and deform geometry accordingly
• Local coordinate system is initially defined by three (perhaps non orthogonal) vectors

Animation using FFDs:

Hierarchical Kinematic Modeling

Some definitions

• Articulated objects: Hierarchical objects connected end to end to form multi body jointed chains

– Manipulators: A sequence of objects connected in a

chain by joints. Example: robot arm

• The rigid objects between joints are called links.

The last link in a series of links is called the end

effector (e.g. the hand of a robot arm)

• The local coordinate system associated with

each joint is referred to as the frame.

• Kinematics: Studying the movement of objects without considering the forces involved in producing the movement.

• Dynamics: Studying the underlying forces that produce the movement.

• Hierarchical modeling: Organizing objects in a treelike structure and specifying movement parameters between their components.

Simple vs. Complex Joints

• Joints that allow motion in one directions have one degree of freedom.

• Complex joints have more degrees of freedom and they can be represented as a series simple joints connected to each other by zero length links.

– Examples:

• Ball-and-socket joint (3 DOF)

• Planar joint (2 DOF)

Hierarchical Models

• Represented as trees and nodes are connected by arcs.

• The highest node of the tree is called the root node which corresponds to the root object whose position is known in the global coordinate system.

• The position of an intermediate node in the tree can be found by position of the root node and the transformations on the path from root to that node.

• Nodes represent object parts (i.e., links)

• Arcs represent joints

Information stored in nodes and arcs :

Positions of vertices

• Are found by traversing the tree from top to bottom and concatenating the transformations at the joints.

Rotations at the joints and appendages:

Forward Kinematics

Local Coordinate Frames

• Denavit-Hartenberg Notation from robotics .

Relating two successive frames :

Inverse Kinematics

Analytic computation for simple cases is possible

The Jacobian

• In many complex joints however, such analytic solutions are not possible.

• Therefore we use the Jacobian matrix to find the correct joint angle increments that will lead us to the final end effectors configuration

• The Jacobian matrix is a matrix of partial derivatives

– Each entry shows how much the change in an input parameter effects an output parameter

Computing the Jacobian:

Rigid Body Simulation

• Reaction of rigid bodies to forces such as:

– Gravity

– Viscosity

– Friction

– Forces from collisions

–Wind

• When applied to objects, these forces induce linear and angular accelerations

Rigid Body Simulation Cycle

The difference from standard physics is that in computer animation the motion of objects at discrete times steps is studied along with significant events and their aftermath.

Acceleration

• In real life, the forces change as the rigid body changes its position, orientation, and velocity over the time.

• It is not the best approach to use the acceleration at

the beginning of the time interval to compute the

velocity at the end (known as Euler integration)

RK2 Method

First compute the derivative of y(t) at to (which we call k1). We use k1 to get an initial estimate for y(to+h) labelled y*(to+h) . From y*(to+h) we can get an estimate for the derivative of y(t) at to+h, which we will call k2. We then use the average of these two derivatives, k3, to arrive at our final estimate of y(to+h) labelled y*’(to+h).

Rotational Motion

• For non-point objects, the mass extent of the object should be considered.

• Angular velocity: The rate at which the object is rotating irrespective of its linear velocity.

– the direction of the vector gives the axis of orientation

– the magnitude gives the revolutions per unit time

Linear Velocity of a Rotating Point

Center of Mass

• If mass values are provided on some discrete points on the object (i.e. vertices), the total mass and the center of mass is given byLinear force F = m . a

Rigid Body Dynamics Controlling Groups of objects

Bodies in Contact

• Collision

– Both kinematic and dynamic components

• Kinematic: Do determine whether two objects

collide or not. Only dependent on the position and orientations of the objects and how they change over time.

• Dynamic: What happens after collision, what forces are exchanged, how do they affect objects’ motions.

Collision handling

• Kinematic response

• Take actions after the collision occurs (the penalty method).

• Back up time to the first instant the collision occurs and determine the appropriate response.

Kinematic Response

• Particle-Plane collision

Particle’s position is computed at every time step (particle is moving at a constant speed)

when we understand that the particle has collided with the plane in the time interval ti-1 and ti.

When collision is detected, the component of the velocity vector in the normal direction is negated by subtracting it twice from the original velocity vector.

• To model the loss of energy during collision a damping factor 0<k<1 is multiplied with the normal component when it is subtracted the second time.

The Penalty Method

• A point is penalized for penetrating another object

Penalty Spring

The spring produces an upward acceleration with a = – kd/m

Difficult to determine the mass and the spring constants that will produce a realistic effect

Testing Collisions Between Planar Polyhedra

• Bounding box tests

– If they indicate a collision then more elaborate tests may be performed to make sure that the collision exists

• Convex polyhedra – point test

– The point should be on the same side (inside) for all the polygons that make up the polyhedra

• Concave polyheadra – point test

– Even-odd rule may be used to count the intersections of a ray emanating from the point to an arbitrary direction with the polygon faces

• if its odd à point inside the polyhedra

• if its even à point outside the polyhedra

Point test may not be conclusive and it may need to test the edges as well.

The normal that defines the plane of intersection is used to calculate the response

– point-face penetration

• The normal of the face is used

– Edge-edge intersection

• Cross product of the edges is used as the normal

Backing Up Time

• Can be computationally expensive when too many collisions occur

• Time is backed up to the point of impact, an impulse force is computed, and the time is moved forward again

• The exact collision time can be found by binary search by setting L=ti-1 and U=ti and searching between L and U, dividing the interval by half each time.

The point of collision can also be found by assuming a linear path, constant-velocity motion. This provides an approximation.

Computing the impulse force

The normal to the surface of contact, n, is determined. The relative positions of the contact points with respect to the center of masses are computed.

The relative velocity of the contact points in the direction of the normal, n, is computed

Enforcing constraints

• Enforcing constraints to physically based animations can be done by introducing additional forces in the system, such as:

– Springs

– Internal energy constraints (such as distance of vertices from the center of mass)

• Constraints can be hard or soft constraints.

