Основные характеристики изображения

Среди характеристик цифровых изображений следует выделить:

Размер: этот параметр может быть любым, но часто выбирается исходя из особенностей регистрации изображения (например, видеостандарты PAL (625, 4:3), SECAM (625, 4:3), NTSC (525, 4:3)), особенностей последующей обработки (алгоритмы быстрого преобразования Фурье предъявляют особые требования) и т.п. Хотя в последнее время фреймграбберы интерполируют изображение до любых размеров, библиотеки БПФ справляются с изображением любых размеров.

Количество цветов (глубина цвета) : точнее количество бит, отводимое для хранения цвета, определяется упрощением электронных схем и кратно степени 2. Изображение для хранения информации о цветах которого необходим 1 бит называется бинарным. Для хранения полутоновых (gray scale, gray level)

Билет 13

1.Физические основы получения изображений с помощью радиоизотопов

В последние десятилетия клиническая диагностика заболеваний человека с помощью введения

в его организм радиоизотопов в индикаторном количестве получила широкое применение. Визуализация с помощью радиоизотопов включает в себя ряд методов получения изображений, которые отражают распределение в организме меченных радионуклидами веществ. Эти вещества называются радиофармпрепаратами и предназначены для наблюдения и оценки физиологических функций отдельных внутренних органов. Характер распределения радиофармпрепаратов в организме определяется способами его введения, а также такими факторами, как величина кровотока объема циркулирующей крови и наличием того ли другого метаболического процесса.

Радиоизотопные изображения позволяют получать ценную диагностическую информацию.

Наиболее распространенным методом этого класса является статическая изотопная визуализация в плоскости, которая называется планарной сцинтиграфией. Планарные сцинтиграммы представляют собой двумерные распределения, а именно проекции трехмерного распределения активности изотопов, которые находятся в поле зрения детектора. Томографические исследования с применением системы многоракурсного сбора информации об объекте разрешают преодолеть большинство проблем, связанных с наложением информации при одноракурсном способе сбора данных.

2. Методы автоматического анализа изображений

ТИПЫ ИЗОБРАЖЕНИЙ

Изображения бывают векторными и растровыми. Векторным называется изображение,

описанное в виде набора графических примитивов. Растровые же изображения представляют собой двумерный массив, элементы которого (пиксели) содержат информацию о яркости. В цифровой обработке используются растровые изображения. Они, в свою очередь, делятся на бинарные, полутоновые, палитровые, полноцветные.Элементы бинарного изображения могут принимать только два значения - 0 или 1. Природа происхождения таких изображений может быть самой разнообразной. Но в большинстве случаев они получаются в результате обработки полутоновых, палитровых или полноцветных изображений методами бинаризации с фиксированным или адаптивным порогом. Полутоновое изображение состоит из элементов, которые могут принимать одно из значений интенсивности какого-либо одного цвета. Это один из наиболее распространенных типов изображений, который применяется при различного рода исследованиях.

В палитровых изображениях значение пикселей является ссылкой на ячейку карты цветов (палитру). Палитра представляет собой двумерный массив, в столбцах которого расположены интенсивности цветовых составляющих одного цвета. В отличии от палитровых, элементы полноцветных изображений непосредственно хранят информацию о яркостях цветовых составляющих. В дальнейшем при рассмотрении методов обработки изображений, будем считать, что изображение представляется матрицей чисел (размер матрицы NхM), где значение каждого элемента отвечает определенному уровню квантования его энергетической характеристики (яркости). Это так называемая пиксельная система координат. Существует также пространственная система координат, где изображение представляется непрерывным числовым полем квадратов с единичной величиной. Количество квадратов совпадает с числом пикселей. Значение интенсивности элемента в центре квадрата совпадает со значением соответствующего пикселя в пиксельной системе координат. При решении практических задач, связанных с измерениями реальных геометрических размеров объектов на изображении, удобно

использовать пространственную систему координат, так как она позволяет учитывать разрешение

(количество пикселей на метр) системы.

Обработка изображений осуществляется рекурсивными и нерекурсивными методами.

Рекурсивные методы используют результат обработки предыдущего пикселя, нерекурсивные - не

используют. В большинстве случаев используются нерекурсивные алгоритмы обработки изображений.

РАЗРЕШАЮЩАЯ СПОСОБНОСТЬ ЦИФРОВОГО ИЗОБРАЖЕНИЯ

Цифровое изображение должно точно представлять оригинальное оптическое изображение с

требуемой для каждого специфического приложения разрешающей способностью. Разрешающая

способность (или разрешение) цифрового изображения может быть охарактеризована двумя параметрами: фотометрической разрешающей способностью - яркостным (или полутоновым) разрешением, описывающим, как точно цифровое изображение представляет мельчайшее различия в яркости оригинального изображения, и пространственной разрешающей способностью (пространственным разрешением), которая описывает, насколько точно цифровое изображение передает информацию о размере и положении мельчайших различимых деталей в исходном изображении. Яркостное разрешение определяется числом различных значений полутона (уровня серого), которое способно точно воспроизвести АЦП. Количество полутонов, которые необходимо иметь в цифровом изображении, определяется характером последующей обработки. Для задач визуализации, где цель состоит в том, чтобы подчеркнуть тонкие различия в

контрасте изображения, может потребоваться 256 или больше уровней серого. Для приложений, где цель состоит в том, чтобы классифицировать объекты на основании только их размера, информация о небольших различиях в контрасте является малозначимой, и лишь нескольких уровней серого может быть достаточным для представления оригинального изображения. Фактически для многих аналитических приложений цель цифровой обработки состоит в том, чтобы для увеличения скорости обработки и экономии компьютерной памяти сократить число уровней серого, содержавшихся в изображении. Если для конкретного приложения вся необходимая информация из 8-битного изображения (256 уровней серого) может быть представлена в лишь четырех уровнях серого (2- битовое изображение), то требования к памяти могут быть существенно сокращены. Аналогичные

соображения относятся к минимальному количеству пикселей, необходимых для воспроизведения исходного оптического изображения в горизонтальном и вертикальном направлениях. Как мы увидим позже, значительный объем информации, содержащейся в изображении, может быть сохранен с использованием только 1-битового представления. Такие изображения содержат только черные или белые пиксели и называются двухуровневыми, или бинарными изображениями.

Многие приложения обработки изображения оперируют бинарными изображениями, и

специализированные процессоры изображений имеют память и микропрограммы обработки, специально предназначенные для бинарных изображений.

Практически полутоновое разрешение ограничено шумовой компонентой, добавляемой к

цифровому изображению фотоприемником и устройством аналого-цифрового преобразования. Шумовая компонента может быть определена путем оцифровывая изображения равномерно освещенного поля и измерения среднеквадратичного отклонения цифровых значений уровня серого.

ГИСТОГРАММА ИЗОБРАЖЕНИЯ

Математически гистограмма выражается как одномерный массив Н(I), каждое значение

которого есть вероятность, с которой в цифровой матрице изображения содержатся значения, равные яркости I.

Алгоритм построения гистограммы состоит в последовательной проверке цифровой матрицы

изображения А(М,N) с целью определения числа ее элементов, равных I{0,1,...R}, где R=max А(М,N). В результате получим функцию распределения значений яркости I{0,1,...R} цифрового изображения А(М,N) - гистограмму Н(I).

Связь между изображением и его гистограммой показаны на рис. 3.3, где (А) и (Б) -

изображение клетки крови, а так же соответствующие им гистограммы уровней серого.

Значение гистограммы, например H(k)=L, показывает, что в цифровой матрице элементы,

значение которых равно k, встречаются L раз.

Анализ гистограммы яркости может дать важную информацию об изображении, из которого

она была получена, а также показать, насколько эффективно используется оптический цифровой

преобразователь. Гистограмма также показывает, что многие возможные значения уровня

серого не представлены в изображении. Эти отсутствующие значения уровня серого указывают, что полный динамический диапазон цифрового преобразователя не используется и что путем внесения изменений или настройки системы формирования и регистрации изображения можно получить более высококонтрастное изображение. Эти компенсационные настройки будут иметь лишь ограниченный эффект, однако если исходный анализируемый препарат не позволяет получить высококонтрастное изображение, то будет достигнута граница, где увеличение чувствительности системы приведет лишь к ухудшению изображения за счет добавления шума. Гистограмма уровня серого может также использоваться, чтобы показать, был ли динамический диапазон устройства оцифровки превышен в процессе формирования цифрового изображения. Важнейшей физической характеристикой структуры микрообъекта является функция распределения оптической плотности (или коэффициента пропускания) компонентов структуры, представляемая графически в виде гистограммы и показывающая частоту встречаемости в микрообъекте определенных значений плотности. Глобальный анализ гистограммы позволяет получить ряд статистических характеристик первого порядка, описывающих совокупность элементов структуры безотносительно к их расположению в пространстве. К ним относятся такие характеристики, как средняя оптическая плотность и дисперсия плотности, коэффициенты асимметрии и эксцесса, структурная энтропия и др. Для анализа отдельных компонентов структуры микрообъектов проводится локальный анализ гистограммы. При этом функция распределения значений оптической плотности рассматривается как смешанное (многомодовое) распределение, состоящее из нескольких нормальных распределений, линейная комбинация которых наилучшим образом аппроксимирует исходную гистограмму. Каждая мода

