Содержание к диссертации
Введение
1. Обзор задач систем автоматизированной микроскопии и методов их решения 13
1.1 Микроскопия в медицинских исследованиях 14
1.2 Задачи микроскопии, подлежащие автоматизации 18
1.3 Анализ функций систем автоматизированной микроскопии 21
1.4. Методы получения растровых изображений микрообъектов 27
1.4.1 Ввод графического изображения полученного при микроскопическом увеличении в компьютер 27
1.4.2 Управление траекторией сканирования препарата 28
1.5 Алгоритмы повышения качества анализируемых изображений 30
1.5.1 Входные данные рассматриваемых алгоритмов 30
1.5.2 Выравнивание яркости фона 31
1.5.3 Повышение контраста 33
1.5.4 Фильтрация 35
1.5.5 Повышение резкости 37
1.6 Алгоритмы выделения объектов интереса на цифровых изображениях.39
1.6.1 Выделение границ 40
1.6.2 Выделение областей (сегментация) цифровых изображений 46
1.7 Методы классификации объектов интереса 52
1.8 Выводы 55
2. Разработка и модернизация алгоритмов поиска и выделения объектов интереса на растровых изображениях медико-биологических препаратов для решения задач авто матизированного анализа 57
2.1 Этапы преобразования входной информации 58
2.2 Алгоритм редукции исследуемого цифрового изображения 59
2.2.1 Оценка среднеквадратической ошибки дисперсии в пределах скользящего окна исходного и редуцированного изображений 60
2.2.2 Гистограммная оценка 63
2.3 Постановка задачи кластерного анализа для сегментации цветных изображений 66
2.4 Критерии количественной оценки качества сегментации 69
2.5 Выбор пространства признаков 71
2.6 Алгоритм статистического контрастирования 74
2.7 Сегментация в одномерном пространстве признаков 80
2.8 Сегментация в многомерном пространстве признаков 83
2.8.1 Метод однокомпонентного поиска центроидов 83
2.8.2 Метод многокомпонентного поиска центроидов 85
2.9 Устойчивый алгоритм поиска объектов на основе комбинированной сегментации 87
2.10 Выводы 89
3. Автоматизированный анализ морфологических признаков лейкоцитов периферической крови 90
3.1 Формализованное описание модели лейкоцитов 91
3.2 Алгоритмы получения и оценки второстепенных морфологических признаков 92
3.2.1 Определение количества сегментов ядра 92
3.2.2 Оценка перинуклеарной зоны клетки 93
3.2.3 Оценка зернистость гранулоцитов 96
3.2.4 Определение степени сферичности 97
3.3 Алгоритм автоматической классификации 98
3.4 Выводы 101
4. Описание программного комплекса автоматизированного анализа медико-биологических препаратов по их растровому изображению 102
4.1 Автоматизированная система фазового анализа и расчёта объёмной доли, исследуемых объектов на растровых изображениях медико-биологических препаратов 103
4.2 Автоматизированная система поиска и выделения объектов интереса из массива растровых изображений, полученных в результате автоматического сканирования окрашенного мазка 108
4.3 Автоматизированная система классификации выделенных клеток крови по их растровому изображению 112
4.4 Выводы 114
Заключение 115
Библиографический список 117
Список используемых сокращений
- Микроскопия в медицинских исследованиях
- Алгоритм редукции исследуемого цифрового изображения
- Алгоритмы получения и оценки второстепенных морфологических признаков
- Автоматизированная система фазового анализа и расчёта объёмной доли, исследуемых объектов на растровых изображениях медико-биологических препаратов
Введение к работе
Актуальность темы. По мере расширения и углубления знаний об интимных механизмах жизнедеятельности, процессах возникновения и развития патологических изменений в организме все большее значение для медико-биологических исследований, диагностики и лечения приобретают технические средства. Общеизвестна роль микроскопии в возникновении и развитии гистологии, патологической анатомии, бактериологии и в других основополагающих медико-биологических науках.
На текущем этапе развития микроскопии как метода медико-биологического анализа преобладает неавтоматизированный метод исследования, требующий непосредственного участия лаборанта или врача во всех операциях, определённых стадиями процесса.
Широкий круг возможностей даёт автоматизированная микроскопия, использование которой стало возможным благодаря развитию вычислительной техники и периферийных устройств «захвата» исследуемого изображения [35,53,54,54,64,67].
Современные диагностические комплексы включают в себя аппаратные и программные модули для управления сканированием мазков [62], предобработки изображения, расчёта морфологических признаков исследуемых объектов и их классификации [11,19,22,33,40,55]. Некоторые комплексы также оснащены экспертно-советующими системами для отслеживания динамики течения биологических процессов на микроуровне [51].
На текущем этапе развития систем подобного типа их эффективное использование возможно только при соответствии входной информации жёстким требованиям, а именно, выдерживании высокого качества исследуемых препаратов для обеспечения стабильной наблюдаемой цвето-яркостной картины. Данное требование накладывает ряд ограничений на применение подобных систем из-за трудностей, связанных с получением стабильных по цвето-яркостным характеристикам изображений исследуемых препаратов [78].
Недостатки систем автоматизированной микроскопии как инструментария для решения задач в данной предметной области медицинских исследований могут быть устранены за счёт разработки методов и алгоритмов обработки растровых изображений медико-биологических препаратов, отличающихся повышенной устойчивостью к качеству последних.
Существует множество методов обработки растровых изображений, которые описаны в работах В.А. Сойфера, Р. Вудса, У. Прэтта и других авторов [24,29,31,47,74,79]. Сущность приведенных в их работах методов заключается в общих алгоритмах, результат работы которых не зависит от специфики обрабатываемых изображений. Однако мы считаем, что решение задач, обусловленных предметной областью микроскопии медико-биологических препаратов, обязательно должно учитывать особенности изображений и цели исследований.
Актуальность данной работы состоит:
- в необходимости разработки алгоритмов автоматической сегментации изображений медико-биологических препаратов, позволяющих выделить объекты исследования на совокупном изображении даже при смещении их цвето-яркостных характеристик. Кроме того, алгоритмы должны обеспечивать надлежащее качество сегментации, обладая повышенной по сравнению с аналогами автоматической составляющей;
- в повышении надёжности и качества распознавания объектов препарата за счёт замены таких параметров классификации, как цвет и оптическая плотность, на признаки, не зависящие от общих параметров растрового изображения (яркость, цвет, оттенок и др.);
- в определении новых границ функциональности универсальных автоматизированных диагностических комплексов, решающих задачи микроскопии медико-биологических препаратов;
Актуальность темы для решения прикладных задач подтверждается потребностью в разработке систем автоматизированной диагностики, обладаю -7-щих достаточными возможностями для классификации «сложных» микрообъектов, патологий на клеточном уровне, а также классификации юных форм клеток костного мозга и других объектов исследования, отличающихся слабовы-раженными признаками классификации.
Целью диссертационной работы является разработка новых методик и алгоритмов обработки растровых изображений медико-биологических препаратов, полученных в результате микроскопии, обеспечивающих решение задач «машинного» зрения в данной предметной области.
Для достижения цели необходимо решить следующие задачи:
- исследовать цели, задачи и методы, а также особенности предметной области микроскопии в клиническом и лабораторном медицинском анализе;
- проанализировать функциональную составляющую существующих систем автоматизированной микроскопии. На основе закономерностей сис-темогенеза выявить потребность в функциях, расширяющих их возможности для поддержки состоявшихся и разработки уникальных медико-биологических исследований;
- выполнить обзор существующих методов выделения (поиска) объектов интереса на совокупных изображениях, в том числе применяемых в реализованных автоматизированных системах микроскопического анализа медико-биологических препаратов. Определить пути их усовершенствования;
- апробировать полученные результаты, решив задачу получения количественных оценок второстепенных морфологических признаков лейкоцитов с целью повышения надежности их классификации;
- разработать программный комплекс для автоматизации решения общих и частных задач анализа медико-биологических препаратов по их растровому изображению.
Методы исследований. Решение поставленных задач потребовало привлечения подходов и методов в следующих направлениях научной деятельно -8-сти: медико-биологическая морфометрия, стереометрическая морфометрия, алгоритмы обработки цифровых изображений, статистическая обработка данных, системный анализ, распознавание образов. Программное обеспечение разрабатывалось с учётом объектно-ориентированного подхода и теории проектирования реляционных баз данных.
Достоверность и обоснованность результатов. Обоснованность и адекватность разработанных алгоритмов поиска и выделения объектов на изображении определялась сравнением результатов работы общеизвестных алгоритмов с предлагаемыми в работе. Основным критерием выступала визуальная оценка, определяющая точность выделения объектов интереса на изображении. Для обоснования выбора предлагаемого цветового пространства проводилась количественная оценка результатов сегментации. Адекватность предлагаемой формализованной модели объектов исследования («белых» клеток крови - лейкоцитов) оценивалось медиком - экспертом.
Научная новизна.
1. Предложен новый метод оценки редукции растровых изображений, отличающийся тем, что, с целью сокращения размерности обрабатываемых данных, введены процедуры оценки степени масштабирования по заданному порогу потери «информативности», выполняемые в автоматическом режиме.
2. Предложен новый алгоритм контрастирования, отличающийся от аналогов возможностью модификаций цвето-яркостных параметров объектов на изображении на основе статистической информации. Данный подход позволил повысить результативность последующего анализа изображения алгоритмами «машинного» зрения.
3. Разработаны методы стабилизации выходной информации алгоритмов кластерного анализа за счёт определения начальных значений центроидов. Также предложено модернизированное пространство признаков, позволяющее повысить качество сегментации цветных растровых изображений.
4. Предложено формальное описание «белых» клеток крови (лейкоцитов), в котором, с целью повышения надёжности работы алгоритмов распознавания, цвето-яркостные параметры классификации заменены на второстепенные морфологические признаки. Разработаны алгоритмы для их определения.
Практическая значимость работы
1. На основе предложенных алгоритмов и методов автоматизированного определения морфометрических признаков объектов исследования медико-биологических препаратов открывается возможность разработки универсальных диагностических комплексов, главным отличием, которых будет повышенная функциональная составляющая, обеспечивающая возможность автоматизации существующих и создание уникальных методик анализа, ориентированных на широкий круг измерений морфометрических признаков объектов исследования.
2. Модернизированные и разработанные в работе алгоритмы могут быть применены для решения задач «машинного» зрения в различных областях как микроскопического анализа (металловедение, материаловедение и др.), так и в системах обработки изображений, полученных не на микроуровне (картографии, зрение роботов и др.).
3. Создан программный комплекс, который может быть использован для автоматизации частных задач микроскопии медико-биологических препаратов.
Основные положения и результаты, выносимые на защиту:
1. Методы и алгоритмы обработки растровых изображений медико-биологических препаратов для решения задач автоматизированной микроскопии.
2. Формализованное описание модели «белых» клеток периферической крови.
3. Методика последовательного вычисления численных значений морфологических признаков выделенных для классификации «белых» клеток крови.
4. Реализованный на основе разработанных методов и алгоритмов программный комплекс.
Внедрение.
1. Автоматизированная система «Фазовый анализ растровых изображений медико-биологических препаратов» внедрена на кафедре патологической анатомии Волгоградского государственного медицинского университета.
2. Автоматизированная система «Поиск и выделение объектов интереса из массива растровых изображений полученных в результате автоматического сканирования исследуемого препарата» внедрена на кафедре оперативной хирургии Волгоградского государственного медицинского университета.
3. Работа получила грант от фонда содействия развитию малых форм предприятий в научно-технической сфере по программе «Участник молодежного научно-инновационного конкурса (У.М.Н.И.К)»
Апробация работы. Основные положения диссертации докладывались на научных семинарах кафедры САПР и ПК ВолгГТУ, а также на всероссийских научных и научно-практических конференциях: на всероссийской конференции «Информационные и управленческие технологии в медицине» (Пенза 2007), «Инновационные технологии в управлении, образовании, промышленности "АСИНТЕХ-2007"», а также в электронных конференциях: «Современные наукоемкие технологии» (2007).
Публикации. По теме диссертации опубликовано 6 печатных работ, в том числе 2 из них в журнале, рекомендованном ВАК [68-73].
Объем и структура работы.
Работа состоит из введения, четырёх глав с выводами, заключения, трёх приложений, списка литературы. Общий объем работы: страниц - 146, иллюстраций - 49, таблиц - 5. В списке литературы наименований.
В первой главе рассмотрены основные задачи микроскопии медико-биологических препаратов, приведены этапы приготовления препаратов, особенности методик анализа, определены факторы, влияющие на качество наблюдаемой микроскопической картины и адекватность результатов исследования. Выполнен обзор задач медико-биологической микроскопии, анализируются возможные пути их автоматизации. Отдельное внимание уделено функциям системы автоматизированной микроскопии (САМ), покрывающим большую часть задач рассматриваемой предметной области. Производится сравнительный анализ существующих САМ по их функциональным характеристикам, рассматриваются пути возможного повышения их производительности, а также качества результатов автоматизированного анализа. Далее рассматриваются этапы получения «цифровых» изображений медико-биологических препаратов, отображающих наблюдаемую микроскопическую картину, обосновывается необходимость применения алгоритмов подготовки изображения к распознаванию, перечислены существующие алгоритмические решения. Выполнен обзор известных алгоритмов выделения (поиска) объектов на растровых изображениях, проанализированы их достоинства и недостатки.
В заключении обобщены основные проблемы автоматизации задач предметной области, определены направление дальнейших исследований.
Во второй главе рассмотрены алгоритмы обработки цифровых изображений разработанные или модифицированные лично автором. Цель рассматриваемых алгоритмов обеспечить поиск, выделение и детализацию объектов интереса на растровом изображении медико-биологического препарата, полученного в результате микроскопии.
В третьей главе предлагается формализованное описание модели клеток крови, на примере лейкоцитов, и алгоритмы для получения выделенных признаков классификации.
Микроскопия в медицинских исследованиях
Для определения цели и постановки задач работы, необходимо рассмотреть основные задачи микроскопии медико-биологических препаратов, проанализировать этапы их приготовления, особенности методик анализа. Определить факторы, влияющие на качество наблюдаемой микроскопической картины и адекватность результатов исследования.
Исходя из распорядка, должностных инструкций и общих приёмов работы клинической лаборатории, следует выявить возможные пути автоматизации общих и частных задач микроскопии как медико-биологического анализа. Отдельное внимание необходимо уделить непосредственно автоматизации этапов анализа, оценить существующие пути их решения.
Для выявления потребности в разработке новых методов и алгоритмов, и обоснования их преимущества, требуется рассмотреть системы автоматизированной микроскопии, занимающие лидирующее положение на рынке подобных программных продуктов, привести их сравнительную оценку по функциональным характеристикам, и как результат предложить пути возможного повышения их производительности, а также качества результатов автоматизированного анализа. Так как основной входной информацией разрабатываемых алгоритмов является растровое изображение, следует обосновать необходимость применения алгоритмов подготовки изображения к распознаванию, привести существующие алгоритмические решения. Главная задача аналитического обзора рассмотреть известные алгоритмов выделения (поиска) объектов на растровых изображениях, проанализировать их достоинства и недостатки, исходя из постановки общей задачи микроскопии как медико-биологического анализа. И как следствие необходимо обобщить основные проблемы автоматизации задач рассматриваемой предметной области, определить направление дальнейших исследований.
Для того чтобы определить основное назначение разрабатываемой системы, рассмотрим основные задачи микроскопии в медицине, при этом выделим сопутствующие этапы получения медико-биологического препарата, являющегося предметом исследования.
Можно выделить три основных направления клинических лабораторных исследований основанных на микроскопии биоматериалов [48]: - микробиологические анализы, дают возможность обнаружить микробов, паразитов, возбудителей болезни; - цитологические анализы, подразумевают диагностику физиологического состояния организма на основании изучения морфологии клеток и цитохимических реакций. Цитологические методы позволяют распознавать злокачественные опухоли различного характера и судить о распространении патологии, а также о тканевой принадлежности опухоли. - гистологические исследования ориентированны на анализ тканей, взятых во время диагностической процедуры или операции с целью выяснения их состава, наличия или отсутствия патологических клеток и оценки состояния удаленного органа.
В моей работе рассматриваются методы автоматизированного анализа ци-то и гистологических препаратов.
Цитологическая микроскопия является основополагающим разделом лабораторной диагностики. Традиционно исследование клеточного состава входит в комплекс клинических лабораторных анализов — крови, костного мозга, экссудатов, отделяемого различных органов.
Главным достоинством цитологического анализа является возможность безоперационного получения исследуемого вещества, что позволяет контролировать динамику морфологических изменений клеточного состава в течение заболевания.
Объектом исследования в случае цитологической микроскопии является мазок исследуемого вещества на предметном стекле микроскопа.
Гистологическая микроскопия ориентирована на изучение клеточного состава и структуры тканей живых организмов.
Объектом исследования гистологической микроскопии является тканевой срез, имеющий толщину порядка 4-5 мкм.
Непосредственный анализ мазка или среза возможен, только после выполнения основных этапов приготовления препарата [46,48]. Сюда входят: этап получения исследуемого вещества (мазок, забор крови, забор костного мозга, выполнении среза и т.д.), этап нанесения исследуемого вещества на предметное стекло, и этап окраски препарата, являющийся завершающим. Результатом окраски является приобретение каждым классом объектов препарата собственной цвето-яркостной гаммы. Примеры изображений приготовленных препаратов приведены на рисунке 1.
Алгоритм редукции исследуемого цифрового изображения
Из практики анализа графических сцен известно, что для большинства цифровых изображений реального мира линейное уменьшение их размера до определённого порога не приводит к потере анализируемой информации. Это становится возможным за счёт единого масштабирования всех информативных объектов изображения. Данный факт можно использовать, для повышения скорости работы алгоритмов предварительной подготовки и сегментации. Уменьшение размеров изображения в ІУраз приводит к сокращению размерности обрабатываемых данных в N2 раз, что существенно повышает скорость работы применяемых алгоритмов и позволяет повысить эффективность обработки изображения в целом, за счёт возможности использования более «затратных» с точки зрения времени, но более «качественных» алгоритмов.
Главная задача такого подхода определить порог редукции цифрового изображения. Решение задачи становится возможным за счёт определения критерия количественной оценки потери «информативности» модифицированного изображения.
Существует достаточное количество критериев (среднеквадратическая ошибка, ошибка восприятия в LAB - пространстве, нормализованная взаимная корреляция и др.) позволяющих оценить потерю качества при сжатии информации определяющей растр [45,56]. Здесь под качеством подразумевается -численная величина, косвенно определяющая модификацию массива палитры, кодирующей цвет пикселя изображения. Основное требование при использовании этих критериев - одинаковая размерность исходного и «сжатого» изображения. В нашем случае размерности анализируемых данных различны, к том) же определение качества, подменяется «информативностью», которая в работе определяется как показатель, позволяющий косвенно оценить модификацию формы объектов интереса при уменьшении изображения.
Значит необходимо выделить параметры для совместной оценки цифровых изображений на предмет изменения «информативности», независящие от их размеров. Применение в работе оценки различия среднего и дисперсии для двух изображений не даёт положительного результата. Нами предлагаются следующие подходы:
Предлагаемый вариант критерия сводится к следующей гипотезе: если на исходном изображении выделить произвольный прямоугольный участок (окно) меньшего размера и определить набор параметров оценки цвето-яркостных характеристик в пределах этого окна, то на модифицированном изображении в периметре ограниченном, рассматриваемым (соответственно тоже масштабируемым) участком, значения выделенных для оценки параметров не должны различаться более чем на величину наперёд заданного числа, отражающего степень допустимой потери «информативности». В качестве параметров оценки потери «информативности» целесообразно выбрать среднеквадратическое отклонение дисперсии яркости внутри окон, выделенных на исходном и модифицированном изображении. Выделение окон на исследуемых изображениях осуществляется путём разбиения вышеуказанных на одинаковое количество областей согласно выбранному шагу разбиения (рисунок 12). Шаг разбиения выбирается экспериментально, исходя из предположения, что площадь окна разбиения должна быть близкой к площади объектов интереса на исходном изображении.
С использованием критерия, предлагаемого в работе, алгоритм редукции изображения на предварительной стадии анализа представляется следующим:
1. Производится циклическое изменение (уменьшение) масштаба изображения с заданным шагом q (в работе ц = 5%), на каждой итерации фиксируется значение критерия. Цикл останавливается, когда масштаб изображения станет равным 0, т.е. изображение выродится, и это будет соответствовать 100% потери информации.
2. Исходя из значения критерия полученного при «вырожденном» изображении, вычисляется потеря информации в процентах, фиксируемая на каждом шаге редукции.
3. Далее, согласно конкретной методике анализа, выбирается допустимый процент потери качества, а следовательно, и порог.
4. Исходное изображение модифицируют, уменьшая масштаб на числе процентов, полученное в результате работы алгоритма.
Алгоритм разбиения анализируемого изображения на области с совместным расчётом дисперсии по яркости, несмотря на то, что он позволяет учитывать пространственное расположение объектов, можно определить каї затратный с точки зрения вычислительной сложности. Для увеличения производительности был разработан и исследован другой алгоритм описанный ни же.
Алгоритмы получения и оценки второстепенных морфологических признаков
Алгоритм основан на последовательном применении морфологическое операции «эрозии» [67,75] к бинарному изображению ядра. Последовательное «истощение» изображения приводит к разложению его на составные объекты -сегменты. В процессе «эрозии» на каждом этапе подсчитывается количестве разделённых объектов (рисунок 26). Процесс завершается, когда на бинарное изображении не останется ни одного объекта. В качестве числа сегментов выбирается максимальное число раздельных объектов, зафиксированных на этапах последовательной «эрозии». Алгоритм подсчёта количества сегментов: 1. Выделение бинарной маски ядра. 2. Применение морфологической операции «эрозия» для бинарной маски. 3. Подсчёт количества раздельных сегментов. Фиксация полученного значения в стеке. 4. Если количество раздельных сегментов не равно 0, переход на этап 2. 5. Последовательное извлечение значений из стека и поиск среди них максимального.
Перинуклеарная зона или, по другому, зона просветления - «ореол» вокруї ядра клетки, является второстепенным морфологическим признаком больший ства юных клеток костного мозга. Классификации юных клеток является одноё из основных, пока полностью нерешенных, задач автоматизированного анализа На рисунке 27 а представлена клетка крови с явно выраженной перинуклеарної зоной. Для количественной оценки «перинуклеарности» предлагается метод основанный на анализе распределения, отражающего изменение радиальное яркости цитоплазмы. График изменения радиальной яркости для клетки пред ставлен на рисунке 27 б. Фиксация радиального распределения яркости произ водилась путём последовательной операции «эрозии» к бинарной маске цито плазмы клетки, а именно, к её внутренней стороне. На каждом этапе фиксиро валась средняя яркость удаляемых пикселей на соответствующем цитоплазмі растровом изображении.
Пример «белой» клетки крови с выраженной перинуклсарной зоной (а) и график распределения радиальной яркости цитоплазмы (б) (ось ординат - диапазон яркости, ось абсцисс - количество радиальных «срезов» цитоплазмы).
В качестве количественной оценки предлагается использовать тангенс угл; наклона прямой, заданной уравнением линейной регрессии [6,7], для выборю значений (на рисунке 28 показано точками), отражающих распределения ради альной яркости цитоплазмы от контура ядра до контура клетки в целом. I
Аппроксимация данных, отражающих распределение радиальной яркости цитоплазмы уравнением линейной регрессии (ось ординат - диапазон яркости, ось абсцисс -количество радиальных «срезов» цитоплазмы).
Уравнение прямой (линейной регрессии) имеет вид: Y = a-X+b, (54) где: а и Ь коэффициенты линейной регрессии, которые вычисляются ис ходя из следующих соотношений: -95 N N N a = — & -, (55) N ( N У /=1 ,=1 J N N N b=Jd !=! = , (56) r=i V =t У где: TV - количество круговых «срезов» цитоплазмы для фиксации радиальной яркости, Yj - значение / -ого элемента выборки, отражающей радиальное рас пределения яркости цитоплазмы, /є[1,7V], причём индекс 1 соответст вует первому внутреннему контуру, Xt - индекс / -ого элемента выборки, отражающей радиальное распре деления яркости цитоплазмы. С учётом равенства / = Xt для всех элементов выборки и определению ко эффициента а как тангенса угла наклона искомой прямой, для вычисления ин тересующего нас параметра достаточно вычислить значение коэффициента а по следующей формуле: N N N где: N - количество круговых «срезов» цитоплазмы для фиксации ради альной яркости, Yj - значение і -ого элемента выборки, отражающее радиальное рас пределения яркости цитоплазмы, / є [l,N], і - индекного элемента выборки, отражающий радиальное распре деления яркости цитоплазмы.
Оценка зернистости гранулоцитов
Ещё одним второстепенным признаком, для которого отсутствует методика количественной оценки, является зернистость гранулоцитов. Для выявлена зернистости и определения количественных метрик предлагается алгоритм, основанный на увеличении резкости исследуемого изображения с последующее бинарной сегментацией: 1. Модификация цифрового изображения анализируемой клетки маской оператора повышения резкости. 2. Сегментация по вектору одного признака. В качестве признака выбирается яркость каждого пикселя изображения. Результат этапа - бинарна маска зернистости. 3. Объекты на полученной бинарной маске анализируется согласно мето-дам количественной оценки. В качестве количественных оценок зернистости предлагаются следующие признаки: Отношение общей площади зернистости Sz, к общей площади цитоплазмь Sc: Среднее Mz и среднеквадратическое отклонение oz по выборке вариациі площади зафиксированных «зёрен».
Определение зернистости гранулоцитові а) исходное изображение; б) маска зернистости для исходного изображения; в) результат применения фильтра повышения резкости к исходному изображению; г) маска зернистости для преобразованного изображения.
Как следует из рисунка 29, предлагаемая методика позволяет вьіделиті зернистость цитоплазмы и анализировать её как второстепенный морфологический признак. Однако эффективность метода низка, если после оцифровки изображения произошло сильное «зашумление» и «размытие» последнего.
Определение степени сферичности
Для количественной оценки формы микрообъектов целесообразно использовать метрику - коэффициент конфигурации 0 [2]. Коэффициент ориентиро ван на измерение длины осей объектов классификации. Так как постановка задачи подразумевает классификацию объектов в пределах одного признака -степени сферичности, то для его вычисления достаточно измерения наименьшей и наибольшей осей объекта. Тогда формула для вычисления коэффициент; будет иметь вид: о где: а - размер меньшей оси (в относительных единицах), b - размер большей оси (в относительных единицах).
В случае идеально сферического объекта его меньшая и большая ось буду: равны, и, следовательно, р = 1. В случаи приближения формы объекта к эллип су значение коэффициента будет уменьшаться и стремится к 0 при полном вы рождении объекта в линию.
Автоматизированная система фазового анализа и расчёта объёмной доли, исследуемых объектов на растровых изображениях медико-биологических препаратов
Первостепенная задача распознавания образов заключается в выявлении параметров классификации. На основе морфологических особенностей клеток IV, V и VI классов, согласно общепринятой схеме кроветворения, предлагается следующая базовая модель описания клетки: где: К - кортеж выделенных метрик клетки в целом; Г - кортеж выделенных метрик ядра; . С - кортеж выделенных метрик цитоплазмы. Рассмотрим более подробно кортеж выделенных метрик клетки: где: S- площадь всей клетки, мкм2; D - диаметр (максимальное расстояние от центра до контура цитоплазмы), мкм; Р - отношение площади ядра клетки к площади цитоплазмы; Z - отношение общей площади зернистости к площади всей клетки. Ms - среднее по площади для зернистости; Ds - дисперсия по площади для зернистости;
Детализация информации на уровне ядра и цитоплазмы представлена следующими кортежами: кортеж, описывающий свойства ядра: где: Т - степень сферичности ядра, или его сегментов; количество вакуолей в ядре (ядрышек); G - количество сегментов ядра. Кортеж, описывающий подобъект цитоплазму: C= R,0 , (53) где: R - степень сферичности; О - степень выраженности перинуклеарной зоны.
Предлагаемая модель ориентирована на весь спектр морфологически распознаваемых профилирующих клеток крови. Для определения численных значений параметров классификации, представляющих определённую сложность разработаны алгоритмы, описанные ниже. Цель алгоритмов: выделить численные значения нововведённых параметров классификации лейкоцитов. Входной информацией является растровое изображение распознаваемое клетки в формате RGB.
Алгоритм основан на последовательном применении морфологическое операции «эрозии» [67,75] к бинарному изображению ядра. Последовательное «истощение» изображения приводит к разложению его на составные объекты -сегменты. В процессе «эрозии» на каждом этапе подсчитывается количестве разделённых объектов (рисунок 26). Процесс завершается, когда на бинарное изображении не останется ни одного объекта. В качестве числа сегментов выбирается максимальное число раздельных объектов, зафиксированных на этапах последовательной «эрозии». Алгоритм подсчёта количества сегментов: 1. Выделение бинарной маски ядра. 2. Применение морфологической операции «эрозия» для бинарной маски. 3. Подсчёт количества раздельных сегментов. Фиксация полученного значения в стеке. 4. Если количество раздельных сегментов не равно 0, переход на этап 2. 5. Последовательное извлечение значений из стека и поиск среди них максимального.
Перинуклеарная зона или, по другому, зона просветления - «ореол» вокруї ядра клетки, является второстепенным морфологическим признаком больший ства юных клеток костного мозга. Классификации юных клеток является одноё из основных, пока полностью нерешенных, задач автоматизированного анализа На рисунке 27 а представлена клетка крови с явно выраженной перинуклеарної зоной. Для количественной оценки «перинуклеарности» предлагается метод основанный на анализе распределения, отражающего изменение радиальное яркости цитоплазмы. График изменения радиальной яркости для клетки пред ставлен на рисунке 27 б. Фиксация радиального распределения яркости произ водилась путём последовательной операции «эрозии» к бинарной маске цито плазмы клетки, а именно, к её внутренней стороне. На каждом этапе фиксиро валась средняя яркость удаляемых пикселей на соответствующем цитоплазмі растровом изображении.
Рисунок 27.1 іример «белой» клетки крови с выраженной перинуклсарной зоной (а) и график распределения радиальной яркости цитоплазмы (б) (ось ординат - диапазон яркости, ось абсцисс - количество радиальных «срезов» цитоплазмы).
В качестве количественной оценки предлагается использовать тангенс угл; наклона прямой, заданной уравнением линейной регрессии [6,7], для выборю значений (на рисунке 28 показано точками), отражающих распределения ради альной яркости цитоплазмы от контура ядра до контура клетки в целом. I где: TV - количество круговых «срезов» цитоплазмы для фиксации радиальной яркости, Yj - значение / -ого элемента выборки, отражающей радиальное рас пределения яркости цитоплазмы, /є[1,7V], причём индекс 1 соответст вует первому внутреннему контуру, Xt - индекс / -ого элемента выборки, отражающей радиальное распре деления яркости цитоплазмы. С учётом равенства / = Xt для всех элементов выборки и определению ко эффициента а как тангенса угла наклона искомой прямой, для вычисления ин тересующего нас параметра достаточно вычислить значение коэффициента а по следующей формуле: N N N где: N - количество круговых «срезов» цитоплазмы для фиксации ради альной яркости, Yj - значение і -ого элемента выборки, отражающее радиальное рас пределения яркости цитоплазмы, / є [l,N], і - индекс і -ого элемента выборки, отражающий радиальное распре деления яркости цитоплазмы.
Ещё одним второстепенным признаком, для которого отсутствует методика количественной оценки, является зернистость гранулоцитов. Для выявлена зернистости и определения количественных метрик предлагается алгоритм, основанный на увеличении резкости исследуемого изображения с последующее бинарной сегментацией: 1. Модификация цифрового изображения анализируемой клетки маской оператора повышения резкости. 2. Сегментация по вектору одного признака. В качестве признака выбирается яркость каждого пикселя изображения. Результат этапа - бинарна маска зернистости. 3. Объекты на полученной бинарной маске анализируется согласно мето-дам количественной оценки. В качестве количественных оценок зернистости предлагаются следующие признаки:
