автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.11, диссертация на тему:Исследование и разработка программного обеспечения автоматической микроскопии биоматериалов

на правах рукописи

ИССЛЕДОВАНИЕ И РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ АВТОМАТИЧЕСКОЙ МИКРОСКОПИИ БИОМАТЕРИАЛОВ

специальность 05 13 11 Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей

Автореферат

диссертации на соискание ученой степени доктора технических наук

ии307 1570

Москва 2007 г

003071570

Работа выполнена в ЗАО «Медицинские компьютерные системы (МЕКОС)» Научный консультант доктор технических наук, профессор Гливенко Елена Валерьевна

Официальные оппоненты

доктор технических наук Крупский Александр Александрович, доктор физико-математических наук Николаев Петр Петрович, доктор технических наук, профессор Трахтенгерц Эдуард Анатольевич, Ведущая организация Институт системного анализа РАН Защита состоится 29 мая 2007 года в 15 часов 00 минут на заседании диссертационного совета Д21220014 при Российском государственном университете нефти и газа им И М Губкина, Ленинский проспект 65, Москва, ГСП-1, 119991, Россия

С диссертацией можно ознакомиться в библиотеке Российского государственного университета нефти и газа им И М Губкина Автореферат разослан О у 200-?г

Ученый секретарь диссертационного совета доктор технических наук Егоров Андрей Валентинович

Актуальность проблемы

Одним из основных современных методов диагностики при лечении множества заболеваний является анализ изображений клеток и тканей, наблюдаемых с помошью микроскопа На протяжении более чем 200-летней истории и до настоящего времени микроскопическая диагностика биоматериалов выполняется главным образом вручную с визуальной качественной или полуколичественной оценкой объектов диагностики Такая диагностика требует высокой квалификации врача, часто изнурительна по трудоемкости, связана с высоким напряжением и психологическим дискомфортом

Проведенные многочисленные исследования точности ручных микроскопических анализов показывают, что из-за высокой вариабельности объектов, сложности морфологии, нечеткости критериев визуальной классификации, субъективности восприятия, недостатка квалифицированных врачей и других факторов визуальная микроскопия в среднем реально способна обеспечить точность диагностики, существенно более низкую, чем потенциально достижимую при объективном использовании всей информации метода За последние сорок лет предприняты многочисленные попытки автоматизировать микроскопию биоматериалов с целью получения приемлемой трудоемкости и точности анализа Накопленный опыт показал, что задача разработки комплексов автоматизированной микроскопии (KAM) требует решения большого числа разнообразных математических, программных, аппаратных, медико-технических, методических проблем Несколько упрощая картину, можно следующим образом охарактеризовать задачи медицинского микроскопического анализа биоматериалов

Разнообразие концентраций объектов анализа, от 100 до 1/10000 в поле зрения, Сложная форма области поиска объектов в препарате,

До 100 типов подлежащих распознаванию объектов в препарате, определенных в нечетких качественных терминах,

Высокая вариабельность размеров, формы, цвета, плотности объектов, Возможны нечеткие, тонкие, частично прерываемые контура объектов, Возможно наличие помех — сходных мешающих объектов

В настоящее время применяется главным образом ручная микроскопия При этом достигается высокая точность распознавания типов объектов при, как правило, недостаточном объеме и затрудненном контроле качестве сбора выборки, Высока трудоемкость, низка производительность труда, Результаты анализа субъективны,

Затруднен сбор представительной выборки препаратов для научно-исследовательских целей и обучения, особенно в случаях редких патологий, Весьма ограничены возможности количественных оценок объектов анализа Преодоление указанных недостатков ручной микроскопии может быть достигнуто прежде всего за счет автоматизации наиболее трудоемкого этапа сбора выборки объектов анализа и за счет использования современных технологий обработки, хранения и передачи изображений При этом ключевое значение имеют программные роботизирующие компоненты KAM, заменяющие

врача в процессе микроскопии и обеспечивающие навигацию, выбор маршрута просмотра препарата и сбор выборки объектов анализа

Применение КАМ не только улучшает качество и объем выполнения существующих методик анализа По-видимому, революционное значение предстоящего массового применения КАМ связано с формированием принципиально новых типов анализов и диагностик на базе измерений меток, клеток и тканей, то есть с переходом от описательных к количественным определениям понятий цито- и гисто- патологии

Попытки заменить описательные качественные определения цитологических и гистологических образов на количественные в процессе медицинской диагностики заболеваний были еще более многочисленными, чем попытки автоматизации микроскопии Тем не менее в целом количественная диагностика до сих пор не получила распространения из-за низкой надежности количественных решающих правил, полученных, как правило, на недостаточно представительном материале конкретной исследовательской лаборатории Можно надеяться, что массовое применение КАМ, способных формировать «виртуальные» препараты, пригодные для передачи по линиям связи, позволит преодолеть «проклятие размерности» и решить проблему накопления представительных обучающих и экзаменационных выборок препаратов в задачах количественной диагностики Состояние и изученность проблемы.

Начиная примерно с 2000 года количество работ, демонстрирующих эффективные автоматические методики медицинского микроскопического анализа роботизирующего уровня неуклонно возрастает и достигло в 2006 году нескольких десятков (всего существует несколько сотен методик микроскопии биоматериалов) Это связано с бурным прогрессом в области видео и компьютерной техники, внедрением моторизованных управляемых компьютером микроскопов, применением новых математических и информационных методов анализа изображений В начавшемся десятилетии впервые аппаратная часть комплекса автоматической микроскопии может быть представлена в основном серийными комплектующими Основную тяжесть решения проблем автоматизации принимает на себя программное обеспечение, что значительно ускоряет разработку новых методик

В нашей стране начиная с 90-х годов кроме возглавляемого автором ЗАО «Медицинские компьютерные системы (МЕКОС)» разработки КАМ или элементов КАМ ведут небольшие группы исследователей в нескольких учреждениях, среди которых ОАО Радиотехнический институт им Минца, МГТУ им Баумана, МИФИ, Институт системного анализа РАН, ЗАО «Видеотест» В США, Европе, Японии разработки КАМ роботизирующего уровня ведутся несколькими крупными фирмами (Leitz, Microx, Hitachi, Cellavision, IRIS, Applied Spectral Imaging, Media Cybernetics и др)

Имеющаяся литература, относящаяся к разработке КАМ, связана, главным образом, с алгоритмами распознавания конкретных цитологических образов Имеется обширная литература и значительное число хорошо отработанных

алгоритмов, относящихся к теории и практике общего анализа изображений, главным образом для индустриальных приложений

Существующие отраслевые стандарты испытаний систем, подобных KAM, требуют весьма трудоемких и дорогостоящих прямых сравнений с ручной микроскопией, что приводит в ряде случаев к практической нереализуемости испытаний на представительных выборках препаратов В целом в настоящее время не определена возможность применения современных информационных технологий при создании и испытании систем, для которых референтные методики оперируют с качественными критериями

Актуальна разработка новых алгоритмов сегментации границ изображений клеток крови, учитывающих специфику класса объектов и имеющих определяющее значение в эффективности автоматической сортировки лейкоцитов и других типов клеток Цель работы

Создать научно обоснованную методику разработки и испытаний программного обеспечения KAM, оцениваемых по качественным критериям, позволяющую применять современные информационные технологии для радикального удешевления и повышения представительности базы разработки и испытаний Разработать алгоритмы программного обеспечения KAM, обеспечивающие преимущество KAM в точности и трудоемкости методик анализа клеток крови по сравнению с ручной микроскопией Основные идеи исследования

Применить функциональные информационные продукты, формируемые KAM роботизирующего уровня для потребительских медицинских целей а) для разработки (обучения) алгоритмов ПО KAM, б) для моделирования внешней среды, позволяющего радикально сократить объем дорогостоящих натурных испытаний и расширить базу испытаний ПО KAM

Применить морфометрическую модель клетки и методы обучения для выбора параметров модели при построении алгоритма распознавания изображений клеток крови Задачи исследования

1 Провести анализ многообразия задач медицинской микроскопии биоматериалов с целью выявления базовых функций роботизирующего KAM, покрывающих многообразие известных методик и допускающих независимую проверку референтными методами

2 Исследовать и создать схему функционирования программного обеспечения (ПО) KAM, отвечающую реализации базовых функций и допускающую поэтапную разработку и испытания с применением виртуальных препаратов для существенного снижения стоимости испытаний по сравнению с традиционной схемой испытаний

3 Провести анализ характеристик покупных аппаратных и программных комплектующих с целью создания системной платформы KAM, допускающей применение многообразия комплектаций с различными характеристиками автоматизации, производительности, состава специализированных программ-методик

4 Исследовать и разработать технологию создания виртуальной (цифровой) базы обучающей и экзаменационной выборок препаратов для настройки специализированных программ-методик и для обеспечения медицинских испытаний с применением средств дистанционного доступа

5 Провести исследования и разработать алгоритм сегментации границ изображений клеток крови с применением модели класса цитологических объектов

6 Провести эксперименты (технические и медицинские испытания) для определения эффективности разработанного аппаратно-программного KAM в сравнении с ручной микроскопией для группы методик анализа клеток крови

7 Разработать предложения по новому отраслевому стандарту разработки и испытаний ПО KAM роботизирующего уровня с использованием информационных технологий

8 Разработать методики создания и применения представительных архивов виртуальных препаратов биоматериалов для научно-исследовательских анализов и обучения

Объекты исследования.

Объектами исследования в данной работе являлись технологии и алгоритмы автоматизации микроскопических анализов биоматериалов, методы и средства разработки и испытаний сложных модульных аппаратно-программных комплексов, микроскопические изображения цитологических препаратов, характеристики покупных аппаратных и программных комплектующих KAM, технологии создания представительных выборок препаратов Методы исследования.

В работе использовались положения и методы следующих областей знания теория и методы обработки и анализа изображений, системный анализ, информатика, робототехника, теория программирования, математический анализ, теория микроскопии, теория цитологических исследований, теория испытаний медицинских приборов Научная новизна

1 Исследованы и сформулированы типы задач, уровни автоматизации, структура KAM, покрывающие основное множество методик микроскопического анализа биоматериалов Определена ключевая роль роботизирующей компоненты, связанной с навигацией и просмотром значительных плохоизмеряемых пространств препарата и сбором выборки объектов анализа

2 Исследована и разработана новая методика поэтапной разработки и испытаний сложного программного комплекса, качество функционирования которого определяется качественными и полуколичественными критериями В основе методики лежит последовательное применение виртуальных препаратов, аттестованных на последовательных этапах разработки и испытаний Методика может являться основой для разработки нового отраслевого стандарта разработки и испытаний подобных систем с применением моделирования и современных информационных технологий

3 Исследован и разработан метод «слияния контуров» для сегментации (выделения границ) изображений клеток, основанный на последовательном

слиянии первичных фрагментов (зерен) образа с использованием геометрических свойств класса объектов

4 Исследован и разработан метод настройки параметров алгоритма сегментации, основанный на сведении задачи выбора параметров к задаче минимизации функции эмпирического риска в классе кусочно-линейных решающих правил Практическое значение исследования

1 В результате исследования решена важная народнохозяйственная задача создания медицинского роботизирующего микроскопического анализатора Разработанные и внедренные в медицинскую практику под руководством и при участии автора аппаратно-программные комплексы микроскопии МЕКОС-Ц1 и МЕКОС-Ц2 позволяют автоматизировать группу трудоемких рутинных операции микроскопии, повысить точность и надежность традиционных анализов, внедрить группу ранее не применявшихся количественных анализов

2 Разработаны и реализованы методы распознавания изображений клеток системы крови, позволяющие автоматически сортировать клетки заданных типов

3 Уникальными свойствами ПО комплекса МЕКОС-Ц2 являются дистанционный сбор и аттестация обучающих и экзаменационных выборок объектов анализа и модульная структура, позволяющая применять экономные поэтапные испытания подсистем комплекса с увеличенной представительностью базы испытаний по сравнению с традиционной схемой медицинских испытаний подобных систем Указанная технология позволяет радикально уменьшить объем дорогостоящих натурных испытаний

4 Предложенные информационные технологии создания и верификации виртуальных препаратов биоматериалов создают новый уровень проведения научных количественных микроскопических исследований биоматериалов, новый уровень обучения персонала и доступа к медицинским знаниям

Внедрепие в практику

Проведены технические (в ВНИИИМТ) и медицинские (в Российской детской клинической больнице, в НИИ неотложной детской хирургии и травматологии, в 23 ГКБ г Москвы) испытания

- комплекса компьютерной микроскопии МЕКОС-Ц (1995, 1997),

- комплекса автоматизированной микроскопии МЕКОС-Ц1 (1998),

- комплекса автоматизированной микроскопии МЕКОС-Ц2 (2005) Утверждены Технические условия и получены Регистрационные свидетельства МЗ РФ (МЗСР РФ) на комплексы МЕКОС-Ц и МЕКОС-Ц1 ((ТУ 9443-00127543786-97, Per уд МЗ РФ № 29/10010198/1282-01, 1998) и МЕКОС-Ц2 (ТУ 9443-002-27543786-2005, Per уд ФСНЗСР РФ № ФС 02012006/2935-06, 2006) Комплексы МЕКОС-Ц/Ц1/Ц2 эксплуатируются в более чем 100 медицинских, санитарно-эпидемиологических, научно-исследовательских, производственных и учебных учреждениях России, включая РДКБ, ГНЦ РАМН, РОНЦ РАМН, МНИОИ им Герцена, 1 ГКБ, 23 ГКБ, РГСУ, НИИ фармакологии, Центр экстремальной медицины, НИИ НДХТ, РГМУ, НИИДГ, ИХ РАМН, НИИ ФХМ, МИФИ, ВНИИЭФ, санаторий «Россия» и др

Положения, выносимые па защиту

1 Структура программного обеспечения KAM с выделением систем съемки, информатизации, навигации, сбора выборки, сортировки, измерения, диагностики и контроля качества позволяет реализовывать основные известные типы автоматизированных методик с возможностью поэтапного дистанционного испытания систем

2 Технология разработки и испытаний МЕКОС-Ц2 может являться основой для нового отраслевого стандарта испытаний распознающих роботизированных систем анализа, использующего современные информационные технологии

3 Применение системной программной платформы МЕКОС-Ц2ос позволяет использовать множество оптимизированных комплектаций оборудования и широкий круг функциональных программ-методик

4 Методы «слияния контуров» и настройки параметров алгоритма сегментации в сочетании с известными алгоритмами фильтрации и формирования первичных зерен образа обеспечивают эффективное выделение границ изображений клеток крови

Апробация работы

Работа была представлена на конкурсе корпорации Hewlett-Packard по методам распознавания образов (Бристол, Англия, 1992, Основной приз), на Научном совете РАН по комплексной проблеме "Кибернетика" и ГНТП "Распознавание образов, обработка изображений, интеллектуальный интерфейс" (1992), на конференции "Автоматизация гематологических лабораторных исследований", Москва, ГНЦ РАМН (1994), на симпозиуме IEEE IWIT (Москва, 1994), на комиссиях Комитета по новой медицинской технике МЗ РФ (1993, 1994, 1995, 1996), на выставке "Российские технологии" (Вашингтон, США,1994), на симпозиуме IS&SPIE (Сан-Хосе, США, 1995), на 4-й международной конференции по компьютерной цитологии (Чикаго, США, 1996), на выставках российской (московской) медицинской техники в Пекине (2004, 2006), Лиссабоне (2005), на выставке "Medica" в Дюссельдорфе (2006), на выставках и конференциях «Национальные дни клинической лабораторной диагностики», «Интерлабдиагностика» (Москва, 2003, 2006), Здравоохранение 2006 (Москва) Публикации.

Результаты исследований защищены 5 патентами на изобретение Опубликовано 28 статей в центральных и зарубежных научных журналах, более 20 тезисов статей на конференциях Структура и объем работы.

Представляемая работа состоит из введения, 6 глав основного текста, заключения, списка литературы (261 название) и приложений Работа изложена на 231 странице машинописного текста, основной текст содержит 33 рисунка и 20 таблиц

Во введении обоснована актуальность темы, обсуждается уровень исследований и степень изученности рассматриваемой проблематики, сформулированы цели и задачи работы

В первой главе работы рассмотрены объекты микроскопического анализа биоматериалов, множество современных методик анализа, как ручных, так и автоматизированных

В настоящее время микроскопия является единственной областью медицинской лабораторной диагностики, где все еще доминирует субъективный качественный анализ Ручные методики регламентированы указаниями и рекомендациями группы медицинских стандартов Эти стандарты носят описательный качественный характер, обучение врачей производится рассмотрением сравнительно небольшого количества иллюстраций в атласах - характерных изображений клеток крови различных типов Практически отсутствуют количественные характеристики, что связано как с чрезвычайно высокой естественной изменчивостью биологических объектов и с неполностью контролируемой технологией приготовления препаратов, так и с ограниченными возможностями их визуально измерять Форма, цвет, текстура клеток различных типов образуют фактически непрерывный ряд, их визуальная классификация не всегда однозначна

Вместе с тем описательный качественный характер параметров исследуемых объектов не является единственно возможным и связан, по-видимому, не с природой объекта, а с природой применяющегося датчика — зрительного анализатора врача Ключевым ограничением визуальной микроскопии является также плохая представительность собираемых врачом выборок объектов, используемых как для медицинских, так и для исследовательских целей Таким образом, ручная микроскопия является в настоящее время тормозом, препятствующим прогрессу методик цитологического анализа Применение технологии КАМ может принципиально изменить определение объектов анализа, переведя ее в количественную область, радикально улучшить представительность анализируемых выборок

Хотя уровень автоматизации в представленных на рынке комплексах микроскопии весьма разнообразен, в целом по этому критерию современные системы можно разделить на несколько уровней и групп

1-й уровень соответствует применению информационных технологий (база данных, документация, телемедицина)

2-й уровень соответствует приемнению image анализа для определения характеристик популяции объектов препарата

3-й уровеь соответствует роботизации для замены глаз и рук врача в процессе работы с микроскопом

По степени участия врача в контуре управления процессом микроскопии представленные на рынке системы можно разделить на следующие группы

Основная представленная на рынке часть микроскопов все еще относится к группе традиционных микроскопов с ручным управлением и отсутствием автоматического анализа Микроскопы этого типа оставляют за лаборантом в полном объеме ответственность за условия наблюдения, выбор объектов, результаты анализа

Ко второй группе можно отнести диалоговые КАМ (ДКАМ), "online microscopy", в которых изображение поля зрения с помощью видеокамеры или

цифрового фотоаппарата передается в компьютер и подвергается в нем программной обработке разного рода «системами анализа изображений» В такой системе лаборант несет ответственность за выбор объектов и за условия наблюдения, осуществляя операции управления процессом микроскопии

Следующую группу образуют микроскопы, встроенная моторизованная автоматика которых выполняет вспомогательные операции микроскопии в той или иной степени упрощает выбор условий наблюдения, облегчает и контролирует перемещение и фокусировку препарата, смену объективов, фильтров, освещения и др К таким микроскопам, как и к системам ДКАМ, обычно подключаются видеокамера, плата ввода изображений и компьютер, через который они могут управляться Назовем КАМ этой группы «интеллектуальными» (ИКАМ), "smart microscopy" Производители ИКАМ обычно снабжают их программным обеспечением общего назначения для выполнения таких функций как проход по заданным траекториям, возврат препарата в заданные точки, визуализация траектории просмотра, фиксация изображения поля зрения в базе данных, автофокусировка, управление микроскопом на расстоянии (для телемедицины)

Основное назначение ИКАМ — автоматизация простых рутинных повторяющихся операций микроскопии ИКАМ могут автоматизировать операции по выбору условий наблюдения, но сохраняют за врачом ответственность за сбор выборки объектов анализа Таким образом, ИКАМ относятся к информационному уровню автоматизации микроскопии В целом ИКАМ представляется группой, в ближайшие 5-10 лет способной вытеснить ручные микроскопы

Наконец, последний класс образуют КАМ, освобождающие лаборанта от ответственности за сбор выборки объектов и за выбор условий их наблюдения Будем называть такие системы микроскопии автономными (АКАМ), "offline microscopy" Главное назначение АКАМ - анализ препаратов с невысокой и низкой концентрацией анализируемых объектов, когда сбор (поиск и обнаружение) выборки объектов для анализа является наиболее трудоемкой операцией Помимо решения технических проблем «переднего края» разработка каждой функции АКАМ основана на глубоком изучении конкретного вида анализа и биоматериала

В настоящее время существует более 200 фирм производителей ПО для КАМ различного уровня автоматизации, которыми внедрено около 20 методик роботизирующего уровня

Анализ публикаций последних лет позволяет сделать вывод о наступлении с примерно 2002-2003 годов (после 40-летнего периода опытных разработок и научно-исследовательских применений) этапа полномасштабного рутинного применения КАМ главным образом 1-го и 2-го уровня для медицинских анализов биоматериалов

Во второй главе рассмотрены задачи автоматизации группы методик микроскопического анализа биоматериалов, приведены медицинские и технико-экономические обоснования разработки группы методик КАМ На основе анализа

литературы выявлены типы задач KAM, покрывающие практически все множество известных методик (табл 1) Эффективность медицинских методик информационного уровня существенно ниже, чем у автоматических (2-го и 3-го уровня), но они могут вносить определенный вклад в улучшение условий труда врача Себестоимость и цена таких программ должна быть невелика и составлять, по-видимому, не более 5—10% от стоимости типового оборудования комплекса микроскопии Себестоимость программ-методик 3-го уровня значительно выше (50-100% и более от стоимости оборудования) не только из-за весьма серьезных трудностей замены зрительного анализатора и рук врача при сборе выборки, но и из-за обязательного присутствия в такой методике автоматической системы контроля качества препарата и результатов анализа, а также из-за несопоставимых по объему и качеству медицинских испытаний

Табл 1 Структуризация задач методик медицинской микроскопии

Тип задачи Тип автоматизации

1 Съемка препарата Image, робот

2 Информатизация анализа препарата информатизация

3 Навигация, выбор маршрута просмотра препарата Image, Image+робот

4 Обнаружение, сбор выборки объектов анализа image

5 Контроль качества препарата image

6 Измерения выборки image

7 Сортировка выборки по качественным критериям image

8 Диагностика препарата медицинская image

Расходы на разработку, испытания и сопровождение (включая адаптацию к характеристикам оборудования и пробоподготовки) подобных методик (автоматический анализ лейкоцитов, анализ осадка мочи, поиск яиц гельминтов, поиск редких раковых клеток, поиск метафазных пластинок и др) значительны Методики 2-го уровня (кариотипирование без автоматического поиска метафазных пластинок, анализ эритроцитов и ретикулоцитов, анализ спермы и др ) занимают промежуточное положение (10-50%)

Автоматизация таких методик как обнаружение редких раковых клеток в цитологическом препарате зависит не только от современных возможностей автоматически распознавать эти сложные образы, но и от быстродействия существующих аппаратных комплектующих (в настоящее время скорость анализа недостаточна из-за необходимости просмотра 50-300 тысяч полей зрения) Можно надеяться, что медицинский вариант таких методик появится в ближайшем будущем Наличие в одном и том же комплексе разнообразных методик различного уровня автоматизации и назначения позволяет более

рационально использовать оборудование KAM, создает общий более информативный уровень выполнения и контроля качества анализов В третьей главе рассмотрены множества комплектаций оборудования и системное программное обеспечение (платформа) модульного KAM Быстро растущий рынок KAM заполнен в настоящее время множеством различных по качеству и стоимости изделий, собранных из сотен вариантов комплектующих большим числом производителей В главе представлен краткий обзор технических и экономических характеристик оборудования KAM Рассмотрены элементы оборудования, из которых может быть собран модульный комплекс микроскопии общего или специального назначения Модульные KAM, как правило, проигрывают немодульным в производительности, но имеют преимущество в цене и универсальности Важным преимуществом модульных KAM является возможность независимой разработки программ автоматизированных методик многими фирмами, что обеспечивает их быстрый прогресс

По существу все оборудование комплекса микроскопии прямо или косвенно предназначено для обеспечения характеристик системы съемки препарата KAM должны обеспечивать с помощью своей системы съемки такое качество формируемого образа препарата, которое позволяет выполнять анализы с необходимой точностью и скоростью При этом требования могут предъявляться не только к визуальным характеристикам этого образа, но и к целому ряду других характеристик, от которых зависит качество работы аппаратно-программного обеспечения методики анализа

В главе рассмотрены требования к оборудованию, предъявляемые представительной группой автоматизированных методик, позволяющей выявить достаточно устойчивые характеристики многофункционального KAM Особое внимание уделено аппаратным электромеханическим средствам автоматизации микроскопа и видеокамерам, определяющим пропускную способность и разрешение изображений

Рассмотрена целесообразность проектирования ПО KAM с выделением системной платформы и функциональных специализированных программ-методик, подобно разделению на системное и функциональное ПО в ряде других типов крупных программно-аппаратных комплексов

С учетом постоянного и быстрого обновления рынка комплектующих комплекс МЕКОС-Ц2 был спроектирован как семейство моделей, допускающих разнообразные варианты комплектаций покупными аппаратными и программными комплектующими Архитектура комплекса определяет его модульную структуру, возможность формирования благодаря поддержке основных стандартизованных интерфейсов нескольких сотен обновляющихся комплектаций различного назначения, производительности, комфортабельности и стоимости Форматы потоков данных интерфейсов были выбраны с учетом возможных диапазонов характеристик комплектующих Аппаратно-программные и программно-программные интерфейсы, базы данных МЕКОС-Ц2 образуют платформу МЕКОС-Ц2ос, создающую унифицированную, не зависящую от состава конкретной комплектации оборудования среду для функциональных

программ, реализующих собственно автоматизированные методики конкретных анализов Наличие платформы МЕКОС-Ц2ос позволяет включать в состав МЕКОС-Ц2 функциональные программы разных производителей В то же время применение другими производителями сертифицированной платформы МЕКОС-Ц2ос позволяет им быстро разрабатывать, испытывать и внедрять свои собственные автоматизированные методики МЕКОС-Ц2ос предоставляет функциональным программам (реализующим уровни анализа изображений и роботизации) средства тестирования, калибровки, настройки, управления оборудованием для обеспечения необходимой точности и скорости анализа Для пользователя МЕКОС-Ц2ос реализует информационный уровень методики анализа, предоставляя

- диалоговую идентификацию препарата, лаборанта, условий микроскопии,

- контроль качества условий наблюдения препарата,

- автофокус, мультифокус, панорамирование,

- отображение маршрута просмотра препарата, возврат препарата в заданные точки маршрута;

- одиночный и фильмовый ввод кадров поля зрения с формированием БД (галереи, импорт, экспорт, редакция, печать, защита),

- настраиваемые меню классификации объектов галерей,

- настройку, формирование и печать бланков результатов анализа,

- сетевой доступ,

- интуитивный русскоязычный интерфейс,

- интернет сопровождение изготовителя,

- тесты оборудования KAM

Для работы с потребителями был сформирован ряд типовых комплектаций KAM МЕКОС-Ц2 Типовые комплектации покрывают диапазон качества от учебного до исследовательского класса, имеют оптимизированный состав комплектующих и могут применяться с пакетами программ-методик для гематологии, цитологии, гистологии, паразитологии, телемедицины С учетом конкретных потребностей и возможностей потребителей на основе структуры и базы данных комплектующих и программ МЕКОС-Ц2 формируются индивидуальные оптимизированные комплектации из более чем 500 возможных вариантов поставки с применением покупных или собственных аппаратных комплектующих и программ В 4-й главе рассмотрена испытательная база разработки и аттестации KAM, определена структура ФПО KAM МЕКОС-Ц2 и поэтапная схема испытаний Рассмотренные в главах 1и 2 уровни автоматизации методик микроскопического анализа (уровни IT, Image анализа, роботизации) могут быть достигнуты за счет решения рассмотренных в главе 2 базовых задач, на которые распадается задача автоматизации любой методики

Полноценные медицинские испытания KAM, решающих задачи 2 и особенно 3 уровня, а также исследовательской задачи анализа популяций (необходимой в частности, при разработке собственно KAM 3 уровня) являются организационно сложными и весьма дорогостоящими мероприятиями В имеющихся стандартах испытаний в качестве референтного метода используется слабо формализованная ручная микроскопия образцов, приготовленных в соответствии с весьма

расплывчатыми стандартами качества Отсутствуют рекомендации по выбору образцов для тестирования из бесконечного множества вариантов патологий и пробоподготовки Каждая модернизация (их может быть несколько в год) требует, вообще говоря, новых затратных сравнений с ручной микроскопией, при этом реально достижимый объем выборки препаратов для испытаний остается ограниченным

Табл 2 Схема испытаний KAM в соответствии с имеющимися стандартами

медицинских испытаний

Тип задачи Стандартная методика медицинских испытаний База испытаний

Съемка поля зрения препарата Визуальная оценка врачом на экране и в окулярах Архив верифицированных физических препаратов

Информатизация анализа препарата Визуальная проверка врачом формирования данных Архив верифицированных физических препаратов, эталоны бланков

Навигация Не определена -

Сбор выборки объектов анализа в объеме препарата Не определена

Контроль качества препарата Не определена -

Измерения выборки Сравнение результатов автоматических измерений и измерений врачом при ручной/диалоговой микроскопии Архив верифицированных физических препаратов

Сортировка выборки по качественным критериям Сравнение результатов автоматической сортировки и сортировки врачом при ручной микроскопии Архив верифицированных физических препаратов

Диагностика препарата медицинская Сравнение автоматического диагноза и диагноза врача при ручной микроскопии Архив верифицированных физических препаратов

В соответствии с имеющимися стандартами (например, американский стандарт Национального комитета для клинических лабораторных стандартов [NCCLS-Н20-А]) испытания KAM проводятся с использованием в качестве единственного

референтного метода аналогичного анализа, выполненного опытными врачами-лаборантами на ручном микроскопе Для снижения влияния субъективного фактора и из-за ограниченности выборки анализируемых объектов каждый анализ выполняется по нескольким препаратам несколькими врачами (табл 2) Такой подход имеет свои преимущества и недостатки Преимущество состоит в независимости референтного метода, простоте защиты результатов испытаний от подтасовок Недостатки высокая стоимость и трудоемкость испытаний, ряд анализов практически не может быть выполнен вручную с приемлемой точностью или скоростью, медицинские испытания продолжаются ограниченное время, после чего функционирование KAM в, возможно, изменившихся условиях не контролируется, точность референтного метода трудно контролировать, он может содержать систематические ошибки, объем и представительность выборки препаратов для испытаний ограничены Последний недостаток является ключевым, определяющим реальное качество функционирования KAM при эксплуатации

Табл 3 Структура многофункционального семейства KAM МЕКОС-Ц2

Оборудование Системное ПО Функциональное ПО

Множество комплектаций Съемка общая т < >< > Платформа МЕКОС-Ц2ос 1 Информатизация общая МЕКОС-Ц2софт Подсистемы Съемка препарата специальная МЕКОС-Ц2софт Программы -методики Анализ эритроцитов Анализ лейкоцитов

Информатизация анализа препарата специальная Анализ тромбоцитов Анализ ретикулоцитов

Навигация Анализ спермы

Сбор выборки с Анализ осадка мочи

Контроль качества препарата Паразитологическ ий анализ

Измерения выборки Денситоморфомет рия

Сортировка выборки по качественным критериям Дифференциальна я диагностика

Диагностика препарата медицинская Цитохимический анализ гранулометрия Гелемикроскопия Гелемедицина

Таким образом, даже при идеально разработанных функциональных средствах KAM ограниченные возможности реального тестирования и, соответственно, настройки, не позволяют гарантировать высокое качество изделия Поэтому структура и функции KAM должны соответствовать прежде всего достаточным возможностям тестирования и адаптации (модернизации) системы

Табл 4 Схема базы разработки и испытаний ФПО МЕКОС-Ц2

База испытаний:

Физические препараты Потребитель 1 Потребитель2 . ПотребительК

_I_А_I_L

Испытания натурные:

Съемка препарата специальная

Информатизация анализа препарата

специальная, включая удаленный _доступ (телемедицина)_

Навигация специальная

ш

База испытаний:

Потребитель 1 Потребитель2 ПотребительЫ

III I

Архив аттестованных виртуальных препаратов

I I

Обучающий Экзаменационный

(для разработки ФПО) (для испытаний)

I_I_

Испытания моделируемые (виртуализируемые):

Сбор выборки объектов анализа в _объеме препарата_

Контроль качества препарата

ш

База испытаний:

Архив аттестованных портретов объектов

Обучающий

I

экзаменационный

I

Испытания моделируемые (виртуализируемые):

Сортировка выборки объектов

препарата по качественным _критериям_

Диагностика препарата медицинская_

База испытаний: Эталонные объекты

Испытания натурные/моделируемые: Измерения выборки объектов препарата

В процессе разработки KAM МЕКОС-Ц2 было выявлено, что в системах такого класса необходимо иметь встроенные средства контроля качества как подлежащих анализу образцов, так и функционирования самой системы Это связано с неполностью контролируемом качеством приготовления препаратов, особенно при их наиболее распространенном ручном изготовлении Наличие средств контроля наряду со структурой системы, соответствующей естественным задачам медицинской микроскопии позволяет использовать более экономную поэтапную схему испытаний Использование в контроле качества современных средств удаленного сопровождения потребителей позволяет собирать выборку тестирования не только в ограниченный период медицинских испытаний, но и систематически в процессе эксплуатации

Таким образом, при проектировании необходимо определить структуру KAM, позволяющую ей функционировать в качестве комплекса систем, результаты работы каждой из которых могут быть объективно оценены (врачом) независимо от остальных Для этого каждая такая система должна соответствовать своему, отличному от других, типу выходной информации анализа, контролируемой врачом В соответствии с указанными условиями функциональное программное обеспечение (ФПО) АКАМ МЕКОС-Ц2 было разработано как функционирующее в общей аппаратно-программной (модульное оборудование + платформа МЕКОС-Ц2) объединение 8 систем, решающих 8 задач KAM системы съемки, навигации и просмотра, сбора выборки, сортировки, измерения популяции, диагностики, контроля качества препарата и информатизации (табл 3)

Каждая система содержит группу специализированных и универсальных модулей, обслуживающих конкретные методики анализов Системы могут проходить медицинские испытания и поставляться потребителю в различных комбинациях, что расширяет круг методик и потребителей, улучшает тестирование, снижает стоимость программного обеспечения

Рассмотрим схему поэтапных медицинских испытаний систем и комплекса МЕКОС-Ц2 в целом (табл 4)

Как видно из таблицы, в схеме испытаний МЕКОС-Ц2, в отличие от регламентированных существующими стандартами схем испытаний (табл 2), определены методики и базы испытаний решений всех типов задач автоматизированной микроскопии (табл 3)

Ключевым элементом рассмотренной схемы испытаний является применение аттестованных в процессе испытаний выходных данных предыдущей системы в качестве входной испытательной базы последующей системы Испытания системы съемки являются натурными, «невиртуализируемыми», то есть ее характеристики определяют характеристики системы в целом и не могут бьггь улучшены за счет внешнего контроля (врачом) Испытания могут проводиться только во время специального этапа медицинских испытаний с использованием в качестве прямого референтного метода аналогичного визуального анализа опытными врачами-лаборантами на ручном микроскопе Сравнивается возможность формирования врачом заключений на основе изображений съемки и при наблюдении через окуляры Формируется оценка границ применимости системы визуализации для препаратов заданных типов

При испытаниях системы навигации в аналогичных условиях оценивается правильность маршрута просмотра препарата на макроуровне с использованием визуализации маршрута средствами системы

Система сбора выборки может испытываться «виртуально» с применением аттестованных систем съемки и навигации, при этом в качестве референтного метода вместо прямой микроскопии используется визуальный анализ врачом изображений препарата из базы данных испытаний системы навигации В частности, при испытаниях программы автоматического анализа мазка крови (формула лейкоцитов) система навигации должна иметь режим фиксации всей просматриваемой области мазка Испытания системы сбора выборки при этом сводятся к оценке вероятностей пропуска объектов выборки и ложных тревог. Трудоемкость данного испытания сравнима с трудоемкостью прямого сравнения с анализом на ручном микроскопе, однако позволяет использовать один и тот же «виртуальный» мазок из базы данных многократно для испытаний новых модернизаций Уменьшаются затраты на изготовление и анализ нескольких идентичных препаратов, поскольку ошибка испытаний, связанная с представительностью области анализа препарата может не учитываться (была оценена при испытаниях маршрута просмотра) Данные могут передаваться средствами системы информатизации по линиям связи из различных медицинских учреждений для централизованного анализа сервисной службой разработчика, а также для пополнения базы данных испытаний системы сбора выборки не только в период медицинских испытаний, но и на постоянной основе Это позволяет значительно улучшить представительность и удешевить сбор выборки препаратов для разработки и испытаний Испытание сортировки может выполняться при применении аттестованной системы сбора выборки При этом система сбора выборки должна иметь характеристики, не уступающие или превосходящие соответствующие характеристики системы врач - ручной микроскоп Система сортировки KAM МЕКОС относится к классу «decision support system», то есть выполняет предварительную сортировку с сохранением необходимой для ручной корректировки визуальной информации, поэтому соответствующие функции систем съемки и сбора выборки являются встроенными штатными средствами (рис 1) Результаты таких постоянных испытаний как и в предыдущем случае могут передаваться средствами системы информатизации по линиям связи из разных медицинских учреждений, практически бесплатно формируя представительную выборку результатов

Хотя система сортировки использует результаты систем измерений и диагностики, последние не обязательно должны быть аттестованы на этапе испытаний сортировки, поскольку являются внутренними технологическим этапами сортировки При ручной микроскопии контроль качества мазков крови на практике почти полностью отсутствует, хотя от распределения материала и качества окраски зависит качество сбора выборки клеток Это связано с трудностью визуальной оценки качества по нечетким критериям руководств В связи с этим испытания системы контроля качества мазков в МЕКОС-Ц2 соответствует фактически этапу испытаний системы сбора выборки

Испытание измерений может выполняться с использованием аттестованных искусственных эталонных образцов, имеющих известные измеряемые характеристики микроскопических объектов или с использованием в качестве референтного метода измерение биологических образцов другими аттестованными системами измерения

Испытание системы количественной диагностики должно выполняться с использованием представительной выборки аттестованных (верифицированных) препаратов с установленным референтным методом достоверным диагнозом («экзаменационная выборка»)

Испытания средств информатизации связаны главным образом с проверкой точности, надежности, доступности формирования входной и выходной документации, эргономических свойств интерфейса, сбора статистики эксплуатации При испытаниях должны использоваться соответствующие стандарты информационных систем и справочные руководства, определяющие границы норма/патология оцениваемых параметров Система информатизации, в частности, позволяет штатными средствами решить проблему защиты результатов испытаний от несанкционированной редакции Рассмотренная схема испытаний была применена при разработке методики медицинских испытаний KAM МЕКОС-Ц2 Ее основные элементы внедрены как штатная постоянно действующая структура дистанционного контроля качества и анализа работы потребителей МЕКОС-Ц2

Проектирование KAM МЕКОС-Ц2 с формированием систем решения основных задач медицинской микроскопии, аттестация отдельных систем и их применение в качестве референтных при испытаниях других систем сокращают стоимость испытаний KAM в целом, практически исключают необходимость разработки специального испытательного программного обеспечения Средства дистанционного контроля качества системы МЕКОС-Ц2 являются постоянно действующим инструментом сбора данных для медицинских испытаний и систематических модернизаций Полученная таким образом база испытаний значительно дешевле прямого сравнения с ручной микроскопией и превосходит по представительности реально достижимую базу испытаний традиционной схемы Таким образом, требования эффективности испытаний комплекса, казалось бы, вторичные по сравнению с требованиями к качеству функционирования, оказали решающее влияние на структуру программного обеспечения KAM МЕКОС-Ц2

В пятой главе рассмотрены алгоритмы функциональных систем KAM МЕКОС-Ц2

Системы съемки и информатизации

Рассмотрены главным образом информационные средства удаленного доступа, основанные на новых возможностях автоматических функций микроскопии АКАМ В рамках функционально полной структуры подсистем комплекса МЕКОС-Ц2 средства удаленного доступа могут использовать весь арсенал функций всех 8 систем съемки, навигации, сбора выборки, сортировки, измерения популяции, диагностики, контроля качества препарата и информатизации

Средства телемедицины.

Формирование «виртуального препарата» Эта функция ПО МЕКОС-Ц2 («МЕКОС-ВИП») в режиме off-line автоматически формирует и записывает в базу данных расширенное поле зрения, состоящее из множества соседних сфокусированных физических полей зрения с точной подгонкой границ между ними (панорамирование) Съемка виртуального препарата обычно ведется на максимально необходимом увеличении При просмотре виртуального препарата после его пересылки стандартными средствами (электронная почта, интернет) на удаленном компьютере с помощью другой функции («МЕКОС-ВИМ») эксперт имеет возможность перейти к меньшим увеличениям, перемещать поле зрение, перемещать фокус по глубине, то есть имитировать микроскопию препарата без микроскопа (рис 2)

МЕКОС-ВИМ предоставляет возможность фиксировать фрагменты виртуального препарата в базе данных, измерять в них интересующие объекты, формировать и отображать маршрут просмотра, автоматически возвращаться к заданным точкам маршрута для просмотра на другом увеличении Кроме низкой стоимости сеанса преимущество применения МЕКОС-ВИП/МЕКОС-ВИМ состоит в мобильности, возможности привлекать практически любых экспертов или нескольких экспертов одновременно В экстренных случаях применение МЕКОС-ВИП/МЕКОС-ВИМ и быстрой линии связи также может иметь свои преимущества над прямым режимом on-line благодаря более высокой автоматизации и, как следствие, уменьшению времени сеанса связи, меньшим требованиям к каналу связи, быстрому просмотру виртуального препарата и меньшей зависимости эксперта от действий удаленного оператора

Средства медицинских испытаппн автоматизированных методик.

Особенностью такого режима удаленного доступа является использование указаний эксперта о препаратах не для медицинских консультаций, а для разработки новых версий программ и оборудования, включая их испытания Можно считать, что нас консультируют наши удаленные потребители, верифицируя каждый присланный нам виртуальный препарат В настоящее время (2006 г) мы получаем виртуальные препараты мазков крови и костного мозга для пополнения нашей базы данных разработки и испытаний программ МЕКОС-Ц2 из 7 медицинских учреждений Применяемая нами схема поэтапной аттестации подсистем комплекса МЕКОС-Ц2 позволяет считать применение таких виртуальных препаратов референтной методикой, отвечающей требованиям испытательных стандартов (глава 4) Основной объем данных при этом связан с тестированием режима обнаружения подлежащих анализу клеток (лейкоцитов, эритроцитов, ретикулоцитов, тромбоцитов и др ) в мазке Обнаружение в штатном автоматическом режиме не может постоянно контролироваться оператором и поэтому оно является основным источником ошибок системы в целом Для тестирования обнаружения клеток в мазках при редких патологиях или при применении нового варианта пробоподготовки наши удаленные потребители по нашей просьбе выполняют автоматический анализ в специальном режиме "support" При этом в базе данных фиксируются все поля зрения,

соответствующие маршруту просмотра мазка, то есть дополнительно формируется специальный виртуальный препарат скрининга мазка Автоматизация связана с формированием подсказок о наличии и местоположении обнаруженной клетки, подсказки формирует штатная программа обнаружения В подавляющем большинстве случаев от оператора требуется только подтверждение одним нажатием клавиши Трудоемкость такого тестирования обнаружения экспертом сравнима с трудоемкостью обычного ручного анализа мазка Виртуальный препарат вместе с оценками эксперта пересылается по электронной почте и попадает в базу данных тестирования обнаружения Средства сбора архива препаратов для формировапия диагностических правил.

Как правило, отдельная лаборатория не в состоянии сформировать достаточно разнообразные количественные решающие правила диагностики различных патологий из-за ограниченности выборки имеющихся препаратов Поэтому при попытках перенести полученную количественную методику в другую лабораторию результаты обычно резко ухудшаются (что вполне согласуется с уровнем надежности результатов медицинских испытаний KAM по традиционной схеме)

Использование комплексов типа МЕКОС-Ц2 для формирования рассмотренных выше виртуальных препаратов может принципиально изменить качество и уровень внедрения количественной диагностики при совместном формировании многими лабораториями представительных электронных архивов На базе таких архивов виртуальных препаратов, можно получать количественные решающие правила высокой точности и надежности При этом необходимо наладить обмен виртуальными препаратами между лабораториями, имеющими сходную проблематику и оснащенных комплексами МЕКОС-Ц1/Ц2 Наличие полноценного архива виртуальных препаратов, представляющего самостоятельную ценность, позволило бы создать также новый уровень обучения традиционной визуальной диагностике Средства сопровождения удаленных потребителей.

Автоматизированные методики МЕКОС-Ц2 имеют встроенные средства контроля качества препарата и условий наблюдения (качества настройки микроскопа) Результаты каждого анализа, включая контроль качества, автоматически фиксируются в базе данных Комплексы имеют в своем составе также тест оборудования, с помощью которого потребитель должен регулярно проверять исправность оборудования При возникновении у потребителя проблем, особенно на начальном этапе эксплуатации, данные контроля качества вместе с виртуальным препаратом и результатами теста могут передаваться по линиям связи службе сервиса МЕКОС для консультаций Как показывает практика, такие удаленные технические консультации значительно снижают сроки освоения и помогают добиться эффективной работы комплекса Служба сервиса собирает статистику эксплуатации комплексов, позволяющую систематически совершенствовать программы и оборудование Средства обучения и аттестации

Записанные на магнитные носители виртуальные препараты, снабженные указаниями высококвалифицированных экспертов, могут являться основой современных учебных пособий С помощью МЕКОС-ВИМ можно смотреть виртуальные препараты, в гораздо большей степени приближенные к реальным препаратам, чем имеющиеся электронные атласы Анализ экспертом виртуальных препаратов может использоваться для дистанционного контроля качества приготовления препаратов и контроля квалификации врачей, то есть может использоваться соответствующими службами при аттестации удаленных лабораторий

Системы навигации и сбора выборки

Автоматическая навигация по мазку крови для сбора выборок эритроцитов и лейкоцитов является сложной задачей Мазки имеют разную длину и ширину, разный размер оптимальной зоны сбора выборки, и их форма не всегда прямоугольна Кроме того, при сборе лейкоцитов приходится учитывать особенности состава крови, например, наличие лейкопении, когда приходится просматривать почти весь мазок для того чтобы набрать нужное количество клеток Программа автоматического сбора лейкоцитов должна уметь надежно адаптироваться к особенностям мазка, для того чтобы собирать максимально представительные выборки клеток за минимальное время и без вмешательства оператора Литературные данные по алгоритмам навигации мазков крови практически отсутствуют Для системы МЕКОС-Ц2 был разработан алгоритм однопроходового автоматического сканирования мазка крови, использующий эвристическую модель определения толщины слоя эритроцитов в мазке и байсовскую модель распределения эритроцитов по площади мазка (Парпара) Ключевой (согласно структуре KAM МЕКОС-Ц2) этап сбора выборки в большинстве известных публикаций рассматривается как не основной, не вызывающий принципиальных трудностей Можно предположить, что этот поразительный факт является проявлением недостаточной зрелости имеющихся публикаций и закрытостью соответствующих алгоритмов ведущих производителей KAM

В режиме поиска редких атипичных клеток крови, когда ставится ответственная

задача обнаружения единичных объектов заданных типов на значительной (максимальной) площади препарата, требуемая вероятность обнаружения этих

объектов может достигать а = 0,99-0,999 Это происходит из-за того, что благодаря специфике распределения и ограниченности объема выборки клеток в мазке крови обнаружение происходит не в оптимальной зоне действия модели Пуассона для редких событий Действительно, при доле атипичных клеток р « 1 вероятность того, что из п клеток, попавших в зону поиска, к атипичных, равна

(«Р)к п~"Р

0)

При фиксированной вероятности Р0 не обнаружить ни одну атипичную клетку

(например, 0,05) нужное число клеток выборки ар Благодаря

относительно большим размерам и низкой плотности атипичные клетки в

процессе приготовления мазка вымываются на его края В типичном случае нам задан объем выборки на краях пк, например, 100-400, вероятность рк может быть равной, например, 0,01, получаем, что мы в принципе не можем получить значение Ро = 0,05, оно будет больше даже при а=1 Увеличивая выборку за счет клеток в центре мазка, где рц может быть, например, 0 001, мы при крайне низкой эффективности поиска все равно не сможем набрать необходимый объем выборки (их в мазке не более 2-4 тысяч), обеспечивающий Р0 = 0,05 при а<1 Возможный выход - использовать несколько мазков Сколько именно, мы не знаем, поскольку р неизвестно, кроме того, это существенно усложняет процедуру анализа Поэтому приходится ставить технически сложную задачу максимизации а при ограниченном значении п, даже понимая, что при этом уменьшение Р0 (то есть наиболее опасной доли ложноотрицательных анализов) будет медленным и оно не достигнет желаемого значения 0,05 Оправдание затрат на увеличение а связано со статистикой патологий онкогематологии

В режиме массового экономичного вида анализа (подсчет лейкоформулы), с максимальными требованиями к времени анализа ставится задача сбора выборки минимально допустимого объема N на минимально допустимой площади препарата Поскольку площадка сбора выборки определяется случайно, при определении допустимой вероятности пропуска можно не учитывать случайные пропуски, зависящие от положения объектов в площади поля зрения (пропуски обрезанных клеток на краях), что значительно упрощает и ускоряет анализ поля зрения Вероятность пропуска при этом практически совпадает с систематической ошибкой алгоритма обнаружения и может определяться в соответствии с моделью Пуассона (1), то есть ненадежность обнаружения может быть компенсирована за счет относительно небольшого увеличения объема выборки Удовлетворительным можно считать значение а=0,95 Вероятность ложных тревог определяется комфортабельными условиями контроля качества врачом автоматической сортировки Р1тр-0,2

Система сортировки

Автоматическая сортировка собранной выборки изображений клеток является классической задачей «распознавания образов», имеющей обширную литературу Эта общая задача, как правило, решается поэтапно 1) выделение границ опознаваемого объекта («сегментация»), 2) измерение объекта, 3) классификация объекта в пространстве измеренных признаков Рассмотрим последовательно методы решения подзадач указанных этапов, реализованные в ФПО МЕКОС-Ц2

Автоматическая сегментация границ изображений клеток крови.

Существует большое количество методов автоматической сегментации цитологических изображений, выбор которых определяется спецификой конкретной задачи Для контрастных окрасок обычно применяются хорошо отработанные методы пороговой обработки в сочетании с морфологическими операциями эрозии и дилатации, предложенные Праттом и Серра В более сложных случаях, например, при исследовании характеристик ядер и цитоплазмы клеток белой крови, даже в случае отдельно лежащих клеток практически при

Phc.í . Галереи изображений Автоматической сортировки лейкоцитов зля просмотра и возможной корректировки врачом._

í'tnoí м

•v "-

м»«*! « i $

Рис,2. Просмотр экспертом виртуального 3-х мерного гистологического препарат на разных увеличениях с помощью программы МЕКОС-ВИМ.

Исходное изображение моноцита Диффузная фильтрация Рис. 3. Применение нелинейной диффузной фильтрации.

Рис. 4. Watershed исходного изображения и после диффузной фильтрации

Рис. 5. Примеры разбиения изображения на зерна

Рис. 7. Последовательное применение методов диффузной фильтрации, watershed и слияния кошу ров.

окрасках любых типов некоторые объекты имеют слабоконтрастные границы и значительные пересечения распределений оптических плотностей различных объектов (цветностей в случае цветных изображений) В этих наиболее информативных случаях эффективность указанных методов невысока Трудности связаны с тонкостью границы контура цитоплазмы и близостью характеристик соседних точек фона и цитоплазмы Из-за этого известные методы фильтрации, основанные на усреднении или выборочной медиане по окну могут значительно сместить границу цитоплазмы Применение известных методов восстановление контура перебором всех линий в окне неприемлемо из-за ограничений на время анализа В ряде работ границы таких объектов определяют с помощью общих методов сегментации, выделяющих пространственные неоднородности оптической плотности (watershed, watermark) Эксперименты показывают, что эффективность этих методов для рассматриваемой сложной задачи сегментации также недостаточна В целом в настоящее время отсутствует математический аппарат, который позволял бы достаточно надежно за приемлемое время определять границы (сегментировать) слабоконтрастные структуры рассматриваемого типа

По нашему мнению, для подобных задач необходимо применять алгоритмы, использующие кроме общих характеристик распределения оптических плотностей геометрические и другие специфические свойства сегментируемых объектов Эффективность таких методов в решающей степени зависит от адекватности используемой модели объекта, заложенной в методе сегментации

ФПО МЕКОС-Ц2 располагает несколькими алгоритмами сегментации цитологических объектов, основанных на комбинации ряда известных методов и на собственных оригинальных разработках

Для сегментации границ клеток крови применяется следующая последовательность обработки изображений предобработка, формирование зерен (фасетов) для последующей склейки зерен в сегментируемые объекты (ядра, цитоплазмы, ядрышки), склейка зерен, идентификация объектов В качестве предобработки изображений применяется нелинейная диффузионная фильтрация (Perona, Weickert) для уменьшения влияния текстуры В отличие от линейной фильтрации границы при этом остаются хорошо локализованными Уравнение диффузии имеет вид

= dlv{C(x, у, t)Vu(x, у, / )) (2)

где t является параметром (шагом) шкалы, u(x,y,t) — шкало-пространственный образ исходного изображения f(x,y) и C(x,y,t)- коэффициент диффузии Пусть П= (0,bi)x(0,b2) - 2-мерная область образа, содержащая f(x,y) как ограниченную проекцию из Q в вещественный вектор Rm с ш=3 в случае цветного образа Тогда фильтр образует фильтрованный образ u(x,y,t) функции f(x,y) как решение (2), для которого исходный образ f(x,y) является начальным состоянием и(х,у,0) и для которого граничные условия предполагаются на границе образа (3nu=0 на SQ) Как показывают эксперименты, выбор нелинейного коэффициента диффузии C(x,y,t) = G(| V(ua) (2) обеспечивает положительные результаты фильтрации

(рис 3) Практически в ФПО МЕКОС-Ц2 используется несколько модифицированный вариант диффузной фильтрации, улучшающий вычислительный аспект алгоритма

Для формирования первичных зерен применяется преобразование watershed (Vincent) Этот метод относится к области математической морфологии и может быть классифицирован как region-based segmentation метод Идея метода водораздела состоит в том, что исходное полутоновое изображение можно рассматривать как ландшафт местности, на которой высота каждой точки над уровнем моря равна значению ее яркости Результатом выполнения алгоритма являются разделенные линиями ячейки изображения, границы которых соответствуют хребтам яркости Алгоритмическое определение метода может быть следующим

Пусть f D—>N есть цифровой черно-белый образ, с hmm и /?„„„ -минимальным и максимальным значением / Определим рекурсию с уровнем серого h увеличивающегося от hm,„ до hmax, в которой бассейны, связанные с минимумом / последовательно расширяются Пусть Xh обозначает объединение набора бассейнов, вычисленных на уровне h. Связанный компонент набора порогов Г/.+/ на уровне h + 1

T^={peD\f(p)<h + \} может быть как новым минимумом, так и расширением бассейна в Xh в последнем случае вычисляется зона влияния Xh в Th+I, обновляя Xh+I Пусть MlNh обозначает объединение всех региональных минимумов на высоте h Определим геодезическое расстояние dA(x,y) между пикселами х и у в наборе А

dA(x,y)=inf{L(P), Р - путь между х и у, полностью включенный в А} Предположим, что А содержит набор В, созданный из нескольких связанных компонентов В„ 1=1,2, ,к Геодезическая зона влияния izA(B,) связанного компонента В, из В есть

izA(B,) = {р е А, V/ е [l,k]/{i},dA(p,B,) < àЛРЛ»

к

Объединение геодезических зон влияния есть IZ,(B) = \JlZ JB ) Определим рекурсию процесса watershed как

X. ={p&D\f(p) = h } = Т, \Xu^=MINu ,\JIZT (XX Иф ,h )

-Л h+1 h+1 T v h'' L min' max7

h+1

Watershed Wshed(f) от f есть дополнение Xhmax в D Wshed(f) = D\Xhmax Непосредственное применение Watershed связано с рядом осложнений, таких как гиперсегментация, трудности учета цвета и др (рис 4)

Поэтому в ФПО МЕКОС-Ц2 Watershed применяется после диффузной фильтрации

Методом, явно использующим геометрические свойства класса цитологических образов, является применяемый в ФПО МЕКОС-Ц2 метод «слияния контуров», предназначенный для склейки первичных зерен

Метод слияния контуров

Рассмотрим модель клетки, описывающую формообразующие факторы в процессе приготовления сухого цитологического препарата Это модель должна опираться на наблюдаемые в микроскоп факты соотношений формы и оптической плотности границ интересующих объектов (ядер, цитоплазм, ядрышек) зафиксированной и окрашенной мертвой клетки, формы границ которой могут весьма сильно отличаться от границ живых мембран

Будем предполагать, что зафиксированная форма интересующих нас внутриклеточных объектов после прекращения действия сложных формообразующих факторов живой клетки зависит от гораздо более простых упругих свойств материала их границ а также от воздействовавших на границы во время фиксации "внешних сил" Будем считать, что средняя парциальная плотность вещества в объеме некоторого фрагмента клетки пропорциональна средней оптической плотности вещества этого фрагмента (закон Бэра-Ламберта) Чтобы перейти от 3-х мерной границы клетки к контуру клетки на изображении, будем считать, что либо клетка достаточно хорошо распластана, так что ее высота мала по сравнению с размерами изображения либо изображение соответствует некоторому внутреннему достаточно тонкому слою клетки, находящемуся в фокусе и что вкладом в суммарную оптическую плотность находящихся не в фокусе переднего и заднего слоев клетки можно пренебречь Предполагая, что энергия упругости контура пропорциональна длине контура, а энергия изгиба пропорциональна как длине контура, так и его кривизне и плотности, полную энергию контура E(v) можно записать в виде

E(v) = P(y) (IV, D(v) + W2+Wi K(v)), (3)

где P(v) - длина контура v, K(v) - средняя кривизна v, D(v) - средняя оптическая плотность контура v Считая, что в устойчивом состоянии форма границы объекта соответствует некоторому минимуму ее энергии, получаем в качестве искомого местоположения границы клеточного объекта в плоскости кадра контур, соответствующий минимуму (3)

В целом модель (1), сходную с моделью «активного контура» (Kass) можно рассматривать не только как содержательную модель биофизических свойств клетки, но и как формальное описание контура границы разложением в ряд с точностью до членов второго порядка Минимизация (3) традиционными непрерывными методами для цитологических объектов, имеющих, как правило, сложную структуру, приводит к значительным трудностям ввиду многоэкстремальности E(v) при значительных колебаниях в значениях D(v) Нами предложено в подобных ситуациях применять так называемую "seeded region growing" схему сегментации (Adams), когда изображение из каких-либо соображений сначала разбивается на совокупность {F,} связных областей -"зерен", а затем путем итерационного объединения соседних зерен "выращиваются" объекты сегментации Значительная часть локальных экстремумов при этом оказывается «пройденной» на этапе разбиения на зерна

В частности, для разбиения на достаточно крупные зерна может применяться рассмотренная выше комбинация диффузной фильтрации и watershed На рис 5 показаны примеры разбиения кадра на зерна Как правило, зерна в области контуров ядрышек, ядер и цитоплазм имеют более простую границу, чем внутри объектов

Рассмотрим на изображении две соседние области (зерна) А и В, имеющие общую границу длиной Lah со средней оптической плотностью пикселей границы £>,,, и средней кривизной Kah Пусть оставшиеся части границ областей имеют характеристики La, Ц,, Ка, I.h, Dh и Kh соответственно (см рис 6) Для того, чтобы при объединении А и В энергия их общего внешнего контура уменьшилась, из (1) следует необходимость выполнения условия

q = LahIL„> (Щ +W3 К„+Щ Db)!{W2 + Щ КоЬ + Щ Dah) (4)

Из (4) получаем, что при прочих равных условиях при объединении зерен уменьшение энергии нового контура по сравнению с энергией каждого из объединяемых контуров будет происходить на границах однородных по оптической плотности областей, там, где оптическая плотность значительно изменяется. С другой стороны, при значительном возрастании кривизны или длины объединенного контура его энергия может возрасти несмотря на уменьшение оптической плотности Доля общей границы зерен (до объединения) ц = ЬаЬ /1.,, как раз является приближенной оценкой возрастания длины контура и его кривизны после объединения Действительно, при ц=1 одно из зерен охватывает другое зерно, и их объединение может только уменьшить длину и кривизну контура При д близком к нулю объединенный контур возрастает по длине и кривизне Указанные соотношения проиллюстрированы на рис 6 Таким образом, естественно использовать алгоритм поиска границ цитологических объектов, который рассматривает только кривые, состоящие из границ между однородными по оптической плотности зернами При итерационном объединении зерен используется условие вида (4)

Рис

6 Примеры некоторых значений функции близости зерен Щ+Щ Кь+И\ Dh

Мы приходим к сочетанию модели активного контура с image growing схемой сегментации

Геометрически условие (4) соответствует построению близких к выпуклым объектов с относительно малым значением отношения периметр/площадь Важным свойством (4) является первоочередное удаление при склейке относительно вычурных границ, типичных для внутренних текстурных зерен Промежуточным критерием окончания процесса формирования объектов является локальная минимизация числа зерен в кадре Число кандидатов на объединение можно уменьшить, используя следующее свойство на к-тл итерации возможно объединение только таких пар зерен, в которых по крайней мере один член этой пары был получен объединением на (к- 1)-й итерации

Как показывают эксперименты, пространство зерен с указанной мерой близости гораздо лучше соответствует решению задачи сегментации, чем распределение оптической плотности исходного изображения Это относится как к количеству экстремумов, так и к их выраженности в области контуров объектов клеток

В реализованных алгоритмах наряду с контекстными условиями типа (4) применяются пороговые ограничения на допустимые значения оптической плотности в красном, синем и зеленом цвете и на площади зерен (как первичных, так и на каждой итерации объединения)

Z< < D~:,D'ah,Dl < Z2C,Sa,Sb<Z3, c=R,G,B (5)

Ограничения (3) позволяют учесть априорную информацию о неконтекстных свойствах объектов клеток Чем сильнее ограничения (5), тем ближе работа алгоритма к обычным методам пороговой обработки

В целом при решении задачи распознавания клеток в кадре алгоритм распознавания использует помимо функции склейки зерен в соответствии с (4), (5) несколько функций других типов, которые позволяют учитывать допустимые характеристики площади, формы и топологии клетки Пример применения последовательности методов диффузной фильтрации, watershed и слияния контуров показан на рис 7 Получено высокое качество опреления границ ядра и цитоплазмы

Определение параметров модели

Рассмотренный метод автоматической сегментации цитологических образов требует определения конкретных значений параметров W и Z в (4) и (5), которые не могут быть выбраны из априорных соображений

Для выбора Z разработчик, используя обычные диалоговые средства сегментации, метит и измеряет подлежащие автоматической сегментации клеточные структуры Подобные средства являются обычными средствами современных КАМ, в том числе КАМ МЕКОС-Ц2. Такая работа должна быть проделана на по возможности представительной обучающей выборке изображений клеток

Определение параметров W в (4) является значительно более сложной задачей Оно может быть выполнено с использованием обучающих кадров, для

которых оператором-цитологом проведены обучающие "истинные" границы клеток и внутриклеточных компонент (может быть использована выборка для определения 7) После разбиения кадров на зерна для каждой пары соседних зерен с помощью обучающих границ определяется, подлежат зерна в случае /-ого типа цитологических объектов (/= 1, 2, 3 для ядрышек, ядер и цитоплазм соответственно) склейке в операторе (4) или нет Таким образом, мы получаем обучающую выборку {Аг,},г = 1, ,/границ зерен шести классов М' (энергия объединенного контура уменьшается - склеивать) и Б' (энергия объединенного контура не уменьшается - не склеивать), /=1,2,3 Из (4) получаем линейное решающее правило классификации элементов {Х1}

(¡V ,Х:)<0, если X, принадлежит М', (6)

(IV' ,Х1)>0г если Х1 принадлежит 5", 1=1,2, ,1, где(Г',Х,) = ^' + + (ч -1) + Щ (Ч Кь-КаН)

Задача определения IV' в (6) является известной математической задачей "обучения распознаванию образов с учителем в статистической постановке" (Вапник) Субоптимальная в смысле минимизации числа неправильно склеенных зерен обучающей выборки матрица (V может быть получена в результате решения системы линейных неравенств (6) одним из известных методов, например методом линейного дискриминантного анализа В связи с неоднородностью выборки {X,} (склейка зерен ядер и цитоплазм различных типов может потребовать различных параметров IV, причем мы в процессе склейки не знаем тип клетки), класс линейных решающих правил (6) может не давать достаточно эффективных решений В этих условиях целесообразно искать кусочно-линейное решающее правило Как показали эксперименты, при этом достаточной эффективностью обладает быстрый субоптимальный итерационный метод решения (6) и его кусочно-линейного аналога, основанный на сведении задачи к задаче частично-целочисленного линейного программирования Метод является обобщением «глобально-локального» метода (Ме^еЛ) на класс кусочно-линейных решающих правил и состоит в следующем

Пусть объекты хк<=Х, к= 1,2, , подлежащие классификации, принадлежат одному из двух классов (А или В) Классификация осуществляется при помощи решающего правила Р(н', X), где ы — искомый вектор параметров Качество решающего правила будем характеризовать величиной некоторого критерия Р(Р(и\ X)) В задаче обучения для поиска вектора и'=н'*, обращающего в минимум Р, используются объекты «обучающей выборки» х", х2, , х/Л, для которых принадлежность к классам А и В известна В наиболее распространенной постановке задачи в качестве Г применяется величина эмпирического риска, в частности число / неверно классифицированных объектов обучающей выборки При этом предполагается, что вектор н'** такой что /(п<**)=тт /(и'), достаточно близок к И'*

Перенумеруем объекты хк х"= х', х'2= х2, , хм= хм, Введем обозначения (а, Ь) — скалярное произведение векторов а и Ь, вдп у - знаковая функция,

II, если у> О, О, есту<О

Введем функции аЧ] и у,

ст(,J=sgn(н'', /),

{1, если х1 е А О, если х' е В,

ц=1, 2, , )=1, 2, , N Для линейного решающего правила (2=1) функция / принимает вид

Л'

/>(*-')= у, - с,, I (7)

Для кусочно-линейного решающего правила (£2=2) существуют три неэквивалентных варианта функции /

N

/2 и^)=£|у, - |,

7=1

N

(8)

7=1

N

/2 X' У/ - ст /7^ I

7=1

Будем применять для поиска шш /, итеративный алгоритм вида

, (9)

где у'к - некоторый вектор смещения, яу*>0, а для поиска минимума функций вида (8) — аналогичный алгоритм вида

м/п=м>1к-,+а1ку7* (10)

Однако функции типа (7), (8) не позволяют аналитически вычислить градиент Чтобы получить направление \Рк,р=1,2, близкое к градиентному, могут быть использованы сглаженные функции, близкие к /, например функция вида

При этом процедурой, обеспечивающей как поиск минимума точной функции /ь так и невозрастание на каждой итерации, может служить процедура выбора длины рабочего шага а!к «ассе1» (Мег^еП) Применение процедуры ассе1 обеспечивает указанные свойства алгоритма и при других способах выбора векторов смещения

В ассе1 формируются ряды Я и 5 из элементов

если ачрчууачрчу=\,

с^Б, если аи]ри]ууо-^ри]у=\, где pl^=sgn(v'^ У ) Оптимальная (глобальная) длина рабочего шага ап такова,

что число членов ряда Я, меньших чем а/ к, плюс число членов ряда 5, больших чем а/ к максимально

Для поиска оптимального а; к необходимо произвести полное или частичное упорядочение по возрастанию членов рядов Я и 5 Как показывают эксперименты, почти на всех итерациях число элементов этих рядов не превышает 0,3 N При А^ю'в этих условиях предпочтительнее становятся наиболее простые алгоритмы упорядочения с числом сравнений, пропорциональным Б1

Рассмотрим некоторое усложнение процедуры, которое позволяет наряду с выбором длины рабочего шага в (9) вести поиск а2к в (10) при яд= 0 и V2 к=у'к Образуем новые ряды Я" и 5й из элементов ряда Я исходной процедуры ассе1 Ятей", если соответствующий объект принадлежит классу А, Япе5", если соответствующий объект принадлежит классу В Так как с//*=0 и используются только элементы ряда Я, соответствующие неверно классифицированным объектам, то, применив повторно ассе1 к рядам Я" и 5", мы получаем вторую гиперплоскость, относительно которой некоторые из этих объектов классифицированы верно Кусочно-линейное решение XV1 к~', м>п~'+ а2к \>',к будет отвечать более низкому уровню / (при а2 и * 0) по сравнению с ¡\ (и>' *"'), так как объекты, соответствующие ряду 5, по-прежнему классифицированы верно Указанное построение рядов Я" и 8й соответствует функции /2/ Если повторное применение ассе1 дало а2к-0, можно поменять ряды местами, после этого кусочно-линейное решение будет соответствовать функции /2 2 (8)

Таким образом, относительно небольшие дополнительные затраты позволяют вести параллельный поиск линейного и кусочно-линейного решения При переходе от линейного к кусочно-линейному решению выполняется требование о невозрастании функции / Кроме того, полученное решение позволяет выбрать функцию /2 / или /2 2 для поиска оптимальной комбинации длин рабочих шагов

Рассмотрим поиск оптимальной комбинации ац, и а2к в (10), который требуется в случае а1 к= а2 *=0 в предыдущей процедуре.

Из элементов ср} =| (и^ к-\х')1{у"'к ,х') |, _/=1, 2, , Ы, р=1, 2 сформируем ряды Яр и &

если

о",,~Р\.1 1У}/а\,Р\,,<?2,У, ^Г,vo-,>,рх,о-2,,р2

если

о"| 7 Р\, , Л уо-2} рг, у у/а,, р,, сг2 , у}уст, , р и аг, р2, у у= 1,

с2 e S2,

если

^j^ijPijr^i^ijPijYj^^jP^^ijPijYj^Mpyj^ijPi.Jr1^

если

<*\,J PiJW J°2,J Pi J Г J Vff,,, Pij* 2J P2.J , , p{ , tr2j p2j Y, = 1

При формировании рядов Rp и !? использован тот же принцип, что и при формировании рядов R и S в accel ряду if соответствуют те неверно классифицированные в смысле функции f2 ¡ объекты, которые при некотором api¡ могут стать верно классифицированными, ряду Sí1 соответствуют те верно классифицированные объекты, которые при некотором aPk могут стать неверно классифицированными Если к рядам R1, S1 и R2, S2 независимо применить accel, то полученные значения о,°4, a" t, вообще говоря не будут оптимальными, так как некоторые объекты У могут порождать по два элемента рядов R1, S1 , R'\ S2 Обозначим такие элементы соответственно через R' и S/' Пусть

íp^sgn(ap-Snsgn(R"-aq)K,

i

т = £[(sgn(a,-/í¡) v sgn(a2-/^)]y,

l

и = £sgn(a, -S])sgn(a2-S2,)y,

l

b^sgHa-RDsgnia-R])},,

(И)

I =^[(sgn(a,-5¡) v sgn(a2-^)]r„

I

J

где любые элементы рядов R", Sp, цфр

Непосредственной проверкой всех возможных вариантов расположения объектов относительно гиперплоскости можно убедиться в справедливости соотношения

ЛДя,*, a2tk) = f(W'k-\w2-k-1)-f(Wk-,+a¡^\ w2^+a2¿v2k) = í1+£2+/]+/2-w + u—b + l — dx—d2

Применение одномерной процедуры accel к парам рядов Rl, S! и R2, S2 максимизирует величину £¡ +s2, вносящую основной вклад в (12)

Поиск точных значений арк= а*рк связан с перебором ряда комбинаций значений а,(и а:к Поэтому он оправдан лишь при tsf (а, ^) < О

Чтобы сократить перебор, можно воспользоваться условием £1аХк)+ег(аг'к)>ех(ах1)+Е2(а1к) + Ф(ах1, а2°к)-Ф +1, (13)

где aik) = ^f ~£\~£i' Ф"верхняя оценка Ф

Получить оценку Ф можно, поменяв принадлежность элементов и SP(RP е Sp, Sp,e Rp) и сохранив принадлежность остальных элементов Если к измененным таким образом рядам применить accel, то полученные значения длин

рабочих шагов зададут Ф

Перебор значений а; к и а2к удовлетворяющих, условию (13), осуществляется с вычислением величин tр, т, и, b, I, dр (11)

Аналогичные процедуры возникают и для функций 2, /2 з Функции измерения для сортировки

Состав и методы измерения первичных признаков сегментированных объектов для последующего использования признаков в алгоритмах классификации изображений клеток в ФПО МЕКОС-Ц2 совпадают с измерениями, выполняемыми для формирования выходной информации методик, то есть используется тот же состав функций системы измерений (см ниже) Для создания устойчивости сортировки к изменчивости качества препарата, свойственной обычным технологиям пробоподготовки, в МЕКОС-Ц1/Ц2 применялись нормирующие преобразования измеренных цветояркостных первичных признаков с использованием вторичных популяционных характеристик клеток препарата (Соколинский) Это связано с тем, что значительные дискриминирующие свойства цветояркостных характеристик цитоплазмы проявляются только в пределах одного препарата Для получения количественных признаков оценки текстуры цитоплазмы использовался метод watershed Для оценки текстуры использовалась плотность бассейнов - количество бассейнов в площади измеряемого объекта, приведенное к площади объекта Система сортировки объектов

Для сортировки изображений клеток крови использовалось рассмотренное выше пространство измерений клеток Проведенные нами эксперименты с различными известными алгоритмами сортировки показали преимущество нейросетевого классификатора

Нейросетевой классификатор, используемый в МЕКОС-Ц1/Ц2 является комбинаций двух классификаторов Каждый из таких классификаторов представляет собой нейронную сеть типа многослойный персептрон Первый классификатор предназначен для выделения нейтрофилов из общей выборки лейкоцитов, полученных на исследуемом препарате и использование их для указанной выше нормировки цветояркостных характеристик выборки На вход

второго классификатора подаются оптические плотности, нормированные по цветности нейтрофилов данного препарата Система измерений

При выборе состава измеряемых характеристик клеток препарата в МЕКОС-Ц1/Ц2 были использованы общеизвестные диагностические признаки, для которых многими авторами проведены обширные экспериментальные исследования.

В состав измеряемых признаков клеток входят (для каждого ядрышка, ядра, цитоплазмы)

геометрические индивидуальные - площадь, периметр, характеристики формы (момент инерции, минимальный и максимальный диаметры, эксцентриситет и др),

оптическая плотность и характеристики ее распределения (гистограмма, дисперсия и ассиметрия гистограммы и др ) для трех цветов R,G,B,

геометрические групповые (характеристики клетки) - эксцентричность и средняя эксцентричность вложенных объектов,

текстурные характеристики объектов Текстурные характеристики объектов описывают пространственное распределение яркости по полю изображения объекта, ее пятнистость, пространственную корреляцию яркости по объекту, пространственную гладкость распределения яркости и тп В данной работе выбрана система текстурных признаков на основе гранулометрического анализа Система диагностики

Реализованные в функциях системы диагностики МЕКОС-Ц1/Ц2 методы в целом не являются оригинальными и в основном взяты из литературы Определяемые в МЕКОС-Ц1/Ц2 популяционные статистические характеристики - это средние, дисперсии измеренных признаков клеток, их гистограммы, оценки распределений в пространстве главных компонент и др Подсистема позволяет формировать статистики измерений первичных, вторичных и третичных признаков объектов, препаратов и выборок препаратов Для решения собственно диагностических задач применяются те же методы, что и для сортировки изображений клеток в пространстве измеряемых признаков Система контроля качества

Система контроля качества представлена средствами «двойного назначения» рассмотренными выше средствами формирования и идентификации виртуальных препаратов, встроенными средствами контроля качества мазка программы сбора обнаружения и сбора выборки и встроенными средствами контроля качества наблюдения в микроскопе Не повторяя изложение указанных разделов отметим, что впервые внедренная в KAM МЕКОС-Ц2 группа средств контроля качества соответствует собственной более полной и жесткой системе испытаний и контроля качества, чем того требуют имеющиеся стандарты испытаний В шестой главе представлены результаты испытаний ПО KAM МЕКОС-Ц2 и комплекса в целом

Автором были разработаны и согласованы с медицинскими учреждениями методики испытаний, осуществлено методическое руководство статистической

обработкой результатов испытаний Испытания проводились по методикам, основанным на стандарте США NCCLS-H20A В качестве референтных методов использовалась ручная микроскопия и проточный гемоанализ на анализаторе Coulter GEN*S Дополнительно оценивались качество сбора выборки и трудоемкость Дополнительно в качестве референтных методик в соответствии с технологией главы 4 использовались аттестованные подсистемы МЕКОС-Ц2 Испытания проводились медицинскими сотрудниками лабораторий Российской детской клинической больницы, НИИ неотложной детской хирургии и травматологии и 23 Городской клинической больнице им «МЕДСАНТРУД» г Москвы Результаты испытаний опубликованы Суммарно на мазках крови 443 больных и доноров были испытаны автоматизированные методики подсчета лейкоцитарной формулы и анализа морфологии эритроцитов, на 318 мазках автоматизированный подсчет концентрации ретикулоцитов В каждом мазке крови подсчитывалась выборка объемом 200 лейкоцитов, 500-1000 эритроцитов Тестируемый автоматизированный анализ лейкоцитов и эритроцитов осуществлялся с использованием методики (программы) из состава МЕКОС-Ц2софт «МЕКОС-АМК» в двух режимах полностью автоматическом и с корректировкой врачом результатов автоматической сортировки клеток на основе визуального анализа галерей изображений клеток собранной выборки на экране компьютера Будем обозначать эти варианты методики как «АМКавт» и «АМКкоррект» Каждый мазок крови использовался следующим образом Сначала выполнялся анализ тестируемой методикой АМКавт Если мазок не был отвергнут функцией АМКавт контроля качества мазка, выполнялась корректировка результатов автоматического анализа врачом (т е выполнялась тестируемая методика АМКкоррект) и мазок передавался для ручной микроскопии другим врачом-лаборантом (референтный метод) Принимались специальные меры засекречивания друг от друга данных, полученных референтным и тестируемыми методами до начала статистической обработки результатов анализа

На этапе статистической обработки результатов испытаний при оценке расхождений в результатах анализов, выполненных с применением методик МЕКОС-Ц2 и референтными методами, в соответствии с указаниями стандарта NCCLS-H20A учитывалась изменчивость результатов, связанная с применяемым ограниченным объемом выборки объектов анализа Определялись следующие стандартные характеристики тестируемых методик неточность, воспроизводимость, неопределенность, чувствительность, специфичность, доля ложноположительных анализов, доля ложноотрицательных анализов Оценивались также дополнительные характеристики, соответствующие характеристикам рассмотренных выше систем ПО МЕКОС-Ц2 Проверка качества сбора выборки осуществлялась с использованием средств МЕКОС-АМК визуализации маршрута на макро и микроуровнях и событий обнаружения лейкоцитов в поле зрения Визуально проверялось соответствие стандартным рекомендациям геометрии маршрута и его расположения относительно границ мазка Проверялось соответствие качества приготовления мазка и условий съемки стандартным рекомендациям При просмотре

соответствующего виртуального препарата со всеми пройденными полями зрения проверялся уровень пропусков и ложных тревог автоматического обнаружения лейкоцитов в МЕКОС-АМКавт Пропуском считался факт необнаружения программой лейкоцита или факт недостаточно высокого качества изображения обнаруженного лейкоцита, недостаточного для его визуальной сортировки Ложной тревогой считался факт программной идентификации как лейкоцита объекта не лейкоцита В случае отклонения мазка функцией контроля качества врач-лаборант делал экспертное заключение о реальном качестве мазка (в соответствии с руководством по эксплуатации МЕКОС-Ц2 отклоненные функцией контроля качества мазки при эксплуатации комплекса должны подвергаться ручной микроскопии или должны быть изготовлены новые мазки) Результаты испытаний при сравнении с референтной методикой АМКруч представлены в табл 6 1 - 6 5 Сходные результаты получены для автоматизированных методик анализа ретикулоцитов и эритроцитов По результатам испытаний были сделаны следующие выводы Методика МЕКОС-АМК, в которой автоматический сбор выборки дополняется корректировкой результатов автоматической сортировки коррекцией состава групп клеток врачом по изображениям клеток на экране компьютера, в целом не уступала референтным методикам в точности и значительно превосходили их в производительности и условиях труда врача Эти методики избавляют врача от изнурительной микроскопии, переводя его работу на экран компьютера для нетрудоемкой пересортировки 5-10% предварительно расклассифицированных клеток крови Среднее время корректировки зависит от навыков работы на клавиатуре компьютера и при определенном опыте обычно не превышает 10-30 секунд

Таблица 6 1 Точность определения долей лейкоцитов

Референсный метод —► Тестовый метод

Тип клетки АМКручной —► АМКкоррект АМКручной —* АМКавто АМКкоррект —»АМКавто

Коэфф корреляции Неточность % Коэфф корреляции Неточность, % Коэфф корреляции Неточность, %

Палочко-ядерные 091 28 0 84 80 0 89 32

Сегменто-ядерные 0 97 23 0 93 56 0 97 08

Эозинофилы 0 87 33 0 82 14 8 0 83 13 6

Базофилы 0 83 20 0 76 27 4 0 79 24 0

Лимфоциты 0 95 35 0 93 72 0 97 08

Моноциты 081 48 0 78 72 0 85 48

Референсный метод —► Тестовый метод

АМКручной —V АМКкоррект АМКручной —*■ АМКавто АМКкоррект —> АМКавто

Чувствительность, % Специфичность, % Ложноположительные, % Ложноотрицательные, % 97 6 94 3 95 4

91 4 83 0 88 9

86 17 0 11 1

24 5 1 46

Таблица б 3 Проверка воспроизводимости

Тип лейкоцита Число препаратов Средний Объем выборки Число повторений анализов Попадание в интервал вариабельности

сегментоядерные нейтрофилы 3 200 10 30/30

палочкоядерные нейтрофилы 3 200 10 30/30

лимфоциты 3 200 10 30/30

базофилы 3 200 10 30/30

эозинофилы 3 200 10 28/30

моноциты 3 200 10 28/30

Таблица 6 4 Трудоемкость анализа лейкоцитов

Тестируемая Объем Средний Средне Среднее время Среднее и

методика выборки процент/числ е время корректировк СКО

препарате о правок в одной и и времени

в расчете на 100 правки регистрации в авт

леикоцитов секунд расчете на 100 Анализа на

леикоцитов, 100

секунд леикоцитов

, минут

АМКкоррек т 405 8,5 1,5 12,75 3,4/1,0

Таблица 6 5 Качество сбора выборки лейкоцитов

Тестируемая Объем Средний Процент Процент Процент

методика выборки объем соответстви пропусков ложных

препарате собранной я областей леикоцито обнаружени

в выборки сбора в и

леикоцито выборки леикоцитов

в в стандартны

препарате м

требованиям

АМКкоррек т 405 200,0 97,0 0,4 14,0

Благодаря точному автоматическому измерению площади и формы и невысокой трудоемкости корректировки выборки, МЕКОС-Ц2 фактически впервые предоставляет возможность массового применения количественного анализа морфологии эритроцитов и ретикулоцитов Значительный вклад в создание нового уровня выполнения анализов вносят информационные составляющие рассмотренных методик, позволяющие выполнять морфометрию клеток, хранить результаты в базе данных, автоматически формировать результаты на бланке, учитывать возрастные нормы, передавать изображения клеток для консультаций, осуществлять контроль качества и др

В заключении диссертационной работы сформулированы следующие основные выводы и результаты

1 Исследованы характеристики объектов микроскопического анализа биоматериалов с точки зрения возможностей зрительного анализатора врача и современных возможностей технического анализа изображений Выявлены возможности и ограничения ручных (визуальных) методик и соответствующих автоматизированных методик анализа сложных изменчивых образов, идентифицируемых в качественных терминах Сделан вывод о том, что доминирующие до настоящего времени ручные научно-исследовательские и медицинские методики являются основным тормозом развития отрасли из-за проблем сбора представительных выборок препаратов и, как следствие, отсутствия базы для перехода к количественным идентификациям цитологических объектов

2 Исследованы постановки задач автоматизации микроскопических исследований биоматериалов Выявлены основные типы задач и соответствующие функциональные модули комплексов автоматизированной микроскопии (8 систем съемки, информатизации, навигации, обнаружения и сбора выборки, измерения, сортировки, медицинской диагностики, контроля качества), комбинации которых покрывают множество известных методик анализа

3 Выявлены возможные уровни автоматизации известных методик уровня информатизации, уровня анализа изображений и уровня роботизации (замены врача в процессе микроскопии) Рассмотрены достигнутые уровни автоматизации группы актуальных массовых медицинских методик анализа

4 Определена необходимость применения всех 8 указанных систем комплексов автоматизированной микроскопии для реализации различных высокоспециализированных методик KAM роботизирующего уровня В связи с этим сделан вывод о целесообразности разработки многофункционального семейства KAM (KAM МЕКОС-Ц2)

5 Исследованы характеристики представленных на рынке аппаратных комплектующих KAM (микроскопы, видеокамеры, электромеханическое оборудование перемещения и фокусировки препарата, компьютеры) Выявлены возможности применения семейств комплектаций, обеспечивающих разнообразие медико-технических характеристик KAM модульной структуры Выявлено, что современный уровень развития оборудования создает

возможность перенести разработку KAM главным образом в область разработки программного обеспечения

6 Выявлена целесообразность разработки программной системной платформы для работы с множеством комплектаций оборудования KAM, для создания среды для функциональных программ-методик и для реализации информационного уровня автоматизации методик

7 Исследованы стандарты испытаний KAM роботизирующего уровня Выявлено, что существующие стандарты ориентированы на традиционные референтные методики, принципиально несовместимые с современными информационными технологиями

8 Исследована и разработана схема последовательных испытаний 8 функциональных систем KAM МЕКОС-Ц2 с применением формируемых методами KAM виртуальных (цифровых) аналогов физических препаратов биоматериалов При этом в случае положительной аттестации выходная база испытаний предыдущих систем может быть использована в качестве входной базы испытаний следующих систем Показана возможность применения информационных технологий, в том числе средств удаленного доступа, для сбора представительных обучающих и экзаменационных выборок виртуальных препаратов для разработки и испытаний ПО KAM

9 Показано, что схема испытаний МЕКОС-Ц2 имеет преимущества над известными схемами по представительности базы испытаний, по их стоимости и реализуемости, что позволяет рекомендовать ее в качестве прототипа нового стандарта испытаний KAM и других систем, для которых заданы качественные идентификации объектов анализа

10 Показана перспективность применения виртуальных препаратов для разработки количественных диагностических решающих правил Определено революционное значение предстоящего массового применения KAM, формирующих виртуальные препараты, в исследовании принципиально новых типов анализов и диагностик на базе измерений меток, клеток и тканей, то есть в переходе от описательных к количественным идентификациям цитологических объектов

11 Рассмотрены функциональные системы ПО МЕКОС-Ц2 Определено, что создание сложных программных комплексов, таких как ПО KAM роботизирующего уровня, требует применения значительного числа покупных программных комплектующих в сочетании с собственными оригинальными алгоритмами В связи с этим центр тяжести разработки переносится на настройку (обучение) параметров программ (алгоритмов), что в свою очередь увеличивает роль средств создания и обслуживания баз обучающих и экзаменационных выборок идентифицированных объектов анализа (виртуальных препаратов)

12. Подробно рассмотрены алгоритмы сегментации границ изображений клеток крови в методике клинического анализа мазка крови В результате экспериментов с рядом алгоритмов выбрана схема "seeded region growing" с применением нелинейной диффузной фильтрации в качестве предобработки, метода watershed для формирования зерен и оригинального алгоритма «слияния

контуров» для формирования границ ядер и цитоплазм клеток В методе слияния контуров используется модель цитологического объекта и технология выбора параметров с применением методов минимизации функции эмпирического риска в классе кусочно-линейных решающих правил Рассматривается оригинальная вычислительная схема решения системы соответствующих линейных неравенств с применением элементов целочисленного программирования 13. Проведены медицинские испытания KAM МЕКОС-Ц2 по стандартной схеме испытаний с дополнительными этапами, соответствующими структуре и схеме испытаний МЕКОС-Ц2, на базе 3-х медицинских учреждений Москвы Результаты испытаний показали, что KAM МЕКОС-Ц2 в составе модульного покупного оборудования и оригинального программного обеспечения выполняет автоматический сбор выборки клеток мазков крови для анализа с качеством, не уступающим качеству выполнения соответствующего анализа опытным врачом при ручной микроскопии при значительном росте производительности труда врача и новом уровне контроля качества и информатизации

В приложениях приведены документы, подтверждающие внедрение в практику, литературный обзор применения комплексов автоматизированной микроскопии в медицине и биологии, обзор характеристик оборудования KAM, комплектации оборудования KAM для группы программ-методик автоматизированной микроскопии, аннотации программ-методик комплекса МЕКОС-Ц2, результаты применение программы-методики МЕКОС-ФДММД для формирования количественных решающих правил дифференциальной диагностики в онкологии Основные результаты диссертации отражены в 33 публикациях, в том числе в 28 статьях в отечественных и зарубежных журналах и в 5 патентах России

1 Медовый ВС О поиске глобального экстремума в задачах распознавания Вопросы радиоэлектроники, ЭВТ, вып 5,1972

2 Медовый ВС Об уменьшении размерности линейных решающих правил в задаче распознавания ВИМИСРДР, вып 12,1973

3 Медовый В.С Метод минимизации функционала эмпирического риска для многопроцессорных ЦВМ Вопросы радиоэлектроники, ЭВТ, вып 6, 1973

4 Медовый В С Метод минимизации величины эмпирического риска в классе кусочно-линейных решающих правил ВИМИ СРДР, вып 12,1973

5 Медовый В С, Труш В Д О распараллеливании быстрого преобразования Фурье в спектральном анализе энцефалограммы Программирование, №1, стр 34-35, 1975

6 Медовый ВС О распараллеливании алгоритма обучения распознаванию для задач с нефиксированным временем счета Программирование, №2, стр 45-49, 1975

7 Medovy VI S , А V Ivanov, Vit S Medovy Contextual clustering method in cytological image recognition IEEE IWIP, Moscow, July 1994, p 61

8 Погорелов В M, Медовый В С, Хазен Г М, Козинец Г И Анализ клеточного изображения // Клин лаборат. диагн - 1995 - N 3 - С 40-43

9 Medovy VI S , A V Ivanov, I A Ivanova, Vit S Medovy, N V Verdenskaya Active contour model in cytological image recognition IS&T/SPIE Proc Vol 2421, (San-Joce, USA, Fenruary 1995)

10 Погорелов В M .Медовый В С , Соколинский Б 3 .Пятницкий А М , Козинец Г И Методы компьютерной цитологии в гематологических исследованиях Клиническая лабораторная диагностика, 1997, N 11, стр 40-44

11 Медовый Вл С , AB Иванов, Вит С Медовый, В М Погорелов Способ распознавания и измерения диагностических характеристик цитологических препаратов Патент РФ на изобретение N 2088922 Опубл 27 08 1997, Бюлл изобр РФ N24

12 Козинец Г И , Медовый В С и др Исследование системы крови в клинической практике Под ред Г И Козинца и В А Макарова Москва, Триада-Х, 1997 г

13 Пятницкий AM, Б И Соколинский, В М Бетрозова, В С Медовый, Г И Козинец Анализ эритроцитов в системе МЕКОС-Ц Клиническая лабораторная диагностика, N 10, 1997, стр 8-10

14 Медовый ВС, В А Балабуткин, НВВерденская и др Автоматизированные цитофотоморфометрические тесты мазков крови для общей клиники и скрининговых обследований населения Клиническая лабораторная диагностика, N 10,1997, стр 6-8

15 Медовый Вит С , Медовый Вл С , Балабуткин В А , Козинец Г И, Иванов А В Патент РФ на изобретение 2121714, 1998 Способ автоматизированной сегментации изображения цитологического препарата

16 Kozinetz G , Medovy V, Pyatnitsky А, Sokolinsky В , Gusev А , Pogorelov V MECOS-C return to image analysis in microscope examination of blood smears Proc SPIE "Optical Diagnostic ofLivmg Cell" 1998, v 3 , pp 201-202

17 Верденская НА, Иванова И А, Балабуткин В А, Козинец ГИ, Медовый В С , Погорелов В М , Иванов А В Патент РФ на изобретение 2132060, 1999 Способ оценки фотоморфометрической неоднородности популяции клеток цитологических препаратов

18 Медовый Вл.С , Медовый Вит С , Балабуткин В А , Иванов А В , Козинец Г И Патент РФ на изобретение 2132061, 1999 Способ адаптивной автоматической сегментации и распознавания клеток на изображениях цитологических препаратов

19 Волченко Н Н , Медовый В С , Бладунова 3 Д , Славнова Е Н , Савостикова М В Цитологическая диагностика долькового рака Новости клинической цитологии, №3-4, 2002 г

20 Волченко Н Н , Медовый Вл С , Славнова Е Н, Савостикова М В , Медовый Вит С , Соколинский Б 3 , Климова Н В Сравнительный морфометрический анализ цитограмм инвазивного протокового и инвазивного долькового рака молочной железы Архив патологии, №6,2002 г, стр 37-39

21 Волченко Н Н, Славнова Е Н, Савостикова М В , Медовый В С Патент РФ «Способ цитологической дифференциальной диагностики инвазивного протокового и инвазивного долькового рака молочной железы» (№2232396 от 10 02 2003)

22 Медовый В С Информационные автоматизированные системы микроскопии для анализа биоматериалов Врач и информационные технологии, № 6, 2004 , стр 32-37

23 Медовый В С , Пятницкий А М ,Соколинский Б 3 , Демьянов В JI, Парпара А А Автоматизированная микроскопия биоматериалов Здравоохранение и медицинская техника, №4, 2005 г стр 42-43

24 Соколинский Б 3 , Демьянов В JI , Медовый В С , Парпара А А, Пятницкий AM Автоматическая сортировка лейкоцитов мазка крови с использованием методов обучаемых нейронных сетей и watershed Здравоохранение и медицинская техника, №4, 2005 , стр 35

25 Парпара А А , Пятницкий А М .Соколинский Б 3 , Медовый В С , Демьянов В Л Навигация по мазку крови при автоматическом подсчете лейкоцитарной формулы и эритроцитометрии Здравоохранение и медицинская техника, №7, 2005 г, стр 37-38

26 Волченко Н Н, В С Медовый, Н В Климова, М В Савостикова, Е Н Славнова Цитоморфометрическая диагностика дисплазий при дисгормонально-гиперпастических процессах молочной железы Клиническая лабораторная диагностика, №5, 2006, стр 52-54

27 Медовый В С., Парпара А А , Пятницкий А М , Соколинский Б 3 , Демьянов В Л Обзор методик автоматизированной микроскопии биоматериалов Клиническая лабораторная диагностика, №7, 2006, стр 15-19

28 Медовый В С , Парпара А А , Пятницкий А М , Соколинский Б 3 , Демьянов В Л Структура системы автоматической микроскопии МЕКОС-Ц2 и методики ее испытаний Медицинская техника, 2006 г , №4, стр 36-40

29 Плясунова С А, Балугян Р Ш , Хмельницкий К Е, Медовый В С, Парпара

А А , Пятницкий А М , Соколинский Б 3 , Демьянов В Л , Николаенко Д С Автоматизированные методики микроскопических анализов мазков крови -медицинские испытания комплекса МЕКОС-Ц2 Клиническая лабораторная диагностика, №10, 2006, стр 22-24, 33-39

30 Медовый ВС, А А Парпара, Д С Николаенко, А М Пятницкий, Б 3 Соколинский, В Л Демьянов, В В Маркеллов, Применение автоматизированного комплекса микроскопии МЕКОС-Ц2 для телемедицины, для испытаний новых методик анализов, для сбора электронного архива препаратов редких форм патологий, для удаленной аттестации и обучения Архив патологии, №5, 2006 г, стр 40-43

31 Медовый В С Структура комплекса компьютерной микроскопии, оптимизированная для медицинских испытаний Вопросы радиоэлектроники, серия ЭВТ, выпуск 1, 2007 г, стр 52-64

32 Медовый В С , Парпара А А , Соколинский Б 3 , Демьянов В JI Комплектации оборудования и системная платформа комплексов автоматизированной микроскопии Медицинская техника, 2007, №2, стр 29-36

33 Пятницкий АМ, В С Медовый, А А Парпара Анализ ретикулоцитов ручная микроскопия, проточные анализаторы или анализаторы изображений'' Клиническая лабораторная диагностика, 2007, №5

Подписано в печать 17 04 2007 г Тираж 100 энз Заказ № 1249 Отпечатано в типографии «АллА Принт» Тел (495) 621-86-07 Факс (495)621-70-09 \\w\v аПарпти ги

Список сокращений.

Введение.

Глава 1. Анализ современных методик медицинского микроскопического анализа биоматериалов.

1.1. Объекты анализа.

1.2. Сравнительный анализ функциональных возможностей анализаторов различных типов.

1.3 Состояние отрасли.

Глава 2. Задачи автоматизации группы методик микроскопического анализа биоматериалов.

2.1. Интерфейсы задач автоматизации медико-биологических методик микроскопии биоматериалов.

2.2. Декомпозиции группы известных задач автоматизации.

2.3. Критерии актуальности автоматизации.

Глава 3. Комплектации оборудования и системное программное обеспечение (платформа) модульного KAM МЕКОС-Ц2 [Медовый, 2007-1].

3.1. Требования к оборудованию и характеристики современных аппаратных комплектующих.

3.2. Системная платоформа KAM МЕКОС-Ц2.

Глава 4. Испытательная база разработки и аттестации KAM. Структура ФПО KAM

МЕКОС-Ц2 и поэтапная схема испытаний.

4.1. Проблема базы медицинских данных для разработки и испытаний. Влияние технологии испытаний на структуру KAM.

4.2. Выбор структуры ФПО KAM МЕКОС-Ц2.

4.3. Технология испытаний МЕКОС-Ц2.

Глава 5. Структура и алгоритмы функционального программного обеспечения KAM МЕКОС-Ц2.

5.1. Системы съемки и информатизации.

5.2. Системы навигации и сбора выборки.

5.3. Система сортировки.

5.3.1. Автоматическая сегментация границ клеток крови.

5.3.1.1. Метод слияния контуров.

5.3.1.2. «Глобально-локальный» метод минимизации функции эмпирического риска в классе кусочно-линейных решающих правил.

5.3.1.3. Результаты экспериментов с программами сегментации изображений клеток крови

5.3.2. Функции измерения для сортировки.

5.4. Система измерений.

5.5. Система диагностики.

5.7. Система контроля качества.

Глава 6. Результаты испытаний KAM МЕКОС-Ц2.

6.1. Материалы и методы.

6.3. Результаты испытаний методик анализа лейкоцитов.

6.4. Испытания анализа эритроцитов.

6.5. Результаты испытаний методик анализа ретикулоцитов.

6.6. Обсуждение.

Актуальность проблемы

Одним из основных современных методов диагностики при лечении множества заболеваний является анализ изображений клеток и тканей с помощью микроскопа. На протяжении более чем 200-летней истории и до настоящего времени микроскопическая диагностика биоматериалов выполняется главным образом вручную с визуальной качественной или полуколичественной оценкой объектов диагностики. Такая диагностика требует высокой квалификации врача, часто изнурительна по трудоемкости, связана с высоким напряжением и психологическим дискомфортом.

Проведенные многочисленные исследования точности ручных микроскопических анализов показывают, что из-за высокой вариабельности клеток и тканей, сложности морфологии, нечеткости критериев визуальной классификации, субъективности восприятия, недостатка квалифицированных врачей и других факторов визуальная микроскопия в среднем реально способна обеспечить точность диагностики, существенно более низкую, чем потенциально достижимую при объективном использовании всей информации метода.

За последние сорок лет предприняты многочисленные попытки автоматизировать микроскопию биоматериалов с целью получения приемлемой трудоемкости и точности анализа. Накопленный опыт показал, что задача разработки комплексов автоматизированной микроскопии (KAM) требует решения большого числа разнообразных математических, программных, аппаратных, методических проблем. Несколько упрощая картину, можно следующим образом охарактеризовать задачи медицинского микроскопического анализа биоматериала:

- разнообразие концентраций объектов анализа, от 100 до 1/10000 в поле зрения;

- возможна сложная форма области поиска объектов в препарате;

-до 100 типов подлежащих распознаванию объектов в препарате, определенных в нечетких качественных терминах;

- высокая вариабельность размеров, формы, цвета, плотности объектов;

- возможны нечеткие, тонкие, прерывистые контура объектов;

- возможно наличие помех - сходных мешающих объектов.

В настоящее время применяется главным образом ручная микроскопия. При этом:

- в случае высокой квалификации врача достигается высокая точность распознавания типов объектов при, как правило, недостаточном объеме и затрудненном контроле качестве сбора выборки;

- высока трудоемкость, низка производительность труда;

- результаты анализа субъективны;

- затруднен сбор представительной выборки препаратов для научно-исследовательских целей и обучения, особенно в случаях редких патологий;

- весьма ограничены возможности количественных оценок объектов анализа;

- результаты анализа основаны на качественных определениях объектов, что принципиально ограничивает состав определяемых типов, фиксирует значительный уровень вариабельности типов и, как следствие, ограничивает диагностическую значимость анализа.

Преодоление указанных недостатков ручной микроскопии может быть достигнуто прежде всего за счет автоматизации наиболее трудоемкого этапа сбора выборки объектов анализа и за счет использования современных технологий обработки, хранения и передачи изображений. При этом ключевое значение имеют программные роботизирующие компоненты KAM, заменяющие врача в процессе микроскопии и обеспечивающие навигацию, выбор маршрута просмотра препарата и сбор выборки объектов анализа.

Применение KAM могло бы не только улучшить качество и объем выполнения существующих методик анализа. По-видимому, революционное значение предстоящего массового применения KAM связано с формированием принципиально новых типов анализов и диагностик на базе измерений меток, клеток и тканей, то есть с переходом от описательных к количественным определениям понятий цито- и гисто- патологии.

Попытки заменить описательные качественные определения цитологических и гистологических образов на количественные в процессе медицинской диагностики заболеваний были еще более многочисленными, чем попытки автоматизации микроскопии. Тем не менее в целом количественная диагностика до сих пор не получила распространения из-за низкой надежности количественных решающих правил, полученных, как правило, на недостаточно представительном материале конкретной исследовательской лаборатории. Можно надеяться, что массовое применение KAM, способных формировать «виртуальные» препараты, пригодные для передачи по линиям связи, позволит преодолеть «проклятие размерности» и решить проблему накопления представительных обучающих и экзаменационных выборок препаратов в задачах количественной диагностики.

Состояние и изученность проблемы

Начиная примерно с 2000 года количество работ, демонстрирующих эффективные автоматические методики медицинского микроскопического анализа роботизирующего уровня неуклонно возрастает и достигло в 2006 году нескольких десятков (всего существует несколько сотен методик микроскопии биоматериалов). Это связано с бурным прогрессом в области видео и компьютерной техники, внедрением моторизованных управляемых компьютером микроскопов, применением новых математических и информационных методов анализа изображений. В начавшемся десятилетии впервые аппаратная часть комплекса автоматической микроскопии может быть представлена в основном серийными комплектующими. Основную тяжесть решения проблем автоматизации принимает на себя программное обеспечение, что значительно ускоряет разработку новых методик.

В нашей стране начиная с 90-х годов кроме возглавляемого автором ЗАО «Медицинские компьютерные системы (МЕКОС)» разработки KAM или элементов KAM ведут небольшие группы исследователей в нескольких учреждениях, среди которых ОАО Радиотехнический институт им. Минца, МГТУ им. Баумана, МИФИ, Институт системного анализа РАН, ЗАО «Видеотест». В США, Европе, Японии разработки KAM роботизирующего уровня ведутся несколькими крупными фирмами (Leitz, Microx, Hitachi, Cellavision, IRIS, Applied Spectral Imaging, Media Cybernetics и др.).

Имеющаяся литература, относящаяся к разработке KAM, связана, главным образом, с алгоритмами распознавания конкретных цитологических образов. Имеется, обширная литература и значительное число хорошо отработанных алгоритмов, относящихся к теории и практике общего анализа изображений, главным образом для индустриальных приложений.

Существующие отраслевые стандарты испытаний систем, подобных KAM, требуют весьма трудоемких и дорогостоящих прямых сравнений с ручной микроскопией, что приводит в ряде случаев к практической нереализуемости испытаний на представительных выборках препаратов. В целом в настоящее время не определена возможность применения современных информационных технологий при создании и испытании систем, для которых референтные методики оперируют с качественными критериями.

Актуальна разработка новых алгоритмов сегментации границ изображений клеток крови, учитывающих специфику класса объектов и имеющих определяющее значение в эффективности автоматической сортировки лейкоцитов и других типов клеток.

Цель работы

Создать научно обоснованную методику разработки и испытаний программного обеспечения KAM, оцениваемого (при работе в составе комплекса) по качественным критериям, позволяющую применять современные информационные технологии для радикального удешевления и повышения представительности базы разработки и испытаний.

Разработать алгоритмы программного обеспечения KAM, обеспечивающие преимущество KAM в точности и трудоемкости методик анализа клеток крови по сравнению с ручной микроскопией.

Основные идеи исследования

Применить функциональные информационные продукты, формируемые KAM роботизирующего уровня для потребительских медицинских целей а) для разработки (обучения) алгоритмов ПО KAM; б) для моделирования внешней среды, позволяющего радикально сократить объем дорогостоящих натурных испытаний и расширить базу испытаний ПО KAM.

Применить морфометрическую модель клетки и методы обучения для выбора параметров модели при построении алгоритма распознавания изображений клеток крови.

Задачи исследования

1. Провести анализ многообразия задач медицинской микроскопии биоматериалов с целью выявления базовых функций роботизирующего KAM, покрывающих многообразие известных методик и допускающих независимую проверку референтными методами.

2. Исследовать и создать схему функционирования программного обеспечения (ПО) KAM, отвечающую реализации базовых функций и допускающую поэтапную разработку и испытания с применением виртуальных препаратов для существенного снижения стоимости испытаний по сравнению с традиционной схемой испытаний.

3. Провести анализ характеристик покупных аппаратных и программных комплектующих с целью создания системной платформы KAM, допускающей применение многообразия комплектаций с различными характеристиками автоматизации, производительности, состава специализированных программ-методик.

4. Исследовать и разработать технологию созданий виртуальной (цифровой) базы обучающей и экзаменационной выборок препаратов в задачах: а) настройки большого числа параметров специализированных программ-методик; б) обеспечения медицинских испытаний с применением средств дистанционного доступа.

5. Провести исследования и разработать алгоритм сегментации границ изображений клеток крови с применением модели класса цитологических объектов.

6. Провести эксперименты (технические и медицинские испытания) для определения эффективности аппаратно-программного KAM в сравнении с ручной микроскопией для группы методик анализа клеток крови.

7. Разработать предложения по новому отраслевому стандарту разработки и испытаний ПО KAM роботизирующего уровня с использованием информационных технологий.

8. Разработать методики создания и применения представительных архивов виртуальных препаратов биоматериалов для научно-исследовательских анализов и обучения.

Объекты исследования

Объектами исследования в данной работе являлись: технологии и алгоритмы автоматизации микроскопических анализов биоматериалов; методы и средства разработки и испытаний сложных модульных аппаратно-программных комплексов; микроскопические изображения цитологических препаратов; характеристики покупных аппаратных и программных комплектующих KAM; технологии создания представительных выборок препаратов.

Методы исследования

В работе использовались положения и методы следующих областей знания: теория и методы обработки и анализа изображений; системный анализ; информатика; робототехника; теория программирования; математический анализ; теория микроскопии; теория цитологических исследований; теория испытаний медицинских приборов.

Научная новизна

1. Исследованы и сформулированы типы задач, уровни автоматизации, структура KAM, покрывающие основное множество методик микроскопического анализа биоматериалов. Определена ключевая роль роботизирующей компоненты, связанной с навигацией и просмотром значительных плохоизмеряемых пространств препарата и сбором выборки объектов анализа.

2. Исследована и разработана новая методика поэтапной разработки и испытаний сложного программного комплекса, качество функционирования которого определяется качественными и полуколичественными критериями. В основе методики лежит последовательное применение виртуальных препаратов, аттестованных на последовательных этапах разработки и испытаний. Методика может являться основой для разработки нового отраслевого стандарта разработки и испытаний подобных систем с применением современных информационных технологий.

3. Исследован и разработан метод «слияния контуров» для сегментации (выделения границ) изображений клеток, основанный на последовательном слиянии первичных фрагментов (зерен) образа с использованием геометрических свойств класса объектов.

4. Исследован и разработан метод настройки параметров алгоритма сегментации, основанный на сведении задачи выбора параметров к задаче минимизации функции эмпирического риска в классе кусочно-линейных решающих правил.

Практическое значение исследования

1. В результате исследования решена важная народнохозяйственная задача создания медицинского роботизирующего микроскопического анализатора. Разработанные и внедренные в медицинскую практику под руководством и при участии автора аппаратно-программные комплексы микроскопии МЕКОС-Ц1 и МЕКОС-Ц2 позволяют автоматизировать группу трудоемких рутинных операции микроскопии, повысить точность и надежность традиционных анализов, внедрить группу ранее не применявшихся количественных анализов.

2.Разработаны и реализованы методы распознавания изображений клеток системы крови, позволяющие автоматически сортировать клетки заданных типов.

3. Уникальными свойствами ПО комплекса МЕКОС-Ц2 являются дистанционный сбор и аттестация обучающих и экзаменационных выборок объектов анализа и модульная структура, позволяющая применять экономные поэтапные испытания подсистем комплекса с увеличенной представительностью базы испытаний по сравнению с традиционной схемой медицинских испытаний подобных систем.

4. Предложенные информационные технологии создания и верификации виртуальных препаратов биоматериалов создают новый уровень проведения научных количественных микроскопических исследований биоматериалов, новый уровень обучения персонала и доступа к медицинским знаниям.

Внедрение в практику

Проведены технические (в ВНИИИМТ) и медицинские (в Российской детской клинической больнице, в НИИ неотложной детской хирургии и травматологии, в 23 ГКБ г. Москвы) испытания:

- комплекса компьютерной микроскопии МЕКОС-Ц (1995,1997);

- комплекса автоматизированной микроскопии МЕКОС-Ц 1 (1998);

- комплекса автоматизированной микроскопии МЕКОС-Ц2 (2005).

Утверждены Технические условия и получены Регистрационные свидетельства МЗ РФ (МЗСР РФ) на комплексы МЕКОС-Ц и МЕКОС-Ц 1 ((ТУ 9443-001-27543786-97, Рег.уд. МЗ РФ № 29/10010198/1282-01, 1998) и МЕКОС-Ц2 (ТУ 9443-002-27543786-2005, Per. уд. ФСНЗСР РФ № ФС 02012006/2935-06, 2006, рис. Bl, В2, ВЗ).

Комплексы МЕКОС-Ц/Ц1/Ц2 эксплуатируются в более чем 100 медицинских, санитарно-эпидемиологических, научно-исследовательских, производственных и учебных учреждениях России, включая РДКБ, ГНЦ РАМН, РОНЦ РАМН, МНИОИ им. Герцена, 1 ГКБ, 23 ГКБ, РГСУ, НИИ фармакологии, Центр экстремальной медицины, НИИ НДХТ, РГМУ, НИИДГ, ИХ РАМН, НИИ ФХМ, МИФИ, МТУ им. Баумана, ВНИИЭФ, санаторий «Россия» и др.

Рис. В1. Комплекс микроскопии МЕКОС-Ц2 с оборудованием автоматизации МЕКОС-МБ2, программной системной платформой МЕКОС-Ц2ос, программами методиками МЕКОС-Ц2софт для гематологии, цитологии, гистологии, паразитологии. Регистрационное удостоверение изделия медицинского назначения МЗСР РФ ФСНЗСР РФ № ФС 02012006/2935-06.

Рис, В2. Примеры операций МЕКОС-Ц2 с полями зрения

Коктрояь качества мазка

И]1110И!ф. а 1!1111>Ш11Н М!1рЦ1рУ 1!1. ПОИСК ЩНИи\ 011111]>!1И«Я1Не И кпнцт.И. КНЧСС НС) МИрЩру III

1Н*Ч>ОК НЧ1 |||НИ.'МЧ|р.|

И «мереные 1>м5о|)ки

1чнтр[1||, ¡шчестш) ш.ишрк'л

Г 1)Н)1ТуА1|Ы1ЫН МНК|10СНО1|] иаиорамирошшнс црЙтр1Г1Ч! и ранее огмечеиние шда фОИ им

13 |СМ1!Крс1СКи1Ш )|

Область просмотра или качество съемки Необычный цвет эритроцитов? Ёг(В=0.31

Масштаб, %

Слой

Препараты Отчеты Выход ?

Рис.ВЗ. Примеры операций МЕКОС-Ц2 с препаратами

Положения, выносимые на защиту

1. Структура программного обеспечения KAM с выделением систем съемки, информатизации, навигации, сбора выборки, сортировки, измерения, диагностики и контроля качества позволяет реализовывать основные известные типы автоматизированных методик с возможностью поэтапного дистанционного испытания систем.

2. Технология разработки и испытаний МЕКОС-Ц2 может являться основой для нового отраслевого стандарта испытаний распознающих роботизированных систем анализа, использующего современные информационные технологии.

3. Применение системной программной платформы МЕКОС-Ц2ос позволяет использовать множество оптимизированных комплектаций оборудования и широкий круг функциональных программ-методик.

4. Методы «слияния контуров» и настройки параметров алгоритма сегментации в сочетании с известными алгоритмами фильтрации и формирования первичных зерен образа обеспечивают эффективное выделение границ изображений клеток крови.

Апробация работы

Работа была представлена на конкурсе корпорации Hewlett-Packard по методам распознавания образов (Бристол, Англия, 1992, Основной приз), на Научном совете РАН по комплексной проблеме "Кибернетика" и ГНТП "Распознавание образов, обработка изображений, интеллектуальный интерфейс" (1992), на конференции "Автоматизация гематологических лабораторных исследований", Москва, ГНЦ РАМН (1994), на симпозиуме IEEE IWIT (Москва, 1994), на комиссиях Комитета по новой медицинской технике МЗ РФ (1993, 1994, 1995, 1996), на выставке "Российские технологии" (Вашингтон, США,1994), на симпозиуме IS&SPIE (Сан-Хосе, США,1995), на 4-й международной конференции по компьютерной цитологии (Чикаго, США, 1996), на выставках российской (московской) медицинской техники в Пекине (2004, 2006), Лиссабоне (2005), на выставке "Medica" в Дюссельдорфе (2006), на выставках и конференциях «Национальные дни клинической лабораторной диагностики», «Интерлабдиагностика» (Москва, 2003, 2006), Здравоохранение 2006 (Москва).

Публикации

Разработка защищена Публикация результатов: 29 статей в центральных и зарубежных научных журналах, 5 патентов на изобретение, более 20 тезисов докладов на конференциях.

Аннотация

В 1-й главе представлен обзор литературы и дан сравнительный анализ характеристик автоматизированных цитоанализаторов различных типов. Подробно рассмотрены комплексы автоматизированной микроскопии различного уровня автоматизации и назначения, дан сравнительный анализ характеристик различных известных анализаторов клеток крови.

Во 2-й главе представлены постановки задачи и дано медико-технико-экономическое обоснование целесообразности и принципиальной реализуемости автоматизации группы методик микроскопического гематологического, цитологического, паразитологического и некоторых других видов анализа биоматериалов. Выявлено, что при разработке KAM известных типов необходимо решать до 8 базовых задач съемки препарата, информатизации анализа, выбора маршрута просмотра препарата, Обнаружения и сбора выборки объектов анализа, Контроля качества препарата, Измерения выборки, Сортировки выборки по качественным критериям, Диагностики препарата медицинской.

В 3-й главе рассмотрены характеристики представленного на современном рынке оборудования, применение которого в качестве комплектующих в составе KAM может обеспечить необходимые для медицинского применения параметры группы актуальных автоматизированных методик анализа. Обоснована целесообразность разработки системного программного обеспечения - платформы автоматизированной микроскопии МЕКОС-Ц2ос для KAM модульной структуры МЕКОС-Ц2. МЕКОС-Ц2ос позволяет использовать многожество комплектаций KAM с постоянно обновляющимся составом оборудования и сделать относительно независимой разработку специализированного функционального программного обеспечения конкретных методик микроскопического анализа. Сформулированы требования к оборудованию автоматизации ряда актуальных методик анализа.

В 4-й главе рассмотрены вопросы создания базы разработки и медицинских испытаний группы специализированных методик микроскопического анализа, поддержанных платформой МЕКОС-Ц2ос. Рассмотрены возможности многоцелевого использования средств удаленного доступа, включая формирование базы испытаний. Рассмотрена реализованная в KAM МЕКОС-Ц2 схема поэтапных испытаний и связанная с ней структура модулей функциональных программ-методик автоматизированной микроскопии, оптимизирующая объем и качество медицинских испытаний. Структура модулей функциональных программ МЕКОС-Ц2 соответствует 8 выявленным в главе 2 естественным задачам автоматизации, качество решения которых в KAM может быть проверено последовательно (поэтапно), что дает преимущества по сравнению с традиционной схемой испытаний.

В 5-й главе рассмотрены алгоритмы группы функциональных программ-методик KAM МЕКОС-Ц2 для гематологии, цитологии, гистологии, паразитологии, телемедицины. Некоторые алгоритмы МЕКОС-Ц2 является оригинальными, другие разработаны на базе известных методов (программ). Среди оригинальных алгоритмов основное внимание уделено алгоритмам сегментации границ изображений клеток крови. В результате экспериментов с рядом алгоритмов выбрана схема "seeded region growing" с применением нелинейной диффузной фильтрации в качестве предобработки, метода watershed для формирования зерен и оригинального алгоритма «слияния контуров» для формирования границ ядер и цитоплазм клеток. В методе слияния контуров используется модель цитологического объекта и технология выбора параметров с применением методов минимизации функции эмпирического риска в классе кусочно-линейных решающих правил. Рассматривается оригинальная вычислительная схема решения системы соответствующих линейных неравенств с применением элементов целочисленного программирования.

В 6-й главе представлены результаты испытаний созданных на основе рассмотренных в предыдущих главах технологий и алгоритмов методик анализа клеток крови KAM МЕКОС-Ц2. Оцениваются показатели точности, производительности, трудоемкости применения различных методик, делается вывод о целесообразности применения МЕКОС-Ц2 в медицинской практике.

В заключении формулируются полученные результаты, оценивается их вклад в теорию и практику разработки KAM.

В приложениях представлены документы внедрения, литературные и аналитические обзоры по реализованным программно-аппаратным системам автоматической микроскопии, по оборудованию KAM, определены требования к оборудованию со стороны ряда программ автоматизации, представлены аннотации программ МЕКОС-Ц2, приведены примеры применения ПО комплексов МЕКОС для формирования решающих правил количественной диагностики в онкологии.

7.1 Выводы.

1. Исследованы характеристики объектов микроскопического анализа биоматериалов с точки зрения возможностей зрительного анализатора врача и современных возможностей технического анализа изображений. Выявлены возможности и ограничения ручных (визуальных) методик и соответствующих автоматизированных методик анализа сложных изменчивых образов, идентифицируемых в качественных терминах. Сделан вывод о том, что доминирующие до настоящего времени ручные научно-исследовательские и медицинские методики являются основным тормозом развития отрасли из-за проблем сбора представительных выборок препаратов и, как следствие, отсутствия базы для перехода к количественным идентификациям цитологических объектов.

2. Исследованы постановки задач автоматизации микроскопических исследований биоматериалов. Выявлены основные типы задач и соответствующие функциональные модули комплексов автоматизированной микроскопии (8 систем: съемки, информатизации, навигации, обнаружения и сбора выборки, измерения, сортировки, медицинской диагностики, контроля качества), комбинации которых покрывают множество известных методик анализа.

3. Определена необходимость применения всех 8 указанных систем комплексов автоматизированной микроскопии для реализации различных высокоспециализированных методик KAM роботизирующего уровня. В связи с этим сделан вывод о целесообразности разработки многофункционального семейства KAM (KAM МЕКОС-Ц2).

4. Исследованы характеристики представленных на рынке аппаратных комплектующих KAM (микроскопы, видеокамеры, электромеханическое оборудование перемещения и фокусировки препарата, компьютеры). Выявлены возможности применения семейств комплектаций, обеспечивающих разнообразие медико-технических характеристик KAM модульной структуры. Выявлено, что современный уровень развития оборудования создает возможность перенести разработку KAM главным образом в область разработки программного обеспечения.

5. Выявлена целесообразность разработки программной системной платформы для работы с множеством комплектаций оборудования KAM, для создания среды для функциональных программ-методик и для реализации информационного уровня автоматизации методик.

6. Исследованы стандарты испытаний KAM роботизирующего уровня. Выявлено, что существующие стандарты ориентированы на традиционные референтные методики, принципиально несовместимые с современными информационными технологиями.

7. Исследована и разработана схема последовательных испытаний 8 функциональных систем KAM МЕКОС-Ц2 с применением формируемых методами KAM виртуальных (цифровых) аналогов физических препаратов биоматериалов. При этом в случае положительной аттестации выходная база испытаний предыдущих систем может быть использована в качестве входной базы испытаний следующих систем. Показана возможность применения информационных технологий, в том числе средств удаленного доступа, для сбора представительных обучающих и экзаменационных выборок виртуальных препаратов для разработки и испытаний ПО KAM.

8. Показано, что схема испытаний МЕКОС-Ц2 имеет преимущества над известными схемами по представительности базы испытаний, по их стоимости и реализуемости, что позволяет рекомендовать ее в качестве прототипа нового стандарта испытаний KAM и других систем, для которых заданы качественные идентификации объектов анализа.

9. Показана перспективность применения виртуальных препаратов для разработки количественных диагностических решающих правил. Определено революционное значение предстоящего массового применения KAM, формирующих виртуальные препараты, в исследовании принципиально новых типов анализов и диагностик на базе измерений меток, клеток и тканей, то есть в переходе от описательных к количественным идентификациям цитологических объектов.

10. Рассмотрены функциональные системы ПО МЕКОС-Ц2. Определено, что создание сложных программных комплексов, таких как ПО KAM роботизирующего уровня, требует применения значительного числа покупных программных комплектующих в сочетании с собственными оригинальными алгоритмами. В связи с этим центр тяжести разработки переносится на настройку (обучение) параметров программ (алгоритмов), что в свою очередь увеличивает роль средств создания и обслуживания баз обучающих и экзаменационных выборок идентифицированных объектов анализа (виртуальных препаратов).

11. Подробно рассмотрены алгоритмы сегментации границ изображений клеток крови в методике клинического анализа мазка крови. В результате экспериментов с рядом алгоритмов выбрана схема "seeded region growing" с применением нелинейной фильтрации в качестве предобработки, метода watershed для формирования зерен и оригинального алгоритма «слияния контуров» для формирования границ ядер и цитоплазм клеток. В методе слияния контуров используется модель цитологического объекта и технология выбора параметров с применением методов минимизации функции эмпирического риска в классе кусочно-линейных решающих правил. Рассматривается оригинальная вычислительная схема решения системы соответствующих линейных неравенств с применением элементов целочисленного программирования.

12. Проведены медицинские испытания KAM МЕКОС-Ц2 по стандартной схеме испытаний с дополнительными этапами, соответствующими структуре и схеме испытаний МЕКОС-Ц2, на базе 3-х медицинских учреждений Москвы. Результаты испытаний показали, что KAM МЕКОС-Ц2 в составе модульного покупного оборудования и оригинального программного обеспечения выполняет автоматический сбор выборки клеток мазков крови для анализа с качеством, не уступающим качеству выполнения соответствующего анализа опытным врачом при ручной микроскопии при значительном росте производительности труда врача и новом уровне контроля качества и информатизации.

7. 2. Практические рекомендации

1. Предложенные технологии разработки KAM МЕКОС-Ц2 являются методически достаточно общими и могут применяться для разработки других медицинских, научно-исследовательских и технических систем автоматического анализа изображений, связанных со сложным сбором выборки и сортировкой объектов анализа (контроль качества в формацевтике и пищевой промышленности, применение других типов микроскопии и др.).

2. Целесообразно провести аналогичные разработки с группой перспективных медицинских методик анализа биоматериалов, таких как паразитогический анализ, анализ спермы и др.

3. Для увеличения конкурентоспособности разработанных методик необходимы дальнейшие исследования по увеличению скорости анализа, поиск новых алгоритмических решений прежде всего для ускорения просмотра препарата (просмотра изображений весьма большого объема) и сбора выборки.

4. Целесообразно объединение усилий разрозненных групп разработчиков KAM на общих стандартов, интерфейсов, алгоритмических решений. В качестве такой базы может использоваться системная платформа МЕКОС=Ц2ос.

1. Abercrombie E.W. Automation in cytology // Anal. Quant. Cytol. Histol. Vol. 18. - N 1. -1996.-P. 44.

2. Adams R. and L. Bischof, "Seeded Region Growing", IEEE Trans, on Pattern Analysis and Machine Intelligence, vol 16, no. 6, pp. 641-647, June 1994

3. Albertini Maria C., Laura Teodori, Elena Piatti, Maria P. Piacentini, Augusto Accorsi, Marco B. L. Rocchi Automated analysis of morphometric parameters for accurate definition of erythrocyte cell shape Cytometry Part A 52A:12-18, 2003.

4. Alpert N.L. Automated differential counters: Part 2. Lark Classifire, Hematrak // Lab World. June 1976. - P. 22, 25, 28, 47, 48.

5. Angulo J, Flandrin G. Automated detection of working area of peripheral blood smears using mathematical morphology. Anal Cell Pathol. 2003;25(l):37-49.

6. Applied Imaging Co.: www.aii.co.uk

7. Applied Scientific Instrumentation, www.asiimaging.com

8. Applied Spectral imaging, www.asi.com

9. Astafeva N M, "Wavelet analysis: basic theory and some applications", PHYS-USP, 1996, 39(11), 1085-1108.

10. Auer G, Steinbeck R, Zetterberg A, Molecular markers in diagnostic pathology // Histometry Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology, Chicago, USA, 1994, p. 129.

11. Bacus J.W. (1977) The development of automated differential systems. In: Differential Leukocyte Counting (ed. J.A.Koepke), College of American Pathologist, Aspen, 95-117.

12. Bacus J.W. Leukocite Recognition. IEEE Trans, on SMC2,No.4,1972.

13. Bacus J.W; Cell Analysis Systems, Inc., Elmhurst, 111. Заявл. 10.10.90; опубл. 10.08.93. Method and apparatus for automated analysis of biological specimens: Пат. CILIA 5,235,522: МКИ G 06 К 9/00, G 06 F 15/00; НКИ 364/497

14. Bacus S, Chin D. et al, Application of image analysis in the evaluation of cellular prognostic factors in breast cancer // Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology, Chicago, USA, 1994, p. 143.

15. Barnett R.N. Medical significance of labaratory results // Amer. J. Clin. Pathol. 1968 . -Vol. 50. - P. 671 - 676.

16. Barrow H.G, Popplestone R.J, Relational descriptions in picture processing // Machine Intelligence 6 / ed. by Meltzer B, Michie D. Edinburg: Edinburg University Press. -1971. - P. 377 - 396.

17. Bartels P.H, Thomson D. Histometry. Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology, Chicago, USA, 1994, p. 71.

18. Bartels P.H. Videophotometry: Sources of errors // Manual of Quant. Pathology in Cancer Diagnisis and Prognosis / ed. by Baak J.P.A. New York: Springer-Verlag. - 1991. - P. 182 - 188.

19. Bas B.M., Catsberg M.J., Kamp L.K. A short evaluation of a new hematological analyser: the Cobas Argos 5 Diff. // Eur. J. Clin. Chem. Clin. Biochem.- 1993.- V.31.- P. 603.

20. Beckman Coulter Inc., Coulter LH700 Series System. Reference. PN 4277248C (October 2003), Fullerton, CA, 92835.

21. Bedini L., Tonazzini A. Image restoration preserving discontinuités: the Bayessian approach and neural networks. Image and Vision Computting, 1992,10, p. 108-118.

22. Bentley S.A, Johnson A, Bishop C.A. A parallel evaluation of four automated hematology analyzers // Amer. J. Clin. Path. 1993. - Vol. 100. - N 6. - P. 626 - 632.

23. Bentley S.A. et al. An evaluation of the Cobas Helios analyser. // Am. J. Clin. Pathol.-1994.- V. 102.- P. 223.

24. Bibbo M, Minimo C, Xiao J, Christen R, A workstation for objective grading of tumors // Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology, Chicago, USA, 1994, p. 89.

25. Bocking A, Striepecke E, Auer H, Fuzesi L, Static DNA cytometry: Biological background, technique, and diagnostic interpretation // Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology, Chicago, USA, 1994, p. 107.

26. Bol MG, Baak JP, Diermen B, Janssen EA, Buhr-Wildhagen SB, Kjellevold KH. Correlation of grade of urothelial cell carcinomas and DNA histogram features assessed by flow cytometry and automated image cytometry. Anal Cell Pathol. 2003;25(3):147-153.

27. Bradbury S. Commercial image analysers and the characterization of microscopical images//J. Microsc. 1983,-Vol. 131.-P. 203.

28. Brugal G. , Interpretation of Priliferation Markers. Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology. Chicago. - 1994. - P. 234-240.

29. Bull B, Korpman R.A. The logistics of the leukocyte differential count (implications for automation) // Aspen Conference on WBC Differential Counts / ed. by Koepke J. et al.- 1979.-P. 217-224.

30. Bull B.S. The use of patient values, calibrator, and control material in the laboratory // Advances in Hematological Methods: The Blood Count / ed. by Assendelft O.W, England J.M. 1982. - Boca Raton: CRC Press. - P. 217.

31. Bunton Instrument company, www.buntgrp.com

32. Cell Image Retrieval and Evaluation System / SIRES User's Manual. Release 2.0 August 1993.

33. Cellavision, www.cellavision.com

34. Chamgoulov R, Lane P, MacAulay C. Optical computed-tomographic microscope for three-dimensional quantitative histology. Cell Oncol. 2004;26(5-6):319-27

35. Clarient, www.clarientinc.com

36. Cohen L.D., Cohen I. Finite-Element Methods for Active Contour Models and Balloons for 2-D and 3-D Images // IEEE Trans. Pattern Anal. Mach. Intel., 1993. - Vol. 15. - N 11.-P. 1131 - 1147.

37. College E. Roche Image Analysis System // Compendium on the Computerized Cytology and Histology / ed. Wied G.L, Bartels P.H, Rosenthal D.L, Schenck U. Chicago. - 1994. -P. 353 -359.

38. Coulter W.H. High speed automatic blood cell counter and cell size analyser. // Proc. Natl. Electron. Conf.- 1956,- V.12.- P. 1034.

39. Crocker J, Macartny J, Smith P, Correlation between DNA flow cytometric and nucleolar organizer regions data in non-Hodkin's lymphomas // J. Pathol. 1988. - Vol. 154. - P. 151 -156.

40. Cunnigham MT, iMoreland D, Meyer R, Elbert G, Dick FR, Olson JD. Effect of normalization on the intermethod variability of reticulocyte counting. Lab. Haematol 1996; 2:94-98.

41. Dacie J.V., Lewis S.M. Practical Haematology, 7 ed. 1991. - 556 P.49. Dalsa, www.dalsa.com

42. Daoust P.R. The clinical detection in variations in the concentrations of normal leucocyte types // Blood Cells. 1980. - Vol. 6. - P. 489 - 495.

43. Davis B.H., Lafferty J. The Automated Reticulocyte Count: is it a Better Test? Balancing Accuracy, Precision and Clinical Need. LPTP Newsletter, No.286, 2000.

44. DeltaPix, www.deltapix.com53. DiaSys, www.DiaSys.com

45. Duncan K.L, Gottfried E.L. Utility of the three part leukocyte differential count // Amer. J. Clin. Pathol. 1987. - Vol. 88. - P. 308 - 312.

46. Elion-Gerritzen W.E. Analytic precision and medical decision//Amer. J. Clin. Pathol. 1980.-Vol. 73.-P. 183 - 195.

47. England J.M, Bain B.J. Total and differential leucocyte count // Brit. J. Haemat. 1976. -Vol. 33.-P. 1-7.

48. Franzini C. Relevance of analytical and biological variations to quality and interpretation of test rezults: examples of application to haematology. Ann. 1st. Super. Sanita, vol 31, n 1 (1995), pp 9-13.

49. Galera-Ruiz H. and others. Value of Ploidy Pattern and Nuclear Texture in tne Diagnosis of Primery Hyperparathyroidism. AQCH.vol 18, N1, 1996, p35-42.

50. Gerger A, Bergthaler P, Smolle J. An automated method for the quantification and fractal analysis of immunostaining. Cell Oncol. 2004;26(3): 125-34.

51. Gimenez-Mas J. et al. AgNOR evaluation by image processing methods: Staining modifications and rezults in 126 invasive ductal breast carcinomas // Anal. Quant. Cytol. Histol. 1996. -Vol. 18. - N 1. - P. 9.

52. GlobalMedia, wvAv.globalmedia.com

53. Grace J., Stankovic R., Gupta L. Detection of Aneuploidy and Polyploidy in Non-Hodgkin's Lymphoma by Computer Video Image Analysis. AQCH, vol 15, N 4, p 265, 1993.

54. Graham M.D, Norgren P.E. The diff 3 analyser: A parallel serial image processor // RealTime Medical Image Processing / ed. by Onoe M, Preston K, Rosenfeld A. 1980. - NY: Plenum Press. - P. 163 - 182.

55. Graham M.D.The diff 4: A second generation slide analyser // Computing Structures for Image Processing / ed. by Duff M.J.B. London: Academic Press. - 1983. - P. 179 - 194.

56. Green J.E. A practical application of computer pattern recognition research: The Abbott ADC-500 differential classifire // J. Histocem. Cytochem. 1979. - Vol. 27. - N 1. - P. 160 - 173.

57. Hamamatsu, www.hamamatsu.com

58. Hillman R.S., Finch C.A. Erythropoiesis: normal and abnormal. Semin.Hematol. 1967,4, p.327.

59. Hitachi, www.hitachi-denshi-uk.com

60. Hoppin JW, KupinskiA, KastisA, ClarksonE, HarrisonHB. Objective comparison of quantitative imaging modalities without the use of a gold standard. IEEE Trans Med Imaging 21,N5,2002, p.441.

61. Hruska A, Bollmann R, Kovacs RB, Bollmann M, Bodo M, Sapi Z. DNA ploidy and chromosome (FISH) pattern analysis of peripheral nerve sheath tumors. Cell Oncol. 2004;26(5-6):335-45.

62. I&M Series: Basics of light microscopy and imaging. Digital resolution, part 1. G.I.T. Imaging&Microscopy No 4 2003, pp59-62

63. Improvision, www.improvision.com

64. IRIS, www.irisdiagnostics.com

65. Jackway P.T. Morphological Multiscale Gradient Watershed Image Analysis. 9th SCIA Scandinavian Conference on Image Analysis. 6-7 June 1995, p. 87-94, Uppsala, Sweden.

66. Jakic-Razumovic J., Petrovecki M., Dominis M. AG-NORs Predictive Value of Prognosis in Non-Hodgkin's Lymphoma According to the Kiel Classification. Modern Pathology, vol 8,No2,p 143,1995.

67. Jiang K., Liao Q., Dai S. A novel white blood cell segmentation scheme using scale-space filtering and watershed clustering. Proc. Of the Second Intern. Conf. on Machine Learning and Cybernetics. Xi'an, November 2003, 2-5.81. JVC, www.jvc.com

68. Kai Yu, Liang Ji. Karyotyping of comparative genomic hybridization human metaphases using kernel nearest-neighbor algorithm. Cytometry 48:202-208, 2002.

69. Kalir T., Chan K.S., Liu Z., Strauchen J., Gil J. Semi-automatic Quantitation of Nucleolar Organizer Regions in Non-Hodgkin's Lymphomas. Path. Res. Pract. 190,124-128 (1994).

70. Kamentsky L.A. CompuCyte Corporation: Pathfinder System: Computerazing The Microscope to Improve Cytology Quality Assurance // Acta Cytol. 1996. - Vol 40. - N 1. -P. 31 -36.

71. Karl Zeiss Co.: www.zeiss.com

72. Kass M., A.Witkin, and D.Terzopoulos, "Snakes: Active contour models" Int. J. Computer Vision vol.1 pp.321-331,1998.

73. Kim NT, Elie N, Plancoulaine B, Herlin P, Coster M.

74. An original approach for quantification of blood vessels on the whole tumour section. Anal Cell Pathol. 2003;25(2):63-75.

75. Knesel E.A, Roche image analysis systems, Inc // Acta Cytologica. 1996. - Vol. 40. - N 1. - P. 60.

76. Korpman R.A, Bull B. Whither the WBC differential? Some alternatives // Blood Cells. -1980. - Vol. 6. -N 3. - P. 421 -429.

77. Koss L. and others. Application of a Neural Net-Based Automated Microscopic System to Nongynecologic Cytologic Samples. AQCH, vol 18, N1,1996, p74.

78. Kozinetz G., Medovy V., Pyatnitsky A., Sokolinsky B., Gusev A., Pogorelov V. MECOS-C: return to image analysis in microscope examination of blood smears. Proc. SPIE "Optical Diagnostic of Living Cell". 1998, v.3.

79. Krause J.R. The automated white blood cell differential. A current perspective. Hematol.Oncol.Clin.North.Am. 1994 Aug; 8(4) 605-16.

80. Kubota F. Analysis of red cell and platelet morphology using an imaging-combined flow cytometer. Clin Lab Haematol. 2003 Apr; 25(2):71-6.

81. Lamchiagdhase P., Pattanapanyasat K., Muangsup W. Reticulocyte Counting in Thalassemia Using Different Automated Technologies. Laboratory Hematology, 2000, 6, p.73-78.

82. Leica, www.leica-microsystems.com

83. Leyssen M.N.J. Verwilghen R.L, Koboyashi T, Tomoaki T. Microx, a new fully automated blood cell analyser // Abstracts of Sixth Meeting of the International Society of Haematology, European and African Division. Athens. - 1981.

84. Lezoray O., Cardot H., Cooperation of color pixel classification schemes and color watershed: a study for microscopic images. Image Processing, IEEE Transactions on. Volume 11, Issue 7, July 2002, p. 783 789.

85. Lindblad Joakim, Carolina Wahlby, Ewert Bengtsson, Alia Zaltsman Image analysis for automatic segmentation of cytoplasms and classification of Racl activation Cytometry Part A 57A:22-33,2004.

86. Linder J. Automation in cytopathology. // Amer. J. Clin. Pathol. 1992, - Vol. 98. - N 4. Suppl. 1 - p. S47-S51.

87. Linder J. Considerations in automated cytology // Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology. Chicago. - 1994. - P. 25.

88. Loukas Constantinos G., George D. Wilson, Borivoj Vojnovic, Alf Linney An image analysis-based approach for automated counting of cancer cell nuclei in tissue sections Cytometry Part A 55A:30-42, 2003

89. Ludl Electronic products, www.ludl.com

90. Malladi R, Sethian J.A, Vemuri B.C. Shape modiling with front propagation: A level set approach // IEEE Trans. Pattern Anal. Mach. Intell. 1995. - Vol. 17. - N 2. - P. 158 - 175.

91. Mariuzzi G, Mariuzzi L, Mombello A, Santinelli A, Grading and prognosis of tumors // Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology, Chicago, USA, 1994, p. 78.

92. Martin W. A. Sorting. Comp. Surv., 1971, vol. 3, No. 4.

93. MARZHAUSER, www.marzhauser.com

94. MarzhAuser, www.marzhauser.com,111. Matrox, www.matrox.com

95. McGoogan E, Reith A, Would monolayers provide more representative samples and improved preparations for cervical screening? // Acta Cytologica. 1996. - Vol. 40. - N 1. -P. 107.

96. McKenzie S.B.,Gauger C.A. Analysis of reticulocyte counts using various methods. Clin Lab Sci., 1991 Jan-Feb; 4(1): 37-41.

97. Media Cybernetics, www.mediacy.com

98. Medovy VI. S., A.V.Ivanov, Vit.S.Medovy. Contextual clustering method in cytological image recognition. IEEE IWIP, Moscow, July 1994, p 61.

99. Medovy VI. S., A.V.Ivanov, I.A.Ivanova, Vit.S.Medovy, N.V.Verdenskaya. Active contour model in cytological image recognition. IS&T/SPIE Proc. Vol. 2421, (San-Joce, USA, Fenruary 1995).

100. Megla G.K. The LARC automatic white blood cell analyzer // Acta Cytol. 1973. - Vol. 17. N1,-P. 3-14.

101. Mengert P. H. Solution of Linear Inequalities. IEEE Trans. Comput., 1970, vol. C-19, No. 2.

102. Miles C.P., Jagard D.L. The use of optical Fourier transforms to diagnose pleomorphism, size and chromatine clumping in nuclear models // Anal. Quant. Cytol. -1981.-Vol.3-N 2.-P. 149-156.

103. Miller M.M. Design and clinical results of Hematrak an automated differential counter // IEEE Trans. Biomed. Eng.- 1976. - Vol. 23. - N 5. - P. 400 - 405.

104. Mohandas N., Kim Y.R., Tycko D.H., Orlik J., Wyatt J., Groner W. Accurate and independent measurement of volume and hemoglobin concentration of individual red cell by laser light scattering // Blood. 1986. - Vol. 68. - N 2. - P. 506 - 513.

105. Motherby H, Pomjanski N, Kube M, Boros A, Heiden T, Tribukait B, Bocking A. Diagnostic DNA-flow- vs. -image-cytometry in effusion cytology. Anal Cell Pathol. 2002;24(l):l-4.123. Motic, www.motic.com

106. NCCLS H20. National Committee for Clinical Laboratory Standards (1992). Reference Leukocyte Differential Count and Evaluation of Instrumental Methods: Approved Standards. NCCLS H20-A Villanova, PA.

107. NCCLS H44. National Committee for Clinical Laboratory Standards. Methods for Reticulocyte Counting (Flow Cytometry and Supravital Dyes); Approved Guideline/ Villanova, NCCLS document H44-A, 1997.126. Nicon, www.nikon.com

108. Nikolaladias and I. Pitas. Region-Based Image Watermarking. IEEE Trans. On Image processing vol.10 No 11, November 2001, pp. 1726-1740.

109. Nikonenko A. The cell sectioning model // Anal. Quant. Cytol. Histol. 1996. - Vol. 18. -N 1. - P. 23.

110. Oberholzer M. and others. Can the Ki-67 Index Automatically Be Determined by Tools of Digital Image Analysis?: Some problem Hordles in Quantitative Immunohistochemistry. AQCH, vol 18, N 1 1996, p87.130. Olympus, www.olympus.com

111. Palcic B, MacAulay C, Malignancy associated changes: Can they be emploid clinically? // Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology, Chicago, USA, 1994, p. 157.

112. Perona P. and J. Malik, Scale space and edge detection using anisotropic diffusion. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 12, pp. 629-639,1990.

113. Pong T.C, Shapiro L.G, Watson L.T, Haralick R.M, Experiments in segmentation using a facet model region grower, Comput. Vision Graphics Image Process, - 1984. - Vol. 25. -N 1. - P. 1 -23.

114. Poulin N, Frost A, Carraro A, Mommers E, Guillaud M, Van Diest PJ, Grizzle W, Beenken S. Risk biomarker assessment for breast cancer progression: replication precision of nuclear morphometry. Anal Cell Pathol. 2003;25(3):129-38.

115. Pressman N.J. Markovian analisis of cervical cell images // J. Histochem. Cytochem. -1976.-Vol. 24.-N 1,-P. 138- 144.

116. Prior Scientific, www.prior.com141. Pulnix, www.pulnix.com

117. Raatz, Bocking A, Hauptmann S. Prognostic impact of DNA-image-cytometry in neuroendocrine (carcinoid) tumours. Cell Oncol. 2004;26(l-2):81-8.

118. Rabinovitch A., Combleet P.J. Body fluid microscopy in US laboratories. // Arch. Pathol. Lab. Med. 1994 vol 118 N1, pl3-17.

119. Ray N., Acton S.T., Ley K.Tracking leukocytes in vivo with shape and size constrained active contours. IEEE Transactions on Medical Imaging, Volume: 21, Issue: 10, 12221235, Oct 2002

120. Reith A, Danielsen H, Assessment of DNA ploidy in tumor material: Preparation and measurement by image sytometry // Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology, Chicago, USA, 1994, p. 185.

121. Rodenacker K, Bengtsson E. A feature set for cytometry on digitized microscopic images. Anal Cell Pathol. 2003;25(l):l-36.

122. Rogers C.H. Blood sample preparation for automated differential systems // Amer. J. Med. Technol. 1973. - Vol. 39. - P. 435 - 441.

123. Rosenthal D.L, Mango L.J, Application of nural networks for interactive diagnosis of anatomic pathology specimens // Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology, Chicago, USA, 1994, p. 173.

124. Rowan R.M. Automated examination of the peripheral blood smear // Automation and Quality Assurance in Haematology / ed. by Rowan R.M, England J.M. Blackwell Scientific Publications. - 1986. - P. 129 - 177.

125. Rowan R.N. Reference method, quality control and automation of reticulocyte count. Pure&Appl.Chem., 1991, v.63, №8, p.l 141-1145.

126. Ruberto S., Dempster A., Khan S., Jarra B. Segmentation of blood images using morphological operators. Pattern Recognition, 2000. Proceedings 15 International Conference, Barselona, Spain, September 2000, p397-400, vol.3.

127. S. Beucher and F. Meyer, "The Morphological Approach to Segmentation: The Watershed Transformation", in: Mathematical Morphology in Image Processing, E.R.Doughertty (Ed.), Marcel Dekker, NY, 1993.

128. Savage R, Skoog D, Rabinovitch A. Analytical inaccuracy and imprecision in reticulocyte counting. A preliminary report from the College of American Pathology Reticulocyte Project.Blood Cells, 1985,11, 97-112.

129. Schenk U. et al. Cell image morphology and hormone receptor analysis in brest carcinoma // Compendium on the Computerized Cytology and Histology. Tutorials of Cytology. -Chicago.-1994.-P. 211.

130. Schoentag R.A, Pedersen J.T. Evaluation of an automated blood smear analyser // Amer. J. Clin. Pathol. 1979. - Vol. 71. - P. 684 - 694.

131. Semprex Corporation, www.semprex.com

132. Serra J. Examples of structuring functions and their uses // Image Analysis and Mathematical Morphology. Vol. 2 / ed. by Serra S. - New York: Springer Verlag. - 1988. - P. 71 - 99.

133. Shitong W, Min W. A new detection algorithm (NDA) based on fuzzy cellular neural networks for white blood cell detection. IEEE Trans. On information technology in biomedicine. Vol.10, No 1, 2006, pp5-10.

134. Sigma-Aldrich, Reticulocyte stain package insert (Procedure No.R 4132) инструкция no применению окраски для выявления ретикулоцитов.

135. Simmons A. Hematology 2-nd ed, Butterworth-Heinemann, 1997.

136. SIRES: Cell Image Retrieval and Evaluation System / SIRES User's Manual. Release 2.0 August 1993.

137. Sony, www.sony.com/videocameras

138. Strand J., Taxt T. Local frequency features for texture classification // Pattern Recognition. 1994. - Vol. 27. - No. 10. - P. 1397 - 1406.

139. Stroop D.M. and others. Comparison of the Abbot Cell Dyn 3000 SL and Coulter STKS hematology analyzers. Ann. Clin. Lab. Sci. 1994 May-Jun. 24(3) p 250-8.

140. Sun XR, Wang J, Garner D, Palcic B Detection of cervical cancer and high grade neoplastic lesions by a combination of liquid-based sampling preparation and DNA measurements using automated image cytometry. Cell Oncol. 2005; 27(1):33-41.

141. Suzuki R. et al. Cell classification method. US patent 4,129,854 Dec. 12,1978, MKH G 06 K 9/00, G 01 N33/16; HKH 340/146.3

142. Swartz R, West L, Boiko I, Malpica A, MacAulay C, Carraro A, Guillaud M, Cox D, Follen M. Use of nuclear morphometry characteristics to distinguish between normal and abnormal cervical glandular histologies. Anal Cell Pathol. 2003;25(4):193-200.

143. Haem. Vol. 25,2003, p. 139-147.

144. Tamura H., Mori S., Yamawaki T. Textural features corresponding to visual perception // IEEE Trans, on Syst. Man Cybern. 1978, - Vol. SMC-8, - P.460 - 473.

145. Tatsumi N, Pierre R.V. (2002). Automated image processing. Past, present and future of blood cell morphometry identification. Clinics in Laboratory Medicine 22, 299-315.

146. Tenenbaum J.M, Barrow H.G. Experiments in interpretation-guided segmentation // Artif. Intell. 1977. - Vol. 8. - N 3. - P. 241 - 274.

147. Thirion J.-P, Gourdon A. Computing the differential characteristics of isointensivity surfaces // Comput. Vision Image Underst. 1995. - Vol. 62. - N 2. - P. 190 - 202.

148. Tin Kam Ho; Hull, J.J.; Srihari, S.N. Decision combination in multiple classifier systems. IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol. 16, no. 1, 1994, p.66-75

149. Tofra Incorporated, www.tofrainc.com

150. TopStar 01 44-09, 2001. Reticulocyte count with a Miller disk. New operational instruction.

151. Tuceryan M., Jain A.K. Texture analysis // The Handbook of Pattern Recognition and Computer Vision / Chen C.H., Pan L.F., Wang P.S.P., eds. World Scientific Publishing Co. - 1992.

152. Tucker J.H., Dye R., Sprey J., Souter C., Gray E., Brugal G., Relocation accuracy on HOME computerized microscopes // J. Microsc. 1994 - Vol. 176. - N 1.- p.75-82.

153. Turgeon M.L., Clinical Hematology Theories and Procedures. 2000.

154. Unger K.W., Johnson D.Jr. Red blood cell MCV: a potential indicator of alcohol usage in a working population // Am. J. Med. Sci. Vol. 267. - 1974. - P. 28.

155. Vincent L., Soille P. Watersheds in digital spaces: an efficient algorithm based on immersion simulations. IEEE Trans. Patt. Anal. Mach. Intell. Vol. 13, no. 6, 1991, p. 583598.

156. Vooijs G.P, Path F, The changing role of cytopathology // Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology, Chicago, USA, 1994, p. 17.

157. Weickert J., В. M. ter Haar Romeny, and M. A. Viergever, Efficient and reliable schemes for nonlinear diffusion filtering. IEEE Transactions on Image processing, Vol. 7, No. 3, March 1998.

158. Wied G.L, Bartels P.H. et al. Computer-assisted quality assurence // Acta Cytol. 1996. -Vol. 40,- Nl.-P. 1.

159. Wied G.L, The inevitable and mandatory computerization of our laboratories // Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology, Chicago, USA, 1994, p. 1.

160. Wilding P, Leboy E.L. Use of pattern recognition technology for determination of the human differential leukocyte count // Blood Cells. 1985. - Vol. 11. - N 2. - P. 187 - 201.

161. Wintrobe's clinical hematology, 11th Ed. Lippincot Williams&Wilkins Publisher, lllh edition (December 2003).191. www.sekk/cz/EQA/2005/2005all.htm List of surveys 2005, Reticulocyte Count RC2/05

162. Yakimovsky Y, Feldman J. A semantic-based descision theory region analyzer // Proc. Third Int. Joint Conf. Artificial Intelligence. 1973. - P. 580 - 588.

163. Yu-Jin Zhang. Advances in Image and Video Segmentation. IRM Press, 2006.194. Zeiss, www.zeiss.com

164. Автандилов Г.Г. Компьютерная микротелефотометрия в диагностической гистоцитопатологии. Москва, 1996.

165. Агроскин Л. С, Папаян Г.В, Цитофотометрия. Аппаратура и методы анализа клеток по светопропусканию. Л: Наука. 1977.

166. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д., Прикладная статистика. Классификация и снижение размерности. М.: Финансы и Статистика. -1989.-607 с.

167. Байдун J1.B., С.А.Кашпор, А.А.Парпара, С.А.Плясунова, А.М.Пятницкий, Б.З.Соколинский. Автоматическая эритроцитометрия в роботизированном микроскопе МЕКОС-Ц1. Клиническая лабораторная диагностика №6, 2003 г, стр.3 942.

168. Балаховский И.С. К вопросу о страховой стоимости клинико-лабораторных исследований. Клиническая лабораторная диагностика, 1995, N6. стр 64-69.

169. Вапник В.Н, Червоненкис А.Я. Теория распознавания образов. Статистические проблемы обучения. Москва: Наука. - 1974.

170. Вапник. В. Н. Машины, обучающиеся распознаванию образов. В сб.: Алгоритмы обучения распознавания образов. М., «Сов. Радио», 1973.

171. Верденская H.A., Иванова И.М., Медовый B.C. и др. , Патент РФ на изобретение 2132060, 1999. Способ оценки фотоморфометрической неоднородности популяции клеток цитологических препаратов. Патентообладатель ЗАО МЕКОС.

172. Видеотест, www.videotest.ru

173. Волченко H.H., Медовый B.C., Бладунова З.Д., Славнова E.H., Савостикова М.В. Цитологическая диагностика долькового рака. Новости клинической цитологии, №34,2002 г

174. Волченко H.H., В.С.Медовый, Н.В.Климова, М.В.Савостикова, Е.Н.Славнова. Цитоморфометрическая диагностика дисплазий при дисгормонально-гиперпастических процессах молочной железы. Клиническая лабораторная диагностика, №5,2006, стр. 52-54.

175. Воробьев А.И. Руководство по гематологии. Москва, «Медицина». 1985.

176. Ворошилов H.A. Автоматический анализ мочи зачем он нужен? Лаборатория, №3, 2004

177. Трибунов Ю.П., Ю.Л.Перов, Л.С.Ходасевич, О.И.Орлов. Морфологические и организационные аспекты использования телепатологии. Фонд «Телемедицина», серия «Практическая телемедицина», выпуск 5, Москва 2006.211. Диаморф, www.diamorph.ru

178. Егисапетов Э. Г. Обучение распознавания образов с помощью линейных решающих функций. Изв. АН СССР. Техн. киб., 1969, №5.

179. Кендалл М., Моран П., Геометрические вероятности. Пер. с англ. М.: «Наука», 1972, 192 с.

180. Клиорин А.И., Тиунов Л.А. Функциональная неравнозначность эритроцитов. Л. -1974.

181. Козинец Г., Погорелов В.М., Каюмова Д.Ф., Сарычева Т.Г., Дягилева O.A., Наумова И.Н. Нужны ли мазки крови? // Клин. лаб. диагн. 1994. - N 2. - С. 37 - 40.

182. Козинец Г., Симоварт Ю. Поверхностная архитектоника клеток периферической крови в норме и при заболеваниях системы крови. Таллин: "Валгус". - 1984. - 116 С.

183. Козинец Г.И., ., Медовый B.C. и др. Исследование системы крови в клинической практике. Под ред. Г.И.Козинца и В.А.Макарова. Москва, Триада-Х, 1997 г.

184. Коленкин С.М. Автоматизированный анализ ретикулоцитов. Клиническая лабораторная диагностика №3 2003, стр.36-38

185. Коленкин С.М. Референтные величины параметров автоматизированного анализа ретикулоцитов. Клиническая лабораторная диагностика №1 2003, стр.40-41.

186. Крокер Дж. Показатели клеточной пролиферации при злокачественных лимфомах с особым рассмотрением ядрышкообразующих районов. Гематол.трансфуз. -1990,t35,N1 1, с28-34.221. JIOMO, www.lomo.ru

187. Луговская С.А., Почтарь М.Е. Гематологический атлас. М. 2004.

188. Медовый B.C. Метод минимизации величины эмпирического риска в классе кусочно-линейных решающих правил. ВИМИ СРДР, вып 12, 1973.

189. Медовый B.C. О поиске глобального экстремума в задачах распознавания. Вопросы радиоэлектроники, ЭВТ, вып 5,1972.

190. Медовый B.C. Об уменьшении размерности линейных решающих правил в задаче распознавания. ВИМИ СРДР, вып 12,1973.

191. Медовый B.C. Метод минимизации функционала эмпирического риска для многопроцессорных ЦВМ. Вопросы радиоэлектроники, ЭВТ, вып 6, 1973.

192. Медовый B.C. Метод построения кусочно-линейного решающего правила для многопроцессорной ЦВМ. Вопросы радиоэлектроники, ЭВТ, вып 7,1974., стр. 44-47.

193. Медовый B.C., Труш В.Д. О распараллеливании быстрого преобразования Фурье в спектральном анализе энцефалограммы. Программирование, №1, стр. 34-35, 1975.

194. Медовый B.C. О распараллеливании алгоритма обучения распознаванию для задач с нефиксированным временем счета. Программирование №2, стр. 45-49, 1975.

195. Медовый Вл.С., А.В.Иванов, Вит.С.Медовый, В.М.Погорелов. Способ распознавания и измерения диагностических характеристик цитологическихпрепаратов. Патент РФ на изобретение N 2088922. Опубл. 27.08.1997, Бюлл. изобр. РФ N24.

196. Медовый B.C., В.А.Балабуткии, Н.В.Всрденская и др. Автоматизированные цитофотоморфометрические тесты мазков крови для общей клиники и скрининговых обследований населения. Клиническая лабораторная диагностика, N 10,1997, стр 6-8.

197. Медовый Вл.С., Медовый Вит.С., Иванов A.B. Патент РФ на изобретение 2121714,1998. Способ автоматизированной сегментации изображения цитологического препарата.

198. Медовый Вл.С., Медовый Вит.С., Иванов A.B. Патент РФ на изобретение 2132061,1999. Способ адаптивной автоматической сегментации и распознавания клеток на изображениях цитологических препаратов. Патентообладатель ЗАО МЕКОС.

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

200. Медовый B.C., Пятницкий А.М.,Соколинский Б.З., Демьянов B.JL, Парпара A.A. Автоматизированная микроскопия биоматериалов. Здравоохранение и медицинская техника, №4,2005 г. стр. 42-43.

201. Медовый B.C., Парпара A.A., Пятницкий A.M., Соколинский Б.З., Демьянов B.JL. Обзор методик автоматизированной микроскопии биоматериалов. Клиническая лабораторная диагностика, №7, 2006, стр. 15-19.

202. Медовый B.C., Парпара A.A., Пятницкий A.M., Соколинский Б.З., Демьянов B.J1. Структура системы автоматической микроскопии МЕКОС-Ц2 и методики ее испытаний. Медицинская техника, 2006 г., №4, стр.36-40.

203. Медовый B.C. Структура комплекса компьютерной микроскопии, оптимизированная для медицинских испытаний. Вопросы радиоэлектроники, серия ЭВТ, выпуск 1, 2007 г., стр. 52-64.

204. Медовый B.C., Парпара A.A., Соколинский Б.З., Демьянов B.JI. Комплектации оборудования и системная платформа комплексов автоматизированной микроскопии. Медицинская техника, 2007, №2, стр. 29-36.241. МЕКОС, www.mecos.ru

205. МЗ СССР. Приказ 21 ноября 1979 г. №1175. Об унификации клинических лабораторных методов исследования.

206. Пантелеев И., Егорова О., Клыкова Е. Мир материалов и технологий. Компьютерная микроскопия. Техносфера, Москва, 2005 г.

207. Парпара A.A., Пятницкий A.M.,Соколинский Б.З., Медовый B.C., Демьянов B.JI. Навигация по мазку крови при автоматическом подсчёте лейкоцитарной формулы и эритроцитометрии. Здравоохранение и медицинская техника, №7, 2005 г., стр. 37-38.

208. Погорелов В.М, Медовый В.С, Хазен Г.М, Козинец Г.И. Анализ клеточного изображения // Клин, лаборат. диагн. 1995. - N 3. - С. 40 - 43.

209. Погорелов В.М.,Медовый B.C., Соколинский Б.З.,Пятницкий A.M., Козинец Г.И. Методы компьютерной цитологии в гематологических исследованиях. Клиническая лабораторная диагностика, 1997, N11, стр. 40-44.

210. ПраттУ. Цифровая обработка изоображений. М.Мир 1982

211. Пятницкий A.M., Б.И. Соколинский, В.М.Бетрозова, В.С.Медовый, Г.И.Козинец. Анализ эритроцитов в системе МЕКОС-Ц. Клиническая лабораторная диагностика, N 10,1997, стр 8-10.

212. Пятницкий А.М, В.С.Медовый, А.А.Парпара. Анализ ретикулоцитов: ручная микроскопия, проточные анализаторы или анализаторы изображений? Клиническая лабораторная диагностика, 2007, №1.

213. Расчетные нормы времени на клинические лабораторные исследования Приказ МЗ РФ №380 от 25 декабря 1997г. Приложение 12.

214. Руководство по медицине. Диагностика и терапия. Том 1. М. Мир, 1997 стр 774. 774.

215. Сехам С. Цитоморфометрическая характеристика эритроцитов и лимфоцитов при апластической анемии. Автореф. дисс. к.м.н. Москва, ГНЦ РАМН 1991.

216. Соколинский Б.З., Демьянов B.JT. , Медовый B.C., Парпара A.A., Пятницкий A.M. Автоматическая сортировка лейкоцитов мазка крови с использованием методов обучаемых нейронных сетей и watershed. Здравоохранение и медицинская техника, №4, 2005., стр.35.

217. Тодоров И. Клинические лабораторные исследования в педиатрии. София 1961

218. Ушаков В.Г., Ушаков Н.Г. Об одном методе восстановления контурных изображений. Вестник московского университета, серия 15, Выч.мат. и киб. , 2006, №2 стр. 20024.

219. Феллер В. Введение в теорию вероятностей и её приложения. Том 1. М.: «Мир», 1964, 500 с.

220. Фукунага К. Введение в статистическую теорию распознавания образов / Пер. с англ. М.: Наука. - 1979 - 367 с.

221. Хайлимен В. X. Линейные решающие функции и их применение для распознавания образов. Proc. IRE, 1962, vol. 50, №6.

222. Харалик P.M. Статистический и структурный подходы к описанию текстур // ТИИЭР. 1979. - Т. 67. - N 5. - С. 98 - 120.

223. Шиффман X. "Ощущение и восприятие", Изд. «Питер», 2003.