автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.17, диссертация на тему:Биотехническая система для автоматического определения формулы белой крови

На правах рукописи

005047719

ШТАДЕЛЬМАНН Жоэль Валентин

БИОТЕХНИЧЕСКАЯ СИСТЕМА ДЛЯ АВТОМАТИЧЕСКОГО ОПРЕДЕЛЕНИЯ ФОРМУЛЫ БЕЛОЙ КРОВИ

Специальность: 05.11.17- Приборы, системы и изделия

медицинского назначения

2 О ЛЕК 2012

АВТОРЕФЕРАТ

диссертации на соискание ученой степени

кандидата технических наук

Москва - 2012

005047719

Научный руководитель: Официальные оппоненты:

Работа выполнена в Московском государственном техническом университете имени Н.Э. Баумана

доктор технических наук, профессор Спиридонов Игорь Николаевич

Ершов Юрий Алексеевич — доктор химических наук, профессор, МГТУ им. Н.Э. Баумана, кафедра медико-технических и информационных технологий, профессор Сергеев Игорь Константинович - кандидат технических наук, Холдинг ОАО «НПК «Оптические системы и технологии», управление по развитию гражданского приборостроения, начальник управления ФГУП Всероссийский научно-исследовательский институт оптико-физических измерений Федерального агентства по техническому регулированию и метрологии РФ

Защита диссертации состоится "12" декабря 2012г. в 15:30 часов на заседании диссертационного совета Д 212.141.14 при Московском государственном техническом университете имени Н.Э. Баумана в зале Ученого Совета по адресу: 105005 г. Москва, 2-ая Бауманская улица, д.5, стр. 1, о

С диссертацией можно ознакомиться в библиотеке МГТУ им. Н.Э. Баумана.

Автореферат разослан "9" ноября 2012 г. Ученый секретарь диссертационного совета

к.т.н., доцент ^—- Самородов A.B.

Ведущая организация:

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы '

Клинический анализ крови и особенно подсчет формулы белой крови является тестом, позволяющим оценить состояние здоровья человека. Лейкоциты являются главными агентами иммунной системы, их относительные концентрации и степень зрелости отражают ответ организма на инфекции (Козинец Г.И., 1998; Радченко В.Г., 2003; Bain В .J., 2006; Cornbleet J. 2002).

В норме формула белой крови состоит из лейкоцитов пяти классов: лимфоциты (от 18 до 40%), моноциты (от 2 до 9%), нейтрофилы (от 45 до 70%), эозинофилы (до 5%) и базофилы (до 1%). Наличие не зрелых клеток, так же как изменения концентрации различных типов и общее число лейкоцитов, характеризуют степень адаптации человека к стрессовой ситуации или к инфекционному агенту (Гаркави JL X., 1990; Козинец Г.И., 1998; Радченко В.Г., 2003).

При определении формулы белой крови, наблюдают изменения концентрации и морфологии лейкоцитов. Изменения морфологии лейкоцитов заключаются в регулярностях внешних и ядерных контуров, цвете цитоплазмы и ядра, в наличии ядерных проекции и зернистости цитоплазмы. Совокупная информация, полученная при анализе концентрации и морфологии, применяется при диагностике различных заболеваний (Bain В .J., 2006; Hyun В.Н., 1991; Fischbach F.T., 2009).

Для определения формулы белой крови в настоящее время применяются два основных метода.

Метод проточной цитометрии основывается на анализе электродинамических характеристик лейкоцитов. Данный метод позволяет оперативно исследовать большое число лейкоцитов, и получить статистически достоверную оценку общего числа лейкоцитов и концентрации различных классов. Однако с его помощью невозможно оценить морфологию лейкоцитов. Кроме того, данный метод не обеспечивает достоверность результатов анализа, если концентрация лейкоцитов выходит за пределами гематологических норм. Необходимо заметить, что в клинической практике результаты большинства анализов превышают гематологические нормы (Bain B.J., 2006; Hyun В.Н., 1991; O'Neil P., 2001; Rojo M.G., 2006; Webster J.G., 2010).

Визуальный метод определения формулы белой крови проводится путем анализа мазка крови под микроскопом. В связи с высокими временными затратами, присущими исследованию мазка, а также с высокой трудоемкостью задачи анализируются не более 100 лейкоцитов. Поэтому результаты, полученные данным методом, не точны (Bain B.J.,

2006; Cornbleet J„ 2002; Froom P., 2009; Pierre R.V., 2002). Кроме того, визуальный анализ, который проводится непосредственно врачом под микроскопом, позволяет определить морфологические особенности лейкоцитов.

Таким образцом, проточная цитометрия неустойчива к отклонениям от гематологических норм не учитывает морфологию лейкоцитов и осуществляется с помощью большего объема крови, а визуальное исследование - трудоемкое и не позволяет получить статистически достоверных результатов.

Поэтому задача разработки биотехнической системы (БТС) для автоматического определения формулы белой крови по характеристикам препаратов крови адекватным визуальным является актуальной.

Цель и задачи исследования

Целью диссертационной работы является создание БТС для автоматического определения формулы белой крови. Для достижения подставленной цели были сформулированы и решены следующие задачи

1. Анализ существующих методов классификации лейкоцитов;

2. Разработка и исследование процесса автоматизации определения формулы белой крови;

3. Разработка комплекса характеристик лейкоцитов для автоматической классификации;

4. Создание прототипа специального программного обеспечения (СПО) и макета БТС для автоматического определения формулы белой крови;

5. Апробация метода автоматического определения формулы белой крови.

Методы исследования

Поставленные задачи решались на основе теории биотехнических систем, теории распознавание образцов, теории машинного обучения, теории обработки изображений, методов математической статистики, методов линейной алгебры.

Научная новизна

1. Разработан метод обнаружения лейкоцитов на изображениях мазков крови на базе цветовых характеристик.

2. Разработан метод сегментации ядра лейкоцитов на изображениях мазков крови на базе цветовых характеристик.

3. Разработан метод сегментации цитоплазм лейкоцитов на изображениях мазков крови на базе анализа локальной энтропии.

4. Обоснован набор характеристик лейкоцитов, позволяющий осуществлять их автоматическую классификацию и подсчет.

5. Разработана биотехническая система, определяющая формулу белой крови с вероятностью не менее 0,9.

Практическая значимость

Практическая значимость диссертационной работы заключается в разработке требований к регистрации изображений мазков крови, обнаружению лейкоцитов, сегментации ядра и цитоплазмы и классификатору.

Разработанный метод автоматического определения формулы белой крови позволяет увеличить достоверность и эффективность клинического анализа крови и особенно позволяет объединить оценку морфологии и концентрации лейкоцитов.

Созданный автором макет БТС для автоматического определения формулы белой крови обеспечивает классификацию лейкоцитов с вероятностью не менее 0,9.

Результаты работы позволяют рекомендовать метод автоматического определения формулы белой крови для использования в медицинском приборостроения и лабораторной диагностики.

Положения выносимые на защиту

1. Для автоматического обнаружения лейкоцитов на мазках крови, окрашенных по методу Романовского-Гимзы, необходимо в каналах красного цвета (ПЗС МойСат 2300) и цветовой насыщенности сравнить текущее среднее значение, вычисленное по области, соответствующей максимальному размеру лейкоцита, со средними значениями, вычисленными по аналогичным областям обучающей выборки, содержащей не менее 500 лейкоцитов.

2. На изображениях мазков крови

- окрашенных по методу Романовского-Гимзы;

- зарегистрированных с масштабом 0.039 мкм/пиксель;

- зарегистрированных в иммерсионном масле;

- зарегистрированных в области монослоя;

- информативной емкость которых не менее 598КБ;

для автоматической сегментации ядер необходимо сравнить цветовую насыщенность каждого пикселя с пороговым значением, составляющим не менее 0,4 -8тах (максимальная цветовая насыщенность) данного изображения.

для автоматической сегментации цитоплазм необходимо разбить изображения на области, содержащие не четное число пикселей, и сравнить энтропию выделенных областей с пороговым значением, составляющим не менее 1,25 средней энтропии изображения.

3.Для автоматической классификации лейкоцитов необходимо сформировать пространство признаков, состоящее из

- характеристик текстуры ядра;

- топологии ядра;

- площади и периметра ядра;

- характеристик текстуры цитоплазмы;

- цветовых характеристик цитоплазмы;

- числа Эйлера цитоплазмы.

4. В результате апробации показано, что предложенная БТС для автоматического определения формулы белой крови определяет лейкоцитарную формулу с вероятностью не менее 0,9.

Достоверность полученных результатов

Достоверность полученных результатов подтверждается результатами апробации, проведенной соискателем на базе лейкоцитов, верифицированных специалистами.

Апробация работы проведена на базе статистической оценки работы разработанного макета БТС для автоматического определения формулы белой крови. Обучающие и контрольные группы были сформированы из базы данных, верифицированной специалистами, концентрации форменных элементов отражали физиологические концентрации лейкоцитов в кровеносном русле. Результаты апробации эффективность предлагаемого метода классификации лейкоцитов.

Апробация работы

Апробация работы состоялась на конференциях «Российско-Баварская конференция по биомедицинской инженерии» 2010, 2011 и 2012г., «Медико-технические технологии на страже здоровья» 2010 и 2011г., «Физика и Электроника в медицине и экологии» 2010 и 2012г. и «Всероссийская конференция биометрических технологии с элементами научной школы для молодежи» 2011г.

Научная работа

Тема и содержания диссертации отражены в 3 научных статьях (по перечню ВАК РФ) и 10 тезисах докладов на научных конференциях.

Объем и структура работы

Диссертационная работа состоит из введения, четырех глав и приложений. Текст диссертации изложен на 97 страницах. В приложения вошли результаты экспериментальных исследований. Список литературы включает 57 библиографических источников. Диссертация проиллюстрирована рисунками, таблицами, графиками.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность, научная новизна и практическая значимость исследования, сформулированы цель и задачи, а

также положения, выносимые на защиту.

Таблица 1.

_Изменения формулы белой крови при заболеваниях_

Заболевание Изменения концентрации Изменения морфологии

лейкемия лимфоцитоз моноцитоз монопения базофилоз аномалия Пелгера-Гюэта аномалия Шедиака-Хигащего наличие лимфобластов наличие тел Ауера разрушение ядра наличие ядерных проекции кольцеобразное ядро высокая зернистость нерегулярная ядерная граница

инфекция лейкоцитоз лимфоцитоз монопения нейтрофилоз нейтропения сдвиг влево эозинопения наличие синих/фиолетовых гранул наличие промиелоцитов наличие тел деле гиперсегментация нейтрофилов дольчатые ядра лимфоцитов наличие вакуолей в лимфоцитах нерегулярные клеточные границы лимфоцитов наличие материала фагоцитоза

отравление лейкопения нейтрофилоз эозинофилоз эозинопения гиперсегментация нейтрофилов наличие материала фагоцитоза высокая зернистость базофилная зернистость

наследственные заболевания аномалия Пелгера-Гюэта аномалия Шедиака-Хигащего наследственная гиперсегментация аномалия Алдера-Райли гипосегментация нейтрофилов

Первая глава посвящена обобщению литературных данных по методам определения формулы белой крови. Обоснована необходимость определения концентрации и морфологических особенностей лейкоцитов при диагностике различных заболеваний (табл. 1).

Показаны различные классы лейкоцитов и их происхождение. Установлены нормативные концентрации и морфологический вид лейкоцитов у здорового пациента (табл.2). Изложены особенности визуального исследования мазка крови.

Таблица 2.

Класс Концентрация, % Диаметр, мкм Ядро Цитоплазма

Лимфоциты 18-40 8 круглое синяя, занимает меньшее площади, чем ядра

Моноциты 2-9 17 форма зерна фасоли синяя, занимает больше площади, чем ядра, наличие осколков фагоцитозы

Нейтрофилы 45-70 12 от 3 до 5 долей светло-розовая, наличие мелких гранул

Эозинофилы <5 12 2 доли наличие розовых гранул

Базофилы <1 10 2 доли, скрытое цитоплазмой наличие фиолетовых гранул, скрывает ядро

Исследованы два основных метода для классификации форменных элементов крови: автоматизированные методы на базе анализа электродинамических характеристик клеток, и визуальный метод визуального обнаружения, распознавания и подсчета лейкоцитов на изображениях мазков крови.

Метод проточной цитометрии используется для анализа свойств лейкоцитов в потоке. Высокая степень автоматизации позволяет выполнить большое число исследований без влияния субъективного фактора. Однако возникают сложности при определении морфологических особенностей лейкоцитов и отклонений результатов от принятых в гематологии норм. Также для реализации метода проточной цитометрии необходим большой объем крови, не менее 53 мкл.

б

Метод визуального исследования мазков крови позволяет непосредственно анализировать лейкоциты. Он позволяет оценить морфологию лейкоцитов, и устойчив к отклонениям от принятых в гематологии норм. Для анализа используется маленький объем крови.

Для визуального исследования мазков крови необходимо подготовить препараты (мазки) крови, и исследовать их с помощью иммерсионного микроскопа. Сравнение преимуществ и недостатков двух методов позволило установить требования к автоматическому методу определения формулы белой крови (табл.3), обладающего преимущества двух методов.

Таблица 3.

Требования к методу автоматического определения формулы белой

крови

Проточная цитометрия Визуальная классификация Автоматическая классификация

Объем образца крови 53 мкл 4 • 10"у л 4 ■ 10"у л

Число анализируемых лейкоцитов 0,3 ■ 106 100 200 или больше

Статистическая достоверность есть нет есть

Окраска мазка - Романовский-Гимза Романовский-Гимза

Объектив микроскопа - ЮОх ЮОх

Оценка морфологии нет есть есть

Устойчивость к отклонениям от норм, принятых в гематологии нет есть есть

Трудоемкость умеренная высокая умеренная

Вторая глава посвящена исследованию метода автоматического определения формулы белой крови. В процессе визуального определения формулы белой крови выделяются четыре этапа (Сафонова Л.П., 1998; Козинца Г. И., 1998; Самородов A.B., 2002; Fischbach F.T., 2009).

Первый этап - оценка качества изображений препарата. Для этого применяются критерии, предложенные Самородовым A.B., 2002:, основанные на значениях нормированной рассеянной энергии излучения и эффективной площади корреляции участков мазка крови.

Второй этап - обнаружение лейкоцитов, при котором устанавливается место нахождения лейкоцита в поле зрения (рис.1). В результате выполнения операции обнаружения получаются изображения лейкоцитов, что позволяет повысить оперативность анализа. Исследования алгоритмов: порогового сравнения, Gentle AdaBoost, Modest Adaboost на 164 верифицированных изображениях лейкоцитов позволили установить требования к алгоритмам обнаружения: минимизация вероятности пропуска лейкоцитов при низкой вероятности ложного обнаружения и,

одновременно, минимизация времени, затрачиваемого на анализ изображений.

Третий этап - сегментация лейкоцитов, которая позволяет отличить ядро и цитоплазму от межклеточного пространства. Так как классификация лейкоцитов не должна зависеть от окружающих эритроцитов, требованием к сегментации является устойчивость к окружающим объектам.

Результаты обработки алгоритмами: анализа средних значений, анализа степени организации и выделения границ 43 верифицированных изображений лейкоцитов (рис.2) подтвердили справедливость указанного выше требования.

Определение формулы белой крови осуществляется одновременно с получением результатов классификации лейкоцитов.

Для классификации лейкоцитов, был выбран алгоритм «АёаВоозЬ, так как он позволяет осуществлять классификацию по числу классов п>2 с низкими временными затратами, в отличие от алгоритмов: «Метод К-

Рис. 2. Нейтрофил и результаты сегментации его компонентов

Существующие БТС позволяют врачу в автоматизированном режиме определять концентрацию лейкоцитов на мазках крови или их изображениях с погрешностью 20-25%.

Рис. 1. Результаты обнаружения лейкоцитов

Определение формулы белой крови осуществляется на изображениях, полученных с использованием иммерсионного микроскопа с встроенным осветителем, зарегистрированных фото-камерой в визуальном диапазоне. Для выполнения целевой функции БТС для автоматического определения формулы белой крови было введено в ее состав разработанное в процессе исследования СПО, позволяющее в автоматическом режиме определять формулу белой крови (ФБК) и ее отображать. СПО реализовано в среде С для персонального компьютера (ПК), соответствующего Р081Х-1ЕЕЕ 103. Врач-лаборант при необходимости классифицирует атипичные клетки.

Блок-схема, представляющая структуру БТС для автоматического определения формулы белой крови, отображена на рис.3.

Мазок _ Объектив

Камера

ПК

СПО

Врач-лаборант

ФБК

Иммерсионный микроскоп

-- Вещественная связь

-.....................- Энергетическая связь

----------Информационная связь

Рис.3. Схема БТС для автоматического определения формулы белой крови

В третьей главе проведены результаты разработки алгоритмов и программных модулей, соответствующих требованиям, изложенных во второй главе.

В результате исследований на 164 верифицированных изображениях мазков крови предложена критерия обнаружения лейкоцита в изображении мазка, заключающаяся в сравнении среднего значения интенсивности, в области ограниченной 450 пикселям, в красном цвете R и средней цветовой насыщенности S в данной области с эталонами предложенных характеристик, установленных по обучающей выборке.

Как показали экспериментальные исследования, для сравнения цветовых характеристик целесообразно использовать алгоритм «Gentle AdaBoost» в классическом варианте.

В ходе эксперименты программный модуль обнаружения обучился на 5832 фрагментах, не содержащих лейкоцитов, и 546 фрагментов, содержащих лейкоцит.

В режиме тестирования программного модуля обнаружения из 164 тестовых изображений не было пропущено одного лейкоцита. Вероятность ошибки второго рода состояла 0,15. Среднее время обнаружения 0,2сек.

В соответствии с требованиями к процессу сегментация, изложенных во второй главе, для реализации программного модуля были использованы два алгоритма.

>S

Рис. 4. Изображение лейкоцита в каналах цветовой насыщенности и соответствующая гистограмма п - число пикселей, S - цветовая насыщенность

На гистограмме изображения лейкоцита в канале цветовой насыщенности S возникают две моды (рис.4), расстояние между которыми максимально по сравнению с другими каналами. На основании результатов обработки изображении 43 лейкоцитов в пространствах RGB и HSV был выбран критерия сегментации ядра - 0,4 Smax в пространстве HSV.

Для сегментации цитоплазмы с учетом результатов сегментации ядра, использовался оператор Лапласа, позволяющий усиливать высокие области пространственного спектра изображения лейкоцита и выделяет цитоплазму на фоне межклеточного пространства.

Так как дифференциальные операторы увеличивают шум в изображении, то для устойчиво выделения цитоплазм от межклеточного пространства был предложен метод основании на определении локальной энтропии, которая характеризует степень организации элементов изображения.

п

- ]Г PC log (рО, (1)

¡=1

где Я - энтропия и pt - значение интенсивности пикселей, принадлежащих лейкоциту. С целью сравнения значений энтропий различных областей изображения, оно разбивалось на квадраты, сторона

Я =

которых соответствует 9 пикселям, для каждого из которых вычислялось значение энтропии (рис.5).

В процессе исследования, было установлено, что необходимо одновременно использовать алгоритмы выделения границ Собеля и Кэнни, обеспечивающие сегментацию цитоплазмы и локальную энтропию изображения лейкоцита (рис.6).

Рис. 5. Локальная энтропия изображения лейкоцита

Рис. 6. Выделения границ с использованием алгоритмов Собеля и

Кэнни

Рис.7.

Эффективность совместного применения указанных алгоритмов подтверждена на 43 изображениях лейкоцитов (рис.7).

Определение характеристик для классификации лейкоцитов было проведено на 703 верифицированных изображениях лейкоцитов.

В процессе исследования были выбраны характеристики, соответствующие характеристикам, применяемым при визуальном анализе (табл.4).

Отсегментированная цитоплазма

Таблица 4.

Характеристики визуальной и автоматической классификации

Характеристики для визуальной классификации Характеристики для автоматической классификации

Ядро

• ширина ядра; • число долей; • кривизна ядра. • текстурные описатели ядра; • среднее расстояние от средней линии до ядерного контура; • эксцентриситет окружающего эллипса; • число Эйлера цитоплазмы; • площадь и периметр.

Цитоплазма

• цвет цитоплазмы; • содержания цитоплазмы. • текстурные описатели цитоплазмы; • число минуции средней линии ядра; • среднее значение в каналах Н и Э.

Таблица 5.

Состав групп обучения и контроля базы данных лейкоцитов

Группа Эозинофилы Лимфоциты Моноциты Нейтрофилы

Обучение 18 100 24 100

Тест 19 185 24 233

Итог 37 285 48 333

Четвертая глава посвящена апробации, полученных результатов на разработанном макете БТС для автоматического определения формулы белой крови.

Макет БТС для автоматического определения формулы белой крови состоит из оптического иммерсионного микроскопа, ПЗС камеры Мойсат 2300 размером 2048x1536 пикселей и настольного компьютера. СПО реализующее этапа обработки изображения препарата крови, изложенные во второй главе, было разработано в среде С.

В процессе экспериментальных исследований на 703 верифицированных изображениях лейкоцитов была подтверждена адекватность характеристик и была оценена эффективность метода автоматического определения формулы белой крови. Для того использовалась база данных лейкоцитов (табл.5). Выбранные характеристики позволяют осуществлять классификацию лейкоцитов. Внедрение новых характеристик позволяет также усиливать результаты классификации, что подтверждает информативность набора характеристик (табл.6 и табл.7).

Таблица 6. Результаты классификации лейкоцитов по оконтуриванию ядра

Итог Эозинофилы Лимфоциты Моноциты Нейтрофилы

Эозинофилы 19 4 1 2 12

Лимфоциты 185 3 165 4 13

Моноциты 24 2 7 12 3

Нейтрофилы 233 61 4 7 161

Результаты классификации лейкоцитов по тексту] Таблица 7. ре и оконтуриванию ядра

Итог Эозинофилы Лимфоциты Моноциты Нейтрофилы

Эозинофилы 19 14 0 3 2

Лимфоциты 185 4 139 22 2

Моноциты 24 4 1 19 0

Нейтрофилы 233 58 1 5 157

Для классификации применился вариант алгоритма «Gentle AdaBoost», осуществляющий классификацию по большему числу классов. При применении полного набора характеристик (см, табл.4) результаты классификации существенно увеличиваются (табл.8 и табл.9).

Таблица 8.

Результаты классификации лейкоцитов _

Итог Эозинофилы Лимфоциты Моноциты Нейтрофилы

Эозинофилы 19 14 1 3 1

Лимфоциты 185 0 177 4 4

Моноциты 24 1 4 16 3

Нейтрофилы 233 3 8 9 213

Таблица 9. Детали ошибок первого и второго рода

Ошибка первого рода, % Ошибка второго рода, %

Эозинофилы 26,3 0,9

Лимфоциты 4,3 4,7

Моноциты 33,3 3,7

Нейтрофилы 8,6 3,5

Общая вероятность правильной классификации лейкоцитов достигла

0,9.

Высокие значения ошибки первого рода обусловлены малыми размерами выборки лейкоцитов, поскольку соотношения содержащихся в формуле крови лейкоцитов очень низко в случае моноцитов и эозинофилов. Следовательно, минимизация погрешности, являющаяся основной применения алгоритмов повышения эффективности, не

позволяет обучить их таким способом, чтобы их результаты для указанных классов лейкоцитов были удовлетворительными.

Тем не менее, малые значения ошибок первого и второго рода при классификации нейтрофилов и особенно лимфоцитов подтверждают работоспособность разработанного классификатора.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. В результате анализа научно-технических данных и современного состояния проблемы показана актуальность, практическая значимость разработки биотехнической системы для автоматического определения формулы белой крови по изображениям мазков крови.

2. В результате рассмотрения метода визуального анализа мазка разработан метод автоматического определения формулы белой крови, заключающийся в оценке качества препарата, обнаружении лейкоцитов, их сегментации, расчете их характеристик и их классификации.

3. На основе исследований верифицированных изображений лейкоцитов доказана целесообразность использования цветовых характеристик для автоматического обнаружения лейкоцитов.

4. Разработан программный модуль обнаружения лейкоцитов на изображениях мазков крови, обеспечивающий оперативное выделение без пропуска лейкоцитов.

5. При проведении исследований верифицированных изображений лейкоцитов установлено, что критерий цветовой насыщенности обеспечивает автоматическую сегментацию ядра.

6. В ходе исследований верифицированных изображений лейкоцитов эмпирически установлено, что критерий локальной энтропии обеспечивает автоматическую сегментацию цитоплазм в совокупности с алгоритмами выделения границ Собеля и Кэнни.

7. Разработан программный модуль сегментации лейкоцитов по изображениям мазков крови, обеспечивающий выделения ядер и цитоплазм лейкоцитов устойчиво к окружающим эритроцитам.

8. В результате исследований верифицированных изображений лейкоцитов установлено, что пространство признаков, соответствующих признакам, использованным при визуальной классификации, обеспечивает автоматическую классификацию лейкоцитов.

9. Разработан программный модуль классификации лейкоцитов по изображениям мазков крови

10. Проведена экспериментальная апробация макета БТС для автоматического определения формулы белой крови, и подтверждена

работоспособность предложенного метода автоматического определения формулы белой крови.

11. Результаты диссертационной работы целесообразно применять для автоматической классификации клеток в цитологии, биологии и ветеринарии.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Штадельманн Ж. В., Спиридонов И.Н. Автоматическая классификация лейкоцитов на изображениях мазков крови // Медицинской Техники. 2012. №2. С. 43 - 47.

2. Штадельманн Ж.В., Самородов A.B., Спиридонов И.Н. Автоматизированное обнаружение лейкоцитов на изображениях мазков крови на основе бустинга // Медицинская Техника. 2012. №4. С. 35 - 38.

3. Штадельманн Ж.В., Спиридонов И.Н. Метод определения формулы белой крови // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2012 №10. Режим доступа: http://technomag.edu.ru/doc/465287.html (дата обращения 01.10.2012)

4. Штадельманн Ж.В., Самородов А.В, Спиридонов И.Н. Обнаружение лейкоцитов с использованием алгоритма AdaBoost // Науч.-тех. конф. «Студенческая Весна», (Москва 1 - 30 априля 2010) : Москва. 2010. С. 82-83.

5. Штадельманн Ж.В., Самородов А.В, Спиридонов И.Н. Классификация лейкоцитов с использованием текстурных характеристик их ядер // 12-ая Науч.-тех. конф. «Медико-технические технологии на страже здоровья» (МЕДТЕХ-2010) (Кипр, 25 сентября - 2 октября 2010 г.): тез. докл. Ларнака. 2010. С. 95 - 99.

6. Штадельманн Ж.В, Самородов А.В, Спиридонов И.Н. Обнаружение лейкоцитов с использованием техники машинного обучения // 9-ая Науч.-тех. конф. «Физика и Радиоэлектроника в Медицине и Экологии» (ФРЭМЭ-2010) (Суздаль, 29 июня - 2 июля 2010г.) : тез. докл. Суздаль. 2010. С. 324 - 327.

7. Штадельманн Ж.В, Спиридонов И.Н. Классификация Лейкоцитов с использованием алгоритма машинного обучения // Науч.-тех. конф. Всероссийская конференция с элементами научной школы для молодежи «Биометрические технологии» (Москва, 1 - 2 ноября 2011г.) : тез. докл. Москва. 2011. С. 60-62.

8. Штадельманн Ж.В, Спиридонов И.Н. Оценка требований к изображениям препаратов крови для визуальной классификации лейкоцитов // 13-ая Науч.-тех. конф. «Медико-технические технологии на

страже здоровья» (МЕДТЕХ-2011) (Майорка, 25 сентября - 2 октября 2011г.) : тез. докл. Майорка, 2011. Б/С. 3 с.

9. Шталельманн Ж.В., Спиридонов И.Н. Сегментация цитоплазмы лейкоцитов на основе локальной энтропии // Науч.-тех. конф. «Студенческая Весна», (Москва 2-29 апреля 2012) : Москва. 2012. С. 303 -305.

10. Штадельманн Ж.В., Спиридонов И.Н. Актуальность разработки систем визуального определения формулы белой крови // 10-ая Науч.-тех. конф. «Физика и Радиоэлектроника в Медицине и Экологии» (ФРЭМЭ-2010) (Суздаль, 21 - 29 июня 2012г.) : тез. докл. Суздаль. 2012. книга 3. С. 94-98.

11. Stadelmann J.V., Samorodov A.V., Spiridonov I.N. Leukocyte Classification Based on Nucleus Skeletization // Proceedings of the 6th «Russian-Bavarian Conference on Biomedical Engineering» (Moscow, 8-11 November 2010). W/P. 3 p.

12. Stadelmann J.V., Spiridonov I.N. Leukocyte Classification using a machine learning algorithm // Proceedings of the 7th «Russian-Bavarian Conference on Biomedical Engineering» (Erlangen, 10-14 October 2011) : Erlangen. 2011. P. 35-37.

13. Stadelmann J.V., Spiridonov I.N. Leukocyte Segmentation Using Edge Detection // Proceedings of the 8th «Russian-Bavarian Conference on Biomedical Engineering» (Saint Petersbourg, 29-31 may 2012) : Saint Petersbourg. 2012. P. 86 - 88.

Подписано к печати 8.11.12. Заказ №713 Объем 1,0 печ.л. Тираж 100 экз. Типография МГТУ им. Н.Э. Баумана 105005, Москва, 2-я Бауманская ул., д.5 (499) 263-62-01

Введение.

Глава 1. Клиническая актуальность определения формулы белой крови.

1.1. Применение определения формулы крови в клинике.

1.2. Описание форменных элементов крови.

1.2.1. Тромбоциты.

1.2.2. Эритроциты.

1.2.3. Лейкоциты.

1.2.3.1. Лимфоциты.

1.2.3.2. Моноциты.

1.2.3.3. Нейтрофилы.

1.2.3.4. Эозинофилы.

1.2.3.5. Базофилы.

1.2.4. Модель кроветворения.

1.3. Формула белой крови и ее применения.

1.4. Методы определения формулы белой крови.

1.4.1. Электродинамические и лазерные методы проточной цитометрии.

1.4.2. Визуальный метод анализа.

1.4.2.1. Статистическая достоверность визуального анализа

1.5. Сравнение методов определения формулы белой крови.

1.6. Выводы к первой главе.

Глава 2. Процесс автоматического определения формулы белой крови.

2.2. Анализ качества.

2.2.1. Зона наложения слоев.

2.2.2. Зона монослоя.

2.2.3 Зона скопления клеток.

2.3. Обнаружение лейкоцитов.

2.4. Сегментация лейкоцитов.

2.5. Характеристик лейкоцитов.

2.6. Классификация лейкоцитов.

2.6. Схема БТС для автоматического определения формулы белой крови

2.7. Выводы ко второй главе.

Глава 3. Разработка БТС для автоматического определения формулы белой крови.

3.1. Обнаружение лейкоцитов по изображениям мазков крови.

3.1.1. Алгоритм обнаружения лейкоцитов.

3.1.2. Разработка программного модуля обнаружения лейкоцитов.

3.1.2.1. База данных для исследования алгоритмов обнаружения

3.1.2.2. Обучение классификатора.

3.1.2.3. Обнаружение лейкоцитов на изображении мазка крови.

3.1.2.4. Обработка результатов.

3.1.2.5. Результаты тестирования программного модуля обнаружения лейкоцитов.

3.2. Сегментация лейкоцитов.

3.2.1. Обоснование возможности сегментации лейкоцитов.

3.2.2. Сегментация ядер лейкоцитов.

3.2.3. Сегментация цитоплазмы лейкоцитов.

3.3. Анализ характеристик клеток крови.

3.3.1.1. Совокупность характеристик.

3.3.1.2. Текстурные характеристики лейкоцитов.

3.3.1.3. Оконтуривание ядра лейкоцитов.

3.3.1.4. Другие характеристики лейкоцитов.

3.4. Классификация лейкоцитов.

3.4.1. Обоснование возможности классификации лейкоцитов.

3.4.2. Алгоритм «Ас1аВоо8Ъ>.

3.5. Выводы к третьей главе.

Глава 4. Экспериментальное исследование БТС для автоматического определения формулы белой крови.

4.1. Метод испытания разработанного классификатора.

4.2. Результаты частичной классификации на основе статистических распределений.

4.3. Анализ влияния различных факторов на эффективность классификации.

4.3.1. Применение новых характеристик.

4.3.2. Формирование характеристик для классификации лейкоцитов.

4.3.3. Применение алгоритма «АёаВооэЪ) для классификации лейкоцитов.

4.4. Результаты классификации.

4.5. Выводы к четвертой главе.

Клинический анализ крови и особенно подсчет лейкоцитарной формулы является тестом, позволяющим оценить состояние здоровья человека. Так как лейкоциты являются главными агентами иммунной системы, их относительные концентрации и степень зрелости отражают ответ организма на инфекции [2, 9, 15,33,36].

В норме формула белой крови состоит из лейкоцитов пяти классов, то есть лимфоциты (от 18 до 40%), моноциты (от 2 до 9%), нейтрофилы (от 45 до 70%), эозинофилы (до 5%) и базофилы (до 1%). При этом нейтрофилы делятся на два класса, палочкоядерные и сегментоядерные, в зависимости от их степени зрелости [2, 33]. Нахождение не зрелых клеток, так же как изменения концентрации различных типов и общее число лейкоцитов, сообщают об адаптации человека к стрессовой ситуации или к инфекционному агенту [2, 4, 9, 33]. Соответственно формула белой крови имеет высокую диагностическую ценность и поэтому часто применяется в клинической практике.

Изменения, наблюдаемые при определении формулы белой крови, заключаются в изменениях концентрации и в морфологии лейкоцитов. В свою очередь Изменения морфологии лейкоцитов заключаются в регулярностях внешних и ядерных контуров, цвете цитоплазмы и ядра, в наличии ядерных проекции или зернистость цитоплазмы. Совокупная информация, полученная при анализе концентрации и морфологии, позволяет ориентироваться на определенное заболевание [33, 40, 49].

Для классификации в настоящее время применяются два основных метода.

Метод проточной цитометрии основывается на анализе электродинамических характеристик лейкоцитов. По мере прохождения лейкоцита через капиллярную трубку измеряется его импеданс на различных частотах. Таким образцом получается информация об объеме и о составе лейкоцита. Для классификации по содержанию лейкоцитов используется лазерное излучение. По совокупности результатов электродинамического анализа и анализа фигуры рассеяния определяется класс анализируемого лейкоцита. Этот метод анализа позволяет быстро исследовать большое число лейкоцитов, и получить статистически достоверную оценку числа и концентрации лейкоцитов различных классов. Однако метод проточной цитометрии не позволяет оценить морфологию лейкоцитов. Также результаты, выходящие за пределами гематологических норм, автоматически отбрасываются аппаратом и передаются оператору для визуального исследования. При этом необходимо заметить, что в клинической практике большинство результатов автоматических анализов превышают нормы принятые в гематологии [33, 49, 61, 63, 76].

Визуальный метод определения лейкоцитарной формулы проводится путем анализа мазка крови под микроскопом. Чтобы увеличивать контраст между различными элементами, присутствующими на мазке, используется окраска, например, по Романовскому-Гимзе. Так как распределение лейкоцитов на мазке неравномерное, для получения значимых результатов исследуются. Однако, в связи с высокими временными затратами, присущими исчерпывающему исследованию мазка, и также с высокой трудоемкостью задачи анализируются только 100 лейкоцитов. Соответственно результаты, полученные визуальным анализом, не имеют статистической достоверности [33,36, 43,62].

Метод визуального анализа, который проводится непосредственно врачом под микроскопом, позволяет установить морфологические особенности лейкоцитов. Визуальная классификация лейкоцитов базируется на таких характеристиках, как ширина ядра, число долей, кривизна ядра, размер лейкоцита, цвет цитоплазмы и включения цитоплазмы. Все перечисленные характеристики и морфологических особенностей являются признаками как для классификации так для диагностики болезней [9, 33, 40, 51].

При рассмотрении метода проточной цитометрии установляются недостатки методов определения лейкоцитарной формулы. Проточная цитометрия - неустойчива к отклонениям от норм, не учитывает морфологию лейкоцитов и осуществляется с помощью большего объема крови. Визуальное исследование - трудоемкое и не имеет статистической достоверности.

Таким образцом целыо диссертационной работы является создание БТС, обеспечивающей автоматическое определение лейкоцитарной формулы на основе статистически достоверных результатов исследования мазков крови.

Для достижения подставленной цели были сформулированы и решены следующие задачи

1. Анализ существующих методов классификации лейкоцитов;

2. Разработка, исследование и автоматизации процесса определения формулы белой крови;

3. Разработка комплекса характеристик лейкоцитов для автоматической классификации;

4. Создание прототипа СПО и макета БТС автоматического определения формулы белой крови;

5. Апробация метода определения лейкоцитарной формулы.

Практическая ценность диссертационной работы заключается в разработке требований к регистрации изображений мазков крови, к алгоритмам обнаружения лейкоцитов на изображениях, к алгоритмам сегментации ядра и цитоплазмы и к классификатору, применяемому для определения лейкоцитарной формулы.

Для решения поставленных задач были разработаны специальные программные модули обнаружения, сегментации и выделения характеристик лейкоцитов. В результате обнаружения были получены изображения постоянного размера (17х17мкм), с единственным лейкоцитом.

Целю сегментации является отделение областей ядра и цитоплазмы от области межклеточного пространства.

Характеристики, использованные для классификации, были выбраны в соответствии с характеристиками, использованными при визуальном исследовании мазка. Их информативность была подтверждена с помощью статистических классификаторов.

Апробация программного модуля классификации показала, что предложенный набор характеристик обеспечивает классификацию лейкоцитов с вероятностью не хуже 0,9.

Апробация работы проведена на макете БТС для автоматического определения формулы белой крови. Обучающие и контрольные группы были сформированы из базы данных, верифицированной специалистом. В базе данных концентрации различных классов соответствуют соотношениям, наблюдаемых в крови человека. Результаты апробации подтвердили предлагаемый метод классификации лейкоцитов.

Положения, выносимые на защиту.

1. Для автоматического обнаружения лейкоцитов на мазках крови, окрашенных по методу Романовского-Гимзы, необходимо в каналах красного цвета (ПЗС МоИСат 2300) и цветовой насыщенности сравнить текущее среднее значение, вычисленное по области, соответствующей максимальному размеру лейкоцита, со средними значениями, вычисленными по аналогичным областям обучающей выборки, содержащей не менее 500 лейкоцитов.

2. На изображениях мазков крови

- окрашенных по методу Романовского-Гимзы;

- зарегистрированных с масштабом 0.039 мкм/пиксель;

- зарегистрированных в иммерсионном масле;

- зарегистрированных в области монослоя;

- информативной емкость, которых не менее 598КБ; для автоматической сегментации ядер необходимо сравнить цветовую насыщенность каждого пикселя с пороговым значением, составляющим не менее 40% насыщенности данного изображения. для автоматической сегментации цитоплазм необходимо разбить изображения на области, содержащие не четное число пикселей, и сравнить энтропию выделенных областей с пороговым значением, составляющим не менее 1,25 средней энтропии изображения.

3. Для автоматической классификации лейкоцитов необходимо сформировать пространство признаков, состоящее из

- характеристик текстуры ядра;

- топологии ядра;

- площади и периметра ядра;

- характеристик текстуры цитоплазмы;

- цветовых характеристик цитоплазмы;

- числа Эйлера цитоплазмы.

4. В результате апробации показано, что предложенная БТС для автоматического определения формулы белой крови определяет лейкоцитарную формулу с вероятностью не менее 0,92 для двух наиболее часто встречаемых классов лейкоцитов, совместно составляющих не менее 65% общей лейкоцитарной популяции здорового человека.

Основные положения работы докладывались на семинаре факультета БМТ МГТУ им. Н.Э. Баумана (г. Москва, 13.06.2012) и на конференциях Студенческая Весна (г. Москва, 2010 и 2012), Медико-технические технологии на страже здоровья (остр. Кипр, 2010, остр. Майорка, 2011), Российско-Баварская Конференция (г. Москва, 2010, г. Эрланген, 2011, г. Санкт-Петербург, 2012), Всероссийская конференция с элементами научной школы для молодежи «Биометрические технологии» (г. Москва, 2011) и Физика и Радиоэлектроника в Медицине и Экологии (г. Суздаль, 2010, 2012).

По материалам диссертации опубликованы 3 научных статьи и 10 тезисов докладов на научных конференциях.

Диссертационная работа состоит из введения, четырех глав и приложений. Текст диссертации изложен на 96 страницах. Список использованной литературы включает в себе 80 библиографических источников.

Основные результаты и выводы

1. В результате анализа научно-технических данных и современного состояния проблемы показана актуальность, практическая значимость разработки биотехнической системы для автоматического определения формулы белой крови по изображениям мазков крови.

2. В результате рассмотрения метода визуального анализа мазка разработан метод автоматического определения формулы белой крови, заключающийся в оценке качества препарата, обнаружении лейкоцитов, их сегментации, расчете их характеристик и их классификации.

3. На основе исследований верифицированных изображений лейкоцитов доказана целесообразность использования цветовых характеристик для автоматического обнаружения лейкоцитов.

4. Разработан программный модуль обнаружения лейкоцитов на изображениях мазков крови, обеспечивающий оперативное выделение без пропуска лейкоцитов.

5. При проведении исследований' верифицированных изображений лейкоцитов установлено, что критерий цветовой насыщенности обеспечивает автоматическую сегментацию ядра.

6. В ходе исследований верифицированных изображений лейкоцитов эмпирически установлено, что критерий локальной энтропии обеспечивает автоматическую сегментацию цитоплазм в совокупности с алгоритмами выделения границ Собеля и Кэнни.

7. Разработан программный модуль сегментации лейкоцитов по изображениям мазков крови, обеспечивающий выделения ядер и цитоплазм лейкоцитов устойчиво к окружающим эритроцитам.

8. В результате исследований верифицированных изображений лейкоцитов установлено, что пространство признаков, соответствующих признакам, использованным при визуальной классификации, обеспечивает автоматическую классификацию лейкоцитов.

9. Разработан программный модуль классификации лейкоцитов по изображениям мазков крови

10. Проведена экспериментальная апробация макета БТС для автоматического определения формулы белой крови, и подтверждена работоспособность предложенного метода автоматического определения формулы белой крови.

11. Результаты диссертационной работы целесообразно применять для автоматической классификации клеток в цитологии, биологии и ветеринарии.

1. Артюхова O.A., Самородов A.B. Сравнительное исследование характеристик резкости микроскопических изображений медико-биологических препаратов // Медицинская Техника. 2011. №1. С. 15-22.

2. Атлас клеток крови и костного мозга / Т. Г. Сарычева, и др.; Под ред. Г. ИКозинца. М.: Триада-X, 1998. 160 с.

3. Воробьев А.И. Клинико-диагностическое значение лабораторных показателей в гематологии // РАМН ГНЦ. 2001. 17 с.

4. Гаркави Л. X., Квакина Е. Б., Уколова М. А. Адаптационные реакции и резистентность организма. Ростов н/Д.: Изд-во Ростовского ун-та, 1990. 224 с.

5. А. с. 1171819 (СССР). Способ селекции признаков объектов при распознавания образцов / С.А. Герасимов, И.Н. Спиридонов, В.М. Захарченко, С.А. Земляков, A.C. Прибыловский // Б. и. 1985. - N 21.

6. Ершов Ю. А., Щукин С. И. Основы анализа биотехнических систем // Москва: Изд-во МГТУ им. Н. Э. Баумана, 2011. 526 с.

7. Г.С. Ландсберг. Оптика. Москва: изд-во «Наука», 1976. 926 с.

8. Исследование системы крови в клинической практике/ Под ред. Г. И. Козинца и В. А. Макарова. М.: Триада-Х, 1997. 480 с.

9. Основы клинической гематологии / С. Ю. Ермолов, Фи др.; Под ред. В. Г. Радченко. Санкт-Петерсбург.: Диалект, 2003. 304 с.

10. Самородов A.B. Биотехническая система для анализа морфологии эритроцитов: Дис. .канд. техн. наук. (5.11.17) М. 2002. 168 с.

11. Самородов A.B. Автоматизированный морфологический анализ цитологических препаратов // Биомедицинская радиоэлектроника. Биомедицинские технологии и радиоэлектроника. 2009. № 10. С. 35-41.

12. Самородов A.B. Оценка качества цитологических препаратов // Биомедицинская радиоэлектроника. Биомедицинские технологии и радиоэлектроника. 2008. № 10. С. 39-45.

13. Самородов А. В., Спиридонов И. Н. Анализ гемоизображений вавтоматизированных системах оценки функционального состояния человека// Биомедицинские технологии и радиоэлектроника. 2001. - №9. - С. 11-17.

14. Самородов А. В., Спиридонов И. Н. Статистические свойства гемоизображений // Медико-технические технологии на страже здоровья: Тез. докл. IIIМНТК, г. Анталия (Турция), 30 сентября 7 октября 2001 г. - М., 2001. -С.78.

15. Сафонова Л. П. Пространственно частотный анализ форменных элементов крови: Дис. .канд. техн. наук. (5.11.17) М. 1998. 166 с.

16. Сафонова Л.П., Спиридонов И.Н. Перспективы автоматизации гематологического анализа // Актуальные проблемы создания биотехнических систем: Сб. науч. трудов. М.: МГТУ 1997. - Вып. 2. - С. 232-242.

17. Спиридонов И. Н. Методы традиционной функциональной диагностики : Учеб. Пособие // Москва: Изд-во МГТУ им. Н. Э. Баумана, 1993. -46 с.

18. Спиридонов И. Н., Самородов А. В. Методы и алгоритмы вычислительной диагностики : Учеб. Пособие // Москва: Изд-во МГТУ им. Н. Э. Баумана, 2006. 50 с.

19. Спиридонов И. Н. Автоматизированная обработка экспериментальных данных : Учеб. Пособие // Москва: Изд-во МГТУ им. Н. Э. Баумана, 2009. 40 с.

20. Спиридонов И. Н., Аполлонова И. А., Сафонова Л. П. Основные принципы создания лазерных анализатором медицинских сложноструктурированных изображений// Конверсия. 1997. - № 10. - С.55 -57.

21. Штадельманн Ж. В., Спиридонов И.Н. Автоматическая классификация лейкоцитов на изображениях мазков крови // Медицинской

22. Техники. 2012. №2. С. 43 47.

23. Штадельманн Ж.В., Самородов А.В., Спиридонов И.Н. Автоматизированное обнаружение лейкоцитов на изображениях мазков крови на основе бустинга // Медицинская Техника. 2012. №4. С. 35 38.

24. Штадельманн Ж.В., Спиридонов И.Н. Метод определения формулы белой крови // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон, журн. 2012 №10. Режим доступа: http://technomag.edu.ru/doc/465287.html (дата обращения 01.10.2012)

25. Штадельманн Ж.В., Самородов А.В, Спиридонов И.Н. Обнаружение лейкоцитов с использованием алгоритма AdaBoost // Науч.-тех. конф. «Студенческая Весна», (Москва 1-30 апреля 2010): Москва. 2010. С. 82-83.

26. Шталельманн Ж.В., Спиридонов И.Н. Сегментация цитоплазмы лейкоцитов на основе локальной энтропии // Науч.-тех. конф. «Студенческая Весна», (Москва 2-29 апреля 2012) : Москва. 2012. С. 303 -305.

27. Acton S., Nilanjan R. Biomedical Image Analysis: Segmentation. Austin: Morgan & Claypool, 2009. 108 p.

28. Bain B.J. Blood Cells A Practical Guide. Maiden: Blackwell Publishing Ltd, 2006. 476 p.

29. Bishop C.M. Pattern Recognition and Machine Learning. Singapore: Springer, 2006. 738 p.

30. Buttarello M., Plebani M. Automated Blood Cell Counts State of the Art // American Journal of Clinical Pathology. 2008. №130. P. 104 116.

31. Cornbleet J. Clinical Utility of the Band Count // Clinics in Laboratory Medecine. 2002. Vol. 22, № 1. P. 101 136.

32. Dallai G.E., The Little Handbook of Statistical Practice. On-line ressource (http://www.jerrydallal.com/LHSP/LHSP.htm) (дата обращения 08.05.2012).

33. Dalang R.C, Chaabouni A. Algèbre linéaire Aide-mémoire, exercices et applications. Lausanne: Presses Polytechniques et Universitaires Romandes, 2002. 348 p.

34. Davidson E. The Distribution of Cells in Peripheral Blood Smears // Journal of Clinical Pathology. 1958. №11. P. 410 -411.

35. Fischbach F.T., Dunning M.B. A Manual of Laboratory and Diagnostic Tests. (8th edition). Philadelphia: Lippincott Williams & Wilkins, 2009. 1282 p.

36. Forsyth D.A., Ponce J. Computer Vision: A Modern Approach. Upper Saddle River: Prentice Hall, 2002. 693p.

37. Foskey M., Lin M.C., Manocha D. Efficient Computation of a Simplified Medial Axis // Journal of Computing and Information Science in Engineering. 2003.3. P. 274-284.

38. Froom P, Havis R., Barak M. The rate of manual peripheral blood smear reviews in Outpatients // Clinical Chemistry and Laboratory Medicine. 2009. №47. P. 1401 1405.

39. Hassouna M.S., Farag A.A. Variational Curve Skeletons Using Gradient Vector Flow // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2009. №31. P. 2257-2274.

40. Robust Autofocusing in Microscopy / J.M. Geusebroek et al. // Cytometry. 2000. №39. P. 1-9.

41. Gurstelle E.B., de Oliveira J.L. Daytime parahypnagogia: a state of consciousness that occurs when we almost fall asleep // Medical Hypotheses. 2004. №62. P. 166- 168.

42. Horowitz M.J., Hallucinations: An information-processing approach // Hallucinations / (R.K. Siegel, L.J. West). New York: Wiley, 1975. Chap. 5. P. 163 -195.

43. Efficient Multiclass Boosting Classification with Active Learning / J. Huang et al. // Proceedings of the "7th SIAM International Conference", (Minneapolis, 26-28 April 2007): Minneapolis. 2007. P. 297 308.

44. Hyun B.H., Gulati G.L., Ashton J.K. Differential Leukocyte Count: Manual or Automated, What Should It Be? // Yonsei Medical Jounal. 1991. Vol. 32. №. P. 283-291.

45. Multi-Class Adaboost: Technical report. Jan. 2006. Department of Statistics. University of Michigan. Ann Arbor, 2006. 21p.

46. V. Kumar et al. Robbins Basic Patholog. (8th edition). Philadelphia. Elsevier, 2007. 902 p.

47. Experience-dependent induction of hypnagogic images during daytime naps: a combined behavioural and EEG study / K. Kusse et al. // Journal of Sleep Research. 2012. №21. P. 10-20.

48. Lindeberg T. Edge detection and ridge detection with automatic scale selection // International Journal of Computer Vision. №30. 1998. P. 117 154.

49. Löffler H., Rastetter J., Haferlach T. Atlas of Clinical Hematology. (6th edition). Berlin: Springer-Verlag, 2005. 429 p.

50. A review of classification algorithms for EEG-based brain-computer interfaces / F. Lotte et al. // Journal of neural engineering. 2007. №4. P. Rl R13.

51. Mavromatis A. Hypnagogia: the unique state of consciousness between wakefulness and sleep. London: Routledge & Kegan Paul. 1987, 363p.

52. Meir R., Ratsch G. An Introduction to Boosting and Leveraging // Advanced lectures on machine learning. 2003. №3. P. 463 482.

53. R. Munker et al. Hematology Biology and Clinical Management. Second Edition. Totowa Humana Press. 2007. 498p.

54. Laboratory Productivity and the Rate of Manual Peripheral Blood Smear Review / D.A.Novis et al. // Archives of Pathology and Laboratory Medicine. 2006. №130. 596-601.

55. Olariu S., Zomaya A.Y. Handbook of Bioinspired Algorithms and Applications. New York: Chapman & Hall, 2006. 663p.

56. Performance Evaluation of the Complete Blood Count and White Blood Cell Differential Parameters on the AcT 5diff Hematology Analyzer / P. O'Neil et al. // Laboratory Hematology. 2001. №7. P. 116 124.

57. Pierre R.V. Peripheral Blood Film Review // Clinics in Laboratory Medecine. 2002. №7. P. 279 297.

58. Critical Comparison of 31 Commercially Available Digital Slide Systems in Pathology / M.G. Rojo et al. // International Journal of Surgical Pathology. 2006. №4. P. 285 305.

59. Rosset S., Zhu J., Hastie T. Boosting as a Regularized Path to a Maximum Margin Classifier//Journal of Machine Learning Research. 2004. №5. P. 941 973.

60. Schiffman F.J. Hematologic Pathophysiology. Philadelphia: Lippincott Williams & Wilkins, 1998. 140p.

61. Semmlow J.L. Biosignal and Biomedical Image Processing MATLAB-Based applications. New York. Marcel Dekker. 2004. 424p.

62. Shannon C.E. A Mathematical Theory of Communication // The Bell

63. System Technical Journal. 1948. №27.P. 379 423.

64. Stadelmann J.V., Samorodov A.V., Spiridonov I.N. Leukocyte Classification Based on Nucleus Skeletization // Proceedings of the 6th «Russian-Bavarian Conference on Biomedical Engineering» (Moscow, 8-11 November 2010). W/P. 3 p.

65. Stadelmann J.V., Spiridonov I.N. Leukocyte Classification using a machine learning algorithm // Proceedings of the 7th «Russian-Bavarian Conference on Biomedical Engineering» (Erlangen, 10-14 October 2011) : Erlangen. 2011. P. 35 -37.

66. Stadelmann J.V., Spiridonov I.N. Leukocyte Segmentation Using Edge Detection // Proceedings of the 8th «Russian-Bavarian Conference on Biomedical Engineering» (Saint Petersbourg, 29-31 may 2012): Saint Petersbourg. 2012. P. 86 -88.

67. Suri J.S., Wilson D.L., Laxminarayan S. Handbook of Biomedical Image Analysis. New York: Kluwer Academic (Plenum Publishers), 2005. V.I. 648p.

68. Suri J.S., Wilson D.L., Laxminarayan S. Handbook of Biomedical Image Analysis. New York: Kluwer Academic (Plenum Publishers), 2005. V.II. 816p.

69. Tuceryan M., Jain A.K. Texture Analysis // The Handbook of Pattern Recognition and Computer Vision / C.H. Chen, L.F. Pau, P.S.P. Wang. (2nd edition). Singapore. World Scientific Publishing Company, 1998. P. 207 248.

70. Vezhnevets A. GML AdaBoost Matlab Toolbox. On-line ressource (http://graphics.cs.msu.ru/ru/science/research/machinelearning/adaboosttoolbox) (дата обращения 01.05.2009).

71. Viola P., Jones M.J. Robust Real-Time Face Detection // International Journal of Computer Vision. 2004. №57. P. 137 154.

72. Webster J.G. ed. Medical instrumentation : Application and design. (4th edition). New York: Wiley and Sons, 2009. 713 p.

73. Wu Q., Merchant F.A., Castleman K.R. Microscope Image Processing. London. Elsevier. 2008. 585p.

74. Entropy-Based Texture Analysis of Chromatin Structure in Advanced

75. Prostate Cancer / K. Yogesan et al. // Cytometry. 1996. №. 24. P. 268 276.

76. Multi-class AdaBoost. / J. Zhu et al. // Statistics and Its Interface. 2009. №2. P. 349 360.

77. Zuppiroli L., Bussac M.N., Grimm C. Traité des couleurs // Lausanne: Presses Polytéchniques et Universitaires Romandes, 2011. 460p.