Методы и средства автоматизированной обработки микроскопических изображений мазков периферической крови для диагностики острых лейкозов

Чистов, Кирилл Сергеевич

Информационно-измерительные и управляющие системы (по отраслям)

автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.16, диссертация на тему:Методы и средства автоматизированной обработки микроскопических изображений мазков периферической крови для диагностики острых лейкозов

кандидата технических наук: Чистов, Кирилл Сергеевич
город: Москва
год: 2007
специальность ВАК РФ: 05.11.16

Диссертация по приборостроению, метрологии и информационно-измерительным приборам и системам на тему «Методы и средства автоматизированной обработки микроскопических изображений мазков периферической крови для диагностики острых лейкозов»

Автореферат диссертации по теме "Методы и средства автоматизированной обработки микроскопических изображений мазков периферической крови для диагностики острых лейкозов"

На правах рукописи

003053014

ЧИСТОВ КИРИЛЛ СЕРГЕЕВИЧ

Методы и средства автоматизированной обработки микроскопических изображений мазков периферической крови для диагностики острых лейкозов

Специальность 05.11.16 - «Информационно-измерительные и

управляющие системы»

Автореферат диссертации на соискание ученой степени кандидата технических наук

003053014

На правах рукописи

ЧИСТОВ КИРИЛЛ СЕРГЕЕВИЧ

Специальность 05.11.16 - «Информационно-измерительные и

управляющие системы»

Автореферат диссертации на соискание ученой степени кандидата технических наук

Работа выполнена в Московском инженерно-физическом институте (государственном университете).

Официальные оппоненты: доктор технических наук, профессор

Анциферов С.С.,

Ведущая организация: Всероссийский научно-исследовательский институт технической физики и автоматизации (ВНИИТФА)

Защита состоится 19.03.07 в 15 час. 00 мин. на заседании диссертационного совета Д 212.130.02 при Московском инженерно-физическом институте (государственном университете) по адресу: 115409, г. Москва, Каширское ш., д.31.

С диссертацией можно ознакомиться в библиотеке МИФИ.

Автореферат разослан « ^(о » 2007 г.

Ученый секретарь

Научный руководитель: доктор технических наук,

Никитаев Валентин Григорьевич.

кандидат технических наук, Лифшиц М.Л..

диссертационного совета доктор технических наук, профессор

Петров Г.В.

ОБЩАЯ ХАРАКТЕРИСТИКА ДИССЕРТАЦИИ

Актуальность темы.

В настоящее время в медицинской практике для проведения анализов периферической крови все более широко применяются автоматические приборы - проточные гемоанализаторы, что облегчает и ускоряет рутинную лабораторную диагностику. Точность результатов большинства из применяемых гемоанализаторов достаточна для проведения скрининговых исследований. Но в случае острого лейкоза (онкологического заболевания крови), когда морфологические отличия между опухолевыми и нормальными клетками зачастую минимальны, точность гемоанализаторов оказывается недостаточной. Вследствие этого анализ периферической крови при острых лейкозах до сих пор требует участия врача, который проводит визуальный анализ мазка крови под микроскопом. Основными недостатками этого метода являются: , .

- большая трудоемкость визуального анализа опухолевых клеток в мазке крови под микроскопом;

- значительная субъективность результатов анализа;

- сложность идентификации опухолевых клеток, что требует привлечения к таким анализам высококвалифицированных врачей-морфологов;

- необходимость постоянной поддержки у врача, проводящего анализ, навыка в идентификации опухолевых клеток;

- дефицит врачей с необходимой для анализа опухолевых клеток квалификацией (как правило, такие врачи работают в крупных медицинских центрах и больницах гематологического профиля);

длительный срок подготовки врача-морфолога с требуемой квалификацией (несколько лет).

В связи с тем, что наблюдается рост числа заболеваний острым лейкозом, а выявление их на ранней стадии развития заболевания затруднено в силу вышеуказанных причин, актуальной задачей является автоматизация микроскопического анализа мазков крови для выявления опухолевых клеток при диагностике острого лейкоза.

Целью диссертации является разработка методов и средств обработки микроскопических изображений мазков периферической крови с применением процедуры распознавания бластных клеток для поддержки принятия решений врачом при диагностике острых лейкозов.

Острый лейкоз — тяжелое онкологическое заболевание крови, которое без лечения приводит к летальному исходу. Успех в его лечении в существенной мере зависит от своевременности поставленного диагноза. Внешние проявления острого лейкоза неспецифичны, особенно на ранней стадии. Одним из признаков развития этого заболевания является наличие бластных клеток ~ в периферической крови. Их обнаружение служит основанием для подозрений о наличии у пациента острого лейкоза и

направления пациента в специализированное гематологическое учреждение для проведения неотложных диагностических и лечебных процедур.

Идентификация бластных клеток при визуальном анализе врачом микроскопических изображений мазка крови затруднена вследствие того, что эти клетки похожи на некоторые типы лейкоцитов, встречающихся в периферической крови пациентов, не имеющих онкологических заболеваний крови. Кроме того, так как врач клинико-диагностической лаборатории обычной больницы (или поликлиники) в большинстве случаев проводит анализ непатологической крови, у него не вырабатывается навык узнавания опухолевых клеток, что усложняет задачу их идентификации в случаях патологии крови.

Применение средств компьютерной микроскопии, позволяющих обнаружить бластные клетки в мазке периферической крови на основе измерений признаков с последующим распознаванием типа клеток, поможет врачу принять объективно обоснованное решение по результатам анализа мазка периферической крови при диагностике острых лейкозов.

Для достижения поставленной цели необходимо решить следующие основные задачи:

1.Провести исследование изображений клеток в мазке периферической крови с целью выявления отличительных признаков бластных клеток, используемых врачом при визуальном анализе в процессе диагностики острых лейкозов. На основе проведенного исследования предложить математическую модель описания количественных признаков бластных клеток для их измерения автоматизированной системой обработки изображений.

2.Разработать и исследовать методы обработки изображений для распознавания бластных клеток.

3.Предложить структуру автоматизированной системы анализа изображений мазков крови для поддержки принятия решений врачом при диагностике острых лейкозов.

4.Разработать средства контроля качества микроскопических изображений клеток периферической крови, подлежащих автоматизированному анализу.

5 .Создать базу знаний по клеткам крови при заболеваниях острым лейкозом, включающую эталонные изображения бластных клеток.

6.Выполнить экспериментальное исследование точностных характеристик системы распознавания бластных клеток.

7.Предложить методику автоматизированного анализа изображений мазков периферической крови для поддержки принятия решений врачом при диагностике острых лейкозов.

Методы исследования. В диссертации использованы теория цифровой обработки изображений, теория распознавания образов, теория спектрального, и текстурного анализа, теоретико-множественные модели, теория.вероятности и математической статистики.

Научная новизна.

1. Метод и математические модели цифровой обработки изображений для распознавания властных клеток, реализация которых позволила создать информационно-измерительный комплекс автоматизированной диагностики острых лейкозов на базе компьютерной обработки микроскопических изображений мазков периферической крови, включающий клиническую, научно-исследовательскую и обучающую системы. В состав систем входит устройство для автоматического обнаружения бластных клеток в периферической крови, на которое получено решение Роспатента о выдаче патента на полезную модель (заявка №2006135515/22(038666) от 09.10.2006, письмо Роспатента от 11.12.2006).

2.Методика автоматизированного анализа изображений мазков крови, применение которой помогает врачу-гематологу принять объективно обоснованное решение по результатам анализа мазка крови при диагностике острых лейкозов.

3.Методика исследования информативности признаков бластных клеток, позволившая осуществить обоснованный выбор признаков в системе распознавания бластных клеток.

4. Методика оценки пригодности изображений клеток крови для автоматизированного анализа, применение которой' обеспечивает необходимые условия для нормальной работы системы распознавания бластных клеток.

Практическая ценность.

1. С применением разработанных в диссертации методов обработки изображений, моделей и методик создан информационно-измерительный комплекс анализа мазков периферической крови и распознавания бластных клеток для диагностики острых лейкозов, включающий три системы. Первая предназначена для клинической диагностики, вторая - для проведения научных исследований в области автоматизации диагностики острых лейкозов, включая формирование атласов эталонных изображений клеток крови и баз знаний в области гематологической диагностики, третья ориентирована на обучение студентов-медиков и повышение квалификации врачей.

2. Разработанные методы и средства обработки микроскопических изображений мазков периферической крови с применением процедуры распознавания бластных клеток для диагностики острых лейкозов внедрены в Российском онкологическом научном центре им. Н.Н.Блохина РАМН (РОНЦ), Институте повышения квалификации Федерального медико-биологического агентства (ФМБА), ФГУЗ Детской клинической больнице №38-Центре экологической педиатрии ФМБА (г.Москва), в Цёятральной медсанчасти №141 ФМБА (г. Удомля, Тверская обл., Калининская АЭС), в учебном процессе кафедры «Компьютерные медицинские системы» МИФИ.

Апробация результатов диссертации.

Результаты диссертации докладывались и обсуждались на научных конференциях «Научная сессия МИФИ» в 2003, 2004, 2005, 2006, 2007 годах, на XII международном семинаре «Медицина XXI века» в Словакии в 2004г, на международной конференции «Технологии 2004» в Турции в 2004г., на научной конференции-«Фундаментальные и прикладные проблемы медицины и биологии» в г. Дубай, ОАЭ в 2005г., на международном симпозиуме «Датчик 2006» «Качество, инновации, образование и CALS технологии» в Египте в 2006г., на II Съезде Российского общества патологоанатомов в Москве в 2006г.

Публикации. Основные результаты диссертации опубликованы в 25 научных работах (в том числе в 2-х учебных пособиях и в 5 научных работах без соавторов).

Структура и объем диссертации. Диссертация состоит из введения, 4-х глав, заключения, списка литературы из 107 наименований. Общий объем диссертации составляет 167 стр., 48 рисунков, 10 таблиц.