Controlling group of objects

Particle systems – Flock behavior – Autonomous behavior

Particle Systems

Some common assumptions due to large number of particles

– Particles do not collide with other particles

– Particles do not cast shadows, except in an aggregate sense

– Particles only cast shadows on the rest of the environment, not on each other

– Particles do not reflect light, they are each modeled as light emitting objects

A frame of a particle system

• Any new particles that are born during this frame are generated, each new particle is assigned attributes.

• Any particles that have exceeded their allocated life span are terminated.

• The reaming particles are animated and their shading parameters changed according to the controlling processes then the particles are rendered.

Life of a particle :

Particle Generation

• A random number of particles around an average can be generated.

• Similar number of particles should be terminated to ensure constant number of particles at each frame.

Attributes of Particles

• Position

• Velocity

• Shape Parameters

• Color

• Transparency

• Lifetime (in number of frames)

Particle Animation

• Effect of forces modeled on the environment is computed as acceleration on the particle

– Gravity, wind, force fields, collisions with environment objects

• Acceleration is used to update the particle’s velocity

• Average velocity is used to update the position

• Shape can be a function of velocity

– An ellipse that elongates with respect to velocity

Flock Behavior

• Local perception and behavior of bodies (i.e. flock members)

– Limited intelligence and simple physics

• Emergent behavior

– Flying in a diamond shape or V shape

– Splitting, merging

Two main forces to keep a collection of objects behaving like a flock

– Collision avoidance

• With the environment

• With other members

– Flock centering

• Can be achieved using localized control

Local control

Computationally desirable

• More realistic

• Three processes modeled in local control

– Physics

– Perception

– Reasoning and reaction

• Negotiates among the various demands due to perception

• Collision avoidance

• Flock centering

• Velocity matching

Interacting with other flock members

• Attractive force

– To move with the flock

• Repulsive force

– A shorter range force for not to collide with neighbors

Flock Leader

In real life leaders change periodically

– The wind resistance is strongest for the leader of a flying flock of birds.

• But in animation, it may be easier to have one designated leader whose motion is scripted along a path.

Negotiating the Motion

• Three low-level controllers

– Collision avoidance

– Velocity matching

– Flock centering

• A priority based weighting scheme can be used to combine the individual requests from the low level controllers.

Collision avoidance :

Using a force field to direct flock members away from an obstacle.

Problems with Force Field Technique

Modeling Flight :

Rotation types of flight            Forces of flight

Lifting forces :

Important Points on Modeling Flight

• Turning is effected by horizontal lift

• Increasing pitch increases drag

• Increasing speed increases lift

Autonomous Behavior

Natural Phenomena

Modeling the plants & clouds.

Using fractals seems to appropriate to model plants, because of observed self-similarity at various levels

• But how to define the fractal? What about the stochastic behavior?

Animation

• In addition to rendering static plants we should also think about the motion to animate:

– Motion due to environmental conditions such as wind

– Plant growth

L-System

• Introduced and developed in 1968 by the Hungarian theoretical biologist and botanist Aristid Lindenmayer

• Formal Grammar consisting of a set of production rules.

• Famously used to model the growth processes of plant development.

• Can be used to generate self-similar fractals

• A procedural technique to model objects

D0L system

• A deterministic and context-free L-System

– Implies each non-terminal has a single grammar rule associated with it.

– And the left part of a grammar rule consists of a single non-terminal (i.e., no-context information)

Geometric Interpretation of L-Systems

• Geometric Replacement:

– Replace each symbol with a geometric element.

Turtle Graphics :

• Replace each symbol with a drawing command.

• Given the initial state of the cursor and the linear and rotational step sizes, a string can be used to draw a shape .

• The state of the cursor at any point can be given by the current position and heading of the cursor .

Linearity problem :

• With only the four commands of draw / move / turn_left / turn_right one can only generate linear shapes.

• Bracketed L -systems are introduced to provide branching

• In the generation rules, a left branch indicates to push the current state on the stack and a right branch indicates a popping of the state from the stack and setting it as the current state.

• The stack structures provides unlimited branching

Bracketed L-Systems

Bracketed L -systems are introduced to provide branching

Non deterministic  & Stochastic

• In the generation rules, a left branch indicates to push the current state on the stack and a right branch indicates a popping of the state from the stack and setting it as the current state.

• The stack structures provides unlimited branching

Animating Plant Growth

• Changes in topology during growth.

• Elongation of existing structures.

• Elongation of structures may be animated by small linear step size and using rules such as F à FF

• Changes in topology is animated by the bracketing mechanism.

– However, we should not scan and render the final

generated string left to right, the rendering should be

done as we proceed

Parametric L-Systems

• Symbols may have one or more parameters associated with them

– We can specify different linear, angular step sizes.

Realistic Modeling of Clouds

Visual Characteristics of Clouds

• Clouds have volumetrically varying amorphous structure with detail at may different scales.

• Cloud formation often results from swirling, bubbling, and turbulent processes.

• Clouds have several illumination and shading characteristics.

Volumetric Cloud Modeling

• Two level hierarchy:

– Implicit volumes to represent to global structure of the cloud (the cloud macrostructure)

• Modeled by implicit functions (such as spheres)

– Procedural methods to define turbulent, noise characteristics at a smaller scale (the cloud microstructure)

• Modeled by turbulent volume densities

Volumetric Cloud Modeling

• The macro and micro models are combined to define a volumetric density function (vdf) over a 3D volumetric space

• The densities of the implicit volumes can be combined by using a cubic blending function and a weighted sum

• To combine the densities from implicit primitives with the turbulence-based densities a user specified blend percentage can be used (60% to 80% gives good results).

Modeling and Animating Articulated Figures: Modeling the Arm, Walking Facial Animation

Terms Related to Human Body Animation

• Sagittal plane :Perpendicular to the ground and divides the body into right and left halves.

• Coronal plane: Perpendicular to the ground and divides the body into front and back halves.

• Transverse plane : Parallel to the ground and divides the body into top and bottom halves.

• Distal : Away from the attachment of the limb.

• Proximal: Toward the attachment of the limb.

• Flexion: Movement of the joint that decreases the angle between two bones.

• Extension: Movement of the joint that increases the angle between two bones.