характеризует определенное подмножество элементов структуры с одинаковой или близкой оптической плотностью и, как правило, связана с определенной структурной составляющей. Для каждой моды могут быть рассчитаны: средняя оптическая плотность, дисперсия плотности и весовой коэффициент.

Статистические характеристики первого порядка оказываются, как правило, весьма

информативными, однако с их помощью не удается извлечь информацию о пространственной организации микрообъектов.

ПРЕОБРАЗОВАНИЯ ГИСТОГРАММЫ И УЛУЧШЕНИЕ КОНТРАСТА

Одним из параметров, существенно определяющим качество изображений, является контраст.

Поскольку изображение имеет сложный сюжетный характер, то это порождает необходимость при определении его контрастности выходить из контраста отдельных комбинаций элементов изображения.

Изображения, которые формируются во время различных исследований, часто не используют

весь диапазон возможных градаций яркостей, что предопределяет их низкую информативность.

Контрастность изображения, яркости элементов которого расположены в узком диапазоне возможных значений, низкая. Один из методов повышения качества таких изображений состоит в нелинейном преобразовании значений видеосигнала, в частности, в расширении области используемых значений градаций яркости на максимально возможный диапазон. Часто в основе таких преобразований лежит линейное растяжение или гамма-коррекция (Прэтт У., 1982).

Как только изображение было преобразовано в цифровой вид, его можно подвергнуть

обработке способами, которые затрагивают яркость и контраст изображения. Такие преобразования используют только значения уровня серого отдельных пикселей и не изменяют пространственные особенности цифрового изображения. из исходного цифрового изображения I1 в результате преобразования получается новое изображение I2. Функцию f(I) называют функцией

преобразования интенсивности (ФПИ) или функцией градационного преобразования. Она определяет, как значение уровня серого каждого пикселя в исходном изображении I1 преобразуется, чтобы получить

результирующее изображение I2. Эта функция имеет вид

где I1(x,y) - пиксель в строке x и колонке y в исходном изображении, a I2(x,y) - результат

применения ФПИ f(I). Нужно отметить, что значение уровня серого выходного пикселя I2(x,y) зависит только от входного значения уровня серого соответствующего пикселя в I1 и не зависит от свойств окружающих пикселей. Такой тип преобразования называют точечным преобразованием, это означает, что результирующее значение ФПИ зависит исключительно от исходного значения уровня серого и что пространственная информация изображения является несущественной.

использование дискретных ФПИ не добавляет информации к цифровому изображению и, при некоторых обстоятельствах, может привести к потере информации, содержащейся в изображении. Несмотря на эти факты, ФПИ широко используются в приложениях обработки изображения по нескольким причинам. Они могут использоваться с целью улучшения визуального восприятия изображения и различения полутонов, которые могли бы быть визуально незаметными глазом в исходном виде. Нелинейные классы ФПИ могут также использоваться для калибровки системы формирования и регистрации цифровых изображений для непосредственного измерения таких фотометрических характеристик, как, например, оптическая плотность.

НЕЛИНЕЙНОЕ УЛУЧШЕНИЕ КОНТРАСТА

Одной из важных особенностей цифровой обработки, которая не может быть просто

реализована посредством аналоговых методов, является использование нелинейных ФПИ. Нелинейный характер ФПИ означает, что контраст в изображении может быть увеличен в одном диапазоне значений серого, в то время как в другом диапазоне он может быть уменьшен или оставлен неизменным. ФПИ может быть подобрана таким образом, чтобы выборочно увеличивать в изображении контраст важных особенностей, одновременно уменьшая контраст незначительных. Нелинейные ФПИ могут использоваться, чтобы калибровать или исправить нелинейности оптической системы формирования изображений.