На защиту выносятся следующие положения:

1. Метод и математические модели цифровой обработки изображений для распознавания бластных клеток, реализованные в информационно-измерительном комплексе автоматизированной диагностики острых лейкозов на базе компьютерной обработки микроскопических изображений мазков периферической крови, что обеспечивает поддержку принятия решений врачом при диагностике острых лейкозов.

2. Методика исследования информативности признаков, которая позволяет осуществить выбор признаков в системе распознавания бластных клеток.

3. Методика оценки пригодности изображений клеток крови для автоматизированного морфологического анализа, она определяет необходимые условия для распознавания бластных клеток с использованием созданного информационно-измерительного комплекса автоматизированной диагностики острых лейкозов.

4. Методика автоматизированного анализа микроскопических изображений мазков периферической крови с распознаванием бластных клеток, обеспечивающая практическое применение врачами информационно-измерительного комплекса автоматизированной диагностики острых лейкозов.

ОСНОВНОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ

Во взедении обоснована актуальность темы, сформулирована научная проблема, определена постановка решаемых задач.

Проблема своевременного распознавания острых лейкозов обусловлена стремительным ростом заболеваемости, связанным, в частности, как с общими экологическими проблемами, так и с ростом числа лиц,

контактирующих с ионизирующей радиацией. До настоящего времени основой первичной диагностики этих опаснейших заболеваний остается визуальное микроскопическое исследование мазков крови врачом с обнаружением и анализом опухолевых клеток. Анализ морфологии клеток периферической крови с применением методов световой микроскопии является важнейшей частью диагностики гематологических заболеваний. Данный анализ выступает первой стадией диагностического поиска. На его основе производится предварительная постановка диагноза, который в дальнейшем верифицируется с применением комплекса специальных методов и средств. Поскольку стоимость комплексной диагностики велика, очень важно уметь извлекать максимум полезной информации из результатов рутинных исследований на первом этапе. Однако, в настоящее время, морфологическая диагностика опирается главным образом на опыт и высокую квалификацию врача-морфолога и практически не имеет под собой объективной основы, достигаемой путем автоматизации процедур морфологической диагностики. Нерешенность указанной задачи в области анализа опухолевых клеток крови обусловила выбор направления научного исследования, которому посвящена диссертация.

Оснащение диагностических лабораторий поликлиник и стационаров автоматизированными анализаторами микроскопических изображений клеток крови позволит существенно упростить задачу выявления и дифференциальной диагностики острых лейкозов. Кроме того, наличие эталонной базы данных и системы поддержки принятия решений решает наряду с диагностикой и дру1ую насущную проблему здравоохранения — подготовку и повышение квалификации врачей-морфологов.

В первой главе осуществлен анализ проблем распознавания бластных клеток на микроскопическом изображении мазков крови, проведен обзор существующих подходов к решению указанной проблемы. С целью выработки концепции автоматизации диагностики острых лейкозов проведены:

-анализ методов диагностики острых лейкозов;

-обзор современных систем автоматизированного анализа периферической крови;

-определение ключевых проблем в области автоматизации диагностики острых лейкозов; -анализ объектной среды;

-определение основных принципов автоматизации диагностики острых лейкозов;

-выбор стратегии разработки автоматизированной системы гематологического анализа для диагностики острых лейкозов;

- разработка концептуальной модели процесса обработки информации в автоматизированной системе гематологического анализа для диагностики острых лейкозов.

Проведенный анализ в области современного уровня средств диагностики острого лейкоза показывает, что постановка диагноза острого лейкоза и определение схемы лечения требует участия высококвалифицированных специалистов-гематологов с применением специальных методик в комплексе с дорогостоящим оборудованием и расходными материалами (в том числе проведение морфологических, цитохимических, иммунологических и цитогенетических исследований, использование проточных цитофлуориметров и хромосомных анализаторов). Такое оснащение и необходимый кадровый состав имеются только в специализированных гематологических отделениях больниц и медицинских центров. Оснащение всех больниц и поликлиник полным комплектом оборудования экономически нецелесообразно. Поэтому в настоящее время острый лейкоз диагностируют следующим образом: при обращении больного в первичное звено здравоохранения (медпункт, поликлинику) его направляют на проведение общего клинического анализа крови. В случае выявления отклонений состава крови от нормы (обнаружения опухолевых клеток в периферической крови) пациента направляют в больницу или медицинский центр со специализированным гематологическим отделением для проведения соответствующего углубленного гематологического обследования. Таким образом, ключевым моментом в своевременной диагностике острого лейкоза является выявление подозрений на наличие этого заболевания в первичном звене здравоохранения. Сложность решения задачи (выявления указанных оснований) на данном этапе обусловлена следующими факторами:

- автоматические гематологические анализаторы проточного типа, применяемые для общего клинического анализа крови, обеспечивают высокопроизводительный анализ состава крови для форменных элементов крови, характерных для нормы, но не способны с необходимой достоверностью обнаружить властные клетки в периферической крови;

- в случае определения состава клеток крови методом визуального микроскопического анализа, результаты зависят от опыта и квалификации врача, его способности выявить в исследуемом препарате бластные клетки.

При этом следует учитывать, что врач обычной клинической лаборатории медучреждения, не имеющего специализации в гематологии, редко встречается со случаями острых лейкозов и поэтому не обладает достаточными навыками в распознавании бластных клеток в мазке периферической крови. Последнее может приводить к ошибочным заключениям в результатах анализа крови в случаях наличия бластных клеток в крови. Трудоемкость визуального анализа мазков крови и большая загруженность врачей-гематологов, приводящая к утомлению зрения при выполнении большого количества анализов (бывает необходимо просмотреть

до 10000 клеток за рабочую смену), порождает возможность ошибок в идентификации нетипичных клеток.

Таким образом, решение задачи автоматизации микроскопических анализов периферической крови с целью обнаружения бластных клеток при общем клиническом анализе крови будет способствовать более ранней диагностике острых лейкозов, что создает предпосылки к повышению эффективности лечения этого заболевания.

Обзор возможностей современных систем автоматизированного микроскопического анализа и анализ публикаций по рассматриваемой теме показал, что существующие системы компьютерного анализа микроскопических изображений мазков периферической крови ориентированы главным образом на анализ непатологической крови (системы фирм Leica (Германия), Zeiss (Германия), Olympus (Япония), Видеотест (С.Петербург, Россия), Мекос (Москва, Россия) и др.). Такие системы позволяют проводить анализ распределений эритроцитов, производить подсчет лейкоцитарной формулы, но не обеспечивают достоверного распознавания бластных клеток. Иначе говоря, до настоящего времени задача автоматизации диагностики острых лейкозов при анализе периферической крови в должной мере не решена.

Концепцию предлагаемой автоматизации анализа периферической крови по выявлению острого лейкоза отражает схема, приведенная на рис.1

Рис.1. Схема анализа периферической крови с автоматизированным анализом мазка крови для выявления острого лейкоза.

В заключение обзора в области автоматизации диагностики острых лейкозов сделан вывод об актуальности задачи создания системы

автоматизированного анализа микроскопических изображений мазков периферической крови с применением распознавания бластных клеток. Такая система призвана служить инструментом в руках врача-гематолога как средство поддержки принятия решений при диагностике острых лейкозов.

Во второй главе обосновывается возможность автоматического распознавания бластных клеток на микроскопическом изображении мазка крови. Проводится анализ цифровых изображений клеток крови, на этой основе строится модель изображения бластных клеток. Определяется подход к распознаванию бластных клеток и формируется набор измеряемых признаков для описания бластных клеток.

Автоматизированный анализ мазка крови с применением системы анализа изображений с целью обнаружения бластных клеток представлен в виде следующей модели:

А={В, Ск, Сг, Рг, Кг, И }, где В - операция ввода в компьютер микроскопического изображения мазка крови, Ск - выделение на изображении мазка крови области, соответствующей лейкоцитам, Сг - выделение области ядра и цитоплазмы в выделенных лейкоцитах, Рг - вычисление характеристик клетки, Кг -классификация лейкоцита на основании вычисленных признаков, И -представление результатов анализа для принятия заключения врачом.

В качестве объекта анализа • выступает мазок крови на стекле. Регистрация информации об объекте осуществляется системой регистрации микроскопического изображения мазка крови. Операции предобработки, описания и классификации осуществляются программно в компьютерной системе обработки изображений.

Анализ этапов обработки информации в рассматриваемой системе позволил выделить существенные с точки зрения качества распознавания факторы. Опыт разработки показал, что в случае систем гематологической диагностики ключевыми являются выбор модели описания клетки, качество подготовки препарата, характеристики технических средств регистрации изображений клеток, репрезентативность и объем обучающей и контрольной выборок. Формирование набора признаков для описания клеток с целью их последующей классификации по типам является сложной задачей, не имеющей однозначного решения. Критерием выбора признаков принят точностной показатель работы системы распознавания, определяемый долей правильно классифицированных клеток крови.

Как показало исследование применяемой в настоящее время врачами методики визуального анализа микроскопических изображений мазков крови в процедуре принятия диагностического решения учитываются следующие признаки лейкоцитов:

1.Размер клеток (микро-, мезо- и макрогенераций). 2.Очертания клеток (округлые, неправильной формы).

3. Ядерно-цитоплазматическое соотношение (высокое, среднее,

низкое).

4.0чертания и форма ядер (округлая, моноцитоидная. неправильная).

5. Структур а хроматина (нежносетчатая, глыбчатая, крупноглыбчатая, смазанная).

6.Наличие нуклеол.

7.Цитоплазматические включения (зернистость: азурофильная, нейтрофильная).

8. Цвет цитоплазмы (базофильная, оксифильная).

Исследование особенностей изображений клеток разных типов позволило сделать заключение, что при разделении клеток на классы среди клеток, встречающихся в периферической крови в норме, в большинстве случаев достаточно использования признаков по п.1-п.4, п.7-п.8. В то же время, при острых лейкозах ключевым признаком для идентификации бластных клеток в периферической крови является 5-й признак - структура хроматина ядра клетки. Поэтому основное внимание при формировании набора признаков для автоматической классификации клеток в системе поддержки принятия решений при диагностике острых лейкозов было направлено на признаки, описывающие структуру хроматина.

Для количественного описания геометрических характеристик клеток были приняты - площадь ядра S„ площадь цитоплазмы Su, максимальный линейный размер клетки DK и ядра D„, коэффициент формы ядра Кфя и коэффициент формы клетки Кфк, ядерно-цитоплазматическое отношение (отношение площади ядра к площади цитоплазмы) Кяц.

Площадь ядра S„ = Zp„(x,y), где р„(х,у)=1, если (х,у)е G„ ря(х,у)=0, в противном случае, при этом G„, соответствует области ядра лейкоцита на изображении мазка крови.

Площадь цитоплазмы S„ = 1рц(х,у), где рц(х,у)=1, если (х,у)е G„, рц(х,у)=0, в противном случае, при этом Оц, соответствует области цитоплазма лейкоцита на изображении мазка крови.

Коэффициент формы объекта в общем виде (соответственно для клетки и для ядра) будем определять по формуле Кф=Р2/(4я8), где Р -периметр объекта, S - его площадь.

Ядерно-цитоплазматическое отношение рассчитывается как K»u=S,/Su.

В качестве текстурных признаков предложено применить признаки определяемые на основе матрицы пространственной смежности (Харалика).

Энергия (ASM) - показатель "однотонности" изображения :

ASM*=Z5: (gff)2, i J

где g,jK - элемент матрицы пространственной смежности для К-го компонента цветного изображения. В рассмотрении принимались соответствующие компоненты цветовых моделей RGB, XYZ, HLS, CMY, YUV, Lab.

Момент инерции (CON) - показатель "контрастности" изображения:

CON•

i J

Энтропия (ENT) - "мера беспорядочности" распределения яркостей изображения: ENT ^

i j

Максимальная вероятность (MPR) - вероятность соседств, которые встречаются наиболее часто в данном изображении:

MPR^= max max g у. i j

Локальная однородность (LUN) - показатель "однородности" изображения:

lun^ZE gij i

Для предварительной экспериментальной оценки признаков рассматривалось одномерное пространство значений каждого из исследуемых признаков. В качестве применяемого в схеме распознавания классификатора использован байесовский классификатор. В роли функции плотности распределения значения признака применена нормализованная гистограмма распределения значения признака для экспериментальной выборки изображений бластных и невластных клеток. При этом априорные вероятности обнаружения бластных и невластных клеток принимаются равными 0,5.

Для получения исходных данных для эксперимента было произведено сканирование 157 мазков крови, сформированы цифровые изображения клеток крови и выполнена запись файлов с этими изображениями на электронном носителе данных. Всего было записано 9 600 изображений клеток крови лейкоцитарного ряда. С помощью высококвалифицированных врачей-гематологов была проведена экспертная оценка этих изображений, выполнено их описание с определением типа клетки - бластная или невластная. На основе полученных изображений и их описаний сформирована база знаний по анализу клеток периферической крови при диагностике острых лейкозов. В качестве экспертов привлекались специалисты в области гематологии из Гематологического научного центра (ГНЦ) РАМН, Российского онкологического научного центра (РОНЦ) им. Н.Н Блохина

РАМН, Российской медицинской академии последипломного образования (РМАПО, кафедра клинической лабораторной диагностики), Института повышения квалификации (ИПК) ФМБА России (кафедра клинической лабораторной диагностики).

При проведении эксперимента по определению информативности исследуемых признаков из общего числа изображений клеток (9600) были сформированы две выборки изображений, содержащие 1143 бластных и 1143 небластных клеток. При формировании указанных выборок было установлено обязательное условие: интерпретация типа клетки «бласт-небласт» по ее изображению не должна вызывать сомнений у разных экспертов.

Полученные изображения составили основу электронного атласа бластных клеток, применяемого для процедур автоматического и интерактивного распознавания, а также в процессе обучения студентов-медиков и повышения квалификации врачей.

Каждое из изображений в указанных выборках обрабатывалось компьютерной программой с выделением ядра и цитоплазмы лейкоцитов с последующим расчетом вышеуказанных текстурных и геометрических признаков и построением гистограмм распределения по значениям признаков. На основании полученных распределений строился классификатор, по результатам классификации производился расчет информативности. Количественной характеристикой информативности выступал процент правильно распознанных клеток. Результаты исследования показали, что ни один из геометрических и текстурных признаков в отдельности не обеспечивает информативность больше 74%. В данной связи было принято решение о построении системы распознавания на базе многомерного пространства признаков.

В третьей главе рассматривается создание системы распознавания бластных клеток с использованием многомерного признакового пространства.

В рамках практического решения задачи формирования набора признаков системы распознавания бластных клеток предложена методика исследования информативности набора признаков бластных клеток. Основные этапы методики:

- разработка требований к формированию обучающей и тестирующей выборок изображений клеток;

- формирование: набора признаков для описания клеток, набора метрик пространства признаков, набора методов классификации;

- выбор наборов: признаков для описания клеток, метрики и метода классификации;

- обучение классификатора;

- проведение классификации тестовой выборки;

- оценка результатов классификации.

Практическая реализация методики исследования информативности признаков представляет итерационный процесс, заканчивающийся при

формировании такого набора признаков, который обеспечивает необходимый уровень информативности. Схема процесса показана на рис.2. Выполнение эксперимента

Для совокупности клеток из двух выборок (1143 бластных и 1143 небластных клеток) производился расчет вышеуказанных текстурных признаков для каждого из цветовых компонентов цветовых моделей RGB, XYZ, HLS, CMY, YUV, Lab. Затем выполнялась нормировка полученных

значений для каждого из типов признаков согласно формуле: ^ .

norm у _ у

max min

В итоге нормировки все признаки будут лежать в интервале от -1 до 1.

Оценка правильности распознавания проводилась для следующих методов классификации:

• метод построения эталонов;

• метод ближайшего соседа;

• метод к ближайших соседей (в нашем случае выбрано к=11);

• метод потенциальных функций.

Для оценки расстояния в пространстве признаков принимались метрики-Евклидова, Манхэтгена, Чебышева и др.

Результаты экспериментальных исследований системы распознавания показали, что наилучший результат (число правильно распознанных клеток > 95%) в распознавании бластных клеток достигается:

- выбором многомерного пространства признаков - текстурных (ASM, CON, MPR, LUN, ENT для цветовых компонентов RGBL Y) и геометрических (площадь и максимальный линейный размер клеток и ядер, ядерно-цитоплазматическое отношение);

- применением классификатора по методу ближайшего соседа с Евклидовой метрикой.

С целью обеспечения технических условий наилучшего распознавания было исследовано соответствующее влияние освещения и фокусировки микроскопа. В данной связи проводился эксперимент по оценке влияния сфокусированности изображения ядра клетки и яркости изображения на значения измеряемых признаков.

Пример экспериментальной зависимости энтропии коэффициентов матрицы Харапика для цветового компонента L от сфокусированности изображения представлен на рис.3.

Определение объектов распознавания (бластные клетки и другие клетки крови лейкоцитарного ряда)

Разработка требований к формированию выборки объектов для обучения и тестирования классификатора

Формирование выборки объектов для обучения

Формирование выборки объектов для оценки качества классификации

Формирование описания объекта (множество признаков)

Формирование набора метрик пространства признаков

Формирование набора методов классификации

Выбор признаков для классификации

Выбор метрики

Выбор метода классификации

Создание классификатора

Классификация Оценка результатов классификации

объектов тестирующей выборки —► тестирующей выборки

Альтернативные варианты комбинаций признаков, метрик й методов классификации рассмотрены %

Не

Результаты распознавания тестирующей выборки удовлетворительны?

Да

Да4

Обучающая и тестирующая выборки представительны ?

«^Обучающая и тестирующая выборки представительны?^»

Нет

Да

Окончание исследования

Рис.2. Схема итеративного процесса формирования набора признаков для классификации бластных клеток

ЕЖ" (Ц

0,68 "

о,ее

0,64

о бпаст х лимфоцит

0,62

5 10 15 20 25 30 35

Рис.3. Зависимости от вертикальной позиции предметного столика микроскопа (Ы-число шагов двигателя) значений энтропии коэффициентов матрицы Харалика Е>ЩЬ) для цветового компонента Ь, кривая сверху соответствует властной клетке, кривая снизу соответствует лимфоциту

Анализ кривых (аналогичных рис. 3) показал наличие существенной зависимости значений признаков от степени фокусировки анализируемого изображения. Границы исследуемого диапазона позиций фокусировки выбраны на основе визуально регистрируемого размытия изображения ядра из-за расфокусированности оптической системы микроскопа. Как показал эксперимент, для наилучшего разделения бластных и невластных клеток необходимо обеспечить такую позицию предметного столика микроскопа, которая соответствовала экстремуму полученных кривых. Вручную установление такой позиции (с помощью визуального контроля) весьма затруднительно. В данной связи предложено осуществлять автоматический поиск позиции фокусировки на основе оценки результатов обработки изображения, для чего была разработана специальная программа.

В результате исследования влияния освещения на значения измеряемых признаков определены оптимальные условия освещения препарата, соответствующие тем поддиапазонам, в которых значения признаков наименее чувствительны к изменению освещенности и максимально различаются для бластных и невластных клеток.

Четвертая глава посвящена разработке методики автоматизированного анализа микроскопических изображений мазков крови для информационно-измерительного комплекса автоматизированной диагностики острых лейкозов. Создание комплекса явилось результатом совместной работы МИФИ, Гематологического научного центра РАМН, Российского онкологического научного центра им. Н.Н Блохина РАМН.

Предложенная структура комплекса включает клиническую, научно-исследовательскую и обучающую системы. Применение клинической

системы позволяет выявлять заболевания острым лейкозом на более ранних стадиях его развития. Вторая система направлена на объективизацию принимаемых решений при анализе клеток в мазках периферической крови, а также аккумулирование и распространение актуальных знаний о диагностике острых лейкозов. Третья система обеспечивает эффективное обучение студентов-медиков и повышение квалификации врачей- гематологов.

Каждая из этих систем реализована как система поддержки принятия решений врачом-гематологом с использованием процедур автоматического и интерактивного (с применением электронного атласа властных клеток) распознавания бластных клеток, телемедицинских консультаций.

Предварительно рассмотрены аспекты, влияющие на качество распознавания клеток в информационно-измерительном комплексе.

Проведенные эксперименты, консультации с врачами и опыт работы с созданным комплексом показали необходимость оценки пригодности изображений клеток для автоматического распознавания. С этой целью разработана методика оценки пригодности изображений мазков периферической крови для автоматизированного анализа. Основные этапы методики: 1) оценка макроскопического изображения мазка крови на стекле — стекло должно быть обезжиренным, мазок равномерно распределен по стеклу, мазок должен занимать около 2/3 длины стекла, конец мазка должен постепенно истончаться («наличие метелочки»), плотность мазка должна равномерно уменьшаться к концу мазка; 2) оценка содержания микроскопического изображения мазка крови - изображение клетки должно соответствовать тонкому месту мазка, число лейкоцитов в кадре должно равняться одному, лейкоцит не должен соприкасаться с границей кадра, изображение не должно содержать частицы грязи в области клетки, эритроциты, контактирующие с лейкоцитом не должны искажать форму цитоплазмы и ядра или затенять цитоплазму и ядро, степень окраски должна выявлять внутреннюю структуру ядра (недопустимо «перекрашивание» препарата, приводящее к маскированию структуры хроматина); 3)оценка качества регистрации микроскопического изображения клетки в информационно-измерительном комплексе - изображение не должно иметь расфокусировки, изображение не должно иметь чересстрочного смаза, цвет фона должен бьггь белым с допустимым синеватым оттенком, фон должен иметь цифровые значения цветовых компонент меньше 250 и больше 230, ядро клеток должно иметь цифровые значения цветовых компонент больше 30. Применение данной методики обеспечивает требуемое качество распознавания бластных клеток в информационно-измерительном комплексе автоматизированной диагностики острых лейкозов.

Предложена методика автоматизированного анализа изображений мазков крови. Методика ориентирована на применение в системе с моторизованным столиком, управляемым от компьютера. Основные этапы методики:

1.Задание параметров автоматического сканирования мазка крови под микроскопом (обеспечивает врач, проводящий гематологический анализ);

2.Автоматическое сканирование мазка крови под микроскопом (с масляной иммерсией, увеличение объектива 100);

3. Автоматическая фокусировка и фотографирование клеток лейкоцитарного ряда;

4.Автоматическое распознавание изображений клеток в компьютере с определением класса бластная или невластная клетка.

5.Просмотр врачом результатов п.4 с интерактивным сравнением с изображениями из базы знаний бластных клеток, наиболее схожих по информативным признакам (рассчитываются автоматически) с рассматриваемыми клетками.

6.Интерактивная идентификация исследуемых клеток с сравнением клеток из электронного атласа (проводится вручную по запросу врача).

7.Проведение телемедицинской консультации (при необходимости - в случае затруднений в самостоятельной идентификации клетки).

8.Принятие врачом решения о типе клеток и формирование протокола анализа.

Применение методики позволяет повысить эффективность диагностики острых лейкозов на раннем этапе заболевания за счет повышения вероятности обнаружения бластных клеток в периферической крови у больных острым лейкозом, повышения объективности диагностического заключения врача-морфолога, уменьшения трудоемкости визуального морфологического анализа мазка крови под микроскопом.

Описаны результаты применения разработанных в диссертации методов и средств автоматизированной обработки микроскопических изображений мазков периферической крови, реализованных в информационно-измерительном комплексе для диагностики острых лейкозов и внедренных в клиническую практику двух крупных медицинских центров России (РОНЦ им. Н.Н.Блохина РАМН, ДКБ№38 ФМБА), Центральной медсанчасти №141 ФМБА, и в учебный процесс двух ведущих высших учебных заведений (Институт повышения квалификации ФМБА, МИФЩкурсы «Системы обработки изображений в медицине», «Проектирование компьютерных медицинских систем»)) - для повышения квалификации врачей и обучения студентов. Телемедицинские гематологические консультации между удаленной медсанчастью (ЦМСЧ№141, г.Удомля, Тверская обл., Калининская АЭС) и РОНЦ им. Н.Н.Блохина РАМН (Москва) успешно апробированы с использованием сети Интернет.

В заключении сформулированы основные результаты диссертации: 1. На основе системных теоретических и экспериментальных исследований разработаны метод и математические модели обработки изображений для распознавания бластных клеток в мазке периферической крови. Предложенные метод и модели были реализованы в информационно-

измерительном комплексе автоматизированной диагностики острых лейкозов на базе компьютерной обработки микроскопических изображений мазков периферической крови.

2. Предложены математические модели изображения бластных клеток и модели признаков бластных клеток. Первые модели были использованы при разработке методов автоматизированного гематологического анализа изображений мазков периферической крови. Модели признаков реализованы в описании бластных клеток - ключевом этапе их распознавания при решении задач диагностики острых лейкозов.

3. Представлена методика анализа информативности признаков для распознавания бластных клеток. Методика базируется на применении теории статистических решений при экспериментальной оценке принадлежности клетки к бластным или невластным. Методика служит практическим инструментом разработчика при осуществлении выбора информативных признаков для систем распознавания бластных клеток.

4. Создан информационно-измерительный комплекс автоматизированной диагностики острых лейкозов на базе компьютерной обработки микроскопических изображений мазков периферической крови, выступающий как система поддержки принятия решений врачом-гематологом. Комплекс включает, клиническую, научно-исследовательскую и обучающую системы, в состав которых входит устройство для автоматического обнаружения бластных клеток в периферической крови. На устройство для автоматического обнаружения бластных клеток в периферической крови получено решение Роспатента о выдаче патента на полезную модель (заявка №2006135515/22(038666) от 09.10.2006, письмо Роспатента от 11.12.2006).

5. На основе результатов проведенных экспериментов разработана методика оценки пригодности изображений мазков периферической крови для автоматизированного анализа. Методика включает этапы оценки степени окраски препарата, плотности клеток на анализируемой области мазка, оценки степени освещенности и сфокусированности препарата, целостности клеток лейкоцитарного ряда в поле зрения автоматизированной микроскопической системы. Применение методики обеспечивает требуемое качество распознавания бластных клеток в процессе использования созданного информационно-измерительного комплекса автоматизированной диагностики острых лейкозов в клинической практике, научных исследованиях и обучении.

Российского онкологического научного центра (РОНЦ) им. Н.Н Блохина РАМН, Российской медицинской академии последипломного образования (РМАПО, кафедра лабораторной диагностики), Института повышения квалификации (ИПК) ФМБА России (кафедра лабораторной диагностики). На основе указанной базы знаний создан электронный атлас изображений бластных клеток, используемый при диагностике острых лейкозов, при обучении студентов-медиков и повышении квалификации врачей-гематологов.

7. Разработана методика автоматизированного анализа изображений мазков периферической крови в информационно-измерительном комплексе автоматизированной диагностики острых лейкозов. Методика базируется на этапах: контроль качества препарата, сканирование мазка крови, оценка результатов распознавания бластных клеток, интерактивное сравнение результатов работы системы с экспертными заключениями с применением электронного атласа бластных клеток, проведение телемедицинской консультации (при необходимости). Данная методика является практическим руководством врача-гематолога при морфологической диагностике острых лейкозов.

8. Проведены экспериментальные исследования информативности признаков в ходе которых исследовались геометрические, текстурные, спектральные, цветовые признаки. Установлено, что при использовании одномерного признакового пространства информативность исследованных признаков по отдельности не превышает 74%. Исследование наборов признаков и распределений бластных и невластных клеток в многомерном пространстве позволило опытным путем сформировать набор признаков, обеспечивших в эксперименте долю ошибок классификации не более 5% (исследование проводилось с использованием выборок из 1143 бластных и 1143 невластных клеток). Последнее для медицинской практики является высоким показателем. В набор признаков входят геометрические (площадь и максималный линейный размер клеток и их ядер, ядерно-цитоплазматическое отношение) и текстурные признаки (энергия, момент инерции, энтропия, максимальная вероятность, локальная однородность) для цветовых компонентов RGBLY.

9. Разработанные в диссертации методы и средства автоматизированной обработки микроскопических изображений мазков периферической крови для диагностики острых лейкозов внедрены в Российском онкологическом научном центре им. H.H. Блохина РАМН, Детской клинической больнице №38 Федерального медико-биологического агентства РФ, Институте повышения квалификации Федерального медико-биологического агентства РФ, в Центральной медико-санитарной части №141 Федерального медико-биологического агентства РФ в г. Удомля, Тверской обл. (Калининская АЭС), в учебном процессе кафедры компьютерных медицинских систем МИФИ.

Публикации по теме диссертации

1. Компьютерные системы гематологической диагностики. Введение / Никитаев В.Г., Воробьев И.А., Чистов К.С. и др. - М.:ФГУП «ЦНИИАТОМИНФОРМ», 2006. - 132с.

2. Чистов К.С. Методика оценки качества изображений в автоматизированной системе анализа гематологических препаратов при диагностике острых лейкозов // Инженерная физика. — 2006. - №3. -С.65-68.

3. Чистов К.С. Методики оценки влияющих факторов в автоматизированной системе распознавания гематологических изображений // Инженерная физика. - 2006. - №4. - С.64-67.

4. Никитаев В.Г., Чистов К.С. Методология автоматизированного анализа периферической крови при диагностике острых лейкозов // Инженерная физика. - 2005. - №2. - С. 63-67.

5. Стратегия применения автоматизированных анализаторов микроскопических изображений в диагностике острых лейкозов / Блиндарь В.Н., Никитаев В.Г., Чистов К.С. и др. // Приборы и системы. Управление, контроль, диагностика. - 2006. - №10. - С.56-62.