Challenges in Human Modeling

• Human figure is a very familiar form

• Human form is very complex

– About 200 degrees of freedom

– Some of the parts are deformable

• Humanlike motion is not computationally well defined

– There is no one definitive motion that is humanlike

– Different characteristics for different people

Modeling the Arm: Reaching and Grasping

• To simplify the modeling process, it is usually assumed that the arm operates independently from the other body parts.

– not realistic

– to provide realism one can add additional joints in a preprocessing step and position the body and make it ready for the independently considered arm motion.

Basic Arm Model

7 DOF

Sometimes the forearm is modeled differently. Because in reality the forearm rotation is not associated with a localized joint.

– The two forearm bones rotate around each other.

– We can associate this rotation with the elbow or the wrist, or sometimes a virtual joint in the middle is used to handle forearm rotation

• In reality each joint has specific limits

– Example: the elbow flexes at most to 20 degrees and extends to 160 degrees

• Some of these limits depend on the situation

• Some of these limits depend on the situation

– Example: It is difficult to fully extend the knee when one is bending at the hip.

Inverse Kinematics

• The Jacobian technique can be used and the solution can be biased towards desired joint angles.

• To produce more humanlike motion the Jacobian can be replaced by a procedural approach

– The joints farther away from the hand has more effect on the position of the hand

– The joints closer to the hand are used to perform fine orientation changes

Alternatively, the user can specify the plane between shoulder, elbow, and the wrist

Shoulder can be modeled as a ball joint or 3 separate joints of 1 DOF.

Reaching around obstacles

• The volume of space swept by the limb should not intersect with the obstacles in a scene

• Several path planning algorithms have been developed

We can use a gradient of Genetic algorithm approach to move the end effectors towards the goal .

Strength

• Strength may be incorporated into the motion planning of the arm

• For underconstrained problems (i.e., problems with many solutions), the solution space can be searched for the configurations which places least amount of strain on the figure.

– Strain can be computed by computing the torque at each joint.

– Comfort is defined as the ratio of the currently requested torque and the maximum possible torque.

Walking

• It is a cyclic motion

– Acyclic components

• Turning, tripping

• Responsible for transportation of the body and maintaining balance

• Dynamics is more important in walking

• Walking is dynamically stable, but it is not statically stable

– E.g., When a body freezes in the middle of the walk, it may fall on the ground

• Experimentally gathered data or a set of adjustable control parameters are used.

– Example parameters:

• Stride length

• Hip rotation

• Foot placement

• State transition diagrams are used to specify the walking process

• Kinematics can be used for the general walking motion and forces may be computed to determine the motion of the upper body

Walk Cycle :

Running Cycle :

Pelvic transport rotation and tilt

Knee Flexion

• Bending at the knee joint prevents the leg to penetrate the floor during pelvic tilt.

• It also helps to absorb shock

Ankle and Toe Joints

• Ankle and toe joints help flatten out the rotation of the pelvis above the foot as well as to absorb some shock.

Specifying a new walk

• The animator specifies the kinematic values for pelvic movement, foot placement, and foot trajectories. The rest is determined by inverse kinematics.

Dynamics

• Dynamic models may help produce more realistic motion.

– However, the animator looses control over some parameters

• Simplifications

– Some dynamics effects are ignored, such as the effect of the swing leg on balance

– Forces are considered constant over some time interval

– Leg model is simplified (to a small DOF)

– Several components (e.g. horizontal and vertical) are computed separately and combined .

Facial Animation

• Face is a deformable object.

• Lip-synching

– Animation of the movement of the lips, the muscle deformation of the tongue, the articulation of the jaw, and the deformation of the surrounding face during speech

• Cartoon animation

• Realistic character animation

Facial Models

• Acquisition of the geometry of the head

• Acquisition of the motion

– How does the geometry change

• Face geometry

– Polygon models

– Splines

– Subdivision surfaces

Parameterized Models

• Conformational parameters

– 25 parameters in Parke’s model

– Symmetry between the sides of the face is assumed

– 5 parameters to control the shape of the forehead, cheekbone, cheek hollow, chin, and neck

– 13 scale distances between facial features

– 5 parameters to translate chin, nose, and eyebrow

• Expressive parameters.

Animating the Face

• Simplest approach is to define a set of key poses

– Animation is produced by interpolating between the positions of their corresponding vertices in the two key poses

– Disadvantage: parts of the facial model are not individually controllable by the animator

• What are the primitive motions of the face?

• How many degrees of freedom are there in the face?

Facial Action Coding System (FACS)

• 46 basic facial movements, called Action Units (AUs) are defined, and used in combination to describe all facial expressions.

– Examples:

• Lower brow, raise inner brow, wink, raise cheek, drop jaw.

• Disadvantages:

– It is descriptive, not generative

– It is not time based

– Facial movements are analyzed only relative to a neutral pose

– FACS describes facial expressions, not speech

Muscle Models

• Three types of muscles to model

– Linear

• Contracts and pulls one point (point of insertion) toward another (point of attachment)

– Sheet

• Parallel array of muscles. Attached to a line instead of a single point

– Sphincter

• Contracts radially toward an imaginary center.

• Three aspects differentiate one musclebased model from the other

– the geometry of the muscle-skin arrangement

• Are they modeled on the surface or attached to a structural layer beneath the skin

– the skin model used

– the muscle model used

• The deformation of other points may attenuate based on the distance from the point of insertion and angle of deviation from the displacement vector

Animating Cloth & Motion Capture

Simple Draping

• Draping will occur as a cloth is hanged from a fixed number of support points.

• The cloth is represented as a two dimensional grid of points located in 3D.

– Certain grid points are fixed

• Convex-hull of the fixed points determine where the draping will occur.

•Two phases

– The draped surface is approximated with the convex hull of the constrained points.

– Iterative relaxation process where other grid points are displaced.

• Process continues until the maximum displacement is below a threshold.

• Vertices on the grid are labeled as interior or exterior depending on whether they are inside the convex-hull or not.

• The grid points along the line between two constrained points are determined.

Motion Capture Systems

• The recording of RAW motion data for later use.

• Several different systems on the market

• camera / optical / infrared

• gyroscopes / accelerometers

• magnetic / fiber optic

Standard pipeline

Part of the Process

1. Calibrate Cameras

2. Put Markers on Subject

3. Calibrate Subject

4. Check Quality of Calibration

5. Record Motion

6. Cleanup Point Cloud

7. Label Markers in Point Cloud

8. Cleanup Resulting Data

9. Export Data

10.Import Data into Package of Choice

Usage area

• Motion Analysis & Research

• Games

• Films & Animated Shorts

• Human Factor Studies

• Performance Arts

• Virtual Reality Simulations

• Education

• etc.

References

METU Ceng732 Lesson Slides

Rick Parent’s book and book slides.

From Oxford English Dictionary
Anderson, Joseph and Barbara Fisher. “The Myth of Persistence of Vision.” Journal of the University Film Association XXX:4 (Fall 1978): 3-8.
Joseph Anderson & Barbara Anderson (1993). The Myth of Persistence of Vision Revisited. Journal of Film and Video 45:3–12.
Raster Graphics Handbook. Publisher. Conrac. Date. 1980
Cutting, J.E., Perception With An Eye For Motion, Mit Press, Cambridge, pp. 1986.

http://pages.cpsc.ucalgary.ca/~jungle/587/pdf/3-principles.pdf

]http://mrl.snu.ac.kr/courses/CourseAnimation/notes/HistoryOfAnimation.pdf

The Illusion of Life: Disney Animation at  mazon.com SMPTE.org

MIDI.org

Quaternions from Wolfram MathWorld

Exponential Map from Wolfram MathWorld

Spline Curves and Surfaces

Game AI Resources: Pathfinding

Warping and Morphing of Graphical Objects by J. Gomes, L. Darsa, and L. Velho, Morgan-Kaufmann Publishers

Chris Welman’s Master’s thesis, Inverse Kinematics and Geometric Constraints for Articulated Figure Manipulation – PDF

Paul Nylander’s Physics

Robot Dynamics: Equations and Algorithms by Roy Featherstone and David Orin – PDF

Spacetime constraints by Adrew Witkin and Michael Kass – PDF

No related posts.

Benzer yazılar Yet Another Related Posts Eklentisini ile listelendi.

Doktora yeterlilik sınavları, ikinci çocuğumun doğması derken uzun bir ara vermiş oldum yazılara ama daha önce de söylediğim gibi çok olumlu tepkiler almış olmak artık PACS olgunluğu konusunu bitirme yönünde adım atmaya mecbur kıldı beni. PACS konusu yazılarıma gelen tepkilerden ve şirketten arayıp konuşanlardan anladığım kadarıyla çok bohem yaklaşılan ve anlama hakkı bile çok özel bir grubun özelindeymiş gibi düşünülen bir gariplikte. Yazılımla uğraşan kişiler PACS konusunun çok basit olduğunu düşünüp sonuçta ortaya bir şey koyamıyorlar, radyologlar gibi kullanıcılar ise PACS’i genelde 1500 kişilik Ar-Ge personeli bulunan şirketlerin tekelindeymiş gibi görüyorlar. Hayır PACS çok basit değil konuyu bilmeyen şirketler oturup 1 seneye başarılı bir sistem ortaya koyamazlar, ama aynı zamanda hayır PACS sadece devasa bütçeli şirketlerin tekelinde de değil. Ama bir gerçek var bu iş uzun soluklu, bugün ben yaptım oldu diyenler yarın afallayabilirler benim kendi şirketimde tek ilgilendiğim konu bu işi 2 sene önce başladığımız hevesle 10 sene sonra da devam ettiriyor olabilmek. Geliştirdiğimiz medikal görüntüleme yazılımlarını Avustralya’ya ihraç ettik, ve Japonya’dan bir kaç firma ile görüşmelere başladık. Hani gazetelerin son sayfalarında yer alan Amerika’nın antin kuntin bir üniversitesinde birinci olan kardeşlerimiz kadar değerimiz yok ama biz yaptığımız işe aynı hevesle ve öğrenme azmiyle sarıldıkça bir gün bir yerlerde anlatılırız diye düşünüyoruz. Gerçi hata bizde PR diye bir mevzu var değil mi? Çık anlat kendini işte ama öyle yaparsak da işle uğraşamayacakmışız gibi hissediyoruz, hadi hayırlısı:) Neyse yaptım işte PR olayımızı daha fazla kasmak anlamsız, bir önceki PR çalışmasında anlattıklarımız o zaman ses getirmişti, bir sonrakinde direk bu blogdan kopyala yapıştır yaparız artık…

PACS Olgunluğu ve PACS Evrimi konusundaki eğilimler

Hastanelerde uygulanan kurumsal olgunluk modelleri içerisindeki PACS teknolojik altyapısı ile ilgili çalışmalar sonucunda PACS olgunluğu ve PACS Evrimi konusunda üç ana eğilim belirlenmiştir.  Bunlar :

1. PACS konusunda radyolojik ve hastane bütünündeki süreç iyileştirmeleri;
2. PACS Entegrasyonu, PACS Optimizasyonu ve PACS İnnovasyonu;
3. Kurumsal PACS ve Elektronik Hasta Kaydı – Electronic Patient Record ( EPR ).

PACS Olgunluğu – PACS Maturity Model – PMM

I. PACS altyapısı oluşturma

II. PACS süreci

III. Klinik süreç yeteneği

IV. Entegre yönetilebilir innovasyon

V. Kurumsal optimize edilmiş PACS zinciri

Sonuç olarak:

No related posts.

Benzer yazılar Yet Another Related Posts Eklentisini ile listelendi.

Medikal görüntüyü sıkıştırmanın sebebi nedir?

Sıkıştırılan bir medikal görüntünün boyutu azalır dolayısıyla da aktarım süresi ve depolamak için gereken zamanda da azalma gerçekleşir. Tabi kullanılan görüntü sıkıştırma yöntemine bağlı olarak medikal görüntünüzün kalitesinden ve tanı koyma yeteneğinizden de olabilirsiniz. Dolayısıyla medikal görüntülerin sıkıştırılması konusunda bilinçli olmak size çok şey kazandıracaktır.

Geçen günlerde daha önceden yabancı kökenli bir PACS sistemi kullanan ama bizim sistemi gördükten sonra altyapısını bize açıp tüm sistemini bizim PACS sistemine geçirmek isteyen bir müşterimizde bazı ilginçliklerle karşılaştık. Çok pahalı ve uluslararası alternatifimiz olan bir sistemde PACS sunucusu üzerinde DICOM görüntüler ziplenmiş olarak! saklanıyor ve bunun da sıkıştırma olduğu düşünülüyordu zannettiğim kadarıyla :) Tabi aslinda daha kötüsü bu Open DICOM Architecture ile tezat oluşturuyor ve PACS veri tabanındaki DICOM görüntülerin sorgulanıp görüntülenmesini ( DICOM Query ve DICOM Retrieve ) imkansız hale getiriyor. Müşteriyi de tek bir sisteme mahkum kılıyor. Bu tarz ahlaksızlıkların yabancı firmalar tarafından yapılması kimseye yapma hakkı tanımaz ama bu daha çok alıcının bilinçlenmesi ile ilgili bir konu bana göre.

Bu bizi şoke eden ve şirkette epey geyiğini döndürdüğümüz konunun sonunda ben medikal görüntülerin sıkıştırılması ve bunun PACS altyapısındaki yeri üzerine yazmaya karar verdim. Doktora yeterlilik sınavlarım yeni bitti aylardır stresli bir şekilde çalışıp uzak kaldığım günlüğe de taze bir dönüş olur diye düşünüyorum.

Yazıya başlamadan önce konuyla ilgilenen ama literatür eksikliği çeken arkadaşları Medikal Görüntü İşleme hakkındaki terminolojimi okumaya davet ediyorum.

PACS ve DICOM açısından medikal görüntü sıkıştırma arkaplanı :

PACS medikal görüntülerin sıkıştırılmasından görüntü aktarımını hızlandırmak ve depolama alanını azaltmak anlamında faydalanır. Bu ikili bile aslında çok önemli kriterler ve sağlam bir PACS sunucusu için gereken bileşenlerdir.  Yazıyı yazdığım yıl 2009 itibarıyla sadece Amerika’da elde edilen medikal görüntü boyutu petabyte seviyelerini geçmiştir ve her yıl daha da artmaktadır. Görüntü sıkıştırma PACS için gittikçe daha da anahtar bir bileşen haline gelmekte ve bu altyapı PACS’in görüntü aktarım hızı ve depolama kapasitesi üzerinde devasa değişkenlikler oluşmasını sağlamaktadır. Bu yapıtaşı öncelikle tıbbi teşhisi sağlayacak görüntü kalitesini kaybetmeden görüntüyü saklamak ve göstermek için gereken bit boyutunu azaltmaktadır, ikinci olaraksa medikal görüntü gösterim işistasyonlarına ağ üzerinden aktarılacak görüntülerin hızlıca hedeflerine gönderilmelerini sağlamaktadır.

Teknik olarak görüntü sıkıştırma algoritmaları ikiye ayrılırlar. Bunlardan geriye dönülebilir olan ilki “lossless” yani kayıpsız, veya “error free” – hatasız sıkıştırma olarak geçer. Geriye dönülebilir yapılar 2:1 veya 3:1 oranlarında sıkıştırma sağlarlar ve orjinal görüntüye tümüyle geri dönüş imkanı sağlarlar.  İkinci sırada ise geri dönülemez olan versiyon veya “lossy” yani kayıplı sıkıştırma vardır, geri dönüldüğünde orijinal görüntüye dönüş imkanı vermez ama kayıpsıza göre çok daha yüksek ( 10:1 den 50:1 ve daha fazlasına kadar ) sıkıştırma oranı sağlar. Genel olarak konuşacak olursak daha fazla sıkıştırmanın fiyatı görüntü kalitesinden ödün vererek sağlanabilir. Bir başka deyişle sıkıştırma oranı yükseldikçe görüntü kalitesi düşer.  Tabi medikal görüntüleme söz konusu olduğunda başka şekilde sıkıştırmalar da ihtiyaç kökenli olarak ortaya çıkmış ve bunların geneline klinik görüntü sıkıştırma adı verilmiştir. Burada hekimler tarafından hastanın seri görüntülerinden belirlenen bir kaç görüntünün depolanması söz konusudur. Depolanan görüntüler daha sonrası için dönüşümlü olarak sıkıştırılabilir veya sıkıştırılmayabilir de burada önemli olan yüzlerce görüntüden en gerekli olanların saklanıp kalanların atılmasıdır. Örneğin bir baş MR görüntüsündeki 100′lerce kesitten teşhis için sadece 3-4 tanesi önem taşıyabilir ve kalanları atılabilir. Tabi bu mantık bana göre depolamanın zorluklarla dolu olduğu ilk zamanlardan kalma bir ara çözümdür. Hangi medikal görüntünün ne zaman işe yarayabileceğine karar vermek çok zordur, ya atılan bu görüntüler bir kaç ay sonraki görüntülerle kıyaslanmak istense ne yapılacak? İlk günlerde bu da ara yöntem olarak ortaya çıkmıştır.

Görüntüdeki kalite kaybı göz tarafından algılanamayabilir bu tarz gözle algılanmayacak şekilde kalite kaybına “visually lossless” yani görsel açıdan kayıpsız denilir ve bu şekildeki kayıplı sıkıştırmalardan gözle algılanamayanlarını karakterize etmede kullanılır.

Benzeri bir terim olarak da ACR-NEMA ( American College of Radiology and the National Electrical Manufacturing Association ) namı diğer DICOM’un yaratıcıları tarafından ortaya atılan “information preserving” – bilgiyi koruyan da kullanılabilir.   ACR-NEMA, DICOM standardı elde edilen görüntü eğer tıbbi anlamda orijinal görüntünün tüm bilgisini koruyorsa bunu bilgiyi koruyan olarak adlandırır. Her ik terim yani “visually lossless” ve “information preserving” subjektif terimlerdir ve bu konular üzerine çalışırken çok dikkatli olmalıdır. Biz bunları yapıyoruz diyen kişilerden bunları nasıl yaptıklarına dair gerekçelendirmeleri de öğrenilmelidir.

