АВТОМАТИЗИРОВАННАЯ  ОБРАБОТКА  МИКРОСКОПИЧЕСКИХ  ИЗОБРАЖЕНИЙ  В  ЗАДАЧАХ  НАУЧНОГО  ИССЛЕДОВАНИЯ

Скулкина  Юлия  Сергеевна

аспирант  ДВФУ,  г.  Владивосток

E-mail:  sashulya-05@mail.ru

Кравченко  Александр  Петрович

доцент  кафедры  приборостоения  ДВФУ,  г.  Владивосток

E-mail:  petrovich_krav@mail.ru

AUTOMATED  PROCESSING  OF  MICROSCOPIC  IMAGES  IN  SCIENTIFIC  RESEARCH

Yulia  Skulkina

Graduate  student  of  FEFU,  Vladivostok

Alexander  Kravchenko

Associate  Professor  of  FEFU,  Vladivostok

АННОТАЦИЯ

Цель  работы  —  разработка  методики  для  анализа  медико-биологических  препаратов  в  автоматизированном  режиме. 

Разрабатываемые  средства  и  методики  автоматизированного  микроскопического  анализа  позволяют  измерять  большую  группу  морфологических  характеристик  клеток,  разрабатываемый  комплекс  автоматизированной  микроскопии  решает  ряд  задач  цитологического  анализа.  Предложенная  и  апробированная  методика  даёт  достоверные  результаты  автоматизированного  анализа  научных  исследований.

ABSTRACT

Purpose  —  development  methods  for  the  analysis  of  medical  and  biological  preparations  in  an  automated  way.

The  tools  and  techniques  of  automated  microscopic  analysis  can  measure  the  morphological  characteristics  of  a  large  group  of  cells,  developing  a  set  of  automated  microscopy  solves  a  number  of  problems  of  cytology.  Proposed  and  tested  method  gives  reliable  results  of  the  automated  analysis  of  research.

Ключевые  слова:  автоматизированная  микроскопия;  цитологические  препараты;  анализ  изображений

Key  words:  automated  microscopy;  cytological  preparations;  image  analysis

Применяемая  в  настоящее  время  ручная  микроскопия  требует  высокой  квалификации  врача,  часто  изнурительна  по  трудоемкости,  связана  с  высоким  напряжением  и  психологическим  дискомфортом.  Проточные  гемоанализаторы  измеряют  малое  количество  диагностических  признаков  и  не  позволяют  врачу-диагносту  участвовать  в  процессе  анализа.  Обнаружение  и  идентификация  атипичных  клеток  при  их  низкой  концентрации  недоступны  как  автоматическим  гемоанализаторам,  так  и  ручной  микроскопии.

Преодоление  указанных  недостатков  может  быть  достигнуто  прежде  всего  за  счет  автоматизации  трудоемкого  этапа  сбора  выборки  объектов  анализа  и  за  счет  современных  технологий  обработки,  хранения  и  передачи  изображений.  При  этом  выдвигается  жёсткий  набор  требований  к  техническим  характеристикам  алгоритма  обнаружения  объектов  анализа:

1.  Высокое  быстродействие;

2.  Практически  полное  отсутствие  пропусков  объектов;

3.  Малое  число  ложных  тревог;

4.  Обнаружение  должно  сопровождаться  контролем  качества  мазка  и  работы  самого  обнаружения.  Необходимо  контролировать  возможное  наличие  пропусков  и  предупреждать  об  этом  [1].

Одной  из  важнейших  задач,  возникающих  при  анализе  изображений  цитологических  препаратов,  является  задача  сегментации  изображений.  От  качества  сегментации  зависит  точность  вычисления  морфологических  признаков  микрообъектов,  а,  следовательно,  и  точность  классификации  и  диагностики.

Трудность  автоматизации  сегментации  медико-биологических  микрообъектов  заключается  в  том,  что  эти  объекты,  как  и  все  объекты  естественного  происхождения,  отличаются  большим  разнообразием  строения  и  большой  вариабельностью  параметров  даже  внутри  одного  класса.  Микрообъекты  часто  соприкасаются,  накладываются  друг  на  друга,  форма  искажается  [2].  Поэтому  полностью  автоматизировать  процесс  сегментации  изображений  разнотипных  медико-биологических  микрообъектов  на  сегодняшний  день  затруднительно.  Это  возможно  при  анализе  препаратов  только  одного  типа  микрообъектов  с  использованием  специальной  стабильной  окраски.  Несмотря  на  значительные  усилия,  затраченные  на  разработку  способов  сегментации  цитологических  изображений,  в  настоящее  время  эта  проблема  далека  от  полного  решения.

Наиболее  ценную  информацию  для  врача-диагноста  при  постановке  диагноза  и  лечении  множества  заболеваний  представляет  дифференциальный  подсчёт  лейкоцитов.  Автоматическое  дифференцирование  лейкоцитов  в  микроскопических  изображениях  обычно  состоит  из  четырех  главных  этапов:  предварительная  обработка,  сегментация  изображения,  выделение  признаков  и  классификация  (рисунок  1)  [4].

Рисунок  1.  Дифференцирование  лейкоцитов

Цель  сегментации  лейкоцитов  состоит  в  том,  чтобы  отделить  лейкоциты  от  других  различных  компонентов  на  изображении  крови.  Типичное  изображение  мазка  периферической  крови  состоит  из  четырех  компонентов:  фона,  красных  кровяных  клеток  (безъядерные  клетки),  ядерных  клеток  —  лейкоцитов  и  цитоплазмы.  Лейкоциты  более  темнее,  чем  фон,  эритроциты  лежат  в  промежуточном  уровне  яркости.  Существует  довольно  много  методов  сегментации  изображений,  но  все  они  являются  в  той  или  иной  степени  вариантами  двух:  порогового  преобразования  и  обнаружения  границ.  При  анализе  изображений  препаратов  крови  цвет  является  одним  из  главных  факторов,  на  основе  которых  возможно  выделение  и  классификация  элементов,  поэтому  работу  с  изображениями  необходимо  проводить  в  том  цветовом  пространстве,  которое  наиболее  соответствует  цветовосприятию  человека  [3].  Система  HSV  имеет  перед  другими  системами  важное  преимущество:  она  больше  соответствует  природе  цвета  и  хорошо  согласуется  с  моделью  восприятия  цвета  человеком.  Поэтому  для  работы  выбрана  именно  эта  модель.

Вычисляются  значения  HSV  по  следующим  формулам:

  ,  (1)

,

V=MAX

Где:  MAX  —  максимальное  значение  из  R,  G  и  B, 

MIN  —  минимальное  из  них.

Стадия  предварительной  обработки  включает  повышение  качества  полученного  изображения  и,  по  существу,  выполняется,  чтобы  подготовить  изображение  к  важной  стадии  сегментации.  Объекты  интереса  отделяются  от  фона  в  процессе  сегментации.  При  этом  важно  уделить  достаточно  внимания  данному  этапу  обработки,  так  как  он  него  зависит  конечный  результат  диагностирования.

Рисунок  2.  Результат  сегментации:  исходное  изображение;  сегментированное  ядро

Важным  этапом  в  дифференцировании  лейкоцитов  является  вычисление  геометрических  параметров  формы  (Площадь,  центр  масс  объекта,  эквивалентный  диаметр,  длина  максимальной  оси  инерции,  длина  минимальной  оси  инерции,  эксцентриситет  эллипса  и  отношение  площади  цитоплазмы  к  площади  ядра). 

