Proiectul descris in aceasta lucrare are ca scop crearea unui instrument software pentru construirea grafurilor conceptuale, necesare in procesul de interpretare a imaginilor medicale, studiul facandu-se preponderent asupra imaginilor medicale cerebrale.
1.2 Analiza existentului
Prezentul proiect este parte a unui proiect mult mai amplu, a carui denumire originala este << Image interpretation : A tool to build conceptual graphs >>, denumirea data produsului software fiind RAISIN.
Principalul scop al proiectarii programului RAISIN este acela de a oferi un instrument eficient de crearea a grafurilor conceptuale, care sa respectele cerintele de reprezentare a informatiilor, necesare analizei automate a imaginilor medicale.
Analiza imaginilor medicale se face construind automat, pentru imaginea analizata, un graf a carui noduri reprezinta zonele din imagine, iar arcele reprezinta relatiile dintre zone, dintre care cele mai importante sunt relatiile spatiale si distantele dintre zone. La pasul urmator, graful construit va fi comparat cu grafurile existente in baza de date, cautand cazul cel mai asemanator. Pe baza asemanarii dintre graful generat automat pentru imaginea analizata, si graful din baza de date ce corespunde in cea mai mare proportie, se va putea stabili un diagnostic.
Intrucat pe piata nu exista un instrument eficient de creare a grafurilor ce vor constitui baza de date, sub forma dorita de initiatorii proiectului, solutia gasita a fost aceea de a crea software-ul RAISIN. Acesta va fi folosit pentru colectarea informatiilor de la expertul uman in domeniu, intregul proces fiind total dependent de contributia acestuia. In fond, expertul uman va construi un graf semantic pentru fiecare imagine data, graf ce va fi ulterior introdus in baza de date si folosit in procesul de analiza automata a imaginilor. Se apreciaza ca baza de date va contine analiza a peste 100 000 de imagini, incluzand cazurile normale si cazurile patologice.
In acest stadiu, proiectul ofera rezultate satisfacatoare privind incarcarea imaginilor, segmentarea imaginilor, construirea grafurilor si salvarea modelului. Pentru a putea aplica algoritmii de interpretare trebuie insa ca nodurile si arcele sa contina o serie de informatii suplimentare, obtinute de la expertul in domeniu. Obtinerea corecta a acestor informatii, sub forma necesara algoritmilor de interpretare, presupune folosirea relatiilor spatiale, definirea unor constrangeri, a unor relatii intranod, a etichetarii nodurilor si arcelor(lucru realizat anterior prin simpla atasare a unui numar), gruparea arcelor etc. Detalii despre aceste aspecte veti gasi in capitolul despre implementare din prezenta lucrare.
1.3 Cerinte
La punctul anterior v-am prezentat pe scurt, principalele caracteristici ale software-ului denumit RAISIN, caruia a trebuit sa ii adaug urmatoarele functionalitati:
- Nodurile si arcele trebuiesc etichetate, astfel incat crearea modelului sa fie cat mai usoara pentru expertul uman din domeniul medical fara experienta in domeniul calculatoarelor;
- Realizarea unei interfete utilizator intuitiva, utilizata pentru colectarea informatiilor referitoare la noduri si arce, tinand cont de necesitatile algoritmului de interpretare a imaginilor;
- Implementarea relatiilor spatiale si a relatiilor intranod;
- Intrucat proiectul initial oferea posibilitatea obtinerii de informatii de la expert, insa nu in forma dorita, oriunde este necesar, se va face reactualizarea codului.
1.4 Contextul problemei
1.4.1 Adaptarea cunostintelor generice pentru interpretarea imaginilor medicale : reprezentarea folosind ontologii si grafuri
Datorita progreselor recente inregistrate in ingineria cunostintelor, in analiza si interpretarea imaginilor se pune din ce in ce mai mult accentul pe modelarea cunostintelor a priori din domeniul studiat. In particular, ontologiile permit formalizarea, intr-o maniera coerenta si consensuala a cunostintelor din domeniul dat.
Vom analiza modul in care formalizarea cunostintelor generice despre anatomia creierului poate facilita analiza si interpretarea imaginilor cerebrale. Aceste cunostinte pot fi disponibile sub forma de ontologii, ca in FMA(Foundational Model of Anatomy, Rose si Mejino(2003)), insa pot fi disponibile si sub forma de descrieri lingvistice. Este insa dificil de tradus aceste cunostinte intr-un model operational care sa poate fi folosit in segmentarea si recunoasterea imaginilor cerebrale.
Ca o solutie la acest inconvenient, se poate incerca modelarea acestor cunostinte cu ajutorul grafurilor si a reprezentarii relatiilor spatiale. Relatiile spatiale au o importanta deosebita in descrierea, detectarea si regasirea informatiilor intrucat permit eliminarea ambiguitatii atunci cand se intalnesc obiecte cu acelasi aspect ; relatiile spatiale sunt mult mai stabile decat proprietatile obiectelor in sine
Pentru a descărca acest document,
trebuie să te autentifici in contul tău.