Günümüzde, kayıplı sıkıştırma ana teşhis açısından radyologlar tarafından genelde kullanılmamaktadır. Radyologlar özellikle kayıplı görüntü üzerinden konabilecek olası yanlış tanının hukuki geri dönüşlerinden korkmaktadırlar. Kayıplı sıkıştırma kullanıcılarda olduğu kadar üreticilerde de çeşitli sorulara yol açmıştır ve bu konuya yazının ilerideki aşamalarında döneceğiz ama şimdilik şunu bilmekte fayda var Amerika’da FDA (  Food & Drug Administration ) bu konuda yönlendirici regülasyonlar çıkartmıştır.

Kayıpsız sıkıştırma algoritmaları:

Arkaplan Çıkarımı : ( Background Removal )

Burada ana espirimiz görüntü üzerinde arkaplana dahil olan fazlalık kısımları gözardı etmektir. Özellikle CT – MR gibi kesit görüntülerde güzel bir segmentason da başarılmışsa başarılı sonuçlar verebilir. Tabi burada lossless yapının sadece ilgi alanımız olan ROI için geçerli olduğunu bu alan dışında kalan kısımın ise zaten işe yaramaz olduğu için kaybedilebilir olduğunu unutmamak gerekir. İlk örnek olarak 512×512 CT görüntüsünün ROI ( Region of Interest ) yapısının belirlenmesi ve bunun dışında kalanların atılmasını gösterebiliriz. Geriye kalan ROI daha sonra diğer kayıpsız sıkıştırma algoritmaları ile de sıkıştırılabilir.

Medikal Görüntü İşleme ve Sinyal İşleme camiası için segmentation büyük bir inceleme alanıdır ama bir çok başarı da elde etmek olasıdır. Yapmamız gereken konu basit sayılabilir aslında.  Diyagnostik değeri olmayan bölgeleri bul, bunları adama saymayıp hepsine 0 değeri ata ve sonra bütün görüntüde kayıpsız sıkıştırma yap. 0 atanmış olanlar zaten mis gibi sıkıştırılacaklardır :)

Sözün özü sağlam arka plan bulabilen sistemler sıkıştırmada büyük avantaj elde ederler. Bunu başarabilmek için de Medikal Görüntü İşleme konusunda akademik altyapı ile pratik yazılım deneyimini birleştirebilmek önem addeder.

Run – Length Coding: RLE

Öncelikli olarak günlüğü okuyanlardan her terimi Türkçe kullanamadığım için özür dilerim ama bu kadar temel bilgisayar bilimi terimlerini nasıl ifade edeceğimi bilemiyorum ve açıkçası bunlara kafa yormak da istemiyorum, eleştirecek arkadaşları da benzeri Türkçe kaynak aramaya davet ediyorum, nasıl olsa bulamayacaklar :)

RLE en ilkel sıkıştırma yapılarından birisidir. Birbirini tekrar eden komşu pikselleri sayıları kadar belirtirsiniz örneğin bir satır ” 16 02 20 06 16 16 16 16 16 16 16 22″ diye gidiyorsa RLE dizini : 1 16-1 02-1 20-1 06-7 16-1 22 şeklinde olacaktır. Burada sizin de gözünüze çarpacak olan sorunlardan en açık olanı ardışıl piksellerin devamlı birbirinden farklılık göstermesidir, bu durumda Gri Skala 8 Bit lik bir görüntüde her bir piksel için 2 Byte’lık sayı kullanma söz konusu olabilir ki bu da görüntüyü 3 katına çıkartabilir.

JPEG 2000

Bu tablodan da görülebileceği gibi iki boyutlu sinyallerin sıkıştırılmasında öne çıkan en önemli bileşenlerden birisi JPEG 2000 olup aynı zamanda diğer alternatiflere göre DICOM 3.0 protokolünce de desteklenmenin avantajını yaşar. Günümüzde JPEG 2000 sıkıştırma ve açma yeteneği olmayan bir yazılımın DICOM 3.0 uyumluluğu sorgulanmaktadır. Bu konu teorik olarak algılanması zor ve yazımızın genel anlatmak istediklerinin ve kapsamının sapmasını sağlayacak kadar da uzun anlatılması gereken bir konudur. Yakın zamanda JPEG 2000 ile medikal görüntü sıkıştırma hakkında kapsamlı bir yazı planladığım için şimdilik isteklilerine ipucu vermekle yetineceğim. Görüntü işleme konusunda çalışan veya ders almış her okuyucunun bileceği Wavelet trasnformlarının devrimsel yapıları sayesinde ( ilgilenenler önce Fourier transfromları öğrenmeli sonrasında da sinyal özetlemenin harika yolu olan Sub-Band Encoding / Decoding konularına bakıp matematikleri yetmediği anda vazgeçip işi bilenlere yani bize bırakmalılar :) ) kayıplı sıkıştırmada da yüksek oran ve güzel görüntü kalitesi sağlanabilir. JPEG 2000′in temelinde de Wavelet transformlar yatar ve görüntüyü daha alt çözünürlüklerde özetleyerek ortaya bir piramid mimarisi koyar. Bu noktada özet görüntülerin sıkıştırılması sayesinde istenildiğinde görüntüdeki bir çok lekeden kurtulma şansı doğar.  Özellikle gri skala yapısındaki ( medikal görüntüler gibi ) görüntüleri sıkıştırmada çok başarılı olan bu sistem alt çözünürlüklerde örnekleme yeteneği sayesinde teleradyoloji gibi kısıtlı veri aktarım imkanı olan yerlerde de yoğun kazanç elde edilmesini sağlar. Neyse daha fazla kafa karıştırmaya gerek yok, bu konuyu dilim döndüğünce anlatmaya çalışacağım o yüzden şimdilik burada kesiyorum. Son olarak JPEG 2000 hiç bir şey yapmasa dahi öncülü JPEG standardına göre %20 başarılı sıkıştırır, ayrıca başarılı bir JPEG sıkıştırma için genelde görüntünün özetlenmesi gerekirken JPEG 2000 zaten bunu doğası gereği ilk başta yapmak zorundadır.