В  целях  эксперимента  мы  используем  четыре  набора  признаков  F1,  F2,  F3  и  F4  для  классификации:

F1  =  (площадь,  отношение  длины  максимальной  оси  инерции  к  длине  минимальной  оси  инерции,  периметр,  эксцентриситет  эллипса),

F2  =  (площадь,  эксцентриситет  эллипса,  эквивалентный  диаметр,  периметр),

F3  =  (площадь,  эксцентриситет,  эквивалентный  диаметр,  периметр,  отношение  областей  ядра  и  цитоплазмы),

F4  =  (площадь,  отношение  длины  максимальной  оси  инерции  к  длине  минимальной  оси  инерции,  периметр,  отношение  областей  ядра  и  цитоплазмы),

Результаты  вычисления  минимальных  и  максимальных  значений  параметров  клеток  лейкоцита  представлены  в  таблице  1.

Таблица  1. 

Минимальные  и  максимальные  значения  геометрических  параметров  лейкоцитов

Если  полученное  значение  параметра  клетки  находится  в  пределах  [min,  max]  для  определенного  класса  лейкоцитов,  то  клетка  принадлежит  к  этому  классу  [5—6]. 

Для  демонстрации  работы  технологии  и  выбранных  признаков  были  проведены  исследования  на  реальных  изображениях.  Была  получена  выборка  из  100  фрагментов  изображений,  содержащих  лейкоциты.  Априорно  был  определен  тип  каждого  лейкоцита.  Произведено  выделение  лейкоцитов  на  изображении  и  расчет  признаков  по  каждому  лейкоциту.

Экспериментальные  результаты  сравнивались  с  результатами,  полученными  вручную.  Предложенный  метод  сегментации  дает  коэффициент  классификации  в  диапазоне  92  %  к  98  %  для  различных  клеток  лейкоцита,  и  наилучшие  коэффициенты  в  диапазоне  98  %  к  99  %  в  случае  набора  признаков  F4.  Этот  результат  может  быть  улучшен  лучшими  методами  предварительной  обработки  и  наборами  признаков.  Предложенная  и  апробированная  методика  дает  достоверные  результаты  автоматизированного  анализа  научных  исследований.

Области  интереса,  каждая  из  которых  содержала  лейкоциты,  были  автоматически  извлечены  из  цветных  микроскопических  изображений.  Автоматическая  сегментация  изображений  была  успешно  выполнена.  Было  найдено,  что  методы  пороговой  обработки  способны  к  автоматическому  извлечению  полезного  набора  признаков  из  областей  интереса.  Используемые  наборы  признаков  оказались  достаточными,  чтобы  классифицировать  лейкоциты,  достигая  98%-ой  точности  классификации.

Список  литературы:

1.Медовый  В.С.  Автоматизированная  микроскопия:  новый  этап  точности,  информативности  и  контроля  качества  медицинских  анализов  биоматериалов//  Здравоохранение  России,  Выпуск  8.  —  2007.  —  С.  535—537.

2.Мурашов  Д.М.  Метод  автоматизированной  сегментации  изображений  цитологических  препаратов  на  основе  модели  активного  контура//  ТРУДЫ  МФТИ.  —  2009.  —  Том  1.  —  №  1.  —  C.  80—89.

3.Farnoosh  S.  A  Framework  for    Blood  Cell  Segmentation  in  Microscopic  Blood  Images  Using  Digital  Image  Processing  //  Shulin  Li  (ed.),  Biological  Procedures  Online.  —  Volume  11.  —  №  1.  —  2009

4.Nurul  H.A.  Performance  Comparison  between  Multilayer  Perceptron  and  Fuzzy  ARTMAP  Networks  for  Acute  Leukemia  Detection//  International  Journal  of  Research  and  Reviews  in  Computer  Science  (IJRRCS).  —  Vol.  2.  —  №  5.  —  October  2011.

5.Ongun  G.  Feature  extraction  and  classification  of  blood  cells  for  an  automated  differential  blood  count  system  //  Neural  Networks.  Proceedings.  IJCNN  '01.  International  Joint  Conference  on  vol.  4.  —  2001.  Р.  2461—2467

6.Pilar  G.A  Feature  Extraction  Method  Based  on  Morphological  Operators  for  Automatic  Classification  of  Leukocytes  //  IEEE  Computer  Society.  —  October  2008.  Р.  227—232.