Даже когда все области изображения содержат информацию равной значимости, может быть

желательным использовать нелинейную ФПИ. Причину использования нелинейной ФПИ в этом случае можно увидеть, исследуя гистограмму на рис. 3.13. Две затемненных зоны показывают области

гистограммы, которые содержат равные количества пикселей. В центре гистограммы, где на градацию серого приходится самое большое количество пикселей, для получения области с необходимым

количеством пикселей используются только несколько различных градаций серого. На краю гистограммы на

любую градацию серого приходится меньше пикселей; следовательно, чтобы получить сектор равной

области, необходим больший диапазон градаций серого. Это различие в ширине секторов равной площади в

пределах гистограммы изображения означает, что у любого пикселя в изображении есть более высокая

вероятность наличия соседей со значениями уровня серого около центра гистограммы, чем наличие соседей

со значениями уровня серого около краев. Следовательно, контраст между соседними пикселями в

изображении будет ниже для значений серого около центрального пика гистограммы, чем для пикселей около края гистограммы (Sklansky J., 1978). Если все пиксели в изображении, представленном этой гистограммой, содержат информацию равной значимости, смещение контрастности к пикселям со значениями серого, лежащими около края гистограммы, приводит к тому, что они становятся более заметными, чем те, которые находятся около пика, что нежелательно. Этого смещения контраста можно избежать, если гистограмма изображения будет иметь равномерное распределение с равным количеством пикселей в каждом уровне серого.

Нелинейные ФПИ, как правило, предназначаются для изменения контраста изображения

определенным способом, основанным на некоторой модели визуального восприятия или на теоретических соображениях относительно объема информации в изображении (например, Прэтт У., 1982). Хотя у этихпреобразований может быть твердая математическая основа, успех любой процедуры улучшения очень субъективен и будет, в конечном счете, зависеть от предпочтения наблюдателя и типа анализируемого изображения.

ПРЕОБРАЗОВАНИЯ МНОЖЕСТВЕННЫХ ИЗОБРАЖЕНИЙ

Многие полезные процедуры обработки изображений основываются на алгебраических

операциях над двумя изображениями:

где A(i,j) и B(i,j) - соответствующие пиксели в этих двух изображениях, а * является

алгебраическим оператором, таким как сложение, вычитание, умножение или деление. Эти преобразования во избежание получения отрицательных или дробных значений также обычно включают суммирование или умножение на константу.

Вероятно, наиболее часто используемое алгебраическое преобразование - вычитание двух

подобных изображений. Вычитание двух изображений одного и того же препарата, полученных в разное время, может использоваться для обнаружения движения экземпляра за этот период времени. Рисунок 3.16 показывает результат вычитания двух изображений клетки культуры ткани, полученных через 60 сек.

Участки изображения, которые не изменяются во времени, отсутствуют в разностном изображении, в то время как двигавшиеся области, такие как раздражаемые мембраны на периферии клетки, остаются видимы.

Вычитание изображения может также использоваться для коррекции неравномерного

освещения изображения. Это может быть достигнуто регистрацией изображения пустого поля (такого, как область предметного стекла микропрепарата, лишенного клеток) и затем вычитанием этого изображения из последующих кадров препарата, содержащего клетки. Коррекция неравномерности освещения часто необходима перед выполнением процедуры обнаружения края.

ОБНАРУЖЕНИЕ ОБЪЕКТОВ С ПОМОЩЬЮ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ

Окончательная цель любой процедуры обработки изображения состоит в том, чтобы получить

полезную информацию из исходного изображения. Когда цель обработки изображения состоит в том, чтобы получить числовую информацию из изображения, процедуру можно назвать анализом изображения, а измеряемые значения называют признаками изображения. Для морфологов одни из самых полезных особенностей изображения - те, которые описывают размер и форму индивидуальных объектов в изображении, например, отдельных клеток в мазке. Примерами интересных особенностей, полученных из этого типа изображения, является площадь клетки и периметр, форм-фактор и так далее. На рис. 3.30

представлен список часто используемых морфологических признаков индивидуальных объектов,

получаемых при анализе изображений.

Процедуры обработки изображений, предназначенные для анализа изображений, обычно

включают три последовательных операции: предварительную обработку, сегментацию изображения и

выделение признаков (Sklansky J., 1978). Первая операция - предварительная обработка, описывает

индивидуальные преобразования, которые используются, чтобы преобразовать исходное необработанноеизображение в форму, которая является более подходящей для детальной обработки. Примеры процедур

предварительной обработки - коррекция неравномерности освещения и геометрических искажений, преобразование интенсивности для увеличения контраста или коррекции нелинейных функций преобразования, эквализация гистограммы, операции фильтрации для подчеркивания краев и границ или процедуры выявления отличий в похожих изображениях путем их вычитания. Большинство операций, описанных в этом разделе, является примерами процедур, которые могут использоваться для предварительной обработки изображений.

Следующим после предварительной обработки шагом в анализе изображений является

сегментация изображения. Сегментация описывает операции, которые идентифицируют области

изображения с одинаковыми признаками, в то же время отделяя их от несходных областей. Сегментация

обычно включает идентификацию границ на изображении, которые отделяют одну область изображения от другой. Примеры сегментационных границ: иерархия контуров, отделяющих изображения клеток от фоновых областей в изображении цитологического препарата; ядра клетки от цитоплазмы; области со злокачественными клетками от нормальных клеток в изображении гистологического среза.

В простейшем случае сегментация осуществляется путем идентификацией области с общими

характеристиками, и затем обнаружения цепочки контактирующих пикселей - контура, который полностью окружает эту область. Контур имеет ширину в один пиксель, каждый пиксель в цепочке контурных точек называют элементом контура. Для сегментации используются различные подходы. Наиболее часто сегментацию полутонового изображения проводят по яркости. Применяется также сегментация, при которой в качестве разделительного признака используется текстура, форма и др.

Если границу области можно отличить от окружающих областей на основе одного только

значения уровня серого, то используется простой подход, состоящий в преобразовании полутонового изображения в двухуровневое изображение по пороговому значению уровня серого, с последующим использованием процедуры выделения контура, которая отмечает области перехода между черными и белыми пикселями. Пример нахождения контура, отделяющего изображение ядра клетки от цитоплазмы, окружающих эритроцитов и фона, показан на рис. 3.31.

Если контраст между объектом и фоном является достаточным, то обнаружить такой объект не

представляет труда. Применим средства выделения границ и морфологические функции для обнаружения объекта - ядра клетки.

Процедура сегментации включает следующие шаги:

Шаг А. Считывание изображения.

Шаг Б. Детектирование всего объекта. На изображении представлено несколько объектов.

Задача состоит в выделении этого объекта. Другими словами, этот объект необходимо сегментировать.

Качество сегментации в большой мере зависит от того, насколько сильно объект отличается от фона.

Поэтому усиление контрастности изображения приводит к увеличению качества детектирования.

Одним их путей детектирования является применение оператора Собеля с использованием

некоторого порогового значения. Создается градиентная маска и применяется в функции выделения края.

Шаг В. Заполнение промежутков. Бинарная градиентная маска отображает линии с высоким

контрастом на изображении. Сравнивая исходное и обработанное изображения, можно сделать вывод, что эти линии вполне точно описывают контуры объекта интереса.

Шаг Г. Морфологическое расширение изображений. Бинарная градиентная маска при

выполнении морфологической операции расширения использует последовательно вертикальные и горизонтальные структурные элементы.

Шаг Д. Заполнение внутренних промежутков. Применение морфологической операции

расширения для обработки контуров с помощью градиентной маски дает вполне приемлемый результат, который заключается в заполнении отверстий в середине исследуемого объекта.

Шаг Е. Операции со связными объектами на границе. На предыдущем этапе была проведена

операция сегментации. Однако эта операция затронула не только исследуемый объект. Каждый объект, который имеет связные границы на изображении, может быть удален.

Шаг Ж. Сглаживание объекта. И наконец, чтобы проведенная обработка выглядела более

натурально, необходимо провести сглаживание с помощью морфологической операции эрозии с

использованием специального структурного элемента.

Во многих случаях невозможно получить замкнутый контур только на основе порогового

значения или процедуры наращивания краев вследствие того, что свойства границы анализируемой области на ее протяжении непостоянны. Несвязанные области предполагаемой границы называют сегментами края, и для получения замкнутого контура используют ряд специальных методов обнаружения края (Lemkin P. etal., 1979).

Одним из методов соединения отделенных краевых сегментов является процедура замыкания-

размыкания. В этой процедуре разъединенные сегменты края подвергаются операции дилатации

(наращиванию), окружая каждый белый пиксель в двухуровневом изображении восемью соседними пикселями, которые также являются белыми. При этом некоторая узкая область, лежащая вдоль краевых сегментов причисляется к ним. Если разрывы между краевыми сегментами малы, то несколько циклов наращивания границы приведут к тому, что все сегменты, в конечном счете, соединиться с соседними. Как только замкнутая граница будет сформирована, она подвергается операции эрозии (размыванию), которая удаляет белые пиксели с краев нарощеной границы, что приводит к ее утоньшению до одного пикселя, но не вызывает разрывов между контактирующими пикселями. Однако, эти процедуры неэффективны, есликраевые сегменты отделены большими промежутками или если в изображении имеються ложные сегменты, которые не относятся к истинным границам области.

В этом случае для точной сегментации изображения применяются более сложные процедуры

(Sklansky J., 1978; Persoon E., Fu K.S., 1977; Zahn С.Т., Roskies R.Z., 1972; Diller K.R., Knox J.M., 1983).

Другим интересным подходом к сегментации (и обработке изображений вообще) являются

процедуры эвристикой обработки. Эти подпрограммы могут быть противопоставлены линейным операциям, где каждая область изображения обрабатывается одним и тем же способом. Используя эвристическую обработку, отдельные области изображения могут быть обработаны по-своему согласно некоторому предшествующему решению о содержащейся в них информации. Например, эвристическая процедура могла бы выполнить операцию наращивания края в области, где подозревается его наличие, или выполнить операцию сглаживания для уменьшения шума в области, где, как предполагается, край отсутствует.

Эвристическая последовательность обработки определяется опытным путем для каждого типа изображения и может быть весьма эффективной.

Многие признаки, характеризующие изображения, получаются на основе описания

совокупности отрезков дуг, формирующих границы объектов. Одна из целей анализа изображения состоит в том, чтобы найти эффективный метод описания контура объекта так, чтобы эта информация могла быть использована для получения характеристик, аналогичных представленным на рис. 3.30. Самый очевидный способ описания контура состоит в создании последовательного списка из X ,Y координат каждого элемента контура. Эффективный список может быть получен путем запоминания координаты отправной точки контура и последующего перечисления каждой последующей координаты по отношению к ее относительному смещению от предшествующего элемента. Такой список является очень эффективным способом описания контура и называется цепным кодированием. Существуют множество эффективных компьютерных алгоритмов для того, чтобы получить статистику изображения, основанную на цепном кодировании контура (Freeman H., 1979; Cederberg R.L.T., 1979; Young I.Т. et al., 1981).

Третий этап анализа изображения - выделение признаков, на котором вычисляется числовая

информация, используемая для описания изображения. Большинство признаков изображения получается при анализе контура, полученного в результате сегментации изображения, или свойств пикселей, которые содержаться внутри контура (см. обзоры Pavlidis, 1978, 1979).

14 билет

1. Физические принципы метода позитронно - эмиссионной томографии

С технической точки зрения, позитронно-эмиссионный томограф измеряет локальную концентрацию следовых количеств радиоактивного изотопа, введенного в объект, помещенный в поле зрения ПЭТ-камеры. Вследствие неустойчивости ядра, в котором количество протонов превышает количество нейтронов, ультракороткоживущий изотоп при переходе в устойчивое состояние излучает позитрон.

Позитрон - античастица электрона с положительным зарядом. Пролетев обычно меньше миллиметра, позитрон встречает на своем пути электрон и происходит аннигиляция - позитрон и электрон взаимоуничтожаются. При аннигиляции рождаются два гамма-кванта (фотона) с энергией 511 кЭв, которые вылетают в противоположных направлениях (под углом 180 ± 0.4 ) и регистрируются датчиками-сцинтилляторами. Датчики организованы в несколько плотно упакованных колец с минимальным расстоянием как между датчиками, так и между кольцами. Если два детектора одновременно зарегистрируют сигнал (т.е. происходит так называемое "совпадение"), можно утверждать, что точка аннигиляции находится на линии, соединяющей детекторы. Отсечка незначительного числа гамма-квантов, отклонившихся от прямой траектории при столкновении с ядрами других атомов (так называемое явление скаттера, или рассеяния), а также случайных совпадений происходит во время предварительной обработки данных путем задания энергетического и временного окон регистрации.