Renkli Görüntü Sıkıştırma

Radyolojik görüntü elde etmede geleneksel olarak ışık kaynaklarından teşhis amaçlı görüntü oluşturmak amacıyla faydalanılmaz dolayısıyla radyolojide renkli görüntüler çok az kullanılır. Renkten çoğunlukla tıbbi görüntüyü geliştirme anlamında faydalanılır konuyu gözümüzde canlandırmak için ülkemizde çok moda olan renklendirilmiş Çanakkale Savaşı veya Atatürk’ün görüntülerini düşünebiliriz, aslında gri skalada olan bu resimler daha sonradan renklendirilmişlerdir. Tabi tedavi amacıyla düşündüğümüzde insanlar arasında en fazla gri skala ayrımı yapabilen Radyoloji mesleğinden gelenler için bunun pek bir anlamı yoktur ama diğer branşlardaki az eğitimli gözlerin buna ihtiyacı olabilir. Bu anlamda renkli görüntünün faydalı olduğu dallardan birisi de nükleer tıp görüntülemesindeki aktörler SPECT ve PET olabilir ama bu kısımlarda sıkıştırma genelde kullanılmaz çünkü elde edilen görüntülerin dosya büyüklükleri görece küçük sayılabilir.

Burada öne çıkan ve standartsızlığın at koşturduğu başka medikal görüntüleme dallarını unutmamakta fayda var aksi takdirde konuyla ilgililer beni “Doppler Ultrason renksiz mi? Endoskopi sistemleri tüm gökkuşağını barındırıyorlar! Sen mikroskoplarla elde edilen görüntüleri adamdan saymıyor musun?” şeklinde topa tutarlar. Açıkçası bu görüntülerin yakalanması ve aktarılmasıyla yıllarca uğraşmış da olsam, ortağım Eren ve benim master konularımızın endoskopi kayıt sistemlerinin verimliliği üzerine de odaklanmış olsa bu yapılardan sıtkımız sıyrılmış durumda. Sırf yüksek yer kapladıkları ( saatler süren bir laparoskopi kaydı veya 20-30 saniyelik Doppler Ultrason’u bir düşünelim ) için yıllarca PACS sistemleri bu verilere nasıl yaklaşacaklarını bilemediler. Bunun sonucu olarak meydan medikal görüntüleme sistemleri ve yapıları hakkındaki bilgili olanlardan daha çok bunları güvenlik kamerası sistemleri kaydıyla aynı tutan ve DVR benzeri sistemleri pazarlayanlara kaldı. Bu tüm dünyada aynı şekilde gerçekleştiği için renkli ve sıkıştırılmış büyük görüntülerin DICOM haline getirilmesi ve daha sonra da saklanması sorun haline geldi. Sonuçta bu görüntüleri saklayan yazılımlar yerden kazanabilmek için veri kaybını göze aldılar ve DICOM uyumlu olmayan sıkıştırma formatlarına eğilmek zorunda kaldılar. Tabi bu sistemlerde DICOM aktarımı vb var artık ama hala içsel yapılarında DICOM uyumlu sıkıştırma formatı kullanmıyorlar. Biz burada DICOM uyumlu olmayan yapıları düşünmek yerine başka bir metoddan bahsedelim.

Renkli görüntüler üç banttan oluşurlar: Kırmızı – Yeşil ve Mavi (RGB – Red – Green – Blue ), bu kanallar üç ayrı bağımsız görüntü olarak ele alınır ama gösterileceği zaman birleştirilirler. Bu yapı RGB uzayı veya renk uzayı olarak anılır ve CIE (Commission Internationale L’Eclairag ) tarafından geliştirilmiş bir gösterim yapısıyla bir üçgenin köşeleri olarak gösterilir. CIE renk uzayı gösterimi Luminance ( parlaklık ) ile Chrominance ( hue – renk ) yapılarının ayrıştırılmasına fayda sağlar. Bu yapının desteğiyle NTSC ( National Television System Committee ) YIQ adı verilen yeni bir renk uzayı belirledi. Burada görüntü sırayla Luminance, In-phase Chrominance ve Quadrature Chrominance koordinatlarına ayrıştırıldı. Dijital görüntülemede ise YCbCr oluşturuldu. Standart RGB’den YCbCr ye geçiş aşağıdaki gibidir:

   Y  =  0.2989 R + 0.5866 G + 0.1145 B
   Cb = -0.1687 R - 0.3312 G + 0.5000 B
   Cr =  0.5000 R - 0.4183 G - 0.0816 B

Sadece bu geçiş bile medikal görüntü üzerinde 2:1 oranında bir sıkıştırma sağlar, bu oranın doğrulanması ile ilgilenenler internetten bir çok örnek bulabilirler ama şimdilik yazarın söylediklerine biat etmenizde fayda var. Bu çevrimden sonra Y, Cb ve Cr bileşenleri ayrı olarak sıkıştırılabilirler ki medikal görüntü sıkıştırma konusundaki ilk sevgilimiz JPEG bu tekniği kullanır. Burada belli bir yöntemi öne çıkartmaya çalışmıyorum, mühendislik hayatım boyunca bu kısımlarda DivX, ASF, MPEG-4, MPEG-4 Part 10 ( H264 ) kullanan bir çok sistem gördüm, onlar kötü bu yöntem en babası demiyorum hatta bahsettiğim yöntem genelde daha az sıkıştırma sonuçları döndürür ama medikal görüntü sıkıştırma konusu bir yarışmadan önce bilimsel standartların kullanılmasınını ve DICOM uyumluluğunu şart koşar. Yoksa bizim askeri ve milli güvenlik sistemlerimizde benzeri sıkıştırma yapılarını destekliyoruz hatta bu konuda (mesela H264 ) ülkemizin en iddialı şirketlerinden birisiyiz, sadece bu sıkıştırma standartlarını müşterimiz aksini istemedikçe medikal ürünlerimize yerleştirmiyoruz.

