Алгоритм разделения агрегатных состояний клеток при микроскопических исследованиях крови

Тип работы:
Реферат
Предмет:
Медицина


Узнать стоимость

Детальная информация о работе

Выдержка из работы

УДК 004. 932. 1
С. В. Жук
АЛГОРИТМ РАЗДЕЛЕНИЯ АГРЕГАТНЫХ СОСТОЯНИЙ КЛЕТОК ПРИ МИКРОСКОПИЧЕСКИХ ИССЛЕДОВАНИЯХ КРОВИ
Волгоградский государственный технический университет
kuduk@land. ru
В данной статье детально рассматриваются алгоритм выделения границ Canny и преобразование Хафа для поиска окружностей на медико-биологических изображениях, описаны преимущества и недостатки данных алгоритмов, а также предложен способ их усовершенствования.
Ключевые слова: алгоритм Canny, преобразование Хафа, медико-биологические изображения, темнопольный.
& amp- V. Zhuk
SEPARATION ALGORITHM OF AGGREGATE STATE CELLS IN MICROSCOPIC BLOOD TEST
Volgograd State Technical University
In the article describes in detail Canny’s algorithm of edge detection and Hough’s transform for finding circles in the biomedical images, describes the advantages and disadvantages of these algorithms, and also proposed a method to modify them.
Key words: Canny’s algorithm, Hough’s transform, biomedical images, dark field.
Повсеместно используемый метод светлого поля, как показали долгие годы его применения, не в состоянии дать полной картины состояния организма. Существенными недостатками данного метода является невозможность обнаружения множества прозрачных неабсорбирующих объектов, и то, что анализ проводится только через несколько часов, когда движения клеток прекратились и вся микрофлора погибла.
На сегодняшний день одним из новейших и наиболее перспективных методов диагностики здоровья является сканирование живых клеток крови при помощи темнопольного микроскопа. Суть этого метода состоит в том, что в течение 20 минут после забора отдельной капли крови, содержащиеся в ней клетки продолжают жить. Наблюдение за состоянием живой крови стало возможным благодаря использованию микроскопа темного поля и работе на большом увеличении (1800−2000х) [1]. Изображение живых клеток крови передается на экран монитора компьютера с помощью цифровой видеокамеры, подключенной к темнопольному микроскопу, и может быть захвачено и сохранено в стандартном графическом формате или записано в виде ролика, который в дальнейшем сможет просмотреть специалист и обследуемый пациент.
На основании анализа крови полученной методом темного поля впервые появилась возможность определить качественное состояние клеток, их подвижность в плазме и агрегацию. Оцениваются искажения их формы, отражаю-
щие качество питания, а особенно низкий уровень железа, фолиевой кислоты, витаминов группы В, а также белков и жирных кислот. Анализируя состояние тромбоцитов, лимфоцитов и лейкоцитов можно определить активность иммунной системы и способность организма к самовосстановлению, а также патологические изменения состава крови, приводящие к развитию многих заболеваний.
Стоит отметить тот факт, что вся производимая на данный момент диагностика здоровья пациента по методу темного поля производится в основном без применения каких-либо специализированных компьютерных систем и соответственно результаты диагностики здоровья у одного и того же пациента, при обследовании у нескольких различных специалистов, могут существенно отличаться друг от друга за счет субъективности оценок анализа. Как правило, главными факторами расхождения в оценке результатов исследования является опыт специалиста производящего анализ. Использование в процессе диагностики специализированной автоматизированной компьютерной системы позволит не только устранить данный недостаток, но и повысить скорость и точность производимых анализов. Автоматизация обработки результатов анализов существенно повышает качество работы лаборанта, а так же способствует накоплению информации в банках данных, что позволит в дальнейшем более точно ставить диагноз и оказывать информативную поддержку при изучении сложных случаев.
Основная проблема состоит в том, что изображения крови, полученных в результате темнопольной микроскопии, получаются практически бесцветными, что создает ряд трудностей для анализа таких изображений уже существующими автоматизированными системами. Дело в том, что в современных системах используются алгоритмы выделения и классификации объектов исследования, основанные в основном на работе с цветом объекта, поэтому изображения, полученные при помощи темнопольной микроскопии, и загруженные в подобного рода системы, не могут быть правильно проанализированы, а объекты — классифицированы.
Так же следует отметить, что при исследовании крови возникают некоторые трудности в количественном подсчете клеток и их классификации. Это связано с тем, что зачастую клетки крови находятся в состоянии агрегации — отдельные клетки склеиваются в группы по 3−10 и более штук, что при автоматизации процесса затрудняет процесс выделения клеток и их подсчет.
Целью нашей работы является исследование современных алгоритмов позволяющих четко выделять границы эритроцитов, их усовершенствование и адаптация к темнопольным изображениям, а так же разработка алгоритма позволяющего выделять границы клеток находящихся в состоянии агрегации.
Алгоритм выделения границ Canny. Как известно, основной задачей любой автоматизированной системы анализа медико-биологических изображений является разбиение изображения на множество простых элементов с целью их дальнейшей классификации и детального исследования — измерения размера, площади объекта и т. д. Такое разбиение возможно произвести при помощи алгоритма выделения границ объектов на изображении.
На рис. 1 изображено пять клеток находящихся в состоянии агрегации, а на рис. 2 изображена та же группа клеток после применения алгоритма выделения границ. Сложность в том, что при подсчете количества клеток данное изображение (рис. 2) будет распознано автоматизированной системой как одна клетка, что в свою очередь вводит большие погрешности в расчетах.
Нами было протестировано множество известных алгоритмов выделения границ, таких как: Робертса, Собела, Кирша, Лапласса, Пре-вита, Уолеса.
Рис. 1. Клетки в состоянии Рис. 2. После обработки
агрегации
В результате было установлено, что все перечисленные алгоритмы не пригодны для выделения границ объектов интереса на медикобиологических изображениях, так как дают большую погрешность, толщину границы и очень чувствительны к помехам фиксирующей аппаратуры [2].
Так же нами был протестирован алгоритм обнаружения границ Canny, который на данный момент является наиболее подходящим для обработки темнопольных медико-биологических изображений.
Преимуществами данного алгоритма являются:
• минимизация уровня ошибок, обеспечивающая нахождение большинства границ-
• максимальная точность выделения, то есть обеспечение минимального расстояния между обнаруженной и действительной границами-
• единственный отклик в месте, где существует только одна граница.
На первом этапе алгоритма Canny происходит сглаживание изображения с помощью маски фильтром Гаусса. Далее ищется градиент области при помощи свертки сглаженного изображения с производной от функции Гаусса, как в вертикальном, так и в горизонтальном направлениях.
На втором этапе происходит сравнение каждого пикселя с его соседями вдоль направления градиента и вычисляется локальный максимум. Информация о направлении градиента необходима для того, чтобы удалять пиксели рядом с границей, не разрывая саму границу вблизи локальных максимумов градиента. Такой подход позволяет существенно снизить обнаружение ложных краев и обеспечивает толщину границы объекта в один пиксель.
Так же одним из достоинств алгоритма Canny является то, что при обработке изображения происходит адаптация к ее особенно-
стям. Это достигается путем ввода двухуровневого порога отсечения избыточной информации. Назначается два уровня порога, верхний -Phigh и нижний — Plow, где Phigh & gt- Plow. Значения пикселей выше значения phlgh идентифицируются как принадлежащие границе. При формировании текущей границы соседние пиксели со значениями величины градиента меньшими, чем рьщь, считаются принадлежащими границе до тех пор, пока они превышают р[(ОТ. В том случае, когда на всей границе нет ни одной точки со значением, большим верхнего порога, она удаляется. Такой подход позволяет получить довольно четкие границы объекта толщиной в один пиксель. Как недостаток алгоритма следует отметить то, что при не правильно установленных порогах зачастую наблюдаются разрывы в обнаруженных границах объектов. Этот недостаток не позволяет использовать алгоритм Canny в автоматическом режиме, так как требует обязательного участия пользователя в установке верхнего и нижнего порогов.
Преобразование Хафа для поиска окружностей. Так же следует отметить одну важную особенность медико-биологических изображений крови — исследуемые клетки, в основном, имеют округлую форму. Поэтому мы предлагаем так же рассