автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Автоматизация анализа растровых изображений твердой фазы биологической жидкости медико-биологических препаратов

На правах рукописи

ПЕТРОВ ВЛАДИМИР ОЛЕГОВИЧ

0034850В0 АВТОМАТИЗАЦИЯ АНАЛИЗА РАСТРОВЫХ ИЗОБРАЖЕНИЙ ТВЕРДОЙ ФАЗЫ БИОЛОГИЧЕСКОЙ ЖИДКОСТИ МЕДИКО-БИОЛОГИЧЕСКИХ ПРЕПАРАТОВ

05.13.01 - Системный анализ, управление и обработка информации (промышленность)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

2 С НОЯ

Волгоград-2009

003485080

Работа выполнена на кафедре «Системы автоматизированного проектирования и поискового конструирования» Волгоградского государственного технического университета, на кафедре «Автоматизированные системы обработки информации и управления» Камышинского технологического института (филиал) Волгоградского государственного технического университета.

Научный руководитель: доктор технических наук, профессор

Ведущая организация: АГТУ «Астраханский государственный технический университет», г. Астрахань.

Защита состоится 10 декабря г. в 10 м на заседании диссертационного совета Д212.028.04 при Волгоградском государственном техническом университете по адресу: 400005, г. Волгоград, проспект Ленина 28, ауд. 209.

С диссертацией можно ознакомиться в библиотеке Волгоградского государственного технического университета.

Автореферат разослан 9 ноября 2009 г.

Камаев Валерий Анатольевич

Официальные оппоненты:

доктор технических наук, профессор Ивашкин Юрий Алексеевич кандидат технических наук Кудряшов Павел Павлович

Ученый секретарь диссертационного совета

Водопьянов В.И.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Широкое разнообразие методик исследования различных заболеваний с использованием микроскопии в медицине и улучшение технического обеспечения лабораторий, больниц и институтов открывают дополнительные возможности для качественной диагностики заболеваний и исследования новейших методик их лечения.

В последнее время одним из перспективных направлений анализа биологических жидкостей в гистологии, цитологии, ботанике и в других областях науки является исследование твердой фазы биологической жидкости, основанное на явлении дегидратации. Термин дегидратация означает обезвоживание жидких и аморфных материалов. В медицине на основе дегидратации строится множество методик научных исследований и лабораторной диагностики. К примеру, клиновидная дегидратация, метод микрокристаллических реакций, кристалло-оптический метод. Все они обладают рядом весомых преимуществ: дешевизна, простота в исполнении, а также высокая чувствительность и информативность.

В качестве биологических жидкостей могут выступать: сыворотка крови, перитонеапьная жидкость, спинномозговая жидкость, слизь, слюна и другие. В результате дегидратации биологической жидкости появляется пленка, которая получила название фация. Наблюдаемое при микроскопии изображение фации является отображением структурного состава биологической жидкости. Таким образом, наблюдая фацию, можно делать приближенные выводы о составе исследуемого препарата.

Тем не менее, существуют проблемы исследования твердой фазы биологической жидкости. Значительная доля исследований ведется по качественным особенностям на феноменологическом уровне вследствие трудности определения количественных характеристик получаемых паттернов. Высокая степень субъективизма в оценке результатов также является негативным фактором.

Исследование фаций белковых жидкостей ведется по трудно подходящим для классификации текстурным характеристикам, а оценка результатов осуществляется врачом или лаборантом субъективно. Такой подход эффективен в случае ярко выраженных отличий. В то же время промежуточные виды фаций, полученные на этапе динамики развития патологического процесса, не могут быть верифицированы с использованием интуитивного подхода. Для оперативного принятия решения важно измерение и оценка динамики изменения картины фации.

Современные технические и программные средства, ориентированные на автоматизированный анализ существующих и апробированных методик диагностики, в большей степени подходят для препаратов, полученных методом окрашивания. За счет окрашивания достигается получение цвето-яркостных различий между объектами без учета пространственных характеристик геометрических (визуальных) особенностей. Это облегчает их распознавание, как в автоматическом режиме, так и самим лаборантом.

Наблюдаемая при микроскопии картина фации существенно отличается от традиционных окрашенных препаратов не только отсутствием цвета, но и наличием хаотичных текстур и являющихся, по сути, ее морфологическими особенностями. В связи с этим, для автоматизированного анализа фации требуется разработка новых методов и алгоритмов количественной оценки текстур. Под текстурой в

рамках данной работы понимается растровое изображение, состоящее из более или менее близких по восприятию элементов.

В сотрудничестве с Волгоградским государственным медицинским университетом были сформулированы проблемы при лабораторных исследованиях медико-биологического препарата с использованием методик, основанных на дегидра-тационном анализе. Для решения этих проблем необходимо: создать методику количественной оценки растровых фрагментов текстур; разработать метод сегментации растрового текстурного изображения с учетом прикладных особенностей; разработать методы обработки данных, способствующие автоматизированной поддержке медицинских методик, основанных на дегидратации.

Существующие алгоритмы сегментации эффективно работают на контрастных растровых изображениях, на которых текстуры обладают свойствами однородности и повторяемости. Более того, критерий сегментации не отражает характера текстурного сегмента или позволяет определить степень сходства с объектом-эталоном. В нашем случае, помимо сегментации растрового изображения с заранее не известными текстурными особенностями, необходимо определить признаки, характеризующие текстурные сегменты.

Таким образом, актуальными являются задачи, связанные с количественным описанием текстурных особенностей, позволяющих выполнить сегментацию и классификацию в задачах автоматизированного анализа твердой фазы биологической жидкости.

Актуальность данной работы состоит в разработке метода количественного анализа текстуры растрового изображения биологического препарата. В частности:

- разработка метода текстурной сегментации растрового изображения без предварительного обучения алгоритмов на контрольной выборке однотипных изображений;

- разработка метода автоматической сегментации растровых изображений по текстурным признакам изображений медико-биологического препарата, ориентированных на особенности наблюдаемой при дегидратации картины;

- разработка методики расчета количественных характеристик текстурных особенностей растровых изображений для классификации и сравнительного анализа.

Актуальность темы для решения прикладных задач подтверждается потребностью в разработке методик, которые могут стать основой для проектирования программно-технических систем автоматизированного анализа растровых изображений, полученных в результате микроскопического анализа твердой фазы биологической жидкости. Ключевой особенностью метода автоматизированного анализа растрового изображения следует выделить возможность количественной оценки их текстурных особенностей.

Целью диссертационной работы является разработка новых методов анализа растрового изображения твердой фазы биологической жидкости, 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 при анализе твердой фазы биологической жидкости;

- выполнить обзор существующих методов сегментации растровых изображений и средств автоматизированной поддержки медицинских методик анализа и диагностики;

- разработать подход к анализу изображений фаций, позволяющий проводить исследования твердой фазы биологической жидкости автоматическом режиме;

- разработать алгоритмы для осуществления морфологического разбора фации на структурные зоны;

- разработать алгоритмы для получения количественных характеристик текстурных особенностей изображений для сравнительного анализа, исследования динамики текстурных изменений и классификации объектов;

- проверить работоспособность разработанных методик и алгоритмов на растровых изображениях фаций и других изображениях с текстурой;

- разработать программный комплекс для автоматизированного анализа растрового изображения фации (твердой фазы биологической жидкости).

Методы исследований. Решение поставленных задач потребовало привлечения подходов и методов в следующих направлениях научной деятельности: медико-биологическая морфометрия, алгоритмы обработки цифровых изображений, обработка одномерных сигналов, статистическая обработка данных, системный анализ, распознавание образов.

Достоверность и обоснованность результатов. Достоверность и адекватность результатов работы разработанного метода текстурной сегментации проверялась как на изображениях фаций перитонеальной жидкости, так и на искусственно созданных растровых изображениях со сложной текстурой. Оценка достоверности результатов обработки изображений фаций осуществлялась группой экспертов лаборатории моделирования патологии ГУ «Волгоградский научный центр Российской академии медицинских наук и Администрации Волгоградской области» в рамках проделанных экспериментов.

Научная новизна. Предложены новые алгоритмы и методы автоматизированного анализа текстур растровых изображений, а также разработаны методы обработки данных, способствующих автоматизированной поддержке медицинских методик исследования твердой фазы биологической жидкости.

1. Предложен новый метод текстурной сегментации растровых изображений без предварительного обучения на контрольной выборке изображений.

2. Предложена новая методика количественной оценки текстуры растрового изображения для решения задач классификации и сравнительного анализа при исследовании динамики текстурных изменений.

3. Предложено формализованное описание фации биологической жидкости, в котором снижена степень субъективной составляющей за счет введения количественных оценок текстурных особенностей выделенных зон.

Практическая значимость работы

Полученные результаты позволят снизить субъективную составляющую при анализе твердой фазы биологической жидкости и ускорить процесс измерения

морфологических характеристик исследуемых объектов в результате дегидратации биологической жидкости.

1. Автоматизированный анализ твердой фазы биологической жидкости позволяет оперативно накапливать статистику анализа изображений для комплексного исследования клинических методик и выдвижения новых гипотез.

2. На основе предложенных алгоритмов и методов автоматизированного анализа изображений становится возможным исследование динамики текстурных изменений на промежуточных этапах течения патологического процесса.

3. Реализованный программный комплекс автоматизированного анализа фации может быть использован для анализа твердой фазы биологической жидкости.

4. Разработанный метод текстурной сегментации растровых изображений может быть применен в задачах сегментации растровых изображений в разных предметных областях (картография, материаловедение).

Основные положения и результаты, выносимые на защиту:

1. Метод текстурной сегментации растрового изображения.

2. Формализованное описание фации, полученной в результате дегидратации биологической жидкости.

3. Методы количественного измерения текстурных особенностей объектов на изображении для решения задач классификации и сравнительного анализа.

4. Подход к исследованию твердой фазы биологической жидкости по цифровому изображению.

Внедрение.

1. Разработка «Программа для исследования медико-биологического препарата, полученного методом клиновидной дегидратации при микроскопии» внедрена на кафедре патологической анатомии Волгоградского государственного медицинского университета.

2. Разработка «Программный комплекс для решения прикладных задач анализа медико-биологических препаратов при микроскопии» внедрена на кафедре оперативной хирургии и топографической анатомии Волгоградского государственного медицинского университета.

3. Разработка «Программа для исследования медико-биологического препарата, полученного методом клиновидной дегидратации при микроскопии» внедрена в лаборатории моделирования патологии ГУ «Волгоградский научный центр Российской академии медицинских наук и Администрации Волгоградской области».

4. Работа ведется при поддержке Фонда содействия малых форм предприятий в научно-технической сфере по программе «СТАРТ-08».

Апробация работы. Основные положения диссертации докладывались на научных семинарах кафедры САПР и ПК ВолгГТУ и кафедры АСОИУ КТИ, а также на международных, всероссийских научных и научно-практических конференциях: V Всероссийской научно-практической конференции, г. Камышин (2008), «Инновационные технологии в управлении, образовании, промышленности "АСТИНТЕХ-2008", Каспийский инновационный форум «Инно-Каспий» (2009).

Публикации. По теме диссертации опубликовано 21 печатная работа, в том числе 3 из них в журналах, рекомендованных ВАК; оформлено 5 авторских свидетельств о государственной регистрации программы для ЭВМ.

Объем и структура работы.

Работа состоит из введения, четырёх глав с выводами, заключения, трех приложений, списка литературы. Общий объем работы: страниц - 146, иллюстраций - 57, таблиц - 9. В списке литературы 115 наименований.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, сформулированы цели и задачи исследования, научная новизна, определяется объект исследования, приводится перечень основных результатов, выносимых на защиту, излагается краткое содержание глав диссертации.

В первой главе делается обзор задач автоматизированной микроскопии, приводится анализ существующих методов и алгоритмов обработки растровых изображений медико-биологических препаратов.

Произведен сравнительный анализ существующих алгоритмов сегментации растровых изображений. Результаты сведены в таблицу 1.

Таблица 1 - Сравнительный анализ алгоритмов сегментации

Сегментация текстур скудных по цвето-яркостным характеристикам Учет текстурных особенностей Автоматическая сегментация Устойчивость к помехам Сегментация изображения при отсутствии явной границы между сегментами

Magic Wand - - - - -

Intelligent Scissors - - - - -

Intelligent Paint + - - - -

GraphCut + - - - -

GrabCut + - - - -

Lazy Snapping + - - - -

GrowCut - - - - -

JSEG - + + - -

Метод активных контуров - - - - -

Сегментация текстурных изображений на основе оценивания локальных статистических признаков - + + + -

Текстурная сегментация изображений на основе Марковских случайных полей + - + + -

Предложенный метод + + + + +

Во второй главе рассматриваются алгоритмы обработки цифровых изображений для решения прикладных задач микроскопии, модифицированных или разработанных лично автором.

В параграфе 1 приводится разработка метода текстурной сегментации растровых изображений.

Суть метода заключается в восстановлении зон однородной текстуры на изображении по анализу характеристик, полученных в результате разбиения исходного изображения на элементарные (атомарные) блоки. При этом к блокам предъявляются следующие требования:

- форма блока определяется спецификой анализируемого изображения;

- характер разбиения должен быть таким, чтобы характеристики любого текущего блока и его соседей не отличались на заранее заданную величину (параметры чувствительности);

- набор признаков, вычисляемых для каждого блока, определяется спецификой обрабатываемого изображения и постановкой задачи.

Ключевая особенность разработанного метода текстурной сегментации заключается в преобразовании каждого атомарного блока к одномерной числовой последовательности локальных характеристик. Например, если текстура однородна во всех направлениях на растровом изображении, то его можно разделить на множество одинаковых прямоугольных блоков. Каждый такой блок можно представить в виде одномерной последовательности точек, как показано на рисунке ниже.

ш

12 3 4 5

Рисунок 1 - Схема формирования одномерной числовой последовательности

Полученная одномерная последовательность локальных характеристик представляет собой сигнал с заранее не известными особенностями, к которому применяется ряд математических преобразований.

В качестве метода численной оценки сигнала были выбраны спектральные характеристики одномерного Фурье-преобразования:

1 М-\

F(u) = — I f(x) М х=0

cos(-

2 7IUX

2 та

■ sin(-))

М

(1)

М

и = 0,1, 2, ..., (М-1), где F(u) - Фурье-преобразование дискретной функции одной переменной, М- число точек в одномерной последовательности,/^ - значение яркости х-го пикселя одномерной последовательности.

Величиной, описывающей свойства функции F(n), используется модуль или амплитудный спектр Фурье-преобразования,

7 (2)

|F(M)| = ^|я2(и) + /2(и)|

где Щи) - действительная часть величины Р(и), Ци) - мнимая часть величины Р(и).

Различные сигналы с заранее не известными особенностями сложно сравнивать между собой. В большинстве случаев используются оценки спектральной плотности мощности (СПМ) или амплитудных спектров. С другой стороны, по ним трудно проводить абсолютные количественные сопоставления сигналов разных типов или сравнивать параметры сигналов во временной и частотной области. Временные и спектральные представления имеют разные физические размерности. В результате, автором предложена оценка, основанная на вычислении интеграль-

ного спектра дисперсии, вычисляемого с использованием одиночной периодограммы:

2|х(/)|2 _ 2-А(/)2

■./2:0,

Г Г

Я!]) - периодограмма, Аф - амплитудный Фурье-спектр, Т ■

(3)

длина

где реализации.

Интегральный спектр дисперсии является наиболее универсальной спектральной оценкой для абсолютного сопоставления сигналов. Спектр определяется как дисперсия сигнала в переменной полосе частот, начиная от фиксированной ^ до текущей частоты £ Интегральный спектр дисперсии вычисляется интегрированием периодограммы в переменной полосе частот с фиксированным нижним пределом:

£»(/!•/)= /¿¡■("У/'' (4)

/1

где £>(//, _/) - интегральный спектр дисперсии.

Ниже (рисунок 2) представлены графики яркости (2.а), амплитудного спектра преобразования Фурье (2.6) и интегрального спектра дисперсии (2.в) для двух атомарных блоков, взятых из разных сегментов с различной текстурой. Из графиков видно, что последний лучше отражает отличия двух сигналов.

а) б) в)

Рисунок 2 - Сопоставление двух различных сигналов

Доказательство эффективности выбранного признака производилось вычислением энтропии. Известно, что качественная классификация (сегментация) изображения возможна только в случае низкой энтропии пространства выбранных для оценки признаков.

В таблице показаны значения энтропии для различных признаков. Размер выборки составляет 240 изображений. Как видно из таблицы, наименьшей энтропией обладает интегральный спектр дисперсии.

Таблица 2 - Результаты анализа признаков для решения задачи сегментации

Критерий сегментации Доверитель- Математическое Довери-

ная вероят- ожидание значении тельным

ность энтропий интервал

Функция яркости 0.95 83.1 ±24.47

Амплитудный спектр Фурье-преобразования 0.95 93.6 ±30.02

Интегральный спектр 0.95 35.8 ±6.48

дисперсии

Задачу определения принадлежности каждого блока к соответствующему сегменту удобно решать с использованием кластерного анализа. Не целесообразно

в качестве входных параметров использовать все множество интегрального спектра дисперсии, поскольку происходит усреднение отличительных признаков сегментов. Был проведен эксперимент, в ходе которого установлено, что для решения задачи текстурной сегментации большинства изображений достаточно двух оценок интегрального спектра дисперсии: предельного значения и скорости возрастания интегрального спектра дисперсии.

На рисунке ниже представлен результат работы алгоритма на примере нескольких текстурных изображений. Для проверки устойчивости алгоритма, к исходному изображению применялись следующие преобразования:

а) исходное изображение нескольких текстур с нанесением на него цветового шума;

б) исходное изображение нескольких текстур с нанесением на него цветового шума и оптических искажений;

в) исходное изображение нескольких текстур с нанесением на него цветового шума и фильтра случайного размытия;

г) исходное изображение нескольких текстур с нанесением на него цветового шума и применением фильтра «рисунок маслом».

Рисунок 3 - Пример сегментации на основе текстурных признаков

Данный метод текстурной сегментации может быть применен в таких предметных областях, где необходима сегментация растрового изображения по текстурным особенностям сегментов (картография - распознавание снимков, полученных со спутника, медицина - сегментация изображения медико-биологических препаратов со свойственной им ярко выраженной текстурой, металлургия - исследование дефектов металлических отливок по их растровому изображению).

В параграфе 2 описывается алгоритм интерактивного выделения объектов интереса на растровом изображении, модифицированный на базе алгоритма активных контуров.

Алгоритм активных контуров не решает задачу сегментации корректно в случае наличия у объекта интереса четких внешних границ, отделяющих его от других объектов или фона. Автором предлагается дополнить алгоритм интерактивной сегментации дополнительной составляющей - силой усредненных характеристик объекта Е^,,.

На рисунке ниже представлено изображение объекта, который необходимо выделить (рисунок 4.а). Правее, рисунок 4.6, изображен результат работы алгоритма активных контуров. На рисунке 4.в приведен результат модифицированного алгоритма активных контуров.

а) б) в)

Рисунок 4 - Результат интерактивной сегментации растрового объекта, не имеющего четких внешних границ

В параграфе 3 описан разработанный метод автоматической фокусировки микроскопа.

В результате автоматического сканирования образца, в ходе которого предметный столик перемещается в горизонтальной плоскости, возникает проблема фокусировки микроскопа из-за неровностей поверхности и неоднородности образца.

Идея метода проиллюстрирована на рисунке ниже (рисунок 5).

Настройка алгоритма

Выбор участка для анализа (продольный/ поперечный срез)

Расчет функции яркости ВД

Расчет функции скользящего среднего М(Р)

Критерий =

Мах\

(M(F)-F) M(F)

Рисунок 5 - Метод автоматической фокусировки микроскопа с моторизированным предметным столиком

В параграфе 4 описан разработанный метод увеличения глубины резкости по множеству однотипных изображений, полученных с разными фокусными расстояниями регистрирующего устройства. На рисунке 6 проиллюстрирована идея метода.

В фокусе

Критерий = 94.92%

Формирование массива изображений, полученных с различным фокусным расстоянием регистрирующего устройства

Для каждого пикселя каждого изображения считается критерий, представляющий собой дисперсию яркости ближайшего окружения

Каждый пиксель результирующего изображения представляет собой соответствующий пиксель из массива изображений, соответствующий максимальному критерию К

I

карта глубины

Рисунок 6 - Метод увеличения глубины резкости растрового изображения

В третьей главе дается описание процесса автоматизированного анализа изображения фации с использованием разработанных алгоритмов и метода текстурной сегментации, приводится формализованное описание модели фации.

Особенности объекта исследования. Объектом исследования в данной работе выступает растровое изображение фации, полученной в результате дегидратации при микроскопии. Различные виды таких растровых объектов проиллюстрированы на рисунке 7 (слева). Схематично объект исследования изображен на рисунке 7 (справа).

Одна го проблем при данном виде анализа - отсутствие ярко выраженных отличий между зонами, а также внутри зон, что затрудняет анализ.

Зоне N

Рисунок 7 Изображение различных видов фаций (слева), схематичное отображение фации (справа)

В данном случае автоматизацию исследования затрудняют следующие особенности изображения:

1. Анализ возможен только по фрагменту (что связано с технологией получения изображения).

2. Цвето-яркостные характеристики изображения находятся в небольшом интервале значений.

3. Исследование динамики патологического процесса ведется по косвенным текстурным особенностям изображения фации, а существующие универсальные

программные системы медико-биологического анализа в основном ориентированы на исследование однотонных объектов (не текстурных), где важны такие характеристики, как занимаемая площадь, количество, наличие.

4. Поверхность фации имеет неравномерную толщину, поэтому фокусное расстояние микроскопа нельзя настроить так, чтобы все изображение находилось в зоне резкости.

5. Текстура зон фации такова, что заранее не известно, какими особенностями они могут обладать.

6. Существующие алгоритмы автоматической сегментации не могут сегментировать растровое изображение с отсутствием цветовых особенностей без предварительного обучения на контрольной выборке.

Согласно физике процесса высыхания медико-биологического препарата посредством дегидратации, изменение текстуры прослеживается от центра фации к ее краям. При этом происходит проявление радиальных областей (зон фации). Их количество определяется как типом биологической жидкости (сыворотка крови, перитонеальная жидкость, спинномозговая жидкость), так и характером патологического процесса.

Подход к анализу изображения фации перитонеальной жидкости. Цифровое изображение фации состоит из фрагмента объекта интереса и фона, что является неотъемлемым требованием к входным данным. Этапы подготовки изображения для анализа количественных характеристик текстуры фации:

Определение пространственного положения препарата в кадре.

- Нахождение границ фации с фоном.

- Расчет параметров приближенной окружности к внешнему контуру фа-

- Рассечение изображения фации радиальными сечениями минимальной толщины.

Данный подход к анализу медико-биологического препарата позволяет перейти от двумерных изображений к одномерным сечениям, которые можно интерпретировать как сигнал.

Форма фрагмента разбиения выбрана в виде радиального сечения заданной толщины. При этом линия, рассекающая растровое изображение фации, будет нести в себе информацию об одной отдельной текстуре. Это позволит определить в дальнейшем границу зон внутри фации и соответствующие особенности для исследования динамики текстурных изменений. Так как в отдельно взятом сечении отсутствует ярко выраженный разброс неоднородности текстуры, предлагается произвести вырождение сечения толщиной в один пиксель (рисунок 8).

Входной информацией для выполнения математических преобразований является одномерный массив значений яркости каждой точки радиального среза. На рисунке ниже (слева) проиллюстрировано отдельно взятое радиальное сечение

ции.

Рисунок 8 - Вырождение сечения толщиной в один пиксель

(срез), являющееся вырожденным растровым фрагментом изображения фации пе-ритонеальной жидкости. В центральной части рисунка графически изображен массив яркостей каждой точки радиального среза. Этот массив интерпретируется как сигнал с заранее не известными особенностями, для которого будет применено Фурье-преобразование для получения количественных текстурных характеристик. На рисунке 9 справа представлен амплитудный спектр Фурье-преобразования исходного сигнала.

ш,

Отдельно взятое радиальное сечение

Амплитудный спектр Фурье-преобразования исходного сигнала

Массив значений яркости каждой точки радиального среза

Рисунок 9 - Представление радиального сечения в виде одномерной числовой последовательности

Согласно вышеизложенному подходу к анализу фации и разработанному методу текстурной сегментации с использованием кластерного анализа, происходит морфологический разбор на структурные составляющие.

На рисунке ниже представлены графики, на которых графически проиллюстрированы признаки (в двумерном пространстве), участвующие в кластерном анализе (рисунок 10.а), и показана зависимость доминирующей гармоники интегрального спектра дисперсии от радиуса сечения (рисунок 10.6).

1 * 5 0.82

.'•г • • •, .

ч>.

»• у- • '

| | 1 \Jf-S-l

График зависимости предельного значения интегрального спеюра дисперсии и нормированного значения доминирующей гармоники

О 0.2 0.4 0.6 0.8 1 График зависимости доминирующей гармоники интегрального спектра дисперсии и радиуса сечени)

Рисунок 10 - Количественные текстурные особенности в двумерном пространстве

признаков

Результат автоматической сегментации фации перитонеапьной жидкости, полученной в результате дегидратации, представлен на рисунке 11.

Рисунок 11 - Результат сегментации изображения фации

Формализованное описание модели фации перитонеальной жидкости.

Опираясь на существующие методики исследования твердой фазы биологической жидкости и наблюдаемые при микроскопии визуальные отличия исследуемого объекта, предлагается следующая модель описания фации.

F = <М, R>, (5)

где М - количество зон фации,

R - кортеж выделенных метрик радиальных зон фации.

Кортеж выделенных метрик каждой радиальной зоны фации описан следующими параметрами

R = <D, S, V, Z, 0>, (6)

где О - кортеж, описывающий морфологические признаки, набор которых определяется конкретной методикой исследования (к примеру, кристаллов солей),

Z - отношение ширины зоны к радиусу фации (нормированная ширина зоны),

D - кортеж усредненных частотных характеристик текстур,

S - показатель равномерности распределения текстуры внутри зоны,

V - косвенный показатель, определяющий доминирующие частотные характеристики.

Предлагаемая модель может быть использована для автоматизированной поддержки существующих медицинских методик, основанных на анализе твердой фазы биологической жидкости.

Показатель равномерности распределения текстуры внутри зоны. Данный показатель представляет собой дисперсию отклонений предельных значений интегрального спектра дисперсии, соответствующих отдельным радиальным сечениям внутри отдельной структурной зоны фации.

N-1 _ 2

I (d-di)

S = %) = —-, (7)

N

где S - дисперсия отклонений соответствующего кластера, d - математическое ожидание, d - предельное значение интегрального спектра дисперсии соответствующего радиального сечения, N - число радиальных сечений в пределах одной зоны.

Косвенный показатель, определяющий доминирующие частотные характеристики. Доминирующие частотные характеристики определяют скорость возрастания интегрального спектра дисперсии, поэтому данный показатель рассчитывается следующим образом:

N-1 ( \ , N-1 /

1

V = £ Max D{f f) -D(f f) =-[-. Z Мах

N i = 1 v 1 1 J-Ui J N ; = 0

7 = 1, 2... ,n-\,

(8)

где ,/) - интегральный спектр дисперсии /-го радиального сечения;

/,/ - частоты спектра амплитудного Фурье-преобразования сигнала; Б (и ) -1 /

периодограмма; /' - номер радиального сечения; N - число радиальных сечений в

пределах отдельного сегмента, п - число значений интегрального спектра дисперсии.

Был проделан ряд экспериментов, подтверждающих работоспособность разработанных методов с участием группы экспертов в количестве семи человек лаборатории моделирования патологии ГУ «Волгоградский научный центр Российской академии медицинских наук и Администрации Волгоградской области».

Автоматизированный анализ динамики текстурных изменений по растровым изображениям фаций.

Разработанный подход к анализу медико-биологического препарата определяет следующие требования:

- анализ динамики патологического процесса возможен, если заранее известны образцы-эталоны классификационной группы;

- классификация и сравнительный анализ объектов исследования следует проводить квалифицированному специалисту по заранее выбранным критериям.

- сравнительный анализ по текстурным особенностям изображений возможен только для соответствующих зон фации в одном масштабе увеличения.

На рисунке 12 проиллюстрирована динамика текстурных изменений изображений фаций перитонеальной жидкости. Анализ осуществляется по разработанным признакам, описывающим текстурные особенности изображения. Сравнивается первое изображение фации с остальными, и относительно него на диаграммах в процентах показаны отличия морфологических особенностей согласно разработанной формализованной модели фации.

1 2 3 4 5

штт * тЛМшк^ '-Ш -.¿жС 1Ж ¿М^вада ШтИ ,т ■ШШж ШшрУ Й^РР

НЕНВ

. ". .V 'Л . о4' « шШШШШШт.

256.2 V Р Р Р 5 о о о о о о о 0 о о о о

2 2 1® § § § о м м

,г Щ 5 ч | 1., ,«„........ т

-128,1 -256,2

Рисунок 12 - Анализ динамики изменения текстурных особенностей относительно

выбранного образца-эталона

Отрицательные проценты на диаграмме показывают отрицательную динамику изменения выделенных текстурных признаков относительно выбранного образца.

В четвёртой главе описана архитектура созданного программного комплекса и его функции для решения частных задач микроскопии медико-биологических препаратов. В состав комплекса входят пять программных модулей, обеспечивающих широкий функциональный набор программных инструментов для ведения исследований по растровым изображениям в области микроскопии.

В параграфе 1 описываются возможности программного комплекса для проведения исследований в области микроскопии по растровому изображению.

В параграфе 2 описывается архитектура программного комплекса.

В параграфе 3 приводится функциональная схема программного комплекса.

В приложениях представлены результаты тестирования разработанных методов: сегментации и выделения количественных текстурных характеристик растровых изображений.

Основные выводы и результаты работы:

1. Разработанный подход к исследованию твердой фазы биологической жидкости по растровому изображению фации учитывает особенности предметной области. Поэтому становится возможным автоматизация этапа предварительной обработки изображения фации и измерение морфологических характеристик.

2. Разработанный метод текстурной сегментации позволяет осуществить морфологический разбор изображения фации на структурные зоны по текстурным признакам.

3. Разработанные алгоритмы для количественного измерения текстурных особенностей фрагментов растрового изображения позволят существенно снизить степень субъективизма при исследовании твердой фазы биологической жидкости.

4. Предложенное формальное описание фации позволяет произвести анализ по текстурным особенностям в условиях уникальности узора и незначительной степени вариации цветовых характеристик цифрового изображения.

5. Разработанный программный комплекс был использован для автоматизации типовых и инновационных микроскопических исследований при дегидратационном анализе на кафедре оперативной хирургии и топографической анатомии ВолГМУ; и в лаборатории моделирования патологии ГУ «Волгоградский научный центр Российской академии медицинских наук и Администрации Волгоградской области», о чём свидетельствуют соответствующие акты внедрения.

Список опубликованных работ по теме диссертации:

Журналы рекомендованные ВАК:

1. Петров, В.О. Подход к исследованию текстуры растрового изображения медико-биологического препарата, полученного методом клиновидной дегидратации при микроскопии / В.О. Петров // Известия Вол-гГТУ. Сер. «Актуальные проблемы управления, вычислительной техники и информатики в технических системах»; межвуз. сб. науч. статей / ВолгГТУ. - Волгоград, 2009. - № 6. - С. 70-72.

2. Петров, В.О. Методика количественной оценки текстурных особенностей фации перитонеапьной жидкости для исследования динамики патологического процесса / В.О. Петров, О.О. Привалов, C.B. Порой-ский // Известия ВолгГТУ. Сер. «Актуальные проблемы управления, вычислительной техники и информатики в технических системах»; межвуз. сб. науч. статей / ВолгГТУ. - Волгоград, 2009. - № 6. - С. 7375.

3. Петров, В.О. Методика автоматизированного анализа фации перито-неальной жидкости по растровому изображению при микроскопии / В.О. Петров, О.О. Привалов, И.В. Степанченко // Научно-технические ведомости СПбГПУ; сб. науч. статей / СПбГПУ. - Санкт-Петербург, 2009.-№3.-С. 134-138.

Прочие публикации:

4. Петров, В.О. Модификация алгоритма активных контуров для задач оконтуривания дефектов металлических отливок на растровом изображении / В.О. Петров, О.О. Привалов // Современные проблемы науки и образования; сб. науч. статей / Москва 2009. - № 6. - С. 14-19.

5. Петров, В.О. Применение метода активных контуров для интерактивного выделения объектов на растровых изображениях медико-биологических препаратов. / В.О. Петров, О.О. Привалов, И.В. Степанченко, и др. // Бюллетень Волгоградского научного центра РАМН, 2008.-№3.-С. 54-55.

6. Привалов, О.О. Многофункциональный программный комплекс для поддержки уникальных и состоявшихся методик медико-биологического анализа / О.О. Привалов, В.О. Петров, И.В. Степанченко и др. // Инновационные технологии в управлении, образовании, промышленности «АСТИНТЕХ-2008»: Материалы международной научной конференции, 15-17 апреля 2008. АГУ. - Астрахань, 2008. - С. 22-24.

7. Петров, В.О. Алгоритм текстурной сегментации растровых изображений при решении прикладных задач медико-биологического анализа / В.О. Петров, В.А. Камаев, C.B. Поройский // Современные проблемы науки и образования; сб. науч. статей, 2009. №6. - С. 106-110.

8. Петров, В.О. Программный комплекс для извлечения характеристик и сравнительного анализа признаков объектов исследования по растровому изображению / В.О. Петров // 13-я региональная конференция молодых исследователей Волгоградской области: Тезисы докладов, 11-14 ноября 2008 / ВолгГТУ. - Волгоград, 2009. - С. 206-208.

9. Петров, В.О. Программа для выявления грубых ошибок процесса фотосъемки по цифровой фотографии / В.О. Петров // Каспийский инновационный форум: Материалы конференции молодых ученых и инно-ваторов «Инно-Каспий» 8-10 февраля 2009 / Издательский дом «Астраханский университет». - Астрахань, 2009. - С. 35-37.

10. Петров, В.О. Автоматизация этапа анализа характеристик белковых фракций при электрофорезе биологических жидкостей / В.О. Петров, О.О. Привалов, C.B. Поройский, и др. // Бюллетень Волгоградского научного центра РАМН, 2008. № 3. - С. 53-54.

11. Петров, В.О. Способы измерения физических размеров объектов на растровом изображении / В.О. Петров, О.О. Привалов // Инновационные технологии в обучении и производстве: Материалы V Всероссийской научно-практической конференции, г. Камышин 4-6 декабря 2008: Т.2. / КТО ВолгГТУ. - Волгоград, 2008. - С. 212-213.

12. Петров, В.О. Автоматизированная система для качественного и количественного анализа фаций в задаче исследования медико-биологического препарата методом клиновидной дегидратации / В.О.

Петров, 0.0. Привалов, И.В. Степанченко, и др. // Бюллетень Волгоградского научного центра РАМН, 2009. № 2. С. 54-55.

13. Петров, В.О. Программа визуальной оценки эффективности количественных критериев для сравнительного анализа растровых объектов /

B.О. Петров, Р.П. Пономарев // Городу Камышину - творческую молодежь: Материалы 3-й региональной научно-практической студенческой конференции, 23-24 апреля 2009: Т.2. / КТИ ВолгГТУ. - Волгоград, 2009. - С. 86-87.

14. Петров, В.О. Программа, извлекающая количественные характеристики растровых сегментов / В.О. Петров, А. Хрупин // Городу Камышину - творческую молодежь : Материалы 3-й региональной научно-практической студенческой конференции, 23-24 апреля 2009: Т.2. / КТИ ВолгГТУ. - Волгоград, 2009. - С. 101-102.

15. Петров, В.О. Программный модуль интерактивной сегментации растровых объектов методом активных контуров / В.О. Петров, М. Филиппов // Городу Камышину - творческую молодежь: Материалы 3-й региональной научно-практической студенческой конференции, 23-24 апреля 2009: Т.2. / КТИ ВолгГТУ. - Волгоград, 2009. - С. 98-100.

16. Петров, В.О. Алгоритм интерактивной сегментации изображений дефектов металлических отливок, с целью автоматизированного выявления причин брака / В.О. Петров // «Инновационные технологии в управлении, образовании, промышленности «АСТИНТЕХ-2008»: Материалы международной научной конференции 15-17 апреля 2008 / Издательский дом «Астраханский университет». - Астрахань, 2008. -

C. 19-22.

Авторские свидетельства о государственной регистрации программы на

ЭВМ:

17. Петров, В.О. Программа, извлекающая количественные характеристики с растрового сегмента, содержащего объект интереса для исследования / В. О. Петров // Свидетельство об официальной регистрации программы для ЭВМ № 2009611316. Зарегистрировано в реестре программ для ЭВМ 04.03.2009.

18. Петров, В.О. Программа, отделяющая объекты интереса от фона на растровом изображении / В. О. Петров, О. О. Привалов. // Свидетельство об официальной регистрации программы для ЭВМ № 2009611263. Зарегистрировано в реестре программ для ЭВМ 27.02.2009.

19. Петров, В.О. Программа для поиска и классификации похожих фотографий бракованных изделий литья по свойственным им дефектам / В. О. Петров. // Свидетельство об официальной регистрации программы для ЭВМ № 2009611264. Зарегистрировано в реестре программ для ЭВМ 27.02.2009.

20. Петров, В.О. Программа предварительной обработки фотографии бракованной литейной заготовки для визуального анализа алгоритмов сегментации дефектов / В. О. Петров, О. О. Привалов, И. В. Степанченко. // Свидетельство об официальной регистрации программы для ЭВМ № 2009611315. Зарегистрировано в реестре программ для ЭВМ 04.03.2009.

21. Петров, В.О. Программа для качественного исследования количественных характеристик для задач идентификации объектов, распознавания образов, сравнения двух цветных изображений / В. О. Петров, И. В. Степанченко , В. В. Сургутанов. // Свидетельство об официальной регистрации программы для ЭВМ №2009611313. Зарегистрировано в реестре программ для ЭВМ 04.03.2009.

Выражаю благодарность заведующему лабораторией моделирования патологии ГУ «ВНЦ», доценту, к.м.н. Поройскому Сергею Викторовичу за содействие и предоставление практического материала; к.т.н., доценту Привалову Олегу Олеговичу за научные консультации и предоставление необходимой литературы.

Петров Владимир Олегович

Автоматизация анализа растровых изображений твердой фазы биологической жидкости медико-биологических препаратов

Автореферат

Подписано в печать 05.11.2009 Тираж 110 экз. Заказ № 65. Печ. л. 1,0 Отпечатано ИП Сорокин В.Д. Волгоградская обл., г. Камышин, ул. Металлургов, 6-9

ВВЕДЕНИЕ.

1. ОБЗОР АЛГОРИТМОВ И МЕТОДОВ АВТОМАТИЗИРОВАННОЙ МИКРОСКОПИИ.

1.1 Задачи автоматизированной микроскопии.

1.1.1 Формирование больших полей наблюдения.

1.1.2 Увеличение глубины резкости рельефного объекта при микроскопии.

1.1.3 Трехмерная реконструкция.

1.1.4 Количественный анализ.

1.1.5 Способы измерения физических размеров объектов на растровом изображении.

1.1.6 Статистический анализ.

1.1.7 Исследование динамики изменения медико-биологического препарата

1.2 Исследование твердой фазы биологической жидкости.

1.3 Выделение (сегментация) объектов интереса на растровом изображении.

1.3.1 Сегментация текстурных изображений на основе оценки локальных статистических признаков.

1.3.2 Текстурная сегментация изображений на основе Марковских .случайных полей.

1.3.3 Алгоритм текстурной сегментации JSEG.

1.3.4 Алгоритм интерактивной сегментации Magic Wand.

1.3.5 Алгоритм интерактивной сегментации Intelligent Scissors.

1.3.6 Алгоритм интерактивной сегментации Intelligent Paint.

1.3.7 Алгоритм интерактивной сегментации GraphCut.

1.3.8 Алгоритм интерактивной сегментации GrabCut.

1.3.9 Алгоритм интерактивной сегментации Random Walker.

1.3.10 Алгоритм интерактивной сегментации GrowCut.

1.3.11 Сравнение алгоритмов сегментации.

1.4 Выводы.

2. РАЗРАБОТКА АЛГОРИТМОВ И МЕТОДОВ СЕГМЕНТАЦИИ РАСТРОВЫХ ИЗОБРАЖЕНИЙ.

2.1 Метод текстурной сегментации растровых изображений.

2.2 Модификация алгоритма активных контуров для решения задач интерактивной сегментации растровых объектов.

2.3 Метод автоматической фокусировки микроскопа.

2.4 Метод увеличения глубины резкости растрового изображения по множеству однотипных изображений, полученных с разными фокусными расстояниями регистрирующего устройства.

2.5 Выводы.

3. АВТОМАТИЗАЦИЯ АНАЛИЗА ТЕКСТУРНЫХ ОСОБЕННОСТЕЙ ФАЦИИ ПРИ МИКРОСКОПИИ.

3.1 Особенности объекта исследования.

3.2 Проблемы автоматизированного анализа растрового изображения фации.

3.3 Подход к анализу изображения фации перитонеальной жидкости.

3.4 Алгоритм нахождения границ препарата.

3.5 Разбиение растрового изображения на элементарные блоки.

3.6 Сегментация растрового изображения фации.

3.7 Вычислительный эксперимент для исследования подхода к анализу изображения фации и текстурной сегментации растрового изображения.

3.7.1 Методика проведения эксперимента.

3.7.2 Выполнение эксперимента.

3.7.3 Выводы.

3.8 Формализованное описание модели фации (твердой фазы биологической жидкости).

3.8.1 Показатель равномерности распределения текстуры внутри зоны.

3.8.2 Косвенный показатель, определяющий доминирующие частотные характеристики.

3.9 Эксперимент, ориентированный на классификацию растровых изображений паттернов твердой фазы перитонеальной жидкости, с участием группы экспертов.

3.10 Эксперимент, ориентированный на исследование качества сегментации и измерение основных морфологических характеристик фаций.

3.11 Автоматизированный анализ динамики текстурных изменений по растровым изображениям фаций.

3.12 Выводы.

4. ПРОГРАММНЫЙ КОМПЛЕКС ДЛЯ РЕШЕНИЯ ПРИКЛАДНЫХ ЗАДАЧ АНАЛИЗА МЕДИКО-БИОЛОГИЧЕСКИХ ПРЕПАРАТОВ ПРИ МИКРОСКОПИИ.

4.1 Описание программного комплекса.

4.1.1 Программный модуль для отделения объекта интереса от фона на растровом изображении.

4.1.2 Программный модуль для измерения растровых объектов по множеству количественных характеристик.

4.1.3 Программный модуль для анализа информативных признаков растровых объектов.

4.1.4 Программный модуль для анализа медико-биологического образца, полученного в результате дегидратации биологической жидкости.

4.1.5 Программный модуль для классификации растровых объектов.

4.2 Архитектура программного комплекса.

4.3 Функциональная схема программного комплекса.

4.4 Выводы.

Актуальность темы. Широкое разнообразие методик исследования различных заболеваний с использованием микроскопии в медицине и улучшение технического обеспечения лабораторий, больниц и институтов открывают дополнительные возможности для качественной диагностики заболеваний и исследования новейших методик их лечения.

В последнее время одним из перспективных направлений анализа биологических жидкостей в гистологии, цитологии, ботанике и в других областях науки является исследование твердой фазы биологической жидкости, основанное на явлении дегидратации. Термин дегидратация означает обезвоживание жидких и аморфных материалов. В медицине на основе дегидратации строится множество методик научных исследований и лабораторной диагностики. К примеру, клиновидная дегидратация, метод микрокристаллических реакций, кристаллооптический метод. Все они обладают рядом весомых преимуществ: дешевизна, простота в исполнении, а также высокая чувствительность и информативность.

В качестве биологических жидкостей могут выступать: сыворотка крови, перитонеальная жидкость, спинномозговая жидкость, слизь, слюна и другие. В результате дегидратации биологической жидкости появляется пленка, которая получила название фация. Наблюдаемое при микроскопии изображение фации является отображением структурного состава биологической жидкости. Таким образом, наблюдая фацию, можно делать приближенные выводы о составе исследуемого препарата.

Тем не менее, существуют проблемы исследования твердой фазы биологической жидкости. Значительная доля исследований ведется по качественным особенностям на феноменологическом уровне вследствие трудности определения количественных характеристик получаемых паттернов.

Высокая степень субъективизма в оценке результатов также является негативным фактором.

Исследование фаций белковых жидкостей ведется по трудно подходящим для классификации текстурным характеристикам, а оценка результатов осуществляется врачом или лаборантом субъективно. Такой подход эффективен в случае ярко выраженных отличий. В то же время промежуточные виды фаций, полученные на этапе динамики развития патологического процесса, не могут быть верифицированы с использованием интуитивного подхода. Для оперативного принятия решения важно измерение и оценка динамики изменения картины фации.

Современные технические и программные средства, ориентированные на автоматизированный анализ существующих и апробированных методик диагностики, в большей степени подходят для препаратов, полученных методом окрашивания. За счет окрашивания достигается получение цвето-яркостных различий между объектами без учета пространственных характеристик геометрических (визуальных) особенностей. Это облегчает их распознавание, как в автоматическом режиме, так и самим лаборантом.

Наблюдаемая при микроскопии картина фации существенно отличается от традиционных окрашенных препаратов не только отсутствием цвета, но и наличием хаотичных текстур и являющихся, по сути, ее морфологическими особенностями. В связи с этим, для автоматизированного анализа фации требуется разработка новых методов и алгоритмов количественной оценки текстур. Под текстурой в рамках данной работы понимается растровое изображение, состоящее из более или менее близких по восприятию элементов.

В сотрудничестве с Волгоградским государственным медицинским университетом были сформулированы проблемы при лабораторных исследованиях медико-биологического препарата с использованием методик, основанных на дегидратационном анализе. Для решения этих проблем необходимо: создать методику количественной оценки растровых фрагментов текстур; разработать метод сегментации растрового текстурного изображения с учетом прикладных особенностей; разработать методы обработки данных, способствующие автоматизированной поддержке медицинских методик, основанных на дегидратации.

Существующие алгоритмы сегментации эффективно работают на контрастных растровых изображениях, на которых текстуры обладают свойствами однородности и повторяемости. Более того, критерий сегментации не отражает характера текстурного сегмента или позволяет определить степень сходства с объектом-эталоном. В нашем случае, помимо сегментации растрового изображения с заранее не известными текстурными особенностями, необходимо определить признаки, характеризующие текстурные сегменты.

Таким образом, актуальными являются задачи, связанные с количественным описанием текстурных особенностей, позволяющих выполнить сегментацию и классификацию в задачах автоматизированного анализа твердой фазы биологической жидкости.

Актуальность данной работы состоит в разработке метода количественного анализа текстуры растрового изображения биологического препарата. В частности:

- разработка метода текстурной сегментации растрового изображения без предварительного обучения алгоритмов на контрольной выборке однотипных изображений;

- разработка метода автоматической сегментации растровых изображений по текстурным признакам изображений медико-биологического препарата, ориентированных на особенности наблюдаемой при дегидратации картины;

- разработка методики расчета количественных характеристик текстурных особенностей растровых изображений для классификации и сравнительного анализа.

Актуальность темы для решения прикладных задач подтверждается потребностью в разработке методик, которые могут стать основой для проектирования программно-технических систем автоматизированного анализа растровых изображений, полученных в результате микроскопического анализа твердой фазы биологической жидкости. Ключевой особенностью метода автоматизированного анализа растрового изображения следует выделить возможность количественной оценки их текстурных особенностей.

Целью диссертационной работы является разработка новых методов анализа растрового изображения твердой фазы биологической жидкости, 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 при анализе твердой фазы биологической жидкости;

- выполнить обзор существующих методов сегментации растровых изображений и средств автоматизированной поддержки медицинских методик анализа и диагностики;

- разработать подход к анализу изображений фаций, позволяющий проводить исследования твердой фазы биологической жидкости автоматическом режиме;

- разработать алгоритмы для осуществления морфологического разбора фации на структурные зоны;

- разработать алгоритмы для получения количественных характеристик текстурных особенностей изображений для сравнительного анализа, исследования динамики текстурных изменений и классификации объектов;

- проверить работоспособность разработанных методик и алгоритмов на растровых изображениях фаций и других изображениях с текстурой;

- разработать программный комплекс для автоматизированного анализа растрового изображения фации (твердой фазы биологической жидкости).

Методы исследований. Решение поставленных задач потребовало привлечения подходов и методов в следующих направлениях научной деятельности: медико-биологическая морфометрия, алгоритмы обработки цифровых изображений, обработка одномерных сигналов, статистическая обработка данных, системный анализ, распознавание образов.

Достоверность и обоснованность результатов. Достоверность и адекватность результатов работы разработанного метода текстурной сегментации проверялась как на изображениях фаций перитонеальной жидкости, так и на искусственно созданных растровых изображениях со сложной текстурой. Оценка достоверности результатов обработки изображений фаций осуществлялась группой экспертов лаборатории моделирования патологии ГУ «Волгоградский научный центр Российской академии медицинских наук и Администрации Волгоградской области» в рамках проделанных экспериментов.

Научная новизна. Предложены новые алгоритмы и методы автоматизированного анализа текстур растровых изображений, а также разработаны методы обработки данных, способствующих автоматизированной поддержке медицинских методик исследования твердой фазы биологической жидкости.

1. Предложен новый метод текстурной сегментации растровых изображений без предварительного обучения на контрольной выборке изображений.

2. Предложена новая методика количественной оценки текстуры растрового изображения для решения задач классификации и сравнительного анализа при исследовании динамики текстурных изменений.

3. Предложено формализованное описание фации биологической жидкости, в котором снижена степень субъективной составляющей за счет введения количественных оценок текстурных особенностей выделенных зон.

10

Практическая значимость работы

Полученные результаты позволят снизить субъективную составляющую при анализе твердой фазы биологической жидкости и ускорить процесс измерения морфологических характеристик исследуемых объектов в результате дегидратации биологической жидкости.

1. Автоматизированный анализ твердой фазы биологической жидкости позволяет оперативно накапливать статистику анализа изображений для комплексного исследования клинических методик и выдвижения новых гипотез.

2. На основе предложенных алгоритмов и методов автоматизированного анализа изображений становится возможным исследование динамики текстурных изменений на промежуточных этапах течения патологического процесса.

3. Реализованный программный комплекс автоматизированного анализа фации может быть использован для анализа твердой фазы биологической жидкости.

4. Разработанный метод текстурной сегментации растровых изображений может быть применен в задачах сегментации растровых изображений в разных предметных областях (картография, материаловедение).

Основные положения и результаты, выносимые на защиту:

1. Метод текстурной сегментации растрового изображения.

2. Формализованное описание фации, полученной в результате дегидратации биологической жидкости.

3. Методы количественного измерения текстурных особенностей объектов на изображении для решения задач классификации и сравнительного анализа.

4. Подход к исследованию твердой фазы биологической жидкости по цифровому изображению.

Внедрение.

1. Разработка «Программа для исследования медико-биологического препарата, полученного методом клиновидной дегидратации при микроскопии» внедрена на кафедре патологической анатомии Волгоградского государственного медицинского университета.

2. Разработка «Программный комплекс для решения прикладных задач анализа медико-биологических препаратов при микроскопии» внедрена на кафедре оперативной хирургии и топографической анатомии Волгоградского государственного медицинского университета.

3. Разработка «Программа для исследования медико-биологического препарата, полученного методом клиновидной дегидратации при микроскопии» внедрена в лаборатории моделирования патологии ГУ «Волгоградский научный центр Российской академии медицинских наук и Администрации Волгоградской области».

4. Работа ведется при поддержке Фонда содействия малых форм предприятий в научно-технической сфере по программе «СТАРТ-08».

Апробация работы. Основные положения диссертации докладывались на научных семинарах кафедры САПР и ПК ВолгГТУ и кафедры АСОИУ КТИ, а также на международных, всероссийских научных и научно-практических конференциях: V Всероссийской научно-практической конференции, г. Камышин (2008), «Инновационные технологии в управлении, образовании, промышленности "АСТИНТЕХ-2008", Каспийский инновационный форум «Инно-Каспий» (2009).

Публикации. По теме диссертации опубликовано 21 печатная работа, в том числе 3 из них в журналах, рекомендованных ВАК; оформлено 5 авторских свидетельств о государственной регистрации программы для ЭВМ.

Объем и структура работы.

Работа состоит из введения, четырёх глав с выводами, заключения, трех приложений, списка литературы. Общий объем работы: страниц - 146, иллюстраций -57, таблиц - 9. В списке литературы 115 наименований.

Основные результаты работы состоят в следующем:

1. Разработанный метод текстурной сегментации позволяет осуществить морфологический разбор изображения фации на структурные зоны по текстурным признакам.

2. Разработанные алгоритмы для количественного измерения текстурных особенностей фрагментов растрового изображения позволят существенно снизить степень субъективной оценки эксперта при исследовании твердой фазы биологической жидкости.

3. Разработанный подход к исследованию твердой фазы биологической жидкости по растровому изображению фации учитывает особенности предметной области. Поэтому становится возможным процесс автоматизации этапа предварительной обработки изображения фации, и измерение морфологических характеристик.

4. Предложенное формальное описание фации позволяет произвести анализ по текстурным особенностям в условиях уникальности узора и не значительной степени вариации цвето-яркостных характеристик цифрового изображения.

5. Разработанный программный комплекс был использован для автоматизации типовых и инновационных микроскопических исследований при дегидратационном анализе на кафедре патологической анатомии ВолГМУ и в лаборатории моделирования патологии ГУ «Волгоградский научный центр Российской академии медицинских наук и Администрации Волгоградской области», о чём свидетельствуют соответствующие акты внедрения.

ЗАКЛЮЧЕНИЕ

1. Адаптивные методы обработки изображений: Сб. науч. тр. / Под ред. В.И. Сифорова, Л.П. Ярославского. М. : Наука, 1988. - 244с.

2. Александров, В.В. Алгоритмы и программы структурного метода обработки данных / В.В. Александров, Н.Д. Горский. Л. : Наука, 1983. - 208 с.

3. Александров, В.В. Представление и обработка изображений. Рекурсивный подход / В.В. Александров. Л : Наука, 1985. - 192 с.

4. Анисимов, Б.В. Распознавание и цифровая обработка изображений / Б.В. Анисимов, В.Д. Курганов, В.К. Злобин. М. : Высшая школа, 1983. - 295 с.

5. Баринова, О. Методы сегментации изображений: автоматическая сегментация / О. Баринова, А. Вежневец // Графика и мультимедия. 2006. Электронный ресурс. Режим доступа: http://cgm.graphicon.ru/content/view/147/62/.

6. Бендат, Дж. Измерение и анализ случайных процессов / Дж. Бендат, А. Персон. М. : Мир, 1974. - 250 с.

7. Видеотест, Универсальный анализатор изображений для медицины и биологии ВидеоТесТ-Морфология / Видеотест // Системы анализа изображений Электронный ресурс. Режим доступа: http://www.videotest.ru/

8. Волошин, Д. Реализация процедурных текстур методом Шума Перлина / Д. Волошин // GameDev. 2004. Электронный ресурс. Режим доступа: http://www.gamedev.ru/articles/?id=30126

9. Вудс, Р. Цифровая обработка изображений / Р. Вудс, Р. Гонсалес. М. : Техносфера, 2006 г. - 1072 с.

10. Грузман, И.С. Цифровая обработка изображений в информационных системах / И.С. Грузман, B.C. Киричук, и др. Новосибирск, 2000.

11. Даджион, Д. Цифровая обработка многомерных сигналов / Д. Даджион, Р. Мерсеро.; Под ред. Л.П. Ярославского. М. : Мир, 1988. - 488 с.

12. Дженкинс, Г. Спектральный анализ и его приложения / Г. Дженкинс, Д. Ватте,-М.: Мир, 1971.-317 с.

13. Диаморф, Программное обеспечение для автоматической морфометрии и подсчета объектов на цифровых изображениях / ДиаМорф Объектив // Электронный ресурс. Режим доступа: http ://www. di amorph, ru/aboutprog .html

14. Дюк, В.А. Информационные технологии в медико-биологических исследованиях / В.А. Дюк. СПб. : Питер, 2003. - 528 с.

15. Дюран, Б. Кластерный анализ / Б. Дюран, П. Одел. М. : Статистика, 1977. - 128 с.

16. Егорова, О.В. Комплектация современных лабораторий медико-биологической направленности / О.В. Егорова // Клинико-лабораторный Консилиум. 2004. - №2. - С. 43-44.

17. Каликинская, Е. Вселенная внутри капли / Е. Каликинская // Наука и жизнь. 1999. - № 7. - С. 30-33.

18. Ким, О. Факторный, дискриминантный и кластерный анализ / О.Ким, Ч.У. Мьюллер, У.Р. Клекка и др.; Под ред. И.С. Енюкова. - М. : Финансы и статистика, 1989. -215 с.

19. Ковтун, И.В. Текстурная сегментация изображений на основании Марковских случайных полей // УСиМ. 2003. - № 4. - С. 46-55.

20. Козловская, JI.B. Учебное пособие по клиническим лабораторным методам исследованиям. 2-е изд. / JT.B. Козловская, А.Ю. Николаев.- М. : Медицина, 1984.- 288 с.

21. Красильников, H.H. Цифровая обработка изображений / H.H. Красильников. -Изд-во: Вузовская книга, 2001. 320 с.

22. Куприянов, A.B. Сегментация текстурных изображений на основе оценивания локальных статистических признаков / A.B. Куприянов // Вестник СГАУ, 2008. Т.2. - № 15. - С. 245-251

23. Лоусон, Ч. Численное решение задач метода наименьших квадратов / Ч Лоусон, Р. Хенсон // Пер. с англ. М.: Наука., 1986. - 232 с.

24. Максимов, С.А. Морфология твердой фазы биологических жидкостей как метод диагностики в медицине / С.А. Максимов // Бюллетень сибирской медицины, 2007. № 4. - С. 80-85.

25. Максимов, С.А. Некоторые характеристики отдельности фации сыворотки крови / С.А. Максимов, Д.С. Куреляк // Бюллетень международной ассоциации хирургов. 2006. - Ч. 1. - № 3. - С. 63-64.

26. Манд ель, И. Д. Кластерный анализ / И. Д. Мандаль. М. : Финансы и статистика, 1988. - 176 с.

27. Марпл, С.Л. Цифровой спектральный анализ и его приложения / Пер. с англ. Под ред. С.И. Рыжака- М.: Мир, 1990. 584 с.

28. Медовый, B.C. Автоматизированная микроскопия биоматериалов / , B.C. Медовый, A.A. Парпара, A.M. Пятницкий и др. // Здравоохранение и медицинская техника. -2005. №4(18). - С. 42-43.

29. Медовый, B.C. Информационные автоматизированные системы микроскопии для анализа биоматериалов / B.C. Медовый // Врач и информационные технологии. 2004. - № 6. С. 32-37.

30. Медовый, B.C. Обзор методик автоматизированной микроскопии биоматериалов / B.C. Медовый, A.A. Парпара, A.M. Пятницкий и др. // Клиническая лабораторная диагностика. 2006. - № 7. - С. 15-20.

31. Мекос, Типы анализов и методик / Мекос // Медицинские компьютерные системы Электронный ресурс. Режим доступа: http : // www. me с о s. ru/me с о s web/te chni quesru s. htm

32. Оппенгейм Э. Применение цифровой обработки сигналов / Э Оппенгейм. -М.: Мир, 1980. 550 с.

33. Павлидис, Т. Алгоритмы машинной графики и обработки изображений / Т. Павлидис. М. : Радио и связь, 1986. - 399 с.

34. Пантелеев, В.Г. Компьютерная микроскопия / В. Г. Пантелеев, О. В. Егорова, Е. И. Клыкова. М.: Техносфера, 2005. - 303 с.

35. Перегудов, Ф.И. Основы системного анализа / Ф.И. Перегудов, Ф.П. Тарасенко. Томск : Изд-во HTJI, 1997. - 396 с.

36. Петров, В.О. Автоматизация этапа анализа характеристик белковых фракций при электрофорезе биологических жидкостей / В.О. Петров, О.О. Привалов, C.B. Поройский, и др. // Бюллетень Волгоградского научного центра РАМН, 2008. № 3. С. 53-54.

37. Петров, В.О. Программа, отделяющая объекты интереса от фона на растровом изображении / В. О. Петров, О. О. Привалов. // Свидетельство об официальной регистрации программы для ЭВМ № 2009611263. Зарегистрировано в реестре программ для ЭВМ 27.02.2009.

38. Поваркова, A.B. Компьютерный анализ изображений в медицине / A.B. Поваркова // Морфология. 1997. - №5. С. 103-106.

39. Попов, Д. И. Анализ систем цифровой обработки с рекурсивными фильтрами / Д. И. Попов // Известия вузов. Радиоэлектроника. -2000. -Т. 43, № 6. -С. 12-19.

40. Привалов, О.О. Автоматическая сегментация цифровых изображений медико-биологических препаратов методом кластерного анализа / О.О. Привалов, Л.Н. Бутенко // Современные наукоёмкие технологии: науч. — теоретич. журнал / М. - 2007. - №10. - С. 79-80.

41. Привалов, О.О. Многофункциональный программный комплекс для поддержки уникальных и состоявшихся методик медико-биологического анализа / О.О. Привалов, В.О. Петров, И.В. Степанченко и др. //

42. Инновационные технологии в управлении, образовании, промышленности «АСТИНТЕХ-2008»: Материалы международной научной конференции, 15-17 апреля 2008. АГУ. Астрахань, 2008. - С. 22-24.

43. Сойфер, В.А. Методы компьютерной обработки изображений / В.А. Сойфер. Физматлит, 2003. - 784 с.

44. Спорыхин В.Я., Меркулова Е.В., Коков А.И. Автоматизированная подсистема распознавания и оконтуривания клеток // Вестн. Херсон, гос. ун-та.-2003.-№2.-С.162-166.

45. Тарасевич Ю.Ю. t-модель для медицинской экспресс диагностики: новый подход или ошибочный алгоритм? // Математическое моделирование, 13(8), 2001, стр. 117-120.

46. Тарасевич Ю.Ю. Компьютерное моделирование процесса роста кристаллов из раствора. // Журнал технической физики, 71(5), 2001, с. 123-125.

47. Тарасевич Ю.Ю. Механизмы и модели дегидратационной самоорганизации биологических жидкостей. // Успехи физических наук, 2004, 174(7), с. 779-790.

48. Тарасевич Ю.Ю., Константинов В.О., Аюпова А.К. Моделирование дендритного роста кристаллов соли в биологических жидкостях. // Известия вузов. Северо-Кавказский регион. Естественные науки. 2001. Спецвыпуск. Математическое моделирование, с. 147-149.

49. Тарасевич, Ю.Ю., Православнова Д.М. Качественный анализ закономерностей высыхания капли многокомпонентного раствора на твердой подложке // Журнал технической физики. 2007. - т. 77, вып. 2. - С. 17-21.

50. Уидроу, Б. Адаптивная обработка сигналов / Б. Уидроу, С. Стирнз: пер. с англ. -М.: Радио и связь, 1989. -440 с.

51. Фершильд, М.Д. Модели цветового восприятия / М.Д. Фершильд -Wiley : 2006 г. 439 с.

52. Фор, А. Восприятие и распознавание образов/ А. Фор, под ред. Г.П. Катыса. М. : Машиностроение, 1989.- 272 с.

53. Форсайт, Д. Компьютерное зрение. Современный подход / Д. Форсайт, Д. Понс. Изд-во Вильяме, 2004. - 928 с.

54. Хуанг, Т.С. Обработка изображения и цифровая фильтрация / Т.С. Хуанг. М. : Мир, 1979. - 274 с.

55. Шабалин, В. Н., Морфологии биологических жидкостей человека / Шабалин, В. Н., Шатохина С. Н. М.: Хризостом, 2001.

56. Штейн, Г.И. Возможности анализатора изображений "ВидеоТесТ" для проведения микрофотометрических исследований в цитологии / Г.И. Штейн, В.Г. Пантелеев, А.В. Поваркова и др. // Цитология. — 1998. Том 40, № 10, С. 913-916.

57. Юшин, В.И. О совмещении спектральных и временных оценок / В.И. Юшин // Программные продукты и системы; сб. науч. статей / Тверь, 2005. -№1. С.40-44.

58. Яншин, В. Обработка изображений на языке СИ для IBM PC. Алгоритмы и программы / В. Яншин, Г. Калинин. М. : Мир, 1994 - 245 с.

59. Auto-montage for perfectly focused 3d images / SYNCROSCOPY Электронный ресурс. Режим доступа: http://www.syncroscopy.com/syncroscopy/automontageshort.asp

60. Beaudet, P. Rationally Invariant Image Operations / P. Beaudet // in International Joint Conference on Pattern Recognition, Kyoto, Japan. 1978. - pp. 579-583.

61. Borgefors, G. Distance Transformations in Digital mages / G. Borgefors // Computer Vision, Graphics, and Image Processing. 1986. - №34. - pp. 344-371.

62. Bow, S.T. Pattern Recognition and Image Preprocessing / S.T. Bow, M. Dekker.-New York, 1992.

63. Canny, J. A computational approach to edge detection / J. Canny // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1986. - № 8(6). - pp. : 679-698.

64. Celenk, M. Hierarchical Color Clustering for Segmentation of Textured Images // Proc. of the 29th Southeastern Symposium on system Theory. 1997.

65. Cross, G.R. Markov Random Field Texture Models / G.R. Cross, A.K. Jain // IEEE Trans, on Pattern Analysis and Machine Intelligence. 1983.

66. Davis, E. Machine Vision: Theory, Algorithms, Practicalities / E. Davis. -Academic Press, 1996.

67. Field, D.J. Relations between the Statistics and Natural Images and the Responses Properties of Cortical Cells / D.J. Field // Optical Soc. Am. 1987. -№4. -pp. 2379-2394.

68. Forstner, W. A feature based correspondence algorithm for image matching / W. Forstner // Intl. Arch. Photogramm. Reemote Sensing. 1986. - №26. - pp. 150166.

69. Haralick, R. M. Image Segmentation Techniques / R.M. Haralick, L. G. Shapiro // Computer Vision, Graphics, and Image Processing. 1985. - №29.

70. Hueckel, M.H. An operator which Locates Edges in Digitized Pictures / M.H. Hueckel//JACM. -1971. №1. - pp. 113-125.

71. Illingworth, J. A Survey of the Hough Transform / J. Illingworth, J. Kittler // CVGIP. 1988, - №44. - pp. 87-116.

72. Jacob. M. Design of Steerable Filters for Feature Detection Using Canny-Like Criteria /М. Jacob, M. Unser // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1998. - №8. - pp. 1007-1019.

73. Jain, R. Machine Vision / R. Jain, R. Kasturi, B.G. Schunck, 1995.

74. Kaas M., Witkin A., Terzopoulos D. Snakes: Active Contour Models. // Int. Journal of Computer Vision. 1987, N1, -p.312-331

75. Konishi, S. A Statistical Approach to MultiScale Edge Detection / S. Konishi, A.L. Yuille, J.M. Coughlan // Proc. Workshop Generative-Model-Based Vision: GMBV. 2002. №2.

76. Koschan, A. Colour Image Segmentation a survey / A. Koschan, W. Skarbek // Graphics and media lab. 1994. Электронный ресурс. Режим доступа: http://citeseer.nj.nec.com/78729.html.

77. Kuang, С Practical issues in pixel-based auto focusing for machine vision / N. K. Chern, Nathaniel Poo Aun Neow, H. Marcclo, Jr. Aug // International Conference on Robotics & Automation. Seoul; Korea. - 2001. — p.8

78. Liu, J. Multiresolution Color Image Segmentation / J. Liu, Y-H. Yang // IEEE Trans, on Image Processing. 1994. -№ 16. - pp. 689-700.

79. Lucchese, L. Color Image Segmentation / L, Lucchese, S.K. Mitra // A State-of-the-Art Survey. 2001.

80. Luo, J. Perceptual grouping ofsegmented regions in color images / J. Luo, C. Guo // Graphics and media lab. 2003. Электронный ресурс. Режим доступа: http: http://www.cs.ucla.edu/~cguo/publications.htm.

81. Martin, D. Learning Affinity Functions for Image Segmentations / D. Martin // Pattern Recognition. 2003. - №9. pp. 26.

82. Meer, P. Smoothed differentiation filters for images / P. Meer, I. Weiss // Journal of Visual Communication and Image Representation. 1992. -№3(1). - pp. 58-72.

83. Nayar, K. Parametric feature detection / K. Nayar, S. Baker, H. Murase // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1996.

84. Rad, A.A. Fast Circle Detection Using Gradient Pair Vectors. Proc / A.A. Rad, K. Faez, N. Qaragozlou // VII th Digital Image Computing, Sydney, Australia. -2003. pp. 879-887.

85. Shafarenko, L. Automatic Watershed segmentation of Randomly Textured Color Images/ L. Shafarenk, M. Petrov, J. Kittler // IEEE Trans, on Image Processing. 1997.

86. Torre, V. On edge detection / V. Torre, T.A. Poggio // IEEE Transaction on Pattern Analysis and Machine Intelligence. 1986. - №8(2). - pp. 147-163.

87. Trajkovich, M. Fast corner detection / M. Trajkovich, M. Handley // Image and Vision Computing. 1998. - №16. - pp. 75-87.

88. Tremeau, I. A Region growing and Merging Algorithm to color segmentation / I. Tremeau, N. Borel // Pattern Recognition. 1997.

89. Weiss, I. High-order differential filters that work / I. Weiss // IEEE Transaction on Pattern Analysis an Machine Intelligence. 1994. - №16(7). - pp. 734-739.

90. СПИСОК ИСПОЛЬЗУЕМЫХ СОКРАЩЕНИЙ

91. БЖ — Биологическая жидкость

92. ИСД Интегральный спектр дисперсии

93. СПМ Спектральная плотность мощности1361. СПИСОК ТЕРМИНОВ

94. Фация — пленка, полученная в результате обезвоживания биологической жидкости.

95. Текстура — растровый сегмент, состоящий из более или менее близких по восприятию элементов.

96. Дегидратация — обезвоживание биологической жидкости.