Журнал «Медицина неотложных состояний» Том 20, №7, 2024

Актуальність. Метою роботи є розробка моделей градаційної корекції, методів і тестового програмного забезпечення, які можна швидко застосувати для покращення рентгенівських та комп’ютерно-томографічних (КТ) зображень в автоматичному режимі в умовах обмеження часу, а також значного спотворення динамічного діапазону через наявність металевих предметів високої щільності, істотного глянцевого ефекту. Матеріали та методи. Для досягнення мети роботи були сплановані та проведені експерименти з отримання КТ-знімків досліджуваних органів із розміщеними в них металевими фрагментами заданих типів. Усі фрагменти були сфотографовані та виміряні групою незалежних експертів для можливості подальшого порівняльного аналізу за допомогою класичних та комп’ютерних методів, оцінки якості покращених зображень — числових та візуальних методів. Результати. На основі вивчення експериментальних даних розроблено нову уніфіковану модель, метод і тестове програмне забезпечення градаційної корекції рентгенівських та КТ-знімків, використання яких дозволяє значно підвищити якість зображень (збільшення контрастності до 5 разів) у реальному часі (найчастіше час обробки одного зображення не перевищує 1 секунди). Запропоновані модель, метод і програмне забезпечення уніфіковані за форматами файлів, автоматично підлаштовуються під шкалу щільності та обробляють дані. Висновки. Розроблені модель, метод і програмне забезпечення дозволяють досягти мети роботи — забезпечити оперативне покращення рентгенівських та КТ-зображень в автоматичному режимі в умовах дефіциту часу, а також значного спотворення динамічного діапазону щільності, істотного глянцевого ефекту. Це дає можливість швидко та якісно діагностувати вогнепальні поранення. Висока ефективність підтверджена результатами численних експериментів і впровадження. Водночас завдяки одноразовому налаштуванню висококваліфікованим фахівцем запропоноване програмне забезпечення може застосовуватися з високою ефективністю в масовому порядку за заданими параметрами.

Background. The purpose of the work is to develop gradation correction models, methods, and test software that can be quickly applied to improve X-ray and computed tomography (CT) images in automatic mode under conditions of time constraints, as well as significant distortion of the dynamic range of density due to the presence of high-density metal objects, significant manifestation of the gloss effect. Materials and methods. To achieve this, experiments were planned and conducted to obtain CT scans of the organs of interest with metal fragments of the given types placed in them. All the fragments were photographed and measured by a group of independent experts for the possibility of further comparative analysis by classical and computer methods, evaluation of the quality of improved images by numerical and visual methods. Results. Based on experimental data, a new unified model, method and test software for gradation correction of X-ray and CT images have been developed, the use of which allows you to significantly improve the quality of images (up to 5 times in the sense of increasing contrast) in real time (most often, the processing time of one image does not exceed 1 second). The proposed model, method and software are unified in terms of file formats, automatically adjust to the density scale and process data. Conclusions. The developed model, method and software make it possible to achieve the goal of the work — to provide prompt improvement of X-ray and CT images in automatic mode in conditions of lack of time, as well as significant distortion of the dynamic range of density, significant manifestation of the gloss effect. This makes it possible to quickly and qualitatively diagnose gunshot wounds. High efficiency is confirmed by the results of numerous experiments and implementation. At the same time, thanks to a one-time adjustment by a highly qualified expert, the proposed software can be applied with high efficiency in a mass order using preset parameters.

комп’ютерна томографія; покращення зображень; градаційна корекція; ефективність; діагностика вогнепальних поранень

computed tomography; image enhancement; gradation correction; efficiency; diagnosis of gunshot wounds

1. Mao Y., Zhang L. Optimization of the Medical Service Consultation System Based on the Artificial Intelligence of the Internet of Things. IEEE Access. 2021;9:98261-98274. doi: 10.1109/ACCESS.2021.3096188.
2. Liu K. et al. Big Medical Data Decision-Making Intelligent System Exploiting Fuzzy Inference Logic for Prostate Cancer in Developing Countries. IEEE Access. 2019;7:2348-2363. doi: 10.1109/ACCESS.2018.2886198.
3. Dhar T., Dey N., Borra S., Sherratt R.S. Challenges of Deep Learning in Medical Image Analysis — Improving Explainability and Trust. IEEE Transactions on Technology and Society. 2023;4(1):68-75. doi: 10.1109/TTS.2023.3234203.
4. RadiAnt Viewer. Available from: https://www.radiantviewer.com/en/.
5. RadiAnt Image. Available from: https://www.radiantviewer.com/dicom-viewer-manual/images/radiant_dicom_viewer_browsing_series.png.
6. Liu Q. et al. Contour-Maintaining-Based Image Adaption for an Efficient Ambulance Service in Intelligent Transportation Systems. IEEE Access. 2020;8:12644-12654. doi: 10.1109/ACCESS.2020.2965186.
7. Naceri A. et al. Tactile Robotic Telemedicine for Safe Remote Diagnostics in Times of Corona: System Design, Feasibility and Usabi-lity Study. IEEE Robotics and Automation Letters. 2022;7(4):10296-10303. doi: 10.1109/LRA.2022.3191563.
8. Niu W., Huang J., Xing Z. Chen J. Knowledge Spillovers of Medical Big Data Under Hierarchical Medical System and Patients’ Medical Treatment Decisions. IEEE Access. 2019;7:55770-55779. doi: 10.1109/ACCESS.2019.2908440.
9. Zeng Y. et al. A 2.5D Deep Learning-Based Method for Drow-ning Diagnosis Using Post-Mortem Computed Tomography. IEEE Journal of Biomedical and Health Informatics. 2023;27(2):1026-1035. doi: 10.1109/JBHI.2022.3225416.
10. Cao W., Wu R., Cao G., He Z. A Comprehensive Review of Computer-Aided Diagnosis of Pulmonary Nodules Based on Computed Tomography Scans. IEEE Access. 2020;8:154007-154023. doi: 10.1109/ACCESS.2020.3018666.
11. Li M. et al. Computer-Aided Diagnosis and Staging of Pancreatic Cancer Based on CT Images. IEEE Access. 2020;8:141705-141718. doi: 10.1109/ACCESS.2020.3012967.
12. Mykhailosov R.N., Negoduyko V.V. Results of using surgical magnetic instruments for wound examination and removal of ferromagnetic foreign bodies. Clinical Surgery. 2016;7:58-60.
13. Khoroshun E., Makarov V., Nehoduiko V., Yasinskyi O., Sharmazanova O., Pulyaev S. Oblique projections in the analysis of multislice computed tomography data in gunshot wounds. Emergency Medicine. 2024;20(3):211-216. doi: 10.22141/2224-0586.20.3.2024.1694.
14. Petersen E. et al. Responsible and Regulatory Conform Machine Learning for Medicine: A Survey of Challenges and Solutions. IEEE Access. 2022;10:58375-58418. doi: 10.1109/ACCESS.2022.3178382.
15. Djenouri Y., Belhadi A., Yazidi A., Srivastava G., Chatterjee P., Lin J C.-W. An Intelligent Collaborative Image-Sensing System for Disease Detection. IEEE Sensors Journal. 2023;23(2):947-954. doi: 10.1109/JSEN.2022.3202437.
16. Xie H., Ren Y., Long W., Yang X., Tang X. Principal Component Analysis in Projection and Image Domains — Another Form of Spectral Imaging in Photon-Counting CT. IEEE Transactions on Biomedical Engineering. 2021;68(3):1074-1083. doi: 10.1109/TBME.2020.3013491.
17. Smelyakov K., Chupryna A., Sandrkin D., Kolisnyk M. Search by Image Engine for Big Data Warehouse. 2020 IEEE Open Conference of Electrical, Electronic and Information Sciences (eStream), Vilnius, Lithuania. 2020. 1-4. doi: 10.1109/eStream50540.2020.9108782.
18. Smelyakov K., Chupryna A., Hvozdiev M., Sandrkin D.  Gradational Correction Models Efficiency Analysis of Low-Light Digital Image. 2019 Open Conference of Electrical, Electronic and Information Sciences (eStream). 2019. 1-6. doi: 10.1109/eStream.2019.8732174.
19. Duchateau N., Sermesant M., Delingette H., Ayache N.  Model-Based Generation of Large Databases of Cardiac Images: Synthesis of Pathological Cine MR Sequences From Real Healthy Cases. IEEE Transactions on Medical Imaging. 2018;37(3):755-766. doi: 10.1109/TMI.2017.2714343.
20. Zhang R., Zhang Z.  Effective Image Retrieval Based on Hidden Concept Discovery in Image Database. IEEE Transactions on Image Processing. 2007;16(2):562-572. doi: 10.1109/TIP.2006.888350.