6. Чистов К.С. Постановка математической задачи выделения лейкоцитов на изображениях препаратов крови в компьютерных системах гематологической диагностики //Научная сессия МИФИ-2005. Сборник научных трудов. В 15 томах. Т.1. Автоматика. Микроэлектроника. Электроника. Электронные измерительные системы. Компьютерные медицинские системы. - М.: МИФИ, 2005. С.319-318.

7. Чистов К.С. Математическая модель микроскопических изображений при компьютерном анализе мазков крови // Научная сессия МИФИ-2005. Сборник научных трудов. В 15 томах. Т.1. Автоматика. Микроэлектроника. Электроника. Электронные измерительные системы. Компьютерные медицинские системы. - М.: МИФИ, 2005. С.321-322.

8. Чистов К.С.. Оценка качества подготовки гематологических препаратов при автоматизированной диагностике острых лейкозов // Научная сессия МИФИ-2006. Сборник научных трудов. В 16 томах. Т.1. Автоматика. Микроэлектроника. Электроника. Электронно-измерительные системы. Компьютерные медицинские системы. - М.: МИФИ, 2006. С. 290-291.

9. Методика автоматизированного микроскопического анализа препаратов периферической крови при диагностике острых лейкозов /Никитаев В.Г., Чистов К.С., Зубрихина Г.Н. и др.//Успехи современного естествознания. - 2004. - №6.- С.108-109.

10. The concept of development of computer systems of support of a decision making at hematological diagnostics /Nikitaev V.G., Chistov K.S., Vorobiev

I.A., etc.//Proceedings XII international workshop "Medicine of XXI century". Slovakia, Low Tatras, January, 10-24,2004. P.23-24.

11. Nikitaev V. G., Pronichev A. N., Chistov K. S. Method of computerized image analysis of blast cells at diagnostics of acute leukoses // Proceedings XII international workshop "Medicine of XXI century". Slovakia, Low Tatras, January, 10-24,2004. P.27-28.

12. Никитаев В.Г., Проничев A.H., Чистов K.C.. Оценка информативности признаков бластных клеток для автоматизированной системы диагностики острых лейкозов.// Качество, инновации, образование и CALS технологии. Материалы международного симпозиума. Под. Ред. проф. В.Н. Азарова.

- М.: Фонд «Качество», 2006. С.174.

13. Классификация лейкоцитов при автоматизированной обработке изображений препаратов крови / Никитаев В.Г., Проничев А.Н., Чистов К.С. и др. // Научная сессия МИФИ-2003: Сборник научных трудов. В 14 томах. Т.1. Автоматика. Микроэлектроника. Электроника. Электронные измерительные системы. - М.: МИФИ, 2003. С.235-236.

14. Автоматизация выделения лейкоцитов на изображениях препаратов крови / Никитаев В.Г., Проничев А.Н., Чистов К.С., и др. // Научная сессия МИФИ-2003: Сборник научных трудов. В 14 томах. Т.1. Автоматика. . Микроэлектроника. Электроника. Электронные измерительные системы.

- М.: МИФИ, 2003. С.237.

15. Отраслевая телемедицинская система удаленного консультирования /В.Н.Михайлов, Никитаев В.Г., К.С.Чистов и др. //Научная сессия МИФИ-2004. Сборник научных трудов. В 15 томах. Т.1. Автоматика. Микроэлектроника. Электроника. Электронные измерительные системы.

- М.: МИФИ, 2004. С.249-250.

16. Экспериментальное исследование цветовых моделей в задачах автоматизированного анализа изображений /Никитаев В.Г., В.В.Комаров, К.С.Чистов и др. // Научная сессия МИФИ-2004. Сборник научных трудов. В 15 томах. Т.1. Автоматика. Микроэлектроника. Электроника. Электронные измерительные системы. - М.: МИФИ, 2004. С.253-254.

17. Современные информационные технологии в службе крови Федерального Управления «Медбиоэкстрем» при МЗ РФ /В.Н.Михайлов, Никитаев В.Г., К.С.Чистов и др.// Научная сессия МИФИ-2004. Сборник научных трудов. В 15 томах. Т.1. Автоматика. Микроэлектроника. Электроника. Электронные измерительные системы. - М.: МИФИ, 2004. С.251-252.

18. Система автоматизированного анализа бластных клеток крови при диагностике острых лейкозов / Никитаев В.Т\, Проничев А.Н., Чистов

К.С. и др. // Свидетельство об официальной регистрации программы для ЭВМ №2005611778 от 21.07.2005г.

19. Разработка автоматизированных компьютерных систем для распознавания властных клеток периферической крови /Никитаев В.Г., Чистов К.С., Харазишвили Д.В. и др. // Научная сессия МИФИ-2006. Сборник научных трудов. В 16 томах. Т.1. Автоматика. Микроэлектроника. Электроника. Электронно-измерительные системы. Компьютерные медицинские системы. - М: МИФИ, 2006. С. 288-289.

20. Выделение клеток при автоматическом анализе микроскопических изображений / Никитаев В.Г., Хоркин В.А., Чистов К.С. и др.// Научная сессия МИФИ-2006. Сборник научных трудов. В 16 томах. Т.1. Автоматика. Микроэлектроника. Электроника. Электронно-измерительные системы. Компьютерные медицинские системы. - М: МИФИ, 2006. С. 283-284.

21. База данных «Учет крови и ее компонентов» / Никитаев В.Г., Симонов М.Л., Чистов К.С. и др.//Научная сессия МИФИ-2006. Сборник научных трудов. В 16 томах. Т.1. Автоматика. Микроэлектроника. Электроника. Электронно-измерительные системы. Компьютерные медицинские системы. - М: МИФИ, 2006. С. 290.

22. Компьютерный экспертный комплекс АТЛАНТ для гистологической диагностики опухолей с применением телемедицинских технологий / Михайлов В.Н., Никитаев В.Г., Чистов К.С. и др. // Труды II съезда Российского общества патологоанатомов. Т.2. - М.:МДВ, 2006. С.279-281.

23. Еремеева Т.Н., Проничев А.Н., Чистов К.С.. Исследование информативности вейвлет-признаков в задаче распознавания бластных клеток / Научная сессия МИФИ-2007. Сборник научных трудов. В 17 томах. Т.1. Автоматика. Микроэлектроника. Электроника. Электронно-измерительные системы. Компьютерные медицинские системы. - М: МИФИ, 2007. С.263-264.

24. Программный комплекс для научно-исследовательского анализа микроскопических изображений клеток крови / Никитаев В.Г., Проничев А.Н., Чистов К.С. и др. // Научная сессия МИФИ-2007. Сборник научных трудов. В 17 томах. Т.1. Автоматика. Микроэлектроника. Электроника. Электронно-измерительные системы. Компьютерные медицинские системы. - М: МИФИ, 2007. С.261-262.

25. Лабораторный практикум «Системы баз данных в телемедицинских технологиях»: Уч. пособие. / Уйба В.В., Никитаев В.Г., Чистов К.С. и др. // - М.: МИФИ, 2006. - 136 с.

Оглавление автор диссертации — кандидата технических наук Чистов, Кирилл Сергеевич

Введение.

Глава 1. Системный подход к решению задачи автоматизации гематологического анализа для диагностики острых лейкозов.

1.1. Методы и средства диагностики острых лейкозов.

1.2. Современные системы автоматизированного анализа периферической крови.

1.3. Автоматизация диагностики острых лейкозов при анализе периферической крови: проблемы и решения.

1.4. Постановка задачи диссертации.

Выводы.

Глава 2. Математическое описание автоматизированного анализа мазков крови

2.1. Модель автоматизированного анализа мазков крови.

2.2. Математическое описание изображений лейкоцитов в мазке крови.

2.3. Подход к формированию признаков для описания бластных клеток.

2.4. Анализ эффективности признаков.

Выводы.

Глава 3. Разработка системы распознавания бластных клеток с использованием многомерного признакового пространства.

3.1. Методика исследования информативности многомерных признаков.

3.2. Обоснование выбора классификатора.

3.3. Формирование многомерных признаков

3.4. Теоретическое и экспериментальное исследование методов классификации бластных клеток: выбор метода

3.5. Экспериментальное исследование влияющих факторов (освещение и фокусировка микроскопа).

Выводы.

Глава 4. Информационно-измерительный комплекс для автоматизации диагностики острых лейкозов

4.1. Структура информационно-измерительного комплекса для поддержки принятия решений врачом при диагностике острых лейкозов.

4.2. Методика оценки пригодности изображений клеток крови для автоматизированного анализа.

4.3. Методика автоматизированного анализа изображений мазков крови при диагностике острых лейкозов.

4.4. Практическое применение информационно-измерительного комплекса для диагностики острых лейкозов в крупных медицинских и образовательных центрах

Выводы.

Введение 2007 год, диссертация по приборостроению, метрологии и информационно-измерительным приборам и системам, Чистов, Кирилл Сергеевич

Автоматизированные системы обработки изображений (АСОИЗ) -особый класс информационно-измерительных систем, основанных на измерениях характеристик объектов и распознавании, представленных в виде изображения - двумерной функции яркости - для монохромных изображений, или набором двумерных функций интенсивности спектральных компонентов - для многозональных и цветных изображений [1-10].

АСОИЗ применяются в широком круге областей науки и техники -при дистанционном зондировании Земли, в системах технического зрения на автоматических линиях в промышленном производстве, в дефектоскопии, в охранных системах видеонаблюдения и др. Особую социальную значимость играет применение АСОИЗ в медицине.

Значительный объем анализов, проводимых при обследовании пациентов медицинских учреждений, связан с регистрацией и интерпретацией врачом изображений разной природы - это рентгенография, компьютерная томография, ультразвуковые исследования, эндоскопические исследования и т.п. Целый ряд анализов выполняется с использованием световых микроскопов проходящего света - это гистологические, цитологические, гематологические исследования [11]. Особо отметим последние.

При заболеваниях изменяются форма, размеры, количественное соотношение содержания элементов крови и ее химические показатели. Поэтому состояние крови имеет большое значение для диагностики заболеваний [12].

До недавнего времени состав крови определялся практически только с помощью визуального анализа препаратов крови под микроскопом. В настоящее время все более широко применяются автоматические гемоанализаторы. Но пока они полностью не могут заменить анализ мазков крови под микроскопом. В частности, микроскопическое исследование является обязательным при наличии подозрений о заболевании острым лейкозом [13-15].

Острые лейкозы представляют собой группу опухолевых заболеваний системы крови, которые характеризуются первичным поражением костного мозга морфологически незрелыми (бластными) клетками с вытеснением ими нормальных элементов. Острые лейкозы без лечения приводят к смертельному исходу. Но если проводить своевременное лечение, прогноз, в особенности для детей, часто благоприятен. Отсюда вытекает важная роль своевременной диагностики лейкозов [16].

Симптомы острых лейкозов в начале заболевания выражаются в проявлениях слабости, снижении массы тела, лихорадки. Диагностика начинается с изучения мазка периферической крови, обнаружение бластных клеток в которой свидетельствует о возможном наличии острого лейкоза. Для окончательного установления диагноза необходима пункция костного мозга и соответствующие его исследования [13]. Анализ морфологии клеток периферической крови с применением методов световой микроскопии является важнейшей частью диагностики гематологических заболеваний. Данный анализ является первой стадией диагностического поиска. На его основе производится предварительная постановка диагноза, который в дальнейшем верифицируется с применением различных иммуногистохимических и молекулярно-биологических методов. Поскольку стоимость комплексной диагностики велика, очень важно уметь извлекать максимум полезной информации из результатов рутинных исследований на первом этапе. В настоящее время, однако, морфологическая диагностика опирается главным образом на опыт и высокую квалификацию патоморфолога.

Актуальность проблемы своевременного распознавания острых лейкозов обусловлена стремительным ростом заболеваемости, связанным как с общими экологическими проблемами, так и с ростом числа лиц, контактирующих с ионизирующей радиацией. Несмотря на огромные достижения современной гематологии, позволяющие излечивать больных острыми лейкозами, которые еще в недавнем прошлом считались абсолютно безнадежными, основой диагностики этих опаснейших заболеваний остается обнаружение и анализ опухолевых клеток на мазках крови. Проведение этого, простого на первый взгляд, исследования наталкивается на ряд трудностей, большая часть которых до сих пор не преодолена. В частности, в силу непреодолимых технических проблем так и не удалось усовершенствовать проточные гематологические анализаторы настолько, чтобы они могли надежно распознавать бласты в образцах крови больных. Вследствие этого, работу прибора вынужден дублировать опытный цитолог, который является весьма дефицитным специалистом. В поликлиниках цитологи чаще всего имеют дело с нормальными мазками крови, что, с одной стороны резко увеличивает рабочую нагрузку, а с другой - повышает риск того, что случай острого лейкоза будет пропущен. Оснащение диагностических лабораторий поликлиник и стационаров автоматизированными анализаторами микроскопических изображений клеток крови позволит существенно упростить задачу выявления и дифференциальной диагностики острых лейкозов. Кроме того, наличие эталонной базы данных и системы поддержки принятия решений позволит решить другую насущную проблему здравоохранения — подготовку и повышение квалификации врачей-морфологов.

Практика показывает, что если по итогам поликлинического обследования больной попал в поле зрения гематолога, то задачи первого этапа могут считаться выполненными. Это значит, что на амбулаторном этапе обследования не следует стремиться к определению конкретной формы очевидного острого лейкоза, поскольку любой направительный диагноз в специализированном учреждении всегда подвергается проверке.

Вместе с тем экономически целесообразно, чтобы на амбулаторном этапе отсеивались больные с некоторыми распространенными неопухолевыми заболеваниями, которые часто путают с острыми лейкозами (в частности, при весьма распространенном инфекционном мононуклеозе активированные вирусом лимфоциты становятся похожи на бластные клетки острого лейкоза). И здесь роль автоматического анализатора изображений, располагающего эталонной базой данных из тысяч клеток, является определяющей. Акцент на острых лейкозах обусловлен несколькими причинами. Во-первых, при острых лейкозах фактор времени имеет ключевое значение, поскольку жизнь больного напрямую зависит от того, как скоро был поставлен диагноз (даже небольшое опоздание может привести к смерти от инфекционных осложнений и кровотечений). Во-вторых, как показывает практика, именно острые лейкозы вызывают наибольший процент диагностических ошибок у поликлинических врачей-лаборантов, не имеющих достаточного опыта работы в специализированном стационаре.

Обнаружение бластных клеток в периферической крови служит основанием для подозрений о наличии у пациента острого лейкоза и проведении последующих диагностических процедур. Обнаружение бластных клеток в периферической крови при первом же обращении больного в медицинское учреждение обеспечит более раннюю диагностику острого лейкоза, что в свою очередь повышает эффективность лечения.

При достижении поставленной цели получены следующие новые научные результаты:

1. Метод и математические модели цифровой обработки изображений для распознавания бластных клеток, реализация которых позволила создать информационно-измерительный комплекс автоматизированной диагностики острых лейкозов на базе компьютерной обработки микроскопических изображений мазков периферической крови, включающий клиническую, научно-исследовательскую и обучающую системы. В состав систем входит устройство для автоматического обнаружения бластных клеток в периферической крови, на которое получено решение Роспатента о выдаче патента №61890 на полезную модель (заявка №2006135515/22(038666) от 09.10.2006, письмо Роспатента от 11.12.2006).

4. Методика оценки пригодности изображений клеток крови для автоматизированного анализа, применение которой обеспечивает необходимые условия для нормальной работы системы распознавания бластных клеток.

Практическая ценность.

2. Разработанные методы и средства обработки микроскопических изображений мазков периферической крови с применением процедуры распознавания бластных клеток для диагностики острых лейкозов внедрены в Российском онкологическом научном центре им. Н.Н.Блохина РАМН (РОНЦ), Институте повышения квалификации Федерального медико-биологического агентства (ФМБА), ФГУЗ Детской клинической больнице №38-Центре экологической педиатрии ФМБА (г.Москва), в Центральной медсанчасти №141 ФМБА (г. Удомля, Тверская обл., Калининская АЭС), в учебном процессе кафедры «Компьютерные медицинские системы» МИФИ.

Апробация результатов диссертации.

Результаты диссертации докладывались и обсуждались на научных конференциях «Научная сессия МИФИ» в 2003, 2004, 2005, 2006, 2007 годах, на XII международном семинаре «Медицина XXI века» в Словакии в 2004г, на международной конференции «Технологии 2004» в Турции в 2004г., на научной конференции «Фундаментальные и прикладные проблемы медицины и биологии» в г. Дубай, ОАЭ в 2005г., на международном симпозиуме «Датчик 2006» «Качество, инновации, образование и CALS технологии» в Египте в 2006г., на II Съезде Российского общества патологоанатомов в Москве в 2006г.

Заключение диссертация на тему "Методы и средства автоматизированной обработки микроскопических изображений мазков периферической крови для диагностики острых лейкозов"

Выводы

1. С использованием разработанных методов и математических моделей цифровой обработки изображений для распознавания бластных клеток создан информационно-измерительный комплекс автоматизированной диагностики острых лейкозов. Разработчики комплекса - кафедра компьютерных медицинских систем МИФИ, Гематологический научный центр РАМН, Российский онкологический научный центр им. Н.Н.Блохина РАМН.

2. Предложена структура комплекса включает клиническую, научно-исследовательскую и обучающую системы. Применение клинической системы позволяет выявлять заболевания острым лейкозом на более ранних стадиях его развития. Вторая система направлена на объективизацию принимаемых решений при анализе клеток в мазках периферической крови, а также аккумулирование и распространение актуальных знаний о диагностике острых лейкозов. Третья система обеспечивает эффективное обучение студентов-медиков и повышение квалификации врачей- гематологов. Каждая из этих систем реализована как система поддержки принятия решений врачом-гематологом с использованием процедур автоматического и интерактивного (с применением электронного атласа бластных клеток) распознавания бластных клеток, телемедицинских консультаций.

3. Составной частью комплекса является устройство для автоматического обнаружения бластных клеток в периферической крови. На устройство для автоматического обнаружения бластных клеток в периферической крови получено решение Роспатента о выдаче патента №61890 на полезную модель (заявка №2006135515/22(038666) от 09.10.2006, письмо Роспатента от 11.12.2006).

4. Предложена методика оценки пригодности изображений клеток крови для автоматизированного анализа. Основные этапы методики: оценка макроскопического изображения мазка крови на стекле; оценка содержания микроскопического изображения мазка крови; оценка качества регистрации микроскопического изображения клетки в информационно-измерительном комплексе. Применение данной методики обеспечивает требуемое качество распознавания бластных клеток в информационно-измерительном комплексе автоматизированной диагностики острых лейкозов.

5. Разработана методика автоматизированного анализа изображений мазков крови. Методика ориентирована на применение в системе с моторизованным столиком, управляемым от компьютера. Основные этапы методики: задание параметров автоматического сканирования мазка крови под микроскопом; автоматическое сканирование мазка крови под микроскопом; автоматическая фокусировка и фотографирование клеток лейкоцитарного ряда; автоматическое распознавание изображений клеток в компьютере с определением класса бластная или небластная клетка; просмотр врачом результатов с интерактивным сравнением с изображениями из базы знаний бластных клеток, наиболее схожих по информативным признакам (рассчитываются автоматически) с рассматриваемыми клетками; интерактивная идентификация исследуемых клеток с сравнением клеток из электронного атласа; телемедицинская консультация (по необходимости); принятие врачом решения о типе клеток и формирование протокола анализа.

6. Описаны результаты применения разработанных в диссертации методов и средств автоматизированной обработки микроскопических изображений мазков периферической крови, реализованных в информационно-измерительном комплексе для диагностики острых лейкозов и внедренных в клиническую практику двух крупных медицинских центров России (РОНЦ им. Н.Н.Блохина РАМН, ДКБ№38 ФМБА), Центральной медсанчасти №141 ФМБА, и в учебный процесс двух ведущих высших учебных заведений (Институт повышения квалификации ФМБА, МИФИ(курсы «Системы обработки изображений в медицине», «Проектирование компьютерных медицинских систем»)) - для повышения квалификации врачей и обучения студентов. Телемедицинские гематологические консультации между удаленной медсанчастью (ЦМСЧ№141, г.Удомля, Тверская обл., Калининская АЭС) и РОЩ им. Н.Н.Блохина РАМН (Москва) успешно апробированы с использованием сети Интернет.

Настоящая диссертация посвящена разработке методов и средств автоматизированной обработки изображений мазков периферической крови для диагностики острых лейкозов. Получены следующие основные результаты:

1. На основе системных теоретических и экспериментальных исследований разработаны метод и математические модели обработки изображений для распознавания бластных клеток в мазке периферической крови. Предложенные метод и модели были реализованы в информационно-измерительном комплексе автоматизированной диагностики острых лейкозов на базе компьютерной обработки микроскопических изображений мазков периферической крови.

3. Представлена методика анализа информативности признаков для распознавания бластных клеток. Методика базируется на применении теории статистических решений при экспериментальной оценке принадлежности клетки к бластным или небластным. Методика служит практическим инструментом разработчика при осуществлении выбора информативных признаков для систем распознавания бластных клеток.

4. Создан информационно-измерительный комплекс автоматизированной диагностики острых лейкозов на базе компьютерной обработки микроскопических изображений мазков периферической крови, выступающий как система поддержки принятия решений врачом-гематологом. Комплекс включает, клиническую, научно-исследовательскую и обучающую системы, в состав которых входит устройство для автоматического обнаружения бластных клеток в периферической крови. На устройство для автоматического обнаружения бластных клеток в периферической крови получено решение Роспатента о выдаче патента №61890 на полезную модель (заявка №2006135515/22(038666) от 09.10.2006, письмо Роспатента от 11.12.2006).

6. В составе информационно-измерительного комплекса автоматизированной диагностики острых лейкозов разработана база знаний по анализу клеток периферической крови. База знаний содержит экспертные заключения и изображения бластных и небластных клеток. Общее число изображений клеток - 9600. В качестве экспертов привлекались специалисты в области гематологии из Гематологического научного центра (ГНЦ) РАМН, Российского онкологического научного центра (РОНЦ) им. Н.Н Блохина РАМН, Российской медицинской академии последипломного образования (РМАПО, кафедра лабораторной диагностики), Института повышения квалификации (ИПК) ФМБА России (кафедра лабораторной диагностики). На основе указанной базы знаний создан электронный атлас изображений бластных клеток, используемый при диагностике острых лейкозов, при обучении студентов-медиков и повышении квалификации врачей-гематологов.

8. Проведены экспериментальные исследования информативности признаков в ходе которых исследовались геометрические, текстурные, спектральные, цветовые признаки. Установлено, что при использовании одномерного признакового пространства информативность исследованных признаков по отдельности не превышает 74%. Исследование наборов признаков и распределений бластных и небластных клеток в многомерном пространстве позволило опытным путем сформировать набор признаков, обеспечивших в эксперименте долю ошибок классификации не более 5% (исследование проводилось с использованием выборок из 1143 бластных и 1143 небластных клеток). Последнее для медицинской практики является высоким показателем. В набор признаков входят геометрические (площадь и максималный линейный размер клеток и их ядер, ядерно-цитоплазматическое отношение) и текстурные признаки (энергия, момент инерции, энтропия, максимальная вероятность, локальная однородность) для цветовых компонентов RGBLY.

9. Разработанные в диссертации методы и средства автоматизированной обработки микроскопических изображений мазков периферической крови для диагностики острых лейкозов внедрены в Российском онкологическом научном центре им. Н.Н. Блохина РАМН, Детской клинической больнице №38 Федерального медико-биологического агентства РФ, Институте повышения квалификации Федерального медико-биологического агентства РФ, в Центральной медико-санитарной части №141 Федерального медико-биологического агентства РФ в г. Удомля, Тверской обл. (Калининская АЭС), в учебном процессе кафедры компьютерных медицинских систем МИФИ.

Библиография Чистов, Кирилл Сергеевич, диссертация по теме Информационно-измерительные и управляющие системы (по отраслям)

1. Цапенко М.П. Измерительные информационные системы: Структуры и алгоритмы, системотехническое проектирование.: Учеб. пособие для вузов. -2-е изд., перераб. и доп. -М: Энергоатомиздат, 1985.-439 с.

2. Дюк В., Эммануэль В. Информационные технологии в медико-биологических исследованиях.- СПб.: Питер, 2003.-528 с.

3. Эльянов М.М. Медицинские информационные технологии. Каталог. Вып. 5 М.: Третья медицина, 2005.-320 с.

4. Абламейко С.В., Лагуновский Д.М. Обработка изображений: технология, методы, применение. Учебное пособие. Мн.: Амалфея, 2000.-304 с.

5. Виноградов В.И. Информационно-вычислительные системы: Распределенные модульные системы автоматизации. 2-е изд., перераб. и доп. -М.: Энергоатомиздат, 1986.-336 с.

6. Брайант Р., О'Халларон Д. Компьютерные системы: архитектура и программирование. Пер. с англ. СПб.: БХВ-Петербург, 2005.-1104 с.

7. Информационная технология: термины и определения. -М.: Стандартинформ, 2005.-248 с.

8. Кузнецов В.А., Ялунина Г.В. Общая метрология. М.: ИПК Издательство стандартов, 2001.-272 с.

9. Голубь Б.И., Котюк А.Ф., Кузин A.IO. Основы обеспечения единства оптико-физических измерений,- М:Горячая линия-Телеком, 2006.-151 с.

10. Болтон У. Карманный справочник инженера-метролога. М.: Издательский дом «Додэка-ХХ1», 2002.-384 с.

11. Пантелеев В.Г., Егорова О.В., Клыкова Е.И. Компьютерная микроскопия. М.: Техносфера, 2005.-304 с.

12. Основы клинической гематологии: Справочное пособие /Ермолов С.Ю., Курдыбайло Ф.В., Радченко В.Г. и др.; Под ред. Радченко В.Г. -СПб.: «Издательство «Диалект», 2003.-304с.

13. Руководство по гематологии: в Зт. Т.1. / Под ред. А.И.Воробьева. 3-е изд., перераб и допол. М.:Ньюдиамед, 2002. - 280с.

14. Руководство по гематологии: в Зт. Т.2. / Под ред. А.И.Воробьева. 3-е изд., перераб и допол. М.:Ньюдиамед, 2003. - 280с.

15. Руководство по гематологии: в Зт. Т.З. / Под ред. А.И.Воробьева. 3-е изд., перераб и допол. М.:Ньюдиамед, 2005. - 416с.

16. Луговская С.А., Морозова В.Т., Почтарь М.Е. Лабораторная диагностика лейкозов: Учебное пособие., -Тверь: Информационно-издательская фирма «Губернская медицина», 1999. -80 с.

17. Эддоус М., Стэнсфилд Р. Методы принятия решений/ Пер. с англ. под ред. член-корр. РАН И.И. Елисеевой. М.: Аудит, ЮНИТИ, 1997.-590 с.

18. Бобова Л.П., Кузнецов С.Л., Сапрыкин В.П. Гистофизиология крови и органов кроветворения и иммуногенеза: Учебное пособие М.: ООО «Издательство Новая Волна», 2003. - 157 с.

19. Диагностика болезней системы крови. Учебно-методическое пособие для студентов высших медицинских учебных заведений. / Под редакцией профессора И.В. Маева. -М.: ВУНМЦ МЗ РФ, 2002.-61 с.

20. Клиническая лабораторная диагностика / Сост. В.Н. Ослопов, А.Р. Садыкова, Р.А. Абдулхаков. 2-е изд. - М.: МЕДпресс-информ, 2002. -64с.

21. Клетки крови и костного мозга: Атлас /Козинец Г.И., Шишканова З.Г., Сарычева Т.Г. и др.; под ред. Г.И.Козинца. -М.: Медицинское информационное агентство, 2004. -203 с.

22. Луговская С.А., Почтарь М.Е. Гематологический атлас. Москва- Тверь: ООО «Издательство «Триада», 2004. 227 е., 523 ил.

23. Шмаров Д.А., Козинец Г.И. Лабораторно-клиническое значение проточно-цитометрического анализа крови. М.: Медицинское информационное агентство, 2004.-128 с.

24. Диагностика лейкозов. Атлас и практическое руководство / Под ред. Д.Ф.Глузмана. К.: Морион, 2000.- 224с.

25. Почтарь М.Е., Луговская С.А., Морозова В.Т. Цитохимическая диагностика в лабораторной гематологии. Методическое руководство. Атлас. -СПб., 2003.-80с.

26. Острые лейкозы: диагностика, клинические особенности, лечение. Методические рекомендации. -М.: ООО «Фирма Блок», 2003.-34 с.

27. Луговская С.А., Почтарь М.Е., Тупицын Н.Н. Иммунофенотипирование в диагностике гемобластозов. М.-Тверь: ООО «Издательство «Триада», 2005.-168 с.

28. Компьютерные системы гематологической диагностики. Введение / Никитаев В.Г., Воробьев И.А., Чистов К.С. и др. М.:ФГУП «ЦНИИАТОМИНФОРМ», 2006. -132с.

29. Долгов В.В., Ованесов Е.Н., Щетникович К.А. Фотометрия в лабораторной практике.- СПб.: «Витал Диагностике СПб», 2004.-192 с.

30. Голяс Ю.Е., Бобряков А.В., Гаврилов А.И. Системы ввода и обработки изображений в ПЭВМ: Проектирование технических средств. -М.: Машиностроение, 1993.-224 с.

31. Колтовой Н.А. Системы обработки изображений //Итоги науки и техники. ВИНИТИ. Сер. Промышленные роботы и манипуляторы. 1992. 104с.

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

33. Автоматизированная микроскопия биоматериалов / Медовый B.C., Пятницкий A.M., Соколинский Б.З. и др. // Здравоохранение и медицинская техника. 2005. - №4. - С.42-43.

34. Автоматическая сортировка лейкоцитов мазка крови с использованием методов обучаемых нейронных сетей и watershed / Соколинский Б.З., Демьянов В.Л., Медовый B.C. и др. // Здравоохранение и медицинская техника. 2005. - №4.-с.44-45.

35. Чистов К.С. Методика оценки качества изображений в автоматизированной системе анализа гематологических препаратов при диагностике острых лейкозов // Инженерная физика. 2006. - №3. - С.65-68.

36. Чистов К.С. Методики оценки влияющих факторов в автоматизированной системе распознавания гематологических изображений // Инженерная физика. 2006. - №4. - С.65-68.

37. Стратегия применения автоматизированных анализаторов микроскопических изображений в диагностике острых лейкозов / Блиндарь В.Н., Никитаев В.Г., Чистов К.С. и др. // Приборы и системы. Управление, контроль, диагностика. 2006. - №10. -С.56-62.

38. Поваркова А.В. Компьютерный анализ изображений в медицине // Морфология. 1997. - №5. - С.103-106.

39. Назаров Н.Г. Измерения: планирование и обработка результатов. М.: ИПК Издательство стандартов. 2000. - 304с.

40. Шлихт Г.Ю. Цифровая обработка цветных изображений. -М.: ЭКОМ, 1997. -336с.

41. Яншин В.В. Анализ и обработка изображений. Принципы и алгоритмы. -М.: Машиностроение, 1994. -240с.

42. Красильников Н.Н. Цифровая обработка изображений. М.: Вузовская книга, 2001.-320 с.

43. Кривошеев М.И. Основы телевизионных измерений. М.: Радио и связь, 1989.-608.

44. Прэтт У. Цифровая обработка изображений. T.I, Т.2. -М.: Мир,1982.

45. Рудаков П.И. Обработка сигналов и изображений. М.: Диалог МИФИ. 2000.

46. Фурман Я.А., Юрьев А.Н., Яншин В.В. Цифровые методы обработки и распознавания бинарных изображений. Красноярск: Изд-во Красноярского университета, 1992. - 248 с.

47. Горелик С.Л., Кац Б.М., Киврин В.И. Телевизионные измерительные системы. М.: Радио и связь, 1980 - 168с.

48. Бутаков Е.А., Островский В.И., Фадеев И.Л. Обработка изображений на ЭВМ.- М.: Радио и связь, 1987.-240с.

49. Хетагуров Я.А.Проектирование автоматизированных систем обработки информации и управления (АСОИУ): Учебник/Я.А.Хетагуров,- М.: Высш. шк., 2006.-223 с.

50. Р. Гонсалес, Р. Вудс. Цифровая обработка изображений. -М.: Техносфера, 2005.-1072 с.

51. Форсайт, Дэвид А., Понс, Жан. Компьютерное зрение. Современный подход.: Пер. с англ. -М.: Издательский дом «Вильяме», 2004.-928 с.

52. Казанцев Г.Д., Курячий М.И., Пустынский И.Н. Измерительное телевидение: Учеб. пособие для вузов / М.: Высш. шк., 1994.-288 с.

53. Линдли К. Практическая обработка изображений на языке Си: Пер. с англ. -М.: Мир, 1996.-512 с.

54. Гольденберг Л.М. и др. Цифровая обработка сигналов: Справочник / Л.М. Гольденберг, Б.Д. Матюшкин, М.Н. Поляк. -М.: Радио и связь, 1985.-312 с.

55. СБИС для распознавания образов и обработки изображений: Пер. с англ. /под. Ред.К.Фу. -М.:Мир,1988. -248с.

56. Романов В.Ю. Популярные форматы графических файлов для хранения графических изображений на IBM PC. -М.:Унитех, 1992 -156с.

57. Методы компьютерной обработки изображений / Под ред. В.А. Сойфера. -М.: Физматлит, 2001.-784 с.

58. Цифровое преобразование изображений: Учебн. пособие для вузов / Р.Е. Быков, Р.Фрайер, К.В. Иванов, А.А. Манцветов; Под ред. Профессора Р.Е. Быкова. -М.: Горячая линия-Телеком, 2003.-228 с.

59. Яншин В.В, Калинин Г.А.Обработка изображений на языке Си для IBM PC: Алгоритмы и программы. М.: Мир, 1994.-240 с.

60. Блинов Н.Н. Глаз и изображение. -М.: Медицина, 2004.-320 с.

61. Айфичер Э.С., Джервис Б.У. Цифровая обработка сигналов: практический подход. 2-е издание.: Пер с англ. М.: Издательский дом «Вильяме», 2004. -992 с.

62. Бутиков Е.И. Оптика: Учебное пособие для студентов физических специальностей вузов. 2-е изд., перераб. и доп. - СПб.: Невский Диалект; БХВ-Петербург, 2003-480с.

63. Гинзбург А.И. Статистика. СПб.: Питер, 2003.-128 с.

64. Харазишвили Д.В. Морфометрический анализ В-клеточных новообразований лимфатической системы: Дис. канд. мед. наук. М. 2001. - 98с.

65. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д.А. Поспелова. М.: Наука. Гл. ред. физ.-мат. лит., 1986.-312 с. -(Проблемы искусственного интеллекта).

66. Никитаев В.Г., Чистов К.С. Методология автоматизированного анализа периферической крови при диагностике острых лейкозов // Инженерная физика. 2005. - №2, - С. 63-67.

67. Бакут П.А., Колмогоров Г.С., Ворновицкий И.Э. Сегментация изображений: методы пороговой обработки. Зарубежная радиоэлектроника. - 1987. - №10. - С.6-24.

68. Бакут П.А., Колмогоров Г.С. Сегментация изображений: методы выделения границ областей. Зарубежная радиоэлектроника. - 1987. -№10. -С.25-47.

69. Bhanu В., Jing Peng, Part С. Adaptive integrated image segmentation and object recognition // IEEE Transactions on Systems, Man and Cybernetics, V30, 14, Nov. 2000, P.427-441.

70. Foracchia M., Ruggeri A. Cell contour detection in corneal endothelium in-vivo microscopy // Proceedings of the 22nd Annual International Conference of the IEEE 23-28 July 2000 V2, P. 1033-1035.

71. Marques, F., Cunillera, J., Gasull, A. Unsupervised image segmentation controlled by morphological contrast extraction // IEEE International Conference on Acoustics, Speech, and Signal Processing 27-30 April 1993, V5, P. 17 -20.

72. Parra I.M., Bienvenido J.F., Menenti M. Detection of structures using a robust edge detection algorithm with expansion of border windows Flores // Geoscience and Remote Sensing Symposium 24-28 June 2002, V4, P.2462 -2464.

73. Chowdhury, M.I.; Robinson, J.A. Improving image segmentation using edge information //2000 Canadian Conference on Electrical and Computer Engineering 7-10 March 2000, VI, P.312-316.

74. Харалик P. Статистический и структурный подходы к описанию текстур // ТИИЭР. 1979. -Т.67. - № 5. - С. 98 — 119.

75. Андреев Г.А., Базарский О.В, и др. Анализ и синтез случайных пространственных текстур // Зарубежная радиоэлектроника. 1984. - №2. -С. 3—33.

76. Gurevich, D. Harazishvili, I. Jernova, A. Khilkov, A. Nefyodov, I. Vorobjev. Information Technology for the Morphological Analysis of the Lymphoid Cell

77. Nucle//Image Analysis: 13th Scandinavian Conference Halmstad, Sweden, June 29 July 2,2003 Proceedings, P.541 - 548.

78. Mount D. M. KMlocal: A Testbed for A>means Clustering Algorithms // Department of Computer Science and Institute for Advanced Computer Studies University of Maryland, 2005.

79. Горелик A.JI., Скрипкин B.A. Методы распознавания: Учеб. пособие., 2-е изд., перераб. и доп. М.: Высш. шк., 1984. - 208 с.

80. Галушкин А.И. Синтез многослойных систем распознавания образов. М.: «Энергия», 1974. -368с.

81. Торрес, Роберт, Дж.Практическое руководство по проектированию и разработке пользовательского интерфейса.: Пер. с англ. -М.: Издательский дом «Вильяме», 2002.-400 е.: ил.- Парал. тит. англ.

82. Технологии разработки программного обеспечения: Учебник для вузов. 3-е изд. / С.А. Орлов. СПб.: Питер, 2004. - 527 с.

83. Тампе Л. Введение в тестирование программного обеспечения.: Пер. с англ. -М.: Издательский дом «Вильяме», 2003.-368 с.

84. Одинцов И.О. Профессиональное программирование. Системный подход. СПб.: БХВ-Петербург, 2002. - 512 с.

85. Автандилов Г. Г. Медицинская морфометрия. М.:Медицина, 1990. -384с.

86. Феллер В. Введение в теорию вероятностей и ее приложения. Tl. -М.: Мир, 1964. -500с.

87. Методика автоматизированного микроскопического анализа препаратов периферической крови при диагностике острых лейкозов /Никитаев В.Г., Чистов К.С., Зубрихина Г.Н. и др.//Успехи современного естествознания. -2004.-№6. -С. 108-109.

88. Воробьев И. А., Захарова А. И., Атауллаханов Ф. И. и др. Определение условий компьютерной записи изображения на примере кариоцитов периферической крови. // Проблемы гематологии и переливания крови. -1998.-N3.-С. 14—20.

89. Компьютерные системы гематологической диагностики. Введение / Никитаев В.Г., Воробьев И.А., Чистов К.С. и др. М.:ФГУП «ЦНИИАТОМИНФОРМ», 2006. -132с.

90. Система автоматизированного анализа бластных клеток крови при диагностике острых лейкозов / Никитаев В.Г., Проничев А.Н., Чистов К.С. и др. // Свидетельство об официальной регистрации программы для ЭВМ №2005611778 от 21.07.2005г.

Похожие работы

Приборостроение, метрология и информационно-измерительные приборы и системы
05.11.00