автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Разработка и моделирование алгоритмов распознавания маркёров на изображениях фаций сыворотки крови

005014011

На правах рукописи

Копылова Анна Сергеевна

РАЗРАБОТКА И МОДЕЛИРОВАНИЕ АЛГОРИТМОВ РАСПОЗНАВАНИЯ МАРКЁРОВ НА ИЗОБРАЖЕНИЯХ ФАЦИЙ СЫВОРОТКИ КРОВИ

Специальность: 05.13.18 -Математическое моделирование, численные методы и комплексы программ

1 ІЗ :.;;.? ¿0:2

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Ульяновск-2012

005014011

Работа выполнена на кафедре «Системы автоматизированного проектирования» Ульяновского государственного технического университета

Научный руководитель: доктор технических наук, профессор

Крашенинников Виктор Ростиславович

Официальные оппоненты-. доктор технических наук, профессор,

профессор кафедры «Информационные технологии» Ульяновского государственного университета Кумунжиев Константин Васильевич

кандидат технических наук, доцент, доцент кафедры «Телекоммуникации» Ульяновского государственного технического университета Наместников Сергей Михайлович

Ведущая организация: Марийский государственный университет,

г. Йошкар-Ола

Защита состоится 4 апреля 2012г. в 15 часов на заседании диссертационного совета Д 212.277.02 при Ульяновском государственном техническом университете по адресу: 432027, Ульяновск, ул. Северный Венец, 32, ауд. 211 (гл. корпус).

С диссертацией можно ознакомиться в библиотеке Ульяновского государственного технического университета.

Автореферат разослан «Л5 » О и, 2012 г.

Ученый секретарь диссертационного совета, д.т.н., профессор

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В настоящее время методы обработки изображений широко применяются для решения многих научных и практических проблем, в частности, активно развиваются методы обработки медицинских изображений при диагностике. При этом в каждом конкретном методе диагностики изображения имеют свою специфику. Для некоторых методов диагностики (например, томография, УЗИ, рентген) имеется большое количество работ по анализу присущих им изображений. Появление новых методов диагностики приводит к необходимости создания математических моделей и алгоритмов обработки изображений соответствующего вида.

Академиком РАМН, директором Российского НИИ геронтологии Минздрава России В.Н.Шабалиным и профессором С.Н.Шатохиной был предложен малозатратный и безопасный для пациентов метод ранней диагностики, основанный на исследовании биологических жидкостей человека (сыворотки крови, желчи, лимфы и т.д.). Капля жидкости наносится на предметное стекло и медленно высушивается, остается тонкая сухая плёнка (фация). Особенности состояния организма сказываются на процессе кристаллизации веществ, содержащихся в жидкости, поэтому на изображении фации появляются характерные структуры (маркёры). По составу и расположению этих маркёров можно с большой уверенностью судить не только об уже имеющихся и проявившихся заболеваниях, но и о самой начальной их форме, когда никаких симптомов еще не наблюдается, и даже о предрасположенности к некоторым болезням. Рассмотреть изображения фаций можно только в микроскоп. При массовых профилактических обследованиях населения требуется проанализировать большое количество изображений. Произвести качественный анализ изображений могут только квалифицированные специалисты-операторы, которых имеется немного. Операторы быстро утомляются, мелкие и слабо выраженные маркёры пропускаются, что ведёт к некачественной диагностике. Выходом из этой ситуации является алгоритмическая обработка изображений, введённых в компьютер.

К настоящему времени по обработке изображений фаций биологических жидкостей имелся только алгоритм определения физиологического типа, характеризующего общее состояния пациента.

В данной диссертации рассматриваются изображения фаций сыворотки крови (ФСК), наиболее важной и информативной жидкости человека. Изображения ФСК имеют свою специфику: радиально-кольцевая структура, текстуры фона фации и её окружения, высокая вариативность размеров, формы и яркости маркёров и т.д., что должно быть учтено при разработке математической модели изображений ФСК и алгоритмов их обработки.

Таким образом, разработка математической модели, алгоритмов обнаружения и распознавания маркёров на изображениях ФСК при медицинской диагностике является актуальной задачей, решение которой будет способствовать повышению качества здравоохранения.

Цель и задачи работы. Целью диссертации является повышение эффективности медицинской диагностики по изображениям ФСК за счёт их компьютерной обработки. Для достижения поставленной цели решаются следующие задачи.

- разработка математической модели изображений ФСК, учитывающей особенности фактуры и разнообразие формы, размеров, расположения и количества маркёров,

- выявление информативных признаков маркёров, по совокупности которых возможна их идентификация,

- синтез эффективных алгоритмов обнаружения и распознавания маркёров на изображениях ФСК,

- составление комплекса программ, реализующего предложенные алгоритмы и осуществляющего медицинскую диагностику по изображениям ФСК.

Методы исследования. При решении поставленных задач применялись методы теории вероятностей, математической статистики, обработки изображений, численные методы и математическое моделирование с применением вычислительной техники.

Научная новизна положений, выносимых на защиту

1. Впервые разработана модель изображений ФСК, учитывающая вид корреляционной функции и другие особенности реальных изображений и позволяющая имитировать изображения с учётом высокой вариативности маркёров.

2. Разработан алгоритм для нахождения границы, центра и характерных областей ФСК, что, в частности, позволяет определить морфологический тип фации.

3. Выявлены признаки, характеризующие структуру отдельных маркёров. Совокупность этих признаков позволяет идентифицировать наиболее распространённые маркёры.

4. Разработаны алгоритмы и численные процедуры обнаружения признаков маркёров, которые дают возможность при небольших вычислительных затратах достаточно эффективно распознавать маркёры на изображениях ФСК.

Достоверность. Достоверность выводов диссертации обеспечивается корректным использованием математических методов и подтверждается высокой эффективностью разработанных алгоритмов распознавания маркёров при их тестировании на реальных и имитированных изображениях ФСК.

Практическая значимость. Разработанный комплекс программ даёт возможность практически осуществлять медицинскую диагностику по методу Шабалина-Шатохиной при массовых профилактических обследованиях населения.

Реализация работы. Результаты диссертационной работы приняты для практического применения в медицинских центрах «Литиком» и «Академия» (г. Ульяновск), а также в учебном процессе кафедры акушерства и гинекологии Ульяновского государственного университета и кафедры САПР Ульяновского государственного технического университета, что подтверждено актами использования результатов диссертации. Материалы диссертационной работы также использованы при выполнении гранта по программе «УМНИК-2011» Государственного фонда содействия развитию малых форм предприятий в научно-технической сфере, государственный контракт № 9015р/14145 от 19.04.2011.

Апробация работы. Основные результаты работы докладывались на 6-й и 7-й Всероссийских с участием стран СНГ научно-практических конференциях «Современные проблемы создания и эксплуатации радиотехнических систем» (Ульяновск, УлГТУ, 2009 и 2011); Всероссийских конференциях с элементами научной школы для молодежи «Инновационные технологии ранней диагностики и лечения в медицинской практике» (Ульяновск, УлГУ 2009 и 2011); научных сессиях Общества им. A.C. Попова (Москва, 2009 и 2010); 10-й Международной научно-технической конференции PRIA-10-2010 «Распознавание образов и анализ изображений: новые информационные технологии» (Санкт-Петербург, 2010); 8-м открытом российско-немецком семинаре OGRW-8-2011 «Распознавание образов и понимание изображений» (Нижний Новгород, 2011) и на ежегодных научно-технических конференциях профессорско-преподавательского состава УлГТУ (2009-2011).