DICOM Standardının ve kurumların Medikal Görüntü Sıkıştırma hakkındaki kısıtlamaları :

Kayıpsız sıkıştırma genelde görüntü boyutunda 2:1 veya 3:1 oranında azalma sağlar. Bunu arttırabilmek için tıbbi değeri olmayan kısımların ( arka plan )  ana görüntüden ayrıştırılması gibi yöntemlerden faydalanabileceğimizden bahsetmiştik. Tabi bu genelde kullanıcının katılımını gerektiren senaryolar oluşturur, Amerika veya Avrupa’da hemen hemen her hastanede PACS yöneticiliği bu ve benzeri konulardan dolayı özelleşmeyi ve eğitimi gerektirirken bizde sistem yönetimi bile komşu internet kafe sahibinin ellerinde olduğu için gerçekçi olmakta fayda var diye düşünüyorum. Medikal görüntüyü kayıplı sıkıştırma konusu kanuni sorunlarla karşılaşabilir, sonuçta orjinal görüntüden kayıp söz konusudur ve bu konuda neler yapıldığına göz atmakta fayda var.

Klinik çalışmada medikal görüntü sıkıştırma konusu iki ana kurumdan etkilenmiştir bunlardan birincisi Amerikan Yiyecek ve İlaç Yönetimi ( FDA – Food and Drug Administration ) kurumuna bağlı CDRH ( Center for Devices and Radiological Health ) olup, ikincisi ise canımız ciğer paremiz DICOM 3.0 ( Digital Imaging and Communication in Medicine ) standardını ortaya çıkartan ACR / NEMA ( American College of Radiology / National Electrical Manufacturers Association ) kurumudur.

FDA

FDA sıkıştırma konusunu kullanıcın ellerine bırakmıştır. Tabi bunu yaparken kullanıcının karar verebilmek için kayıplı medikal görüntü sıkıştırma manifestosunun verilmesini medikal görüntülerde kayıplı sıkıştırma oranlarının sıkıştırılan medikal görüntüye eklenmesi için gerekenlerin yapıldığına emin olunmasını şart koşmuştur. Üreticilerin kullanıcı dökümanlarına medikal görüntüde kayıplı sıkıştırma yapılması konusunda bilgilendirici kısımlar koymaları gerekmektedir. Ayrıca bir medikal görüntüleme cihazı yeni medikal görüntü sıkıştırma teknolojisi kullanıyorsa bunu pazarlama faaliyetlerinden önce bildirmekle zorunludur. Ülkemizde bazı hocalarımızdan duyduğumuz “X firmasının yeni cihazı medikal görüntüsünü öyle bir sıkıştırıyormuş ki bu kadar olur!” gibisinden laflarını Amerika’da o kadar rahat duyamayacağımız böylece garntilenmiş olur. Kim ne yapsın standart dışı sıkıştırmayı? Bunu gerçekten anlayamıyorum, bir yandan herkes standartların öneminin farkında bir yandan da standart dışı olabilecek sistemlerin sadece kendi cihazında olabileceğiyle övünmekte, iyi bir yazılım sistemi için açar bu satndartları okursunuz ve herkesle uyumluluk sağlarsınız bunu yapınca başkasına göre eksik görğnmek veya algılanmak son derece üzücü. 1993 tarihli PACS yönlendirme dokümanı üreticilerin medikal görüntüleri kayıplı sıkıştırma ve aktarma yetenekleriyle ilgili olarak NMSE ( Normalized Mean-Square Error) değerlerini paylaşmalarına izin verir. Bu değerin seçilmesinin ana nedeni üreticilerin de kendi testlerinde bu değerlerden faydalanmaları ve bu değerlerin objektif olmalarıdır. Tabi NMSE’nin lokal bilgi kaybıyla ilgilenmediğini de unutmamak gerekir.

Sonuç olarak Amerika’da aldığınız bir medikal görüntüleme cihazının kayıplı sıkıştırma ile depolama yapmasına izin vermek kullanıcının elinde, ama bu yüzden hasta görüntüsünde veri kaybı olursa ve bu sonradan tedavi sürecini sıkıntıya sokarsa ceremesine de aynı kullanıcı katlanmak zorundadır. Bir PACS kurulumu sırasında dünyaca ünlü bir DR üreticisinin görüntülerinde Default sıkıştırma yapılarının görüntüyü gerekenden fazla sıkıştırması sonucunda biz cihazda sıkıştırma yerine PACS sunucusunda sıkıştırma yoluna gittik ve üreticinin Amerika marketindeki sorunlarla ilgili bilgilenmesini sağladık ve aldığımız tepkiler doğru düşündüğümüzü görmemize yardımcı oldu. Üretici de kendi sistemini hemen düzelterek işin ciddiyetini algıladığını gösterdi.

DICOM

DICOM ilk defa sıkıştırma konusunu ortaya attığında başlarda Arttırımsal Block DCT ardından gelen Huffman kodlamanın kullanıldığı JPEG temelli yapıyı hem kayıpsız hem de kayıplı medikal görüntü sıkıştırma ile yola çıkmıştı. Günümüzde ise Wavelet transformlarca desteklenen JPEG 2000 ( ISO/IS 15444 ) kayıplı ve kayıpsız medikal görüntü sıkıştırma konusunda temel altyapı haline gelmiştir. DICOM görüntüsünde JPEG 2000 sıkıştırma yapılması DICOM dosyasının başlığında transfer yapısı kısmında belirtilmelidir. Kayıpsız ve kayıplı olmak üzere iki farklı transfer yapısı DICOM başlığı için belirlenmiştir.

“Bunlar yetmez DICOM sıkıştırmanın dibine kadar anlaşılmasını görev addeddim!” diyorsanız ACR/NEMA sayfasından ( linklerde vermiştim bir zahmet oradan bakınız ) 5. kısmı indirsinler. Annex A4.1 JPEG, A4.2 JPEG LS, A4.3 RLE ve A4.4 JPEG 2000′e ayrılmıştır. Ama medikal görüntü sıkıştırma yapılarının günümüzdeki kralı JPEG 2000 için benim keyfimi de bekleyebilirsiniz, ona bir itirazım olmaz :)

No related posts.

Benzer yazılar Yet Another Related Posts Eklentisini ile listelendi.