Своей точностью по сравнению с другими методами радиологических исследований ПЭТ обязана тем, что учитываются только пары фотонов, прибывающие к детекторам с разницей по времени не более нескольких наносекунд. Зная, что фотоны вылетают в противоположных направлениях, можно определить линию, на которой произошел позитронный бета-распад. После регистрации нескольких десятков тысяч пар фотонов компьютер строит трехмерную карту накопления радиофармпрепарата в организме, которую затем интерпретирует врач-радиолог.

Методы отптимизации цифровых изображений. Смотри 13 билет 2 вопрос

Билет

пространственное разрешение позитрон-эмиссионной томографии

Принцип ПЭТ

В 1931 году Ворбург обнаружил, что злокачественные опухоли отличаются повышенным уровнем потребления глюкозы. В 1977 году Соколов предложил измерять локальный уровень метаболического потребления глюкозы в мозгу крыс с помощью дезоксиглюкозы меченой радиоактивным изотопом углерода. Фелпс в 1979 году предложил измерять тот же параметр у людей с помощью дезоксиглюкозы меченой радиоактивным изотопом фтора ¹⁸F (фтородезоксиглюкозы). Фтородезоксиглюкоза (ФДГ) является аналогом глюкозы на нескольких этапах ее метаболизма, но, в отличие от глюкозы, метаболизм ФДГ прекращается преждевременно и ее продукт накапливается в тканях. Радиоактивный ¹⁸F (T = 109 мин) распадается, испуская позитрон, b⁺. Эти работы и заложили основы позитронной эмиссионной томографии.

Позитроны (b⁺) - положительно заряженные электроны. Они излучаются из ядра некоторых радиоизотопов, являющихся нестабильными, так как те имеют избыточное число протонов и несут положительный заряд.

Позитронная эмиссия стабилизирует ядро за счет устранения положительного заряда путем превращения протона в нейтрон. За счет этого, один элемент превращается в другой, атомное число последнего на единицу меньше, чем у исходного. Для изотопов, использующихся при позитронно-эмиссионной томографии, элемент, образующий в результате позитронного распада является стабильным (не радиоактивным). Все радиоизотопы, использующиеся в ПЭТ распадаются путем позитронной эмиссии. Позитрон (b⁺), испущенный распадающимся ядром, проходит короткое расстояние прежде чем столкнуться с электроном близлежащего атома.

Позитрон соединяется с электроном близлежащего атома образуя атом позитрония (В зависимости от взаимного расположения спинов электрона и позитрона возникают атомы орто- или парапозитрония. Они живут разное время, но для целей ПЭТ это не существенно, т.к. распадаются «практически мгновенно»). При распаде атома позитрония электрон и позитрон аннигилируют, преобразуя свою массу два гамма-кванта с энергией 511 КэВ направленных почти на 180 градусов (противоположно) друг от друга. Данные фотоны с легкостью выходят за пределы тела, в котором находятся, и могут регистрироваться внешними детекторами. Регистрируемые противоположно направленные гамма-лучи, возникающие в результате раздробления позитрония называются линией совпадения (каждая линия регистрирует именно те два гамма-кванта, которые участвовали в акте аннигиляции). Линии совпадения используются в схеме регистрации для формирования томографических изображений на позитронном томографе. Эти данные реконструируются с тем, чтобы получить карту интенсивности радиоактивного распада внутри объекта (реконструкция пространственного распределения молекулярного зонда). Полученные изображения анализируются специальными методами с целью выявления аномалий в интенсивности радиационного поля. Области повышенной (или пониженной) концентрации позитронного молекулярного зонда свидетельствуют о ненормальном функционировании органа.

Аннигиляция позитрон-электронной пары в диагностической установке ПЭТ.

В процессе ПЭТ-исследования позитрон-эмиттирующий радиоизотоп вводится пациенту внутривенно или путем ингаляции. После этого, изотоп циркулирует в кровяном русле и достигает, например ткани головного мозга или сердечной мышцы. Как только происходит аннигиляция, томограф регистрирует локализацию изотопа и вычисляет его концентрацию. Линия, которая возникает после аннигиляции отражает собой эмиссию двух гамма-лучей, с энергией 511 кэВ направленных приблизительно на 180 градусов (противоположно) друг по отношению к другу. Работа томографа заключается в том, чтобы регистрировать эти лучи, означающие, что позитронная аннигиляция произошла где-то на данной линии совпадения.

Когда гамма-лучи с энергией 511 кэВ взаимодействуют с кристаллами сцинтиллятора они преобразуются в фотоны света.