Публикации. По теме диссертации опубликовано 12 печатных работ, одна из которых в издании из перечня ВАК и 11 в материалах международных и всероссийских научно-технических конференций. Общий объём 3 п.л.

Объём и структура диссертации. Диссертация объемом 161 машинописная страница содержит введение, три главы, заключение, список литературы из 110 наименований, 97 рисунков и 9 таблиц, в приложении приведены копии актов использования результатов диссертации.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, сформулированы цель и задачи исследований, научная новизна и практическая ценность полученных результатов, приведены сведения об использовании, реализации и апробации результатов работы и структуре диссертации.

В первой главе представлен обзор задач медицины, решаемых с применением обработки изображений. Приводятся сведения о медицинской диагностике по изображениям фаций биологических жидкостей, полученным с помощью клиновидной дегидратации. Производится обзор существующих

методов распознавания образов на изображениях, анализируется возможность их применения к распознаванию маркёров на изображениях ФСК.

На рис. 1 представлены фрагменты изображений ФСК с гребешковыми структурами. Заметно, что форма и размеры гребешков значительно варьируются. То же самое наблюдается и у других маркёров. Гребешковые структуры (и некоторые другие маркёры) очень малы и заметны только при большом увеличении, другие же маркёры, например, листовые структуры (рис. 8,г) имеют значительно большие размеры, соизмеримые с размером всего изображения.

Высокая вариативность размеров и формы маркёров обуславливает применение для их распознавания выделение системы признаков, различные комбинации которых соответствуют определённому маркёру.

И

МЛ

в) г)

Рис. 1. Гребешковые структуры

Во второй главе анализируются свойства изображений ФСК и маркёров на них. Разрабатывается модель изображений ФСК, в которой учтены особенности реальных изображений. Эта модель позволяет имитировать изображения ФСК для апробирования алгоритмов распознавания. Разрабатываются алгоритмы определения границы, центра и морфологического типа ФСК. Выделяются характерные признаки, по комбинации которых возможна идентификация маркёров. Разрабатываются алгоритмы распознавания конкретных видов маркёров, и исследуется их эффективность.

Модель изображения фации

Имеющиеся в базах данных изображения не могут отобразить всё разнообразие возможных маркёров и фаций в целом. Поэтому целесообразно разработать модель для описания и имитации изображений фаций, что можно использовать и для оценки эффективности разрабатываемых алгоритмов обработки.

При разработке модели были произведены исследования по определению характеристик реальных изображений ФСК в целом и маркёров: форма фации; распределение вероятностей яркости и корреляционная функция фона и окружения фации; количество секторов, количество и форма находящихся в них структурных элементов; количество, расположение и форма маркёров. Учёт полученных данных привёл к следующей модели.

Форма фации близка к эллипсу (рис. 5). Поэтому сначала строится аппроксимирующий эллипс со случайными параметрами: центр, большая и малая полуоси, угол наклона большой полуоси. Отклонение границы фации от этого эллипса задаётся процессом авторегрессии первого порядка

й, = с!, = рс1,_} + стф-р2^ . (1)

Изображения состоят из фации и её окружения, имеющих свои характеристики. Для имитации изображений фона фации и её окружения с заданными корреляционными функциями использована волновая модель изображений

х'_" =х'г' схр(-и■ Л/) + ехр(-2^2/В.1 ; (2)

1 1 к параметры которой находятся с помощью разработанной численной процедуры.

Фация представляет собой совокупность секторов. Сектор - часть фации, ограниченная радиальными трещинами, в составе которой имеется совокупность отдельностей, конкреций и ряд мелких морфологических элементов. Совокупность секторов фации определяется разыгрываемыми случайными параметрами: их количество, точка пересечения радиальных трещин, центральный угол, длина и угол наклона радиальных трещин.

В случае наличия мелких трещин их случайными параметрами являются: количество, координаты начала и конца линии, если трещина является прямой, в противном случае случайными параметрами являются коэффициенты уравнения линии второго порядка. В случае наличия конкреций они формируются как эллипсы со случайными координатами центра, длиной большой и малой полуоси и наклоном.

В случае патологического состояния организма на изображении фации имеются различные маркёры. Разыгрывается их состав, количество, положение на изображении и форма. Смоделированные маркёры наносятся на изображение.

Распределения вероятностей всех параметров этой модели задаются в соответствии с их наблюдениями на реальных изображениях. Модель позволяет имитировать неограниченное количество изображений ФСК. На рис.2 показаны примеры имитированных изображений. Визуально они похожи на изображения фаций.

Рис. 2. Примеры имитации изображений фации сыворотки крови

Обнаружение и распознавание маркёров

Использованный метод обнаружения и распознавания маркёров состоит в выделении системы признаков, различные комбинации которых соответствуют определённому образу. Пороговые значения, используемые в разработанных алгоритмах, подбираются экспериментально в ходе апробирования алгоритмов на реальных изображениях ФСК. Пороговые значения зависят от размера и увеличения исходного изображения. Отметим, что выбирая значения этих порогов, можно получить заданную вероятность обнаружения маркёров или заданную вероятность ложной тревоги.

Для каждого вида маркёров характерен ряд признаков, среди которых: расположение на поле изображения и относительно трещин, составляющих скелет, локальная яркость и однородность. Поэтому сначала произведём выделение этих общих особенностей изображений.

Выделение скелета изображения

Вначале обработаем изображение скользящим кругом, вычисляя в каждом его положении дисперсию значений яркости. Так как для точек скелета характерно большое значение дисперсии яркости, отметим все точки круга, в которых дисперсия превышает некоторый X. Из-за неоднородности изображения порог должен быть переменным в зависимости от локальной текстуры. Для определения переменного порога Л„ была применена одноконтурная адаптивная псевдоградиентная процедура

[ есл«Си>Л„, еслиСп<Л„,

где ц - положительный параметр, влияющий на величину шагов этой процедуры; - следующее за Д, значение порога; д - параметр, равный устанавливаемой вероятности превышения порога; Оп - текущее выборочное значение дисперсии в окне; р = 1-д. Для определения однородных областей на

изображении будем также отдельно отмечать участки, с малой дисперсией. Соответствующий порог находится с помощью аналогичной процедуры (3).

На рис. 3,6 представлен результат обработки исходного изображения (рис. 3,а) размеров 1024x768 пикселей с помощью описанной процедуры. Точки скелета, в окрестности которых дисперсия превышает текущий порог Д,, отмечены черным цветом. Они образуют множество 5".

Рис.3. Построение скелета фации.

Превышение порога происходит не только в граничных точках фации, но и в других случайных точках. Поэтому из множества 5 удаляются небольшие изолированные кластеры, явно не принадлежащие к скелету.

Сегментация изображения по значению яркости

Отличительным признаком некоторых маркёров является яркость, которая значительно меньше или больше средней яркости всего изображения. Для определения точек, яркость в которых намного ниже средней яркости всего изображения, построим гистограмму распределения яркостей всего изображения. Определяется порог, равный 10-процентной квантили распределения. Отмечаются все точки, яркости которых ниже данного порога. Для определения областей с яркостью намного выше средней яркости изображения применяется процедура, аналогичная описанной выше, с порогом, равным 75-процентной квантили распределения. Отмечаются все точки, яркости которых выше данного порога.

Построение границы фации

Для различных маркёров характерно их особое расположение и ориентация по полю фации, поэтому большое значение имеет точное определение границы фации. При оцифровке изображения фации, получаемого с микроскопа, оператор размещает фацию приблизительно в центре изображения. На границе фации имеется скачок яркости, а вне фации, то есть на участках, соответствующих предметному стеклу, изображение имеет относительно гладкий характер, за исключением различных локальных загрязнений. Среди

точек скелета, кроме граничных и приграничных точек фации, присутствует множество точек внутри фации. Поэтому в каждой строке (столбце) выделяются крайние точки. Данные точки образуют множество Г = {Р(/) = (х(1),у(г)), I = ],..., Щ. На рис. 4,а множество точек Г, полученное с помощью описанной процедуры, нанесено на исходное изображение. Заметно, что множество Г лишь приблизительно определяет границу фации: имеются разрывы и отклонения от границы. Поэтому необходима дальнейшая обработка полученной аппроксимации границы.

а) б)

Рис. 4. Нахождение граничных точек изображения фации

Фация образуется из капли жидкости, нанесённой на предметное стекло, что приводит к её овальной форме. Поэтому сначала построим эллипс Е, аппроксимирующий множество граничных точек Г. Для этого рассмотрим уравнение кривой второго порядка

х1+Bxv + Cy2+ Dx + Ev+F= О, (4)

и подберём коэффициенты этого уравнения так, чтобы сумма квадратов невязок точек множества Г была минимальной:

N

]Г [х2 (0 + Bx{i)y(i) + Су2 (i) + Dx(i) + Ey(i) + F]2 = min . (5)

Ilo найденным коэффициентам уравнения (2) определяем координаты центра эллипса (фации):

Ус = ~(Е + BD / 2)/(2С - В212), хс =(-D-В ■ ус)/2 . (6)

Пример аппроксимации системы точек Г эллипсом приведён на рис. 4,6. Аппроксимирующий эллипс описывает границу фации приближённо, поэтому произведём дополнительное уточнение границы. Упорядочим точки множества Г против часовой стрелки, начиная с любой из точек. Проведём из центра эллипса О луч 1(0 через каждую точку P(i) множества Г и рассмотрим отклонения z(i) =| OP{i) | -1 OR(i) \ точек P(i) от эллипса, где R(f) -точка пересечения луча 1(0 с эллипсом. Будем рассматривать z(i) как за-шумлённые наблюдения z(i) = d(i) + n(i) «истинных» отклонений границы фации от эллипса на соответствующем луче, заданных моделью (1).

Для оценивания отклонений <^(1) по их наблюдениям г(г) применим аппроксимированный псевдоградиентный адаптивный фильтр Калмана:

б/(0)=0, с1({)=Ф)к(1 -]))=-1)+Щ)Щ), /=1Д- (7)

Проведенные испытания этого алгоритма показали, что ошибка в определении границы, как правило, не превышает 20 пикселей, то есть менее 5% длины большой полуоси эллипса.

Определение морфологического типа фации

Различаются два основных морфологических типа изображений ФСК. Первый тип соответствует физиологическому (нормальному) состоянию организма. Второй тип - патологический, когда имеются отклонения от нормы. Таким образом, по морфотипу фации можно оценить общее состояние организма пациента.

В целом ФСК представляет собой овальное образование с явно выраженным центром и радиально отходящими от него трещинами (рис. 5,а), которые могут располагаться как симметрично, на примерно равном друг от друга расстоянии, так и асимметрично.

При физиологических состояниях организма ФСК характеризуется симметричным расположением радиальных трещин, прямоугольными отдельно-стями и круглыми конкрециями небольшого размера (рис. 5,а).

Рис. 5. Физиологический (а) и патологический (б) морфотипы

При патологических состояниях организма морфологический тип ФСК резко меняется. Возникают системные и подсистемные аномалии. Основные системные нарушения проявляются в виде потери симметрии расположения основных ее элементов (конкреций, отдельностей, трещин и т.д.), изменения их формы или полном отсутствии (рис. 5,6).

Основным признаком физиологического состояния организма является симметричное расположение радиальных трещин, когда осевые линии пересекаются в окрестности центра фации. Поэтому найдем точку пересечения радиальных трещин и сопоставим ее с центром аппроксимирующего эллипса.

Сначала выделим радиальные трещины. Они характеризуются большим перепадом яркости по сравнению с окружающим фоном. Выделим границы областей скелета 5 с помощью прослеживания контура. В результате получим множество кривых линий, на которых выделим прямолинейные участки. Для этого из каждой точки кривой отложим векторы а и Ь , направленные в четвертые точки на этой линии в прямом и противоположном направлениях (рис. 6).

—

Ь~ /г f ---

—It 7

» а ! 1

Рис. 6. Векторы на граничной линии

Угол а между этими векторами определим из соотношения cos а = а Ъ /(| а || b |). На приблизительно прямолинейных участках линий угол а близок к развёрнутому, поэтому должно быть cos а ~ — 1, эти точки выделяются. Длина прямолинейного участка границы должна составлять не менее 60% длины малой полуоси аппроксимирующего эллипса. В случае выполнения этих признаков участок кривой считается радиальной трещиной. Через эти участки проводится аппроксимирующие прямые с использованием метода наименьших квадратов. Полученные при аппроксимации прямые показаны белым цветом на рис. 7,а.

Рис. 7. Определение точки пересечения радиальных трещин и центра фации

Далее находится место, через которое проходит наибольшее количество прямых. Для этого возьмём скользящее окно и найдём его положение, в котором число проходящих через него прямых будет максимальным. Центр этого окна будем считать точкой пересечения прямых. На рис. 7,6 черным

квадратом обозначена точка пересечения прямых, а черным кругом - центр аппроксимирующего эллипса. Если расстояние между этими точками составляет достаточно малую долю от размера изображения, то делается вывод о физиологическом состоянии организма.

Проведенные испытания описанного алгоритма показали, что визуально оцененная точка пересечения радиальных трещин практически всегда была достаточно близка с её оценкой, получаемой описанным алгоритмом. Морфологический тип был правильно определён на 780 изображениях из 861, то есть в 90.6 %.

Обнаружение гребешковых структур

Гребешковые структуры (рис. 1) представляют собой линейные трещины с отходящими от них по одну сторону мелкими трещинами, напоминающие форму гребешка. Эти структуры характерны при ангиоспазме и нарушении микроциркуляции.

Проведенный визуальный анализ показал, что гребешковые структуры весьма разнообразны по виду. Однако общим для них является наличие следующих признаков:

1) гребешковые структуры всегда располагаются около границы фации;

2) они имеют значительно меньшую яркость по сравнению с окружающим фоном;

3) они состоят из нескольких тупоугольных треугольников;

4) длинные стороны треугольников приблизительно параллельны между собой;

5) треугольники находятся на небольшом расстоянии друг от друга;

6) фон между треугольниками относительно однороден.

Прежде всего, используется первый признак. Для этого методами, рассмотренными выше, находится граница фации и определяется прилегающая к ней окрестность С, в которой и производится дальнейший поиск гребешковых структур.

Среди областей с яркостью намного ниже окружающего фона нужно найти тупоугольные треугольники. Для этого сначала выделяются граничные линии этих областей с помощью прослеживания контура. Далее ищутся приблизительно прямолинейные участки границы. Через эти участки проводится аппроксимирующие прямые. Из множества полученных прямых выбираются тройки попарно пересекающихся. При пересечении этих прямых образуется треугольник, углы которого находятся по теореме косинусов, и учитываются только тупоугольные треугольники

Следующим отличительным признаком гребешков является то, что треугольники расположены тесными группами, поэтому расстояния между ними должны быть небольшими. За это расстояние принимается длина перпендикуляра, опущенного из вершины острого угла одного треугольника на длинную сторону соседнего треугольника.

И, наконец, производится проверка на однородность фона между треугольниками, показателем которой является небольшой разброс яркостей вдоль прямых, проведенных между парами треугольников.

В итоге остаются только те треугольники, которые удовлетворяют всем шести вышеперечисленным признакам. Наличие таких треугольников принимается за присутствие гребешковой структуры.

Обнаружение жгутовых трещин

Жгутовые трещины (рис. 8,а) представляют собой радиальные трещины с приподнятыми волнистым краями. Такие структуры характерны при гипоксии головного мозга. Характерными особенностями жгутовых трещин являются:

1) жгуты располагаются по обе стороны вдоль трещин;

2) они являются множеством коротких слегка волнистых линий, расположенных приблизительно перпендикулярно к трещине;

3) обладают ярко выраженной анизотропией.

Для нахождения трещин воспользуемся алгоритмом, описанным выше. Для определения границ отростков коротких слегка волнистых линий воспользуемся алгоритмом Canny, отмеченные пиксели образуют множество С. Выделим из пикселей множества С короткие компактные линии К,. Параллельно каждой линии Z, (прямой, аппроксимирующей радиальную трещину) проведем прямую Lp, на небольшом расстоянии и определим число п линий в К,, которые она пересекает, так как волоски жгутов располагаются перпендикулярно радиальным трещинам. В случае, когда п превышает порог, проверяем наличие высокой анизотропии: яркость изображения в районе боковых отростков быстрее изменяется в поперечном к ним направлении (вдоль трещины), чем в продольном. Рассмотрим каждую точку Pj линии L.p,. Анизотропия в точке Р; изображения оценивается как отношение нормированной вариации V изображения по направлению её максимума к нормированной вариации v в поперечном направлении:

W=V/v,

где V = vai(Lg)/\Lg |; v = \dx{Lp,r)!\ Lper |; Lg - прямолинейный отрезок длины | Ls | линии Lp,; Lprr - прямолинейный отрезок длины | Lp„ \, перпендикулярный к L.. Середины этих отрезков располагаются в точке Рр. Вариация по отрезку вычисляется как сумма модулей разностей яркостей в соседних точках отрезка. Эксперименты показали, что лучше брать модули разностей не в соседних точках, а в точках на расстоянии 3 пикселя друг от друга. Если показатель анизотропии W превышает установленный порог, то принимается решение о наличии жгутовидности в этой точке. Среди таких точек могут быть и ложные, которые расположены на изображении хаотично небольшими группами. Истинные же точки образуют протяжённые кластеры, поэтому ложные точки легко отсеиваются.

а) тмшштттяштяшж твШттттт-^^:-, ..... 'ШШтШШ&ШЩШШ^ШшШ^ ■ щ

1111® ШйЫ ■: 111Р/?4 ШШж11:^/' < < ' Йр- % ■ / / 1 | .¿3 ; 1 ш 1 Ш

ж)

б)

■в

ш

X

штяжшшл

.у-'гт ¡¡¡111

11111(11 : .....Ш: ■ ■ Ш • Ш ........... ¡¡^■{^н

■Ш

Рис. 8. Маркёры на изображениях фаций

Обнаружение морщин и токсических бляшек

Токсические бляшки (рис. 8,6) представляют собой однородные округлые образования, обрамленные с одной стороны множеством коротких, слегка волнистых линий (отростков). Морщины (складчатости), показанные на рис. 8,в, являются локальным смещением рельефа фации с образованием параллельных складок на её поверхности. Эти маркёры являются признаком интоксикации организма.

Характерными особенностями данных структур являются:

1) ярко выраженная анизотропия;

2) наличие однородного пятна (бляшки);

3) наличие коротких волосков (в случае бляшек волоски располагаются под разными углами, в случае морщин - под одинаковыми).

Отличие бляшек и морщин от жгутов состоит в том, что они не находятся вдоль трещин и их отростки не расположены двумя параллельными полосами. При наличии этих признаков принималось решение о наличии маркёра интоксикации с постановкой соответствующего значка на изображении фации.

Морщины отличаются от бляшек отсутствием однородного пятна и тем, что волоски могут располагаться под одинаковыми углами друг к другу.

Обнаружение листовидных структур

Листовидные структуры являются признаками склеротических процессов, происходящих в кровеносных сосудах.

Признаками листовидных структур (рис. 8,г) являются:

1) лепестки - это относительно крупные структуры, доходящие до периферии фации. Они располагаются на большом расстоянии от центра фации;

2) довольно симметричное расположение вдоль радиально направленных трещин;

3) лепестки темнее окружающего фона;

4) граничные точки листа характеризуются слабым перепадом яркости;

5) граница лепестка представляет собой дугообразную линию.

Обнаружение границы лепестка осуществляется с помощью ^критерия

проверки значимости разницы выборочных средних в двух соседних окнах. Таких проверок делается четыре: для окон, расположенных относительно друг друга по горизонтали, вертикали и по двум диагональным направлениям. Совокупность всех указанных выше признаков достаточно уверенно идентифицирует наличие листов.

Обнаружение воронкообразных структур

Воронки (рис. 8,д) представляют собой вытянутые однородные светлые области приблизительно эллиптической формы. Эти структуры свидетельствуют о высоком напряжении функциональных систем и защитных механизмов. Данные структуры имеют следующие особенности:

1) граница воронки представляет собой эллипс, у которого большая полуось заметно больше малой полуоси;

2) область внутри воронки однородна и светлее окружающего фона;

3) на границе воронки имеется небольшой перепад яркости;

4) воронки расположены между трещинами фации, не пересекая их;

5) воронки наблюдаются в центральной зоне фации.

Граница однородной светлой области аппроксимируется эллипсом. Воронки имеют вытянутую форму, поэтому определяется отношение большой полуоси этого эллипса к его малой оси (коэффициент сжатия эллипса). В случае, когда этот коэффициент превышает порог и однородная область находится между радиальными трещинами, принимается решение о наличии воронки.

Обнаружение трещин «серебра»

Трещины «серебра» (рис. 8,е) представляют собой ряд мелких, параллельных линейных тёмных трещин. Данные структуры свидетельствуют о нарушении эластичности сосудов. Проведенный анализ показал, что данные структуры имеют следующие особенности:

1) трещины серебра имеют значительно меньшую яркость по сравнению с окружающим фоном;

2) трещины серебра представляют собой некоторое количество темных линий, расположенных параллельно друг другу.

Сначала используем первый признак. Обработаем изображение скользящим окном. Для определения областей с яркостью намного ниже окружающего фона в каждом положении окна строится гистограмма распределения значений яркостей в нём, определяется порог, равный 20-процентной квантили распределения. Отмечаются все точки, яркости которых ниже этого порога. Однако могут быть ложные области с этим признаком. Поэтому оставим только те области, на границе которых имеется большой перепад яркости. Найдём граничные линии этих областей. Далее обработаем изображение скользящей рамкой, в каждом положении которой определим количество граничных линий. В том случае, если количество превышает заданный порог, принимается решение о наличии трещин серебра.

Обнаружение трещин «закруток»

Трещины «закрутки» (рис. 8,ж), представляющие собой тёмные спиралевидные трещины, являются показателем высокой напряженности адаптационных механизмов гомеостаза.

Визуальный анализ множества изображений показал, что трещины закрутки имеют ряд следующих особенностей:

1) трещины закрутки имеют значительно меньшую яркость по сравнению с окружающим фоном;

2) их форма близка к окружности;

3) фон внутри трещины закрутки относительно однороден.

Найдем на изображении области с большой дисперсией и малым значением яркости. Далее найдем границы найденных областей, методом прослеживания контура выделим из них плавные участки. Аппроксимируем каждый участок кривой второго порядка. Форма трещины закрутки близка к окружности, поэтому удалим из рассмотрения эллипсы, у которых коэффициент сжатия меньше порогового значения 1.5, и исследуем область внутри каждого оставшегося эллипса. Если она содержит однородный участок, то принимаем решение о наличии трещины закрутки.

Обнаружение трёхлучевых трещин

Маркёр «трёхлучевые трещины» (рис. 8,з) является показателем застойных явлений в организме. Проведенный анализ показал, что данные структуры имеют ряд следующих особенностей:

1) трёхлучевые трещины представляют собой три отрезка небольшой длины, начинающиеся в одной точке и образующие между собой приблизительно равные углы;

2) трёхлучевые трещины имеют значительно меньшую яркость по сравнению с окружающим фоном.

Для определения тёмных линий на изображении первоначально воспользуемся методом определения скелета. Для определения лучей, исходящих из одной точки, найдем границы найденных областей, с помощью метода прослеживания контура. Выделим приблизительно прямолинейные участки границы Рг,. Учитывая действительные размеры трёхлучевых трещин, участки Рг,. должны быть небольшой длины. Через каждый участок Рг, проводится аппроксимирующая прямая Я,. Проверим аппроксимацию. Для этого рассмотрим отклонение точки Рг, от аппроксимированного значения. Если отклонения превышают заданный порог, то удаляем данные прямые H¡ из рассмотрения. Из множества оставшихся прямых Н, выбираются три прямые, обладающие следующими свойствами:

1) прямые пересекаются приблизительно в одной точке;

2) прямые образуют между собой тупые углы;

3) прямые пересекаются вблизи соответствующих им отрезков Рг,;

4) расстояние между отрезками Рг, является небольшой величиной, так как лучи, образующие трёхлучевые трещины выходят из одной точки.

В случае выполнения перечисленных выше условий принимаем решение о наличии трёхлучевой трещины.

В таблице приведены результаты применения описанных алгоритмов распознавания маркёров к 2356 реальных и 643 имитированных изображений.

Вид маркёра Процент верно обнаруженных маркёров Процент неверно обнаруженных маркёров Процент пропущенных маркёров

Гребешковые структуры 92.41 12.01 7.59

Жгутовые трещины 98.72 6.96 1.28

Морщины 91.89 7.15 8.11

Бляшки 92.55 7.45 7.45

Листовидные структуры 91.48 9.34 8.52

Воронкообразные структуры 97.22 12.52 2.78

Трещины «серебра» 91.74 3.48 8.26

Трещины «закрутки» 90.41 3.06 9.59

Трёхлучевые трещины 91.67 5.98 8.33

Отметим, что маркёры часто встречаются в различных комбинациях друг с другом. Поэтому при диагностике достаточно отметить изображения, содержащие хотя бы один из имеющихся маркёров. Эти изображения (и пациенты) в дальнейшем будут обязательно тщательно обследованы врачом. Таким образом, интегральным показателем эффективности алгоритмов является процент обнаружения изображений, содержащих маркёры.

При тестировании алгоритмов обнаружения маркёров на 2356 реальных изображений было обнаружено 95% изображений, содержащих хотя бы один маркёр. Ложное обнаружение маркёров было на 10% изображений.

В третьей главе представлена программная реализация предложенных алгоритмов распознавания маркёров на имеющихся изображениях ФСК.

Комплекс состоит из двух программных блоков. Первый блок позволяет осуществить распознавание маркёров и предварительную диагностику пациента посредством анализа изображения ФСК. Второй блок предназначен для имитации изображений ФСК на основе их модели.

Объединённый алгоритм распознавания маркёров

В описанных выше алгоритмах каждый маркёр распознаётся по характерному для него набору признаков. При этом некоторые признаки и процедуры обработки изображений входят в алгоритмы распознавания разных маркёров. Поэтому для сокращения времени обработки целесообразно не применять последовательно алгоритмы распознавания отдельных маркёров, а сначала сделать предобработку изображения, то есть выполнить процедуры, входящие во все алгоритмы обнаружения, а потом по выделенным признакам последовательно произвести распознавание всех маркёров.

Структура блока комплекса, в котором производится распознавание маркёров, представлена на рис. 9.

Рнс. 9. Структура комплекса программ

В модуле «Выделение признаков» выполняются следующие операции.

1) Построение скелета изображения.

2) Определение однородных областей.

3) Определение радиальных трещин.

4) Сегментация по значениям яркости.

5) Определение границ методом Canny.

6) Обработка t-обнаружителем.

7) Определение границ и центра изображения.

8) Определение морфотипа фации.

В модуле «Распознавание маркёров» поочерёдно производится обнаружение и распознавание маркёров с учётом присущих им признаков и расположения в соответствии с описанными во второй главе алгоритмами.

Результат анализа отражается в интерфейсе. При этом выдаётся перечень найденных маркёров и формируется медицинское заключение со списком возможных патологий в организме пациента и даётся рекомендация по-

сешения соответствующих медицинских специалистов для более точной диагностики заболевания (рис. 10,6). На изображении ФСК найденные маркёры отмечаются значками (рис. 10,а).

Программный комплекс выполнен в среде программирования Delphi 7 на языке программирования высокого уровня Object Pascal. Входной информацией для первого изделия является исходное изображение ФСК (обязательно должно быть формата BMP (*.bmp)). Также оператору необходимо указать увеличение исходного изображения.

Рекомендуемые системные требования для комплекса программ.

1) Вычислительная машина класса IBM PC.

2) Операционная система Windows ХР.

3) Процессор с тактовой частотой 1.2 ГГц и выше.

4) 256 Мб оперативной памяти.

5) Размер программы с исполняемыми файлами около 1 Мб. Объем программного кода примерно 8500 строк.

II» ДНІі«ГО<М ГГ

и» «г.ук/Ч'10

ЗАКЛЮЧЕНИЕ

Ф.И.О. Иванов А. А. (.'.иттклй даягж«

Морфолпготдокт клртлня < ьгсоротки кроки

Соспмяше сршитха: Физиологическое устойчивое

- регерв адагаацяочных возможностей организма:высокий ■ признаки доброкачественной гиперплазии есть

- нарушение микроцирлулацни в пони мозга и седца есть

- аяшосшэм есть

Рекомещавш»: 1. Консультация терапевта

Рис. 10. Интерфейс программы

Время обработки одного изображения ФСК от 24 до 102 секунд в зависимости от сложности изображения (наличие или отсутствие на изображении мест, подозрительных на маркёры).

Заключение

Главным итогом диссертации является разработка алгоритмов компьютерного распознавания маркёров на изображениях фаций сыворотки, требующих небольших вычислительных затрат и способствующих повышению эффективности массового медицинского обследования населения. Основными результатами работы являются следующие.

1. Предложена математическая модель изображения ФСК, учитывающая наиболее существенные особенности реальных изображений и позволяющая имитировать изображения для определения эффективности алгоритмов анализа изображений ФСК. Для обеспечения адекватности модели разработана численная процедура определения её параметров.

2. Разработан алгоритм определения общей структуры изображения ФСК (граница, центр, секторы и т.д.) что, в частности, позволяет определить морфологический тип фации.

3. Выявлены признаки, характеризующие структуру различных маркёров. По совокупности этих признаков возможна идентификация наиболее распространённых маркёров на изображениях ФСК.

4. Разработаны алгоритмы и численные процедуры обнаружения маркёров. Проведенные испытания описанных алгоритмов на большом количестве изображений ФСК (более двух тысяч) показали их высокую эффективность: было обнаружено более 95% изображений, на которых имелись маркёры, ложные обнаружения были на 10% изображений.

5. Разработанный комплекс программ, реализующих предложенные алгоритмы обнаружения, может быть использован в медицинской диагностике по методу Шабалина-Шатохиной при массовых обследованиях населения, что будет способствовать улучшению качества медицинского обслуживания.

В приложении представлены акты использования результатов диссертации.

Основные результаты диссертации изложены в следующих публикациях.

В ведущих научных изданиях, включенных в перечень ВАК

1. Krasheninnikov V. R., A. S. Kopylova. Identification of Pectinate Structures in Images of Blood Serum Facias // Pattern Recognition and Image Analysis. - 2011. Vol. 21, No.3. - Pp. 508-510.

В других изданиях

2. Крашенинников В.Р., Крашенинников И.В., Копылова A.C. Обнаружение жгутовидных структур на изображениях фаций сыворотки крови. Труды Российского научно-технического общества радиотехники, электроники и связи им. А.С.Попова. Серия: Научная сессия, посвященная Дню радио. Выпуск LXIV. -Москва, 2009.-С. 313-315.

3. Крашенинников В.Р., Голованов В.Н., Крашенинников И.В., Копылова A.C., Нагорнов Ю.С. Компьютерное обнаружение некоторых маркёров на изображениях фации сыворотки крови. Материалы Всероссийской конференции «Инновационные технологии ранней диагностики и лечения в медицинской практике». - Ульяновск: УлГУ, 2009. - С. 57-60.

4. Крашенинников В.Р., Копылова A.C. Нахождение граничных точек изображения фации биологической жидкости. - Труды шестой всероссийской научно-практической конференции (с участием стран СНГ) «Современные проблемы создания и эксплуатации радиотехнических систем». - Ульяновск: УлГТУ, 2009. -С. 126-129.

5. Крашенинников В.Р., Копылова А.С. Определение границы изображения фации биологической жидкости. - Труды шестой всероссийской научно-практической конференции (с участием стран СНГ) «Современные проблемы создания и эксплуатации радиотехнических систем». - Ульяновск: УлГТУ, 2009. -С. 129-133.

6. Копылова А.С. Обнаружение бляшек на изображениях фаций сыворотки крови. Труды Российского научно-технического общества радиотехники, электроники и связи им. А.С.Попова. Серия: Цифровая обработка сигналов и ее применение. Выпуск XII. - Москва, 2010.- С. 192-194.

7. Krasheninnikov V.R., Kopylova A.S. The Comb Detection on Images of Blood Serum Facia. // Proceedings of the 10-th International Conference on Pattern Recognition and Image Analysis: New Information Technologies (PRIA-10-2010). - St. Petersburg, 5-12December 2010, VolumeII, SPb.: Politechnika, 2010.-Pp. 285-288.

8. Крашенинников B.P., Копылова А.С. Обнаружение трехлучевых трещин на изображениях фаций сыворотки крови. - Труды седьмой Всероссийской научно-практической конференции (с участием стран СНГ) «Современные проблемы создания и эксплуатации радиотехнических систем». - Ульяновск: УлГТУ, 2011. — С. 37-40.

9. Копылова А.С. Обнаружение трещин «закруток» на изображениях фаций сыворотки крови. - Труды седьмой Всероссийской научно-практической конференции (с участием стран СНГ) «Современные проблемы создания и эксплуатации радиотехнических систем». - Ульяновск: УлГТУ, 2011. - С. 40-43.

10. Крашенинников В.Р., Копылова А.С., Тарасова А.В. Обнаружение воронкообразных структур на изображениях фаций сыворотки крови. Материалы VII Российской научно-практической конференции «Онкология сегодня: пациент, государство, медицинское сообщество». - Ульяновск: УлГУ, 2011. - С. 169-173.

11. Копылова А.С. Обнаружение трещин серебра на изображениях фаций сыворотки крови. Материалы VII Российской научно-практической конференции «Онкология сегодня: пациент, государство, медицинское сообщество». - Ульяновск: УлГУ, 2011.-С. 152-155.

12. Krasheninnikov V.R., Kopylova A.S. Identification on leaf-like structures in images of blood serum facies. Proceedings of 8th Open German-Russian Workshop "Pattern Recognition and Image Understanding» OGRW-8-2011. - Nizhny Novgorod, 2011. -Pp. 158-161.

Копылова Анна Сергеевна

РАЗРАБОТКА И МОДЕЛИРОВАНИЕ АЛГОРИТМОВ РАСПОЗНАВАНИЯ МАРКЁРОВ НА ИЗОБРАЖЕНИЯХ ФАЦИЙ СЫВОРОТКИ КРОВИ

Автореферат диссертации на соискание ученой степени кандидата технических наук

Подписало в печать 27.02.2012. Формат 60*84/16. Усл. псч. л. 1,40. Тираж 100 экз. Закат 191. Типография УлГГУ, 132027, г. Ульяновск, Северный Венец, 32

61 12-5/3512

Ульяновский государственный технический университет

РАЗРАБОТКА И МОДЕЛИРОВАНИЕ АЛГОРИТМОВ РАСПОЗНАВАНИЯ МАРКЁРОВ НА ИЗОБРАЖЕНИЯХ ФАЦИЙ СЫВОРОТКИ КРОВИ

Специальность: 05.13.18 - Математическое моделирование,

численные методы и комплексы программ

Диссертация на соискание ученой степени кандидата технических наук

Научный руководитель - доктор технических наук,

профессор В.Р. Крашенинников

На правах рукописи

КОПЫЛОВА Анна Сергеевна

Ульяновск-2012

Оглавление

Список сокращений, принятых в диссертации.......................................4

Введение......................................................................................5

Глава 1. Обработка изображений в медицине.........................................9

1.1. Задачи медицины, решаемые с применением обработки изображений...................................................................................9

1.2. Медицинская диагностика по изображениям фаций биологических жидкостей.....................................................................................11

1.2.1. Метод клиновидной дегидратации биологических жидкостей......11

1.2.2. Алгоритмы анализа изображений фаций сыворотки крови.........16

1.3. Обзор методов обработки изображений и распознавания образов.. 17

1.3.1. Методы обработки изображений...........................................17

1.3.2. Методы распознавания образов........................................................24

1.4. Выбор метода для распознавания маркёров на изображениях ФСК...........................................................................................47

1.5. Выводы...........................................................................48

Глава 2. Алгоритмы обнаружения и распознавания маркёров на изображениях фации сыворотки крови.................................................49

2.1. Изображения фаций сыворотки крови......................................49

2.1.1. Общий вид изображений фаций...........................................49

2.1.2. Морфологические типы фаций............................................50

2.2. Модель изображения фации...................................................51

2.2.1. Форма фации....................................................................52

2.2.2. Текстура фона фации.........................................................55

2.2.3. Текстура окружения фации..................................................61

2.2.4. Скелет фации...................................................................63

2.2.5. Модели маркёров..............................................................67

2.3. Разработка алгоритмов распознавания маркёров на изображениях фаций.........................................................................................80

2.3.1. Предварительная обработка изображений фаций.....................80

2

2.3.2. Определение морфологического типа.....................................87

2.3.3. Обнаружение гребешковых структур.............................................98

2.3.4. Обнаружение жгутовых трещин...........................................105

2.3.5. Обнаружение морщин и токсических бляшек.............................110

2.3.6. Обнаружение листовидных структур....................................113

2.3.7. Обнаружение воронкообразных структур...............................118

2.3.8. Обнаружение трещин «серебра»..........................................123

2.3.9. Обнаружение трещин «закруток»........................................126

2.3.10. Обнаружение трёхлучевых трещин......................................129

2.3.11. Оценка эффективности алгоритмов.......................................131

2. 4. Выводы...........................................................................134

Глава 3. Программная реализация алгоритмов распознавания маркёров......................................................................................135

3.1. Структура комплекса программ............................................135

3.1.1. Описание и возможности программы обнаружения маркёров.... 135 3.1.2 Описание программы моделирования изображений фаций

сыворотки крови..........................................................................140

3.2. Аппаратные требования для комплекса..................................142

3.3. Выводы..........................................................................143

Заключение............................................................................... 144

Список использованных источников................................................145

Приложение. Акты внедрения результатов диссертационной работы........158

Список сокращений, принятых в диссертации

БЖ - биологическая жидкость

ВС - воронкообразная структура

ГС - гребешковая структура

ЖТ - жгутовая трещина

ЛС - листовидная структура

РТ - радиальная трещина

ТЗ - трещина «закрутка»

ТС - трещины «серебра»

ТТ - трёхлучевая трещина

ФСК - фация сыворотки крови

ЭВМ - электронно-вычислительная машина

ВВЕДЕНИЕ

Актуальность темы. В последнее время в силу ряда причин количество больных людей возрастает во всем мире и в России, в частности. Несмотря на значительные достижения в методике лечения, медицина часто оказывается не в силах помочь пациенту по причине запущенности его болезни. Поэтому огромное значение для здравоохранения имеет профилактика и ранняя диагностика, позволяющая обнаружить предрасположенность или самые начальные проявления заболеваний, когда лечебно-профилактические мероприятия наиболее эффективны. При этом необходимо проводить массовые, достаточно подробные обследования населения, что при нынешнем состоянии медицинской службы в России и других странах, к сожалению, выполняется не в достаточной мере. Поэтому во всём мире активно ведется поиск способов диагностики недорогих, быстрых и в то же время достаточно ёмких, то есть пригодных для массового обследования населения.

Перспективным с этой точки зрения является метод ранней диагностики, предложенный академиком РАМН В.Н. Шабалиным и профессором С.Н. Шатохиной. Этот метод основан на исследовании биологических жидкостей (БЖ) человека (сыворотки крови, желчи, лимфы и т.д.). Капля БЖ наносится на предметное стекло и медленно высушивается, остается тонкая сухая плёнка (фация). Особенности состояния организма сказываются на процессе кристаллизации веществ, содержащихся в жидкости, поэтому на изображении фации возникают характерные структуры (маркёры), которых замечено более двадцати видов (гребешки, листы, жгуты, языковые поля, клиновидные трещины и т.д.), и в процессе ведущихся исследований список маркёров постоянно расширяется. Авторами этого метода убедительно доказано, что по составу и расположению этих маркёров можно с большой уверенностью судить не только об уже имеющихся и проявившихся заболеваниях, но и о самой начальной их форме, когда никаких симптомов еще не наблюдается, и даже о предрасположенности к некоторым болезням.

Рассмотреть изображения фаций можно только в микроскоп. При массовых профилактических обследованиях населения требуется проанализировать большое количество изображений. Произвести качественный анализ изображений могут только квалифицированные специалисты-операторы, которых, к сожалению, имеется немного. Глаза оператора быстро утомляются, поэтому анализ становится недостаточно качественным, мелкие и слабо выраженные маркёры пропускаются, что ведёт к некачественной диагностике. Выходом из этой ситуации является алгоритмическая обработка изображений, введённых в компьютер. Отметим, что окончательный диагноз пациенту может поставить только врач. Поэтому желательно отсеять изображения, на которых явно нет патологических маркёров, а на оставшихся изображениях отметить найденные маркёры и дать по ним предварительные заключения о возможных заболеваниях. Это в

значительной мере сократит нагрузку на медицинский персонал, что будет способствовать повышению эффективности профилактического медицинского обследования населения.

Таким образом, разработка алгоритмов обнаружения и распознавания маркёров на изображениях фаций БЖ является актуальной задачей, решение которой будет способствовать повышению качества здравоохранения. В данной диссертации разрабатываются алгоритмы обнаружения и распознавания маркёров на изображениях фаций сыворотки крови (ФСК).

На медицинском факультете Ульяновского государственного университета под руководством профессора Л.И. Трубниковой работает коллектив исследователей, успешно развивающий диагностику с использованием различных БЖ. При неоценимой помощи этого коллектива была определена цель данной диссертации, предоставлено множество реальных изображений ФСК, обсуждались получаемые результаты, за что автор выражает глубокую признательность.

Цель и задачи работы. Целью диссертации является повышение эффективности медицинской диагностики по изображениям ФСК за счёт их компьютерной обработки. Для достижения поставленной цели решаются следующие задачи.

- разработка математической модели изображений ФСК, учитывающей особенности фактуры и разнообразие формы, размеров, расположения и количества маркёров,

- выявление информативных признаков маркёров, по совокупности которых возможна их идентификация,

- синтез эффективных алгоритмов обнаружения и распознавания маркёров на изображениях ФСК,

- составление комплекса программ, реализующего предложенные алгоритмы и осуществляющего медицинскую диагностику по изображениям ФСК.

Методы исследования. При решении поставленных задач применялись методы теории вероятностей, математической статистики, обработки изображений, вычислительной математики и математического моделирования с применением вычислительной техники.

Научная новизна положений, выносимых на защиту.

1. Впервые разработана модель изображений ФСК, учитывающая вид корреляционной функции и другие особенности реальных изображений и позволяющая имитировать изображения с учётом высокой вариативности маркёров.

2. Разработан алгоритм для нахождения границы, центра и характерных областей ФСК, что, в частности, позволяет определить морфологический тип фации.

3. Выявлены признаки, характеризующие структуру отдельных маркёров. Совокупность этих признаков позволяет идентифицировать наиболее распространённые маркёры.

4. Разработаны алгоритмы и численные процедуры обнаружения признаков маркёров, которые дают возможность при небольших вычислительных затратах достаточно эффективно распознавать маркёры на изображениях ФСК.

Достоверность. Достоверность выводов диссертации обеспечивается корректным использованием математических методов и подтверждается высокой эффективностью разработанных алгоритмов распознавания маркёров при их тестировании на реальных и имитированных изображениях ФСК.

Практическая значимость. Разработанный комплекс программ даёт возможность практически осуществлять медицинскую диагностику по методу Шабалина-Шатохиной при массовых профилактических обследованиях населения.

Реализация работы. Результаты диссертационной работы приняты для практического применения в медицинских центрах «Литиком» и «Академия» (г. Ульяновск), а также в учебном процессе кафедры акушерства и гинекологии Ульяновского государственного университета и кафедры САПР Ульяновского государственного технического университета, что подтверждено актами использования результатов диссертации. Материалы диссертационной работы также использованы при выполнении гранта по программе «УМНИК-2011» Государственного фонда содействия развитию малых форм предприятий в научно-технической сфере, государственный контракт № 9015р/14145 от 19.04.2011.

Апробация работы. Основные результаты работы докладывались на 6-й и 7-й Всероссийских с участием стран СНГ научно-практических конференциях «Современные проблемы создания и эксплуатации радиотехнических систем» (Ульяновск, УлГТУ, 2009 и 2011); Всероссийских конференциях с элементами научной школы для молодежи «Инновационные технологии ранней диагностики и лечения в медицинской практике» (Ульяновск, УлГУ 2009 и 2011); научных сессиях Общества им. A.C. Попова (Москва, 2009 и 2010); 10-й Международной научно-технической конференции PRIA-10-2010 «Распознавание образов и анализ изображений: новые информационные технологии» (Санкт-Петербург, 2010); 8-м открытом российско-немецком семинаре OGRW-8-2011 «Распознавание образов и понимание изображений» (Нижний Новгород, 2011) и на ежегодных научно-технических конференциях профессорско-преподавательского состава УлГТУ (2009-2011 гг.).

Публикации. По теме диссертации опубликовано 12 печатных работ, одна из которых в издании из перечня ВАК и 11 в материалах международных и всероссийских научно-технических конференций. Общий объём 3 печатных листа.

Объем и структура диссертации. Диссертация объемом 161 машинописных страницы, содержит введение, три главы и заключение, список литературы (110 наименований), 97 рисунков, 9 таблиц, в приложении приведены ксерокопии актов использования результатов диссертации.

ГЛАВА 1. ОБРАБОТКА ИЗОБРАЖЕНИЙ В МЕДИЦИНЕ

В первой главе диссертации представлен обзор задач медицины, решаемых с применением обработки изображений. Даётся обзор сведений о медицинской диагностике по изображениям фаций БЖ, полученным с помощью клиновидной дегидратации. Производится обзор анализ существующих методов распознавания образов на изображениях и анализируется возможность их применения к распознаванию маркёров на изображениях ФСК и выбирается используемый в диссертации метод распознавания.

1.1. Задачи медицины, решаемые с применением обработки изображений

Создание изображений внутреннего анатомического строения и функций человеческого тела является фундаментальным для медицинской науки [88]. Диагностика заболеваний, лечение и управление терапевтическими процедурами опираются на данные, получаемые медицинской визуализацией.

Системы компьютерной обработки медицинских снимков предназначены для анализа исходных изображений, обнаружения информативных объектов, улучшения визуального восприятия. К медицинским изображениям относят рентгенограммы, УЗИ, томография и т.д.

Наиболее известными проектами в области анализа и обработки медицинских изображений являются следующие [62].

1) Коллектив лаборатории компьютерного зрения ИИТ (Института информационных технологий г. Москва) осуществил ряд проектов по разработке систем анализа изображений различного типа (рентгеновских, томографических, а также монокулярных и стереоскопических видео

изображений) в различных отраслях медицинской диагностики. Также проводился ряд исследований в области анализа микроскопических изображений, результаты которых также могут быть использованы при разработке различных систем медицинского назначения (например, цитологических).

2) Международный научно технический центр «Микрохирургия глаза» (г. Москва) В 1990-1991 гг. по заказу офтальмологического центра академика С. Н. Федорова разработал кератометрическую систему на основе CCD камеры.

3) В 1995-1998 гг. при участии главного рентгенолога ВВС РФ д.м.н., профессора А. Ю. Васильева была проведена серия научно-исследовательских работ по созданию автоматизированных комплексов медицинской диагностики в области компьютерной томографии и рентгенографии. Были разработаны следующие программные комплексы:

• система компьютерного анализа томографических изображений для улучшения диагностики воспалительных заболеваний пазух и полости носа (синуитов);

• система компьютерного анализа рентгеновских и томографических изображений для улучшения диагностики очагового и инфильтративного туберкулеза легких;

• система компьютерного анализа медицинской рентгенографической информации в задаче ранней диагностики остеопороза;

• система компьютерного анализа томографических изображений для оценки степени ожирения у мужчин.

4) В 1995-1999 гг. была создана система восстановления и измерения трехмерной формы зубов человека по стереоизображениям видимого диапазона (в помощь врачу-дантисту).

5) В 2001-2005 гг. по заказу компании MTL Ltd. был создан ряд программных приложений, предназначенных для хранения, передачи,

обработки и анализа медицинских радиологических изображений различных типов, а также система автоматизированной компьютерной диагностики в области маммологии.

Также проводились исследования в областях обработки биомедицинских изображений [14, 98], сегментации гистологических объектов [60], обработки изображений рентгеновской томографии [4, 15, 24, 34, 54, 63, 95], ультразвуковых медицинских изображений [47, 69], сцинтиграфических изображений лёгких [17], микроскопических изображений клетки крови [3]. Разработаны: система распознавания объектов на микроскопических изображениях биологических образцов [51], методы распознавания ультразвуковых изображений [87], алгоритмы обработки изображений эндотелиальных клеток [55], программа для определения морфологических особенностей биологических микрообъектов на изображениях, полученных от микроскопа [59], система компьютерного анализа микроскопических изображений клеток крови [57], программно-технический комплекс для ранней диагностики и прогнозирования злокачественных новообразований усовершенствованным методом компьютерной морфоплоидометрии [6].

1.2. Медицинская диагностика по изображениям фаций биологических жидкостей

1.2.1. Метод клиновидной дегидратации биологических жидкостей

Метод клиновидной дегидратации - основной способ исследования самоорганизации БЖ [99]. Изучение растворенных веществ, переведенных в твердую фазу путем дегидратации, привлекло внимание исследователей еще в 1804 году, когда Ловицем Т.Е.