автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Методы и алгоритмы обработки растровых изображений для решения задач автоматизированной микроскопии медико-биологических препаратов

На правах рукописи

ПРИВАЛОВ ОЛЕГ ОЛЕГОВИЧ

МЕТОДЫ И АЛГОРИТМЫ ОБРАБОТКИ РАСТРОВЫХ ИЗОБРАЖЕНИЙ ДЛЯ РЕШЕНИЯ ЗАДАЧ АВТОМАТИЗИРОВАННОЙ МИКРОСКОПИИ МЕДИКО-БИОЛОГИЧЕСКИХ ПРЕПАРАТОВ

05 13 01 - Системный анализ, управление и обработка информации

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Ои^ио--

Волгоград - 2007

003061615

Работа выполнена на кафедре «Системы автоматизированного проектирования и поискового конструирования» Волгоградского государственного технического университета

Научный руководитель

доктор химических наук, профессор Бутенко Людмила Николаевна

Официальные оппоненты

доктор технических наук, профессор Ивашкин Юрий Алексеевич доктор технических наук, профессор Лукьянов Виктор Сергеевич

Ведущая организация ФГУП «Научно-исследовательский институт гигиены, токсикологии, и профпатологии», г Волгоград

Защита состоится 13 сентября 2007 г в 10м на заседании диссертационного совета Д212 028 04 при Волгоградском государственном техническом университете по адресу 400131, г Волгоград, проспект Ленина 28, ауд 209

С диссертацией можно ознакомиться в библиотеке Волгоградского государственного технического университета

Автореферат разослан 10 августа 2007 г Ученый секретарь

диссертационного совета

Водопьянов В И

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

V * " I "V *

Актуальность темы По мере расширения и углубления знаний об интимных механизмах жизнедеятельности, процессах возникновения и развития патологических изменений в организме все большее значение для медико-биологических исследований, диагностики и лечения приобретают технические средства Общеизвестна роль микроскопии в возникновении и развитии гистологии, патологической анатомии, бактериологии и в других основополагающих медико-биологических науках

На текущем этапе развития микроскопии как метода медико-биологического анализа преобладает неавтоматизированный метод исследования, требующий непосредственного участия лаборанта или врача во всех операциях, определенных стадиями процесса

Широкий круг возможностей даёт автоматизированная микроскопия, использование которой стало возможным благодаря развитию вычислительной техники и периферийных устройств «захвата» исследуемого изображения

Современные диагностические комплексы включают в себя аппаратные и программные модули для управления сканированием мазков, предобработки изображения, расчета морфологических признаков исследуемых объектов и их классификации Некоторые комплексы также оснащены экспертно-советующими системами для отслеживания динамики течения биологических процессов на микроуровне

На текущем этапе развития систем подобного типа их эффективное использование возможно только при соответствии входной информации жестким требованиям, а именно, выдерживании высокого качества исследуемых препаратов для обеспечения стабильной наблюдаемой цвето-яркостной картины Данное требование накладывает ряд ограничений на применение подобных систем из-за трудностей, связанных с получением стабильных по цвето-яркостным характеристикам изображений исследуемых препаратов

Недостатки систем автоматизированной микроскопии как инструментария для решения задач в данной предметной области медицинских исследований могут быть устранены за счет разработки методов и алгоритмов обработки растровых изображений медико-биологических препаратов, отличающихся повышенной устойчивостью к качеству последних

Существует множество методов обработки растровых изображений, которые описаны в работах В А Сойфера, Р Вудса, У Прэтта и других авторов Сущность приведенных в их работах методов заключается в общих алгоритмах, результат работы которых не зависит от специфики обрабатываемых изображений Однако мы считаем, что решение задач, обусловленных предметной областью микроскопии медико-биологических препаратов, обязательно должно учитывать особенности изображений и цели исследований

Актуальность данной работы состоит

— в необходимости разработки алгоритмов автоматической сегментации изо-

бражений медико-биологических препаратов, позволяющих выделить объекты исследования на совокупном изображении даже при смещении их цвето-яркостных характеристик Кроме того, алгоритмы должны обеспечивать надлежащее качество сегментации, обладая повышенной по сравнению с аналогами автоматической составляющей,

- в повышении надежности и качества распознавания объектов препарата за счет замены таких параметров классификации, как цвет и оптическая плотность, на признаки, не зависящие от общих параметров растрового изображения (яркость, цвет, оттенок и др ),

- в определении новых границ функциональности универсальных автоматизированных диагностических комплексов, решающих задачи микроскопии медико-биологических препаратов,

Актуальность темы для решения прикладных задач подтверждается потребностью в разработке систем автоматизированной диагностики, обладающих достаточными возможностями для классификации «сложных» микрообъектов, патологий на клеточном уровне, а также классификации юных форм клеток костного мозга и других объектов исследования, отличающихся слабовыраженными признаками классификации

Целью диссертационной работы является разработка новых методик и алгоритмов обработки растровых изображений медико-биологических препаратов, полученных в результате микроскопии, обеспечивающих решение задач «машинного» зрения в данной предметной области

Для достижения цели необходимо решить следующие задачи:

- исследовать цели, задачи и методы, а также особенности предметной области микроскопии в клиническом и лабораторном медицинском анализе,

- проанализировать функциональную составляющую существующих систем автоматизированной микроскопии На основе закономерностей системогенеза выявить потребность в функциях, расширяющих их возможности для поддержки состоявшихся и разработки уникальных медико-биологических исследований,

- выполнить обзор существующих методов выделения (поиска) объектов интереса на совокупных изображениях, в том числе применяемых в реализованных автоматизированных системах микроскопического анализа медико-биологических препаратов Определить пути их усовершенствования,

- апробировать полученные результаты, решив задачу получения количественных оценок второстепенных морфологических признаков лейкоцитов с целью повышения надежности их классификации,

- разработать программный комплекс для автоматизации решения общих и частных задач анализа медико-биологических препаратов по их растровому изображению

Методы исследований. Решение поставленных задач потребовало привлечения подходов и методов в следующих направлениях научной деятельности медико-биологическая морфометрия, стереометрическая морфометрия, алгоритмы обработки цифровых изображений, статистическая обработка данных, системный анализ, распознавание образов Программное обеспечение разрабатывалось с учетом объектно-ориентированного подхода и теории проектирования реляционных баз данных

Достоверность и обоснованность результатов. Обоснованность и адекватность разработанных алгоритмов поиска и выделения объектов на изображении определялась сравнением результатов работы общеизвестных алгоритмов с предлагаемыми в работе Основным критерием выступала визуальная оценка, определяющая точность выделения объектов интереса на изображении Для обоснования выбора предлагаемого цветового

пространства проводилась количественная оценка результатов сегментации Адекватность предлагаемой формализованной модели объектов исследования («белых» клеток крови - лейкоцитов) оценивалось медиком - экспертом

Научная новизна.

1 Предложен новый метод оценки редукции растровых изображений, отличающийся тем, что, с целью сокращения размерности обрабатываемых данных, введены процедуры оценки степени масштабирования по заданному порогу потери «информативности», выполняемые в автоматическом режиме

2 Предложен новый алгоритм контрастирования, отличающийся от аналогов возможностью модификаций цвето-яркостных параметров объектов на изображении на основе статистической информации Данный подход позволил повысить результативность последующего анализа изображения алгоритмами «машинного» зрения

3 Разработаны методы стабилизации выходной информации алгоритмов кластерного анализа за счет определения начальных значений центроидов Также предложено модернизированное пространство признаков, позволяющее повысить качество сегментации цветных растровых изображений

4 Предложено формальное описание «белых» клеток крови (лейкоцитов), в котором, с целью повышения надежности работы алгоритмов распознавания, цвето-яркостные параметры классификации заменены на второстепенные морфологические признаки Разработаны алгоритмы для их определения

Практическая значимость работы

1 На основе предложенных алгоритмов и методов автоматизированного определения морфометрических признаков объектов исследования медико-биологических препаратов открывается возможность разработки универсальных диагностических комплексов, главным отличием, которых будет повышенная функциональная составляющая, обеспечивающая возможность автоматизации существующих и создание уникальных методик анализа, ориентированных на широкий круг измерений морфометрических признаков объектов исследования

2 Модернизированные и разработанные в работе алгоритмы могут быть применены для решения задач «машинного» зрения в различных областях как микроскопического анализа (металловедение, материаловедение и др), так и в системах обработки изображений, полученных не на микроуровне (картографии, зрение роботов и др)

3 Создан программный комплекс, который может быть использован для автоматизации частных задач микроскопии медико-биологических препаратов

Основные положения и результаты, выносимые на защиту*

1 Методы и алгоритмы обработки растровых изображений медико-биологических препаратов для решения задач автоматизированной микроскопии

2 Формализованное описание модели «белых» клеток периферической крови

3 Методика последовательного вычисления численных значений морфологических признаков выделенных для классификации «белых» клеток крови

4 Реализованный на основе разработанных методов и алгоритмов программный комплекс

Внедрение.

1 Автоматизированная система «Фазовый анализ растровых изображений медико-биологических препаратов» внедрена на кафедре патологической анатомии Волгоградского государственного медицинского университета

2 Автоматизированная система «Поиск и выделение объектов интереса из массива растровых изображений полученных в результате автоматического сканирования исследуемого препарата» внедрена на кафедре оперативной хирургии Волгоградского государственного медицинского университета

3 Работа получила грант от фонда содействия развитию малых форм предприятий в научно-технической сфере по программе «Участник молодежного научно-инновационного конкурса (УМНИ К)»

Апробация работы. Основные положения диссертации докладывались на научных семинарах кафедры САПР и ПК ВолгГТУ, а также на всероссийских научных и научно-практических конференциях на всероссийской конференции «Информационные и управленческие технологии в медицине» (Пенза 2007), «Инновационные технологии в управлении, образовании, промышленности "АСИНТЕХ-2007", а также в электронных конференциях «Современные наукоемкие технологии» (2007)

Публикации. По теме диссертации опубликовано 6 печатных работ, в том числе 2 из них в журнале, рекомендованном ВАК

Объем и структура работы.

Работа состоит из введения, четырех глав с выводами, заключения, трёх приложений, списка литературы Общий объем работы страниц - 146, иллюстраций - 49, таблиц — 5 В списке литературы 115 наименований

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

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

В первой главе рассмотрены основные задачи микроскопии медико-биологических препаратов, приведены этапы приготовления препаратов, особенности методик анализа, определены факторы, влияющие на качество наблюдаемой микроскопической картины и адекватность результатов исследования Выполнен обзор задач медико-биологической микроскопии, анализируются возможные пути их автоматизации Отдельное внимание уделено функциям системы автоматизированной микроскопии (САМ), покрывающим большую часть задач рассматриваемой предметной области Производится сравнительный анализ существующих САМ по их функциональным характеристикам, рассматриваются пути возможного повышения их производительности, а также качества результатов автоматизированного анализа Далее рассмотрены этапы получения «цифровых» изображений медико-биологических препаратов, отображающих наблюдаемую микроскопическую картину, обосновывается необходимость применения алгоритмов подготовки изображения к распознаванию, перечислены существующие алгоритмические решения Выполнен обзор известных алгоритмов выделения (поиска) объектов на растровых изображениях, проанализированы их достоинства и недостатки Обобщенные результаты анализа приводятся в таблице 1

Таблица 1

Сравнительная характеристика алгоритмов поиска и выделения объектов на растровых изображениях

Показатели Методы Скорость Количество настроечных параметров Использование априорной информации Оценка качества поиска согласно требованиям задачи

Градиентные высокая >2 нет неуд

Шаблонные средняя >2 да неуд

Локальной адаптации низкая >2 нет неуд

Статистические низкая >2 да среднее

Кластерный анализ средняя 1 нет среднее

По нашему мнению наиболее приемлемым подходом для решения поставленных задач является кластерный анализ Выбор основан на минимальном количестве настроечных параметров алгоритмов кластеризации, их приемлемой скорости и неиспользовании априорной информации В заключении обобщены основные проблемы автоматизации задач предметной области, определены направление дальнейших исследований

Во второй главе рассматриваются алгоритмы обработки цифровых изображений, разработанные или модифицированные лично автором Цель рассматриваемых алгоритмов - обеспечить выделение объектов интереса на растровом изображении медико-биологического препарата, полученного в результате микроскопии

В параграфе 1 рассматриваются этапы обработки растрового изображения для решения поставленной в работе задачи Нами предлагается ввести этап редукции растрового изображения Цель этапа - уменьшить размерность данных и, как следствие, повы-

сить скорость работы используемых на следующих этапах алгоритмов Это связано с тем, что уменьшение размеров изображения в N раз приводит к сокращению размерности обрабатываемых данных в И2 раз Кроме того, предлагается выполнять автоматическую редукцию в соответствии с наперёд заданным порогом, определяющим степень потери «информативности»

В параграфе 2 приводятся разработанные алгоритмы редукции Основная цель алгоритмов - определить порог редукции цифрового изображения, отражающий допустимую потерю «информативности» масштабируемого растрового изображения В качестве методов предлагается два подхода

1. Оценка среднеквадратической ошибки дисперсии в пределах скользящего окна исходного и редуцированного изображений. Критерий основан на разбиении изображений на одинаковое количество областей (непересекающихся окон), согласно выбранному шагу разбиения, и вычислении среднеквадратической ошибки между внут-риоконной дисперсией по яркости для исходного и редуцированного изображений

=•тЧ • ¿Е(а,у - А',, )2 > г 6 [1 ,Л 5 у 6 [1,7], (1)

1 ,=1 ]=\

где Д - дисперсия внутри окна с координатами (г, у) на исходном изображении, д' - дисперсия внутри окна с координатами (г, у) на модифицированном изображении, I - количество окон по вертикали, J - количество окон по горизонтали,

Метод учитывает пространственное расположение объектов, однако в качестве недостатка можно отметить низкую скорость работы

2. Гистограммная оценка. Метод основывается на сравнении «форм» гистограмм яркости исходного и масштабируемого изображения (рисунок 1)

)

- гистограмма исходного изображения ИИ - гистограмма редуцированног изображения Рисунок 1 Сравнение форм гистограмм исходного и редуцированного изображения

В качестве критерия выступает среднеквадратическая ошибка отклонения гистограммы исходного изображения от гистограммы модифицированного Гистограммы строятся в относительных частотах, что приводит к учету различия в общем количестве пикселей исходного и масштабируемого изображений В отличии от предыдущего, данный метод не учитывает пространственного расположения объектов, однако превосходит его по скорости

где: N - размерность массива гистограммы, Ш- массив относительных частот гистограммы яркости исходного изображения, ¡Ш - аналогичный массив гистограммы модифицированного изображения.

а) б) в)

Рисунок 2. График эволюции АСг (ось ординат) для трех разных изображений. Ось абсцисс -шаг редукции (процент уменьшения масштаба 1:10)

На рисунке 2 представлены графики эволюции критерия Д(~> для трёх разных изображений (для критерия АО наблюдается идентичная картина). Совместный анализ визуального изменения «информативности» изображения в сторону ухудшения приводит к возрастанию значения критериев. Фиксированные значения критерия соответствуют различным уровням потери «информативности», что может быть использовано для решения обратной задачи - но заданному порогу потери «информативности» определить масштаб редукции.

В параграфе 3 приводится постановка задачи кластерного анализа для сегментации цветных изображений. Классический вариант кластерного анализа, ориентированный на случайный выбор центроидов, неприемлем для адекватного решения задачи ввиду вариаций получаемой картины сегментации, которая, в свою очередь, сильно зависит от порядка подачи наблюдений на вход алгоритма.

Как следует из результатов обработки тестового изображения (рисунок 3), каждая картина сегментации отличается формой полученных сегментов.

Рисунок 3

Дли решения проблем неадекватной сегментации нами разрабатывались методы получения начальных значений центроидов, а также производился выбор набора параметров. формирующих вектор наблюдений^ максимально удовлетворяющих описанию характеристик разделяемых сегментов.

В параграфа 4 рассматривание я используемые в работе критерии оценки качества сегментации, В качестве критериев оценки результатов сегментации двух, изображений, исходного /л' и сегментированного Ш. использовались три количественные метрики и визуальная оценка, приведенные ниже:

Результат сегментации ее? случайный выбором центроидов (три перезапуска алгоритма).

Комбинированная среднеквадратическая ошибка

F(Is, Id) -

i

M N

\ (3)

M

где M,N - размерность изображения в пикселях, Rxy,Gxy,Bxy - компоненты вектора с координатами (х, у) цветового пространства RGB исходного изображения Is, Rxy,Gxу,Вх - компоненты вектора с координатами (л;,д>) цветового пространства

RGB сегментированного изображения Id Результирующее изображение M представляется в виде совокупности полученных сегментов, каждый из которых имеет цвет соответствующего ему центроида

Мера Хаусдорфа. Применяется ввиду того, что растровые изображения можно интерпретировать как конечные множества векторов наблюдений

F(Is,Id) = max{ d(s,Id), d(d,Is) | sels, deld }, (4)

где d(s,Id) = supmf|s,£/| - расстояние самой удаленной от множества Id точки

s<=/s,de/d

s sis, где под удаленностью понимается эвклидово расстояние, d(d,Is) = sup inf |с/, i| -

расстояние самой удалённой от множества Is точки, d eld, где под удаленностью понимается эвклидово расстояние

Функция Лью и Янга. Этот критерий ориентирован специально на оценку результатов сегментации

Fifsjd) =---4с Y-Ç= (5)

1000 M N

где M,N - размерность изображения в пикселях, с - количество областей на сегментируемом изображении, S, - площадь 1-й области, ©[ - средняя цветовая ошибка, которая равняется сумме евклидовых расстояний между цветовым вектором RGB пикселей 1-й области на исходном изображении и аналогичным вектором на сегментированном изображении

Визуальная оценка Выставляется по стобалльной шкале, исходя из адекватности сегментации в задаче выделения объектов интереса Она будет максимальной, если после сегментации изображение будет разделено на сегменты, идеально вписанные в границы искомых объектов (ядер клеток, цитоплазмы, и др )

В параграфе 5 приводится анализ различных цветовых пространств на предмет сегментации с помощью предлагаемого в работе алгоритма Цель анализа - выбрать структуру вектора признаков для решения задачи сегментации методом кластерного анализа Тестирование различных цветовых моделей на предмет пространства признаков кластерного анализа, показало целесообразности выбора модернизированного цветового пространства HSV (цвет-насыщенность-яркость) Вывод сделан на основе сравнения значений критериев сегментации (параграф 4) и анализа логического и математического представления исследуемых цветовых моделей Математическое преобразование, обеспечивающее модификацию классического, цветового пространства HSV имеет вид

Xhs = cos (Я) S, Xmhs = cos (Я) r 5,

= — бш(Я) S, либо, = -sin(tf) r S, (6)

Zmv=V,

где Xhs,Yhs,Zv- новые значение вектора признаков, H,S,V - компоненты вектора признаков в цветовом пространстве HSV, Г - коэффициент разброса, позволяющий управлять степенью различия «ненасыщенных» цветов

Для верификации преобразований был проведён ряд экспериментов, в которых рассчитывалось отношение критериев качества результатов сегментации (среднеквадра-тическая ошибка) методами кластерного анализа в исходном и преобразованном пространстве HSV Эксперименты показали, что среднеквадратическая ошибка, полученная при выборе преобразованного в соответствии с (6) пространства признаков в десятки раз меньше аналогичной ошибки, рассчитанной при тех же входных данных и использовании не модифицированного пространства HSV

Результаты эксперимента применительно к тестовым изображениям представлены в таблице 2

Таблица 2

Сравнения результатов сегментации методами кластерного анализа для тестируемых пространств

Количество тестовых изображений Доверительная вероятность Математическое ожидание Доверительный интервал Среднее качество сегментации, оцененное экспертом для пространства признаков

HSV XhsYhsZv

94 0 95 297 452 ±18 039 70% 90%

В параграфе 6 обосновывается эффективность применения на предварительном этапе обработки изображения модернизированного алгоритма линейного контрастирования Нами предлагается производить линейное контрастирование растрового изображения по диапазону, пропорциональному среднеквадратическому отклонению яркости каждой компоненты цветового пространства RGB Преобразование позволяет увеличить межкластерное расстояние, повысив качество сегментации В соответствии с предлагаемым методом сначала рассчитывается математическое ожидание и среднеквадратическое отклонение яркости для каждой составляющей цвета (красной [Мг, ОГ ], зелёной [Mg, ag ], синей [Mb, ob ]) по всему диапазону пикселей Преобразование имеет вид

minr — Mr — q or, mmr =Mr + q or, ming =Mg-q ogt ming =Mg + q og, (7)

mmb = Mb-q ob, mmb =Mb + q ob,

l-mm, , G^-min. , ¿?-minb

tf -- 255> Gxy =——-255» Я =—^-- 255, (8)

maxr-min, max^-mnig maXj-min,,

где Rxy,G'xy,Bxy-новые значения яркости для пикселя с координатами (х,у)

С позиции визуальной оценки это приводит к значительному улучшению цвето-яркостной картины (рисунок 4), наблюдается стабилизация цвета внутри групп объектов, пропадает «засинение»

>§ к Ял «л?**"

>К ж

Щ 6)

Рисунок4. результатстатистически!о контрастирования : а —2).

Увеличите общей дисперсии наблюдений можно также зафиксировать по анализу проекции компонен т исследуемой выборки на плоскость б преобразованном цветовом пространстве Х^Л'ь-^. (рисунок 5).

а) б)

Рисунок 5. Проекции компонент изображения на плоскость У^Хь, в пространстве УьХь,^: а) неодного, 6) контрастирование го.

Было установлено, что разработанный метод превосходит существующие аналоги при обработке г изкока честв с г п ых Изображений, на которых присутствуют такие дефекты, как смещение или Номинирование одного цвета (к примеру, «засинение» 0т.д.).

В параграфе 7 приводится алгоритм сегментации в одномерном пространстве признаков. На рисунках представлен пример сегментации цифрового изображения гистологического среза но диапазону яркости (рисунок 6), и изображения периферической крови по цветовому диапазону (рисунок 7).

Рисунок Результат сегментации изображения гистологического препарата но иркгнакч - яркость.

щ*

а)

Рисунок 7. Результат сегментации изображения мазка крови но признаку - пнет.

Предложенный модифицированный алгоритм хорошо показал себя на этапе решения задачи поиска объектов на изображении Как видно на рисунках 6 и 7, результат сегментации достаточно точно выявил локализацию объектов интереса на изображении, что может быть использовано для расчета элементарных морфологических признаков, таких как площадь, компактность и др, что вполне удовлетворяет некоторым методикам микроскопии

Сильно выраженное различие между объектами по одному фиксированному цве-то-яркостному признаку встречается редко, поэтому для обеспечения адекватной сегментации необходимо прибегать к кластеризации в п - мерном пространстве признаков

В параграфе 8 описывается алгоритм сегментации на основе многомерного пространства признаков Для повышения стабильности картины сегментации предлагается два метода обеспечения устойчивости результатов, основанных на предварительном выборе центроидов согласно установленным правилам

1. Метод однокомпонентного поиска. Метод заключается в предварительной сегментации изображения на основе вектора одного признака После этапа сегментации в пространстве одного признака за каждым искомым кластером закрепляется отдельный сегмент В качестве начальных значений центроидов берётся среднее по каждой компоненте выбранного пространства признаков внутри закрепленного за кластером сегмента (рисунок 8)

/\/ч це] пройд ов

Л р, Алгоритм

Сегменты выделенные на - —. по по пространству ветров с несколькими признаками

кластеризации по вектору одного признака ьз р,

Рисунок 8 Схема однокомпонентного поиска начальных значений центроидов для сегментации

по вектору признаков

Результаты тестирования показали формирование устойчивой картины сегментации,

2. Метод многокомпонентного поиска. Идея метода - определить точки, лежащие внутри сгустков, образованных признаками в п - мерном пространстве Для повышения стабильности предлагается метод неравномерного разбиения исследуемого пространства признаков с последующим выделением начальных значений центроидов с максимальным различием цвето-яркостных характеристик (рисунок 9) Последовательность реализации метода следующая

1 Вычисление границ разбиения Это достигается путем проведения сегментации по каждому признаку п - мерного пространства алгоритмом одномерной кластеризации,

2 Разбиение исследуемого пространства на неравномерные области (гиперпараллелепипеды) в соответствии с границами кластеров, определёнными на этапе 1,

3. Подсчет частоттл попадания наблюдений в каждый гиперпараллелепипед, формирование массой значении полученных статистических данных и определений мощности массива к";

4. Сортировка массива частот гго возрастанию и запись отсортированных значений в новый массив с одновремеши.ш отбрасыванием нулевых эле ментов:

5. Поиск среди полученного мо ди( j шдиров а ш юг о массива элементов, имеющих максимум по критерию различия ,/ В качестве критерия различия может быть выбрана сумма эвклидовых расстояний между центрами гиперпараллелепипедов, отобранных в качестве кандидатов. Отметим, что с точки зрения вычислительной сложности, оптимальным является выбор гиперпараллелепипедов, несоприкасающихся граня ми.

реДеЛеИИЧ ЦСЕЕГрОИДОЕ Методам MHOI ОКОМЛОНсЕ! I1 ЕЕОИСКЛ. ЦсН ГрО!&Ц4 «нр^'ГСНДСНТЫ» обозначен Е.Е

КрПСНЬЕМИ гпчклми. YI 3 , к = 2 -

Рисунок 1и.

МСН1 .'¡ЦНХ На ОСЕЕОЬе

Как следует из рисунка 10, результат сегментации на основе предложенного метода (рисунок Щ и.) полностью удовлетворяет задаче выделения объектов для оценки их морфологических признаков, клетка и ядро выделены корректно.

В параграфе 9 предлагается устойчивый алгоритм поиска объекта на основе комбинировал шой сегментации Метод поиска основан на предположении о том, что любой объект растрового изображения можно классифицировать по заранее заданному конечному набору признаков, например, црету, Яршсп!, размеру (площади). Соотиетсшеппо, вероятность наличия объекта тем выше, чем больше признаков появляются совместно в аналогичных координатах масок Для выявления совместного появлении нескольких

а) б) в)

Результат сегментации изображения клетки крови: а) исходное изображения; б) сег-одпокомпонентного поиска; в) сегментация на основе многокомпонентного поиска.

признаков целесообразно применить к элементам анализируемых масок (полученных в результате сегментации) логическую операцию конъюнкции Результатом такой операции будет маска, содержащая локальные зоны, соответствующие объектам поиска

Ввиду того, что для получения масок используется экономичный алгоритм, время обработки значительно сокращается

В третьей главе предлагается формализованное описание модели клеток крови, на примере лейкоцитов, и алгоритмы для получения выделенных признаков классификации

В параграфе 1 приводится формализованное описание модели «белых» клеток крови На основе морфологических особенностей клеток IV, V и VI классов, согласно общепринятой схеме кроветворения, предлагается следующая базовая модель описания клетки (9)

М=<К,У,С>, (9)

где К - кортеж выделенных метрик клетки в целом, У - кортеж выделенных метрик ядра, С - кортеж выделенных метрик цитоплазмы Рассмотрим более подробно кортеж выделенных метрик клетки (10)

к =< д р, (г, Мэ, (ю)

где & - площадь всей клетки, мкм2,

I) - диаметр (максимальное расстояние от центра до контура цитоплазмы), мкм,

Р - отношение площади ядра клетки к площади цитоплазмы, 2 - отношение общей площади зернистости к площади всей клетки Му - среднее по площади для зернистости, Д? - дисперсия по площади для зернистости, Детализация информации на уровне ядра и цитоплазмы представлена следующими кортежами кортеж, описывающий свойства ядра (11)

У=<Т,¥,в>, (11)

где Т — степень сферичности ядра или его сегментов, V — количество вакуолей в ядре (ядрышек), С — количество сегментов ядра Кортеж, описывающий подобъект цитоплазму (12)

С=<Я,0> (12)

где Я — степень сферичности,

О - степень выраженности перинуклеарной зоны Предлагаемая модель ориентирована на весь спектр морфологически распознаваемых профилирующих «белых» клеток крови

В параграфе 2 описываются разработанные алгоритмы количественной оценки второстепенных морфологических признаков объектов интереса Цель алгоритмов - выделить численные значения второстепенных параметров классификации лейкоцитов Входной информацией является растровое изображение распознаваемой клетки в формате лев

Определение количества сегментов ядра. Алгоритм основан на последовательном применении морфологической операции эрозии к бинарному изображению ядра

(рисунок 11). Последовательное «истощение» изображения приводит к разложению его на составные объекты — сегменты. В процессе «эрозии», на каждом этапе подсчитываема количество разделенных объектов. Процесс завершается, когда на бинарном изображении не останется 1ги одно га объекта. В качестне числа сегмснтон выбирается максимальное число раздельных объектов, зафиксированных на этапах последовательной «эрозии».

Оценка перинук'леарной зоны клетки. Для количественной оценки «перинукле-арноети» а работе предлагается .метод, основанный на анализе распределения, отражающего изменение радиальной яркости цитоплазмы. Фиксация радиального распределения яркости производится путём применения последовательной операции «эрозии» к бинарной маске цитоплазмы клетки, а именно, к сё внутренней стороне. На каждом этапе фиксируется средняя яркость удаляемых пикселей на соотзетствующсм цитоплазме растровом изображении,

В качестве количественной оценки предлагается использовать тангенс угла наклона прямой, заданной уравнением линейной регрессии (рисунок 15) для выборки значений, отражающих распределения радиальной яркости цитоплазмы от контура ядра, до контура клетки в целом (на рисунке 15 показано точками).

Рисунок 12. Аппроксимация данных, отражающих распределение радиальной яркости цитоилаз-

С учётом определения коэффициента а как тангенса угла наклона искомой прямой для вычисления интересующего нас параметра достаточно вычислить значение коэффициента а по с;Iедующей формуле:

Рисунок 11, Пример последовательной «эрозии» бинарной маски ядра клетки (количество сегментов = 3).

Л

(13)

а =

(14)

где: N - количество круговых «срсзов« цитоплазма для фиксации радиальной яркости, у. - значение / -ого элемента выборки, отражающей радиальное распределения

яркости цитоплазмы, ; g [I.jV] , причем индекс I соответствует внутреннему контуру, I -

индекс i -ою элемента выборки, отражающей радиальное распределения яркости цитоплазмы.

Оценка зернистости i ранулоцитов, Для выявления зернистости и определения количественных метрик в работе предлагается алгоритм, основанный на увеличении резкости исследуемого изображения с последующей сегментацией, lia рисунке 13 виден результат использования предлагаемой методики.

-,;'j\v>- -

а) б) в) г)

Рисунок 13. Определение зернистости гранул опитой; а) исходное «-¡ой ранение, 6) маска зернистости для исходного изображения, в) результат применения фильтра повышения резкости к исходному изображен и ео, г) маска зернистости для преобразованного изображения.

II параграфе 3 обосновывается алгоритм автоматической классификации. Для классификации выборки лейкоцитов, полученной на этапе сканирования изображения препарата периферической крови, в работе предлагается алгоритм, ориентированный на селективную классификацию. Под селекцией понимается предварительное разделение выборки лейкоцитов на две группы. Разделяющий признак - количество еешенгоз ядра. Определение классовой принадлежности внутри сформированных групп осуществляется двумя нейро-сетсвыми классификаторами.

В четвёртой главе описана архитектура созданного программного комплекса для решения частных задач автоматизированной микроскопии медико-биологических препаратов, состоящего из трех автоматизированных систем. Цель реализации автоматизированных систем - проверить на практике эффективность работы алгоритмов для дальнейшего проектирования и создаиия универсального д и аш ости чес кого комплекса, обладающего значительными конкурентными преимуществами а сравнении с аналогами.

В параграфе I описывается автоматизированная система фазового анализа и расчета объёмной доли исследуемых объектов на растровых изображениях медико-баологическт препаратов.

Основные функции реализованной системы:

— разделение исследуемого растрового изображения препарата на сегменты согласно установленному количеству различных фаз. Количество фаз задаётся оператором па основе визуальной оценки качества выделения искомых на растровом изображении объектов. Разделение осуществляется по степени максимального различия между цвето-яркосткымн характеристиками выделенных сегментов в полностью автоматическом режиме;

— выбор различных алгоритмов сегментации, с предварительной оценкой результирующей картины на выбранном участке изображения. Такой поход позволяет сократить время, затрачиваемое на выбор алгоритма, за счёт анализа

ограниченной области изображения Необходимость в выборе алгоритма обуславливается тем фактом, что наперед нельзя сказать, что применение того или иного алгоритма однозначно даст положительный результат Это связано с тем, что, как уже отмечалось, различие в цвето-яркостных характеристиках объектов исследуемого изображения не может быть наперёд предугадано,

- предварительное повышение качества исследуемого изображения за счет применения алгоритмов линейной, медианной фильтрации, контрастирования, редукции, повышение резкости,

- сохранение используемых методик анализа для последующего применения,

- сохранение результатов измерения для последующей статистической обработки,

В параграфе 2 описывается автоматизированная система поиска и выделения «белых» клеток крови на растровых изображениях, полученных в результате автоматического сканирования окрашенного мазка.

Основные функции реализованной системы:

- автоматический поиск и постановка в очередь на обработку файлов из указанной оператором директории Файлы должны удовлетворять критерию - растровое изображение (jpeg, bmp, gif),

- реализация предварительных операции обработки растрового изображения с целью улучшения его качества согласно запрограммированной методике выделения объектов К таким операциям относятся управление яркостью, контрастирование, фильтрацию, редукция,

- сохранение в специализированной базе данных настроечные параметры алгоритма поиска и выделения объектов на растровом изображении для их последующего применения,

- сохранение найденных объектов в виде растрового изображения Растровое изображение должно представлять собой матрицу (галерею) объектов Такой подход позволяет не только произвести визуальную оценку и классификацию найденных объектов непосредственно врачом или лаборантом, а также структурировать объекты как входную информацию для системы автоматизированной классификации

В параграфе 3 описывается автоматизированная система классификации выделенных клеток крови по их растровому изображению

Основные реализованные функции системы:

- загрузка растрового изображения, содержащего галерею объектов, подлежащих классификации, с диска с отображением загруженной информации,

- автоматический расчет выделенных для классификации морфометрических признаков объекта,

- автоматическая классификации объектов согласно вычисленным количественным значениям признаков,

- вывод информации о результатах классификации и общей лейкоцитарной формулы,

- отображение статистики по выборочным «срезам» накопленной информации

В заключении обобщены результаты работы

В приложениях рассмотрены-основные-функции систем автоматизированной микроскопии занимающих лидирующее место на рынке программных продуктов подобного типа (приложение 1) Описаны основные морфологические характеристики клеток костного мозга и периферической крови (приложение 2) Представлены результаты тестирования разработанных алгоритмов на растровых изображениях медико-биологических препаратов, приведено сравнение результатов их работы с результатами, произведенными САМ, рассмотренными в приложении 1 (приложение 3)

Основные выводы и результаты работы:

1 На основе анализа предметной области микроскопии медико-биологических препаратов, методов клинической и лабораторной диагностики, были разработаны новые методы и алгоритмы, позволяющие повысить эффективность автоматизированного распознавания микрообъектов на растровых изображениях, полученных в результате «оцифровки» наблюдаемой при микроскопическом исследовании картины Показано, что повышение эффективности возможно за счет более точного (по сравнению с подобными алгоритмами) поиска, выделения и детализации объектов интереса на изображении

2 Предложен новый подход к увеличению производительности алгоритмов «машинного» зрения за счет сокращения размерности анализируемых данных при контролируемом автоматическом масштабировании растрового изображения

3 Разработан алгоритм статистического контрастирования, улучшающий цвето-яркостную картину исходного растрового изображения как для визуальной оценки экспертом, так и для последующей автоматизированной обработки алгоритмами «машинного» зрения

4 Для обеспечения стабильности и повышения качества картины сегментации растровых изображений методами кластерного анализа предложены методы и алгоритмы модификации пространства признаков и нахождения стартовых точек (центроидов) кластеризации

5 Предложена новая формализованная модель «белой» клетки крови человека, отличающаяся от аналогов добавлением к пространству признаков классификации количественных параметров, определяющих второстепенные морфологические признаки (зернистость, перинуклеарная зона, количество сегментов ядра) Такой подход позволил исключить из пространства признаков цвето-яркостные характеристики объектов, что повышает устойчивость автоматизированного распознавания нестабильных препаратов по их растровому изображению

6 Разработана методика и алгоритмы последовательного преобразования растрового изображения анализируемой клетки для вычисления выделенных признаков классификации

7 Для верификации предлагаемых в работе методов и алгоритмов был спроектирован и реализован комплекс автоматизированных систем

8 Данный комплекс был использован для автоматизации типовых и инновационных микроскопических исследований на кафедрах оперативной хирургии и патологической анатомии в ВолгГМУ, о чем свидетельствуют соответствующие акты внедрения

Список опубликованных работ по теме диссертации:

Журналы рекомендованные ВАК

1. Привалов, О О. Методика автоматизированного анализа морфологических характеристик клеток периферической крови / О О Привалов, JIН Бутенко // Известия ВолгГТУ Сер «Актуальные проблемы управления, вычислительной техники и информатики в технических системах», межвуз сб науч статей / ВолгГТУ - Волгоград, 2007 - №2 - С 57-58

2 Привалов, О О Алгоритм автоматического препарирования графического изображения для выделения клеток периферической крови / О О Привалов, JI Н Бутенко // // Известия ВолгГТУ Сер «Актуальные проблемы управления, вычислительной техники и информатики в технических системах», межвуз сб науч статей / ВолгГТУ - Волгоград, 2007 - №2 — С 54-57

Прочие публикации

3 Привалов, О О Многоуровневая сегментация медико-биологических пре О О Привалов, JI Н Бутенко // Инновационные технологии в управлении, образовании, промышленности "АСИНТЕХ-2007" Матер всерос науч конф Астрахань 18-20 апреля 2007 Часть 1 , АГУ - Астрахань, 2007 - С 65

4 Привалов, О О Автоматизированная система фазового анализа цифровых изображений медико-биологических препаратов /ОО Привалов, Л Н Бутенко, Г М Снигур // Информационные и управленческие технологии в медицине сборник статей всерос науч -тех конф , АНОО "Приволжский Дом знаний" -Пенза,2007 -С 50-52

5 Привалов, О О Алгоритм автоматической редукции цифровых изображений медико-биологических препаратов для повышения производительности систем автоматизированной микроскопии / О О Привалов, Л Н Бутенко // Современные наукоемкие технологии науч - теоретич журнал / — М — 2007 -№10 -С 80-82

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

Привалов Олег Олегович

Методы и алгоритмы обработки растровых изображений для решения задач автоматизированной микроскопии медико-биологических препаратов

Автореферат

Подписано в печать 07 08 2007

Тираж 120 экз Заказ №115 Отпечатано ИП Сорокин В Д Волгоградская обл , г Камышин, ул Металлургов, 6-9

ВВЕДЕНИЕ;.

1. ОБЗОР ЗАДАЧ СИСТЕМ АВТОМАТИЗИРОВАННОЙ МИКРОСКОПИИ

И МЕТОДОВ ИХ РЕШЕНИЯ.

1.1 Микроскопия в медицинских исследованиях.

1.2 Задачи микроскопии, подлежащие автоматизации.

1.3 Анализ функций систем автоматизированной микроскопии.

1.4. Методы получения растровых изображений микрообъектов.

1.4.1 Ввод графического изображения полученного при микроскопическом увеличении в компьютер.

1.4.2 Управление траекторией сканирования препарата.

1.5 Алгоритмы повышения качества анализируемых изображений.

1.5.1 Входные данные рассматриваемых алгоритмов.

1.5.2 Выравнивание яркости фона.

1.5.3 Повышение контраста.

1.5.4 Фильтрация.

1.5.5 Повышение резкости.

1.6 Алгоритмы выделения объектов интереса на цифровых изображениях.

1.6.1 Выделение границ.

1.6.2 Выделение областей (сегментация) цифровых изображений.

1.7 Методы классификации объектов интереса.

1.8 Выводы.

2. РАЗРАБОТКА И МОДЕРНИЗАЦИЯ АЛГОРИТМОВ ПОИСКА И ВЫДЕЛЕНИЯ ОБЪЕКТОВ ИНТЕРЕСА НА РАСТРОВЫХ ИЗОБРАЖЕНИЯХ МЕДИКО-БИОЛОГИЧЕСКИХ ПРЕПАРАТОВ ДЛЯ РЕШЕНИЯ ЗАДАЧ АВТОМАТИЗИРОВАННОГО АНАЛИЗА

2.1 Этапы преобразования входной информации.

2.2 Алгоритм редукции исследуемого цифрового изображения.

-32.2.1 Оценка среднеквадратической ошибки дисперсии в пределах скользящего окна исходного и редуцированного изображений.

2.2.2 Гистограммная оценка.

2.3 Постановка задачи кластерного анализа для сегментации цветных изображений.

2.4 Критерии количественной оценки качества сегментации.

2.5 Выбор пространства признаков.

2.6 Алгоритм статистического контрастирования.

2.7 Сегментация в одномерном пространстве признаков.

2.8 Сегментация в многомерном пространстве признаков.

2.8.1 Метод однокомпонентного поиска центроидов.

2.8.2 Метод многокомпонентного поиска центроидов.

2.9 Устойчивый алгоритм поиска объектов на основе комбинированной сегментации.

2.10 Выводы.

3. АВТОМАТИЗИРОВАННЫЙ АНАЛИЗ МОРФОЛОГИЧЕСКИХ ПРИЗНАКОВ ЛЕЙКОЦИТОВ ПЕРИФЕРИЧЕСКОЙ КРОВИ.

3.1 Формализованное описание модели лейкоцитов.

3.2 Алгоритмы получения и оценки второстепенных морфологических признаков.

3.2.1 Определение количества сегментов ядра.

3.2.2 Оценка перинуклеарной зоны клетки.

3.2.3 Оценка зернистость гранулоцитов.

3.2.4 Определение степени сферичности.

3.3 Алгоритм автоматической классификации.

3.4 Выводы.

4. ОПИСАНИЕ ПРОГРАММНОГО КОМПЛЕКСА АВТОМАТИЗИРОВАННОГО АНАЛИЗА МЕДИКО-БИОЛОГИЧЕСКИХ ПРЕПАРАТОВ ПО ИХ РАСТРОВОМУ ИЗОБРАЖЕНИЮ.

-44.1 Автоматизированная система фазового анализа и расчёта объёмной доли, исследуемых объектов на растровых изображениях медико-биологических препаратов.

4.2 Автоматизированная система поиска и выделения объектов интереса из массива растровых изображений, полученных в результате автоматического сканирования окрашенного мазка.

4.3 Автоматизированная система классификации выделенных клеток крови по их растровому изображению.

4.4 Выводы.

Актуальность темы. По мере расширения и углубления знаний об интимных механизмах жизнедеятельности, процессах возникновения и развития патологических изменений в организме все большее значение для медико-биологических исследований, диагностики и лечения приобретают технические средства. Общеизвестна роль микроскопии в возникновении и развитии гистологии, патологической анатомии, бактериологии и в других основополагающих медико-биологических науках.

На текущем этапе развития микроскопии как метода медико-биологического анализа преобладает неавтоматизированный метод исследования, требующий непосредственного участия лаборанта или врача во всех операциях, определённых стадиями процесса.

Широкий круг возможностей даёт автоматизированная микроскопия, использование которой стало возможным благодаря развитию вычислительной техники и периферийных устройств «захвата» исследуемого изображения [35,53,54,54,64,67].

Современные диагностические комплексы включают в себя аппаратные и программные модули для управления сканированием мазков [62], предобработки изображения, расчёта морфологических признаков исследуемых объектов и их классификации [11,19,22,33,40,55]. Некоторые комплексы также оснащены экспертно-советующими системами для отслеживания динамики течения биологических процессов на микроуровне [51].

На текущем этапе развития систем подобного типа их эффективное использование возможно только при соответствии входной информации жёстким требованиям, а именно, выдерживании высокого качества исследуемых препаратов для обеспечения стабильной наблюдаемой цвето-яркостной картины. Данное требование накладывает ряд ограничений на применение подобных систем из-за трудностей, связанных с получением стабильных по цвето-яркостным характеристикам изображений исследуемых препаратов [78].

Недостатки систем автоматизированной микроскопии как инструментария для решения задач в данной предметной области медицинских исследований могут быть устранены за счёт разработки методов и алгоритмов обработки растровых изображений медико-биологических препаратов, отличающихся повышенной устойчивостью к качеству последних.

Существует множество методов обработки растровых изображений, которые описаны в работах В.А. Сойфера, Р. Вудса, У. Прэтта и других авторов [24,29,31,47,74,79]. Сущность приведенных в их работах методов заключается в общих алгоритмах, результат работы которых не зависит от специфики обрабатываемых изображений. Однако мы считаем, что решение задач, обусловленных предметной областью микроскопии медико-биологических препаратов, обязательно должно учитывать особенности изображений и цели исследований.

Актуальность данной работы состоит:

- в необходимости разработки алгоритмов автоматической сегментации изображений медико-биологических препаратов, позволяющих выделить объекты исследования на совокупном изображении даже при смещении их цвето-яркостных характеристик. Кроме того, алгоритмы должны обеспечивать надлежащее качество сегментации, обладая повышенной по сравнению с аналогами автоматической составляющей;

- в повышении надёжности и качества распознавания объектов препарата за счёт замены таких параметров классификации, как цвет и оптическая плотность, на признаки, не зависящие от общих параметров растрового изображения (яркость, цвет, оттенок и др.);

- в определении новых границ функциональности универсальных автоматизированных диагностических комплексов, решающих задачи микроскопии медико-биологических препаратов;

Актуальность темы для решения прикладных задач подтверждается потребностью в разработке систем автоматизированной диагностики, обладающих достаточными возможностями для классификации «сложных» микрообъектов, патологий на клеточном уровне, а также классификации юных форм клеток костного мозга и других объектов исследования, отличающихся слабовы-раженными признаками классификации.

Целью диссертационной работы является разработка новых методик и алгоритмов обработки растровых изображений медико-биологических препаратов, полученных в результате микроскопии, обеспечивающих решение задач «машинного» зрения в данной предметной области.

Для достижения цели необходимо решцть следующие задачи:

- исследовать цели, задачи и методы, а также особенности предметной области микроскопии в клиническом и лабораторном медицинском анализе;

- проанализировать функциональную составляющую существующих систем автоматизированной микроскопии. На основе закономерностей сис-темогенеза выявить потребность в функциях, расширяющих их возможности для поддержки состоявшихся и разработки уникальных медико-биологических исследований;

- выполнить обзор существующих методов выделения (поиска) объектов интереса на совокупных изображениях, в том числе применяемых в реализованных автоматизированных системах микроскопического анализа медико-биологических препаратов. Определить пути их усовершенствования;

- апробировать полученные результаты, решив задачу получения количественных оценок второстепенных морфологических признаков лейкоцитов с целью повышения надежности их классификации;

- разработать программный комплекс для автоматизации решения общих и частных задач анализа медико-биологических препаратов по их растровому изображению.

Методы исследований. Решение поставленных задач потребовало привлечения подходов и методов в следующих направлениях научной деятельности: медико-биологическая морфометрия, стереометрическая морфометрия, алгоритмы обработки цифровых изображений, статистическая обработка данных, системный анализ, распознавание образов. Программное обеспечение разрабатывалось с учётом объектно-ориентированного подхода и теории проектирования реляционных баз данных.

Достоверность и обоснованность результатов. Обоснованность и адекватность разработанных алгоритмов поиска и выделения объектов на изображении определялась сравнением результатов работы общеизвестных алгоритмов с предлагаемыми в работе. Основным критерием выступала визуальная оценка, определяющая точность выделения объектов интереса на изображении. Для обоснования выбора предлагаемого цветового пространства проводилась количественная оценка результатов сегментации. Адекватность предлагаемой формализованной модели объектов исследования («белых» клеток крови - лейкоцитов) оценивалось медиком - экспертом.

Научная новизна.

1. Предложен новый метод оценки редукции растровых изображений, отличающийся тем, что, с целью сокращения размерности обрабатываемых данных, введены процедуры оценки степени масштабирования по заданному порогу потери «информативности», выполняемые в автоматическом режиме.

2. Предложен новый алгоритм контрастирования, отличающийся от аналогов возможностью модификаций цвето-яркостных параметров объектов на изображении на основе статистической информации. Данный подход позволил повысить результативность последующего анализа изображения алгоритмами «машинного» зрения.

3. Разработаны методы стабилизации выходной информации алгоритмов кластерного анализа за счёт определения начальных значений центроидов. Также предложено модернизированное пространство признаков, позволяющее повысить качество сегментации цветных растровых изображений.

-94. Предложено формальное описание «белых» клеток крови (лейкоцитов), в котором, с целью повышения надёжности работы алгоритмов распознавания, цвето-яркостные параметры классификации заменены на второстепенные морфологические признаки. Разработаны алгоритмы для их определения.

Практическая значимость работы

1. На основе предложенных алгоритмов и методов автоматизированного определения морфометрических признаков объектов исследования медико-биологических препаратов открывается возможность разработки универсальных диагностических комплексов, главным отличием, которых будет повышенная функциональная составляющая, обеспечивающая возможность автоматизации существующих и создание уникальных методик анализа, ориентированных на широкий круг измерений морфометрических признаков объектов исследования.

2. Модернизированные и разработанные в работе алгоритмы могут быть применены для решения задач «машинного» зрения в различных областях как микроскопического анализа (металловедение, материаловедение и др.), так и в системах обработки изображений, полученных не на микроуровне (картографии, зрение роботов и др.).

3. Создан программный комплекс, который может быть использован для автоматизации частных задач микроскопии медико-биологических препаратов.

Основные положения и результаты, выносимые на защиту:

1. Методы и алгоритмы обработки растровых изображений медико-биологических препаратов для решения задач автоматизированной микроскопии.

2. Формализованное описание модели «белых» клеток периферической крови.

-103. Методика последовательного вычисления численных значений морфологических признаков выделенных для классификации «белых» клеток крови.

4. Реализованный на основе разработанных методов и алгоритмов программный комплекс.

Внедрение.

1. Автоматизированная система «Фазовый анализ растровых изображений медико-биологических препаратов» внедрена на кафедре патологической анатомии Волгоградского государственного медицинского университета.

2. Автоматизированная система «Поиск и выделение объектов интереса из массива растровых изображений полученных в результате автоматического сканирования исследуемого препарата» внедрена на кафедре оперативной хирургии Волгоградского государственного медицинского университета.

3. Работа получила грант от фонда содействия развитию малых форм предприятий в научно-технической сфере по программе «Участник молодежного научно-инновационного конкурса (У.М.Н.И.К)»

Апробация работы. Основные положения диссертации докладывались на научных семинарах кафедры САПР и ПК ВолгГТУ, а также на всероссийских научных и научно-практических конференциях: на всероссийской конференции «Информационные и управленческие технологии в медицине» (Пенза 2007), «Инновационные технологии в управлении, образовании, промышленности "АСИНТЕХ-2007"», а также в электронных конференциях: «Современные наукоемкие технологии» (2007).

Публикации. По теме диссертации опубликовано 6 печатных работ, в том числе 2 из них в журнале, рекомендованном ВАК [68-73].

Объем и структура работы.

Работа состоит из введения, четырёх глав с выводами, заключения, трёх приложений, списка литературы. Общий объем работы: страниц - 146, иллюстраций - 49, таблиц - 5. В списке литературы 115 наименований.

В первой главе рассмотрены основные задачи микроскопии медико-биологических препаратов, приведены этапы приготовления препаратов, особенности методик анализа, определены факторы, влияющие на качество наблюдаемой микроскопической картины и адекватность результатов исследования. Выполнен обзор задач медико-биологической микроскопии, анализируются возможные пути их автоматизации. Отдельное внимание уделено функциям системы автоматизированной микроскопии (САМ), покрывающим большую часть задач рассматриваемой предметной области. Производится сравнительный анализ существующих САМ по их функциональным характеристикам, рассматриваются пути возможного повышения их производительности, а также качества результатов автоматизированного анализа. Далее рассматриваются этапы получения «цифровых» изображений медико-биологических препаратов, отображающих наблюдаемую микроскопическую картину, обосновывается необходимость применения алгоритмов подготовки изображения к распознаванию, перечислены существующие алгоритмические решения. Выполнен обзор известных алгоритмов выделения (поиска) объектов на растровых изображениях, проанализированы их достоинства и недостатки.

В заключении обобщены основные проблемы автоматизации задач предметной области, определены направление дальнейших исследований.

Во второй главе рассмотрены алгоритмы обработки цифровых изображений разработанные или модифицированные лично автором. Цель рассматриваемых алгоритмов обеспечить поиск, выделение и детализацию объектов интереса на растровом изображении медико-биологического препарата, полученного в результате микроскопии.

В третьей главе предлагается формализованное описание модели клеток крови, на примере лейкоцитов, и алгоритмы для получения выделенных признаков классификации.

-12В четвёртой главе описана архитектура созданного программного комплекса для решения частных задач автоматизированной микроскопии медико-биологических препаратов, состоящего из трёх автоматизированных систем. Цель реализации автоматизированных систем - проверить на практике эффективность работы алгоритмов для дальнейшего проектирования и создания универсального диагностического комплекса, обладающего значительными конкурентными преимуществами в сравнении с аналогами.

В приложениях рассмотрены основные функции систем автоматизированной микроскопии занимающих лидирующее место на рынке программных продуктов подобного типа (приложение 1). Описаны основные морфологические характеристики клеток костного мозга и периферической крови (приложение 2). Представлены результаты тестирования разработанных алгоритмов на растровых изображениях медико-биологических препаратов, приведено сравнение результатов их работы с результатами, произведёнными САМ, рассмотренными в приложении 1 (приложение 3).

Основные результаты работы состоят в следующем:

1. На основе анализа предметной области микроскопии медико-биологических препаратов, методов клинической и лабораторной диагностики были разработаны новые методы и алгоритмы, позволяющие повысить эффективность автоматизированного распознавание микрообъектов на растровых изображениях, полученных в результат* «оцифровки» наблюдаемой при микроскопическом исследовании кар тины. Показано, что повышение эффективности возможно за счёт бо лее точного (по сравнению с подобными алгоритмами) поиска, выде ления и детализации объектов интереса на изображении.

2. Предложен новый подход к увеличению производительности алгорит мов «машинного» зрения за счёт сокращения размерности анализи руемых данных при контролируемом автоматическом масштабирова нии растрового изображения.

3. Разработан алгоритм статистического контрастирования, улучшающие цвето-яркостную картину исходного растрового изображения как дхи визуальной оценки экспертом, так и для последующей автоматизиро ванной обработки алгоритмами «машинного» зрения.

4. Для обеспечения стабильности и повышения качества картины сег ментации растровых изображений методами кластерного анализ; предложены методы и алгоритмы модификации пространства призна ков и нахождения стартовых точек (центроидов) кластеризации.

5. Предложена новая формализованная модель «белой» клетки крови че ловека, отличающаяся от аналогов добавлением к пространству при знаков классификации количественных параметров, определяющи) второстепенные морфологические признаки (зернистость, перинукле арная зона, количество сегментов ядра). Такой подход позволил ис ключить из пространства признаков цвето-яркостные характеристике

116 — объектов, что повышает устойчивость автоматизированного распознавания нестабильных препаратов по их растровому изображению.

6. Разработана методика и алгоритмы последовательного преобразование растрового изображения анализируемой клетки для вычисления выделенных признаков классификации.

7. Для верификации предлагаемых в работе методов и алгоритмов бьи спроектирован и реализован комплекс автоматизированных систем.

8. Данный комплекс был использован для автоматизации типовых и ин новационных микроскопических исследований на кафедрах оператив ной хирургии и патологической анатомии в ВолгГМУ, о чём свиде тельствуют соответствующие акты внедрения.

- 117 —

115 — ЗАКЛЮЧЕНИЕ

1. Автандилов, Г.Г. Перспективы развития диагностической медицинской морфометрии / Г.Г. Автандилов // Клинико-лабораторный Консилиум, -2004. №2. - С. 39-42.

2. Автандилов, Г. Г. Системная стереометрия в изучении патологического процесса / Г.Г. Автандилов, Н.И. Яблучанскии, В.Г. Губенко. М. : Медицина, 1981,-192 с.

3. Абрамов, М.Г. Гематологический атлас / М.Г. Абрамов. М. : Медицина, 1979.- 280 с.

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

5. Айвазян, С.А. Классификация многомерных наблюдений / С.А. Айвазян, З.И. Бежаева, О.В. Староверов. М.: Статистика, 1974. - 240 с.

6. Александров, В.В. Анализ данных на ЭВМ. (На примере системы СИТО) / В.В. Александров, А.И. Алексеев, Н.Д. Горский М. : Финансы и статистика, 1990. - 192 с.

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

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

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

10. Афонин, В.Л. Интеллектуальные робототехнические системы / В.Л Афонин, В.А. Макушкин // Распознавание образов. Электронный ресурс. • Режим доступа: http://www.intuit.rU/department/human/isrob/4/.

11. Байдун, Л.В. Автоматическая эритроцитометрия в роботизированной микроскопе МЕКОС-Ц1 / Л.В. Байдун, С.А. Кашпор, А.А. Парпара, и др. /, Клиническая лабораторная диагностика. 2003. - №6. - С. 39-42.

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

13. Белявцев, В.Г. Алгоритмы фильтрации изображений с адаптацией размеров апертуры / В.Г. Белявцев, Ю.Е. Воскобойников // Автометрия. 1998 -№3.-С. 18-25.

14. Бутенко, Л.Н. Объектно-ориентированный банк физических эффектоЕ / Л.Н. Бутенко, 0.0. Привалов // Математика. Компьютер, образование, Тезись: 11 международной конференции, 11, МОО "Женщины в науке и образовании" Ижевск, 2004. - С. 88

15. Бутенко, Л.Н. Автоматизированный банк технических функций физических эффектов / Л.Н. Бутенко, 0.0. Привалов // Математика. Компьютер. Образование, Тезисы 12 международной конференции, 12, МОО "Женщниы i науке и образовании", М. - Ижевск, 2005. - С. 53.

16. Вапник, В.Н. Теория распознавания образов / В.Н. Вапник, А.Я. Чер-воненкис М.: Наука, 1973.-416 с.

17. Васильев, В.И. Формирование и опознавание образов / В.И. Васильев А.И. Шевченко. Изд-во: ДонГИИИ, 2000. - 359 с.

18. Вежневец, А. Выделение связных областей в цветных и полутоновы> изображениях / А. Вежнвец // Графика и мультимедия. 2003. Электронный ресурс. Режим доступа: http://cgm.graphicon.ru/content/view/53/62.

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

20. Власов, Т.Д. Программная обработка телевизионного изображение микрососудов / Т.Д. Власов, В.Г Пантелеев // Физиологический журнал. 1995 -№6.-С. 148-150.

21. Волченко, Н.Н. Цитоморфометрическая диагностика дисплазий при дисгормонально-гиперпастических процессах молочной железы / Н.Н. Волченко, В.С.Медовый, Н.В.Климова, и др. // Клиническая лабораторная диагностика. 2006. - №5. - С. 52-54.

22. Востокмедсервис, Программно-технический комплекс «Морфология» / Востокмедсервис // Электронный ресурс. Режим доступа: http://vostokmedkom.m/products/soft/show.php?show=6

23. Воробьев, Н. Одномерный цифровой медианный фильтр с трехотсчет-ным окном / Н. Воробьёв // 2003. Электронный ресурс. Режим доступа: http://www.chipnews.ru/html.cgi/arhiv/9908/stat29.htm.

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

25. Гаврилова, Т.А. Базы знаний интеллектуальных систем / Т.А. Гаврило-ва, В.Ф. Хорошевский. С-Пб.: Питер, 2001.-384 с.

26. Галушкин, А.И. Теория нейронных сетей. Кн. 1. / А.И. Галушкин. М, : ИПРРЖР, 2000.

27. Гиренко, А.В. Методы корреляционного обнаружения объектов / А. В, Гиренко, В.В. Ляшенко, В.П Машталир, Е.П. Путятин. Харьков : АО «Бизне-сИнформ», 1996.- 112 с.

28. Горелик, А.П. Методы распознавания / А.П. Горелик, В.А. Скрипкин, М.: Высшая школа, 1989. 216 с.

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

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

31. Дворкович, А.В. Цифровая обработка телевизионных и компьютерных изображений / А.В. Дворкович, В.П. Дворкович, Ю.Б. Зубарев и др. М. : Радио и связь, 1997. - 212 с.

32. Электронный ресурс. Режим доступа: http://www.diamorph.ru/aboutprog.html

33. Дуда, Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт. М.: Мир, 1976.-230 с.

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

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

36. Егоров, М.Ю. Использование компьютерных систем анализа изображений для автоматизации анализа спермы человека / М.Ю. Егоров, А.В. Струй. С.А. Шлыкова и др. // Клинико-лабораторный Консилиум. 2004. - №3. - С. 2728.

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

38. Журавель, И.М. Краткий курс теории обработки изображений / И.М, Журавель // MatLab. 2003. Электронный ресурс. Режим доступа: http://matlab.krasu.ru/imageprocess/book2/index.asp.htm.

39. Зенина, М.Н. Морфометрические исследования эритроцитов в диагностике анемий / М.Н. Зенина, Е.И. Клыкова, Т.А. Карнилова, и др. // Клинико-лабораторный Консилиум. 2004. - №3. - С. 18-19.

40. Калинкина, Д. Проблема подавления шума на изображениях и видео и различные подходы к ее решению / Д. Калинкина, Д. Ватолин // Графика и мультимедия. 2005. Электронный ресурс. Режим доступа: http://cgm.graphicon.ru/content/view/74/64/2005.

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

42. Классификация и кластер. Сб. ст. / Под ред. Дж. Вэн Райзина. М. : Мир, 1980.-390 с.

43. Климов, А.С. Форматы графических файлов / А.С. Климов. СПб. : ДиаСофт, 1995.-480 с.

44. Козловская, JI.B. Учебное пособие по клиническим лабораторным методам исследованиям. 2-е изд. / J1.B. Козловская, А.Ю. Николаев,- М. : Медицина, 1984.- 288 с.

45. Красильников, Н.Н. Цифровая обработка изображений / Н.Н. Красиль-ников. Изд-во: Вузовская книга, 2001. 320 с.

46. Любина, А .Я. Клинические лабораторные исследования / А.Я. Люби-на, Л.П. Ильичева. М.: Медицина, 1984. - 288 с.

47. Мандель, И.Д. Кластерный анализ / И.Д. Мандаль. М. : Финансы и статистика, 1988. - 176 с.

48. Мариничев, К. Алгоритмы выделения параметрических кривых на основе преобразование Хафа / К. Мариничев, В. Вежневец // Графика и мульти-медия. 2006. Электронный ресурс. Режим доступа: http://cgm.graphicon.ru/content/view/107/62/.

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

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

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

52. Мекос, Типы анализов и методик / Мекос // Медицинские компьютерные системы Электронный ресурс. Режим доступа: http://www.mecos.ru/mecosweb/techniquesrus.htm

53. Мюррей, Д.Д. Энциклопедия форматов графических файлов / Д.Д. Мюррей, У. Райнер. Киев : BHV, 1997. - 535 с.

54. Назарова, Е.К. Возможности применения систем анализа изображения для обнаружения и регистрации хламидийной инфекции при использовании метода иммунофлуоресценции / Е.К. Назарова, О.В. Егорова, М.Н. Зенина // Лаборатория. 2002. - №4, - С. 8-9.

55. Неймарк, Ю.И. Многомерная геометрия и распознавание образов / Ю.И. Нейрмарк // МАТЕМАТИКА. 1996. . Электронный ресурс. Режим доступа: http://visionai.ksu.m/index.php?m=6&a=4&n=9.

56. Новиков, К.В. Повышение эффективности лабораторных цитоморфо-логических исследований крови / К.В. Новиков // Микроэлектроника и информатика 98. Тез. Докл. всерос. межвуз. науч.-тех. конф. студентов и аспирантов: В 2 ч. Ч.1.- М : МИЭТ, 1998. - С. 199.

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

58. Пантелеев, В.Г. Применение современных аппаратно-программных комплексов в цитологической практике / В.Г. Пантелеев // Атлас "Цитологическая диагностика заболеваний легких". 2005. - 199 с.

59. Парпара, А.А, Навигация по мазку крови при автоматическом подсчёте лейкоцитарной формулы и эритроцитометрии / А.А. Парпапра, A.M. Пятницкий, Б.З. Соколинский, и др. // Здравоохранение и медицинская техника. -2005.-№7(21).-С. 37-38.

60. Перегудов, Ф.И. Основы системного анализа / Ф.И. Перегудов, Ф.П Тарасенко. Томск : Изд-во HTJ1,1997. - 396 с.

61. Поваркова, А.В. Компьютерный анализ изображений вгмедицине' А.В. Поваркова // Морфология. 1997. - №5. С. 103-106.

62. Привалов, О.О. Автоматическая сегментация цифровых изображена медико-биологических препаратов методом кластерного анализа / О.О. Привг лов, JI.H. Бутенко // Современные наукоёмкие технологии: науч. теорети* журнал/-М. - 2007. - №10. - С. 79-80.

63. Прэтт, У. Цифровая обработка изображений. Кн.2. / У. Прэтт. М. Мир, 1982. -784 с.

64. Путятин, Е.П. Обработка изображений в робототехнике / Е.П. Пут* тин, С.И. Аверин. М : Машиностроение, 1990. - 320 с.

65. Пытьев, Ю.П. Морфологический анализ формы изображений / Ю.Г Пытьев // Электронный ресурс. Режим доступ; http://www.butovo.com/~zss/bwmorf.html

66. Садыков, С.С. Методы выделения структурных признаков изображ< ний / С.С. Садыков, В.Н. Кан, И.Р. Самандаров. Ташкент: Фан, 1990.- 104 с.

67. Соколинский, Б.З. Классификация лейкоцитов с использованием мет< дов обучающихся нейронных сетей и Watershed / Б.З. Соколинский, B.JI. Дем.янов, B.C. Медовый др. // Здравоохранение и медицинская техника. 2005. №4(18).-С. 35.

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

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

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

71. Хорн, Б.К.П. Зрение роботов / Б.К.П. Хорн. М.: Мир, 1989. - 484 с.

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

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

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

75. Ярославский, Л.П. Цифровая обработка сигналов в оптике и гологр< фии: Введение в цифровую оптику / Л.П. Ярославский М. : Радио и связ. 1987.-296 с.

76. Beaudet, P. Rationally Invariant Image Operations / P. Beaudet // in Inte. national Joint Conference on Pattern Recognition, Kyoto, Japan. 1978. - pp. 57< 583.

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

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

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

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

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

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

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

84. Forstner, W. A feature based correspondence algorithm for image matchinj / W. Forstner // Intl. Arch. Photogramm. Reemote Sensing. 1986. - №26. - pp. 150 166.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

100. Tremeau, I. A Region growing and Merging Algorithm to color segment; tion /1. Tremeau, N. Borel // Pattern Recognition. 1997.

101. Weiss, I. High-order differential filters that work /1. Weiss // IEEE Tran action on Pattern Analysis an Machine Intelligence. 1994. - №16(7). - pp. 734-73S-128

102. СПИСОК ИСПОЛЬЗУЕМЫХ СОКРАЩЕНИЙ

103. АС автоматизированная система

104. САМ система автоматизированной микроскопии

105. ЦЯХ цвето-яркостные характеристики

106. RGB цветовое пространство red, green, blue (красный, зелёный, синий) HSV - цветовое пространство hue, saturations, brightness (цвет, насыщенность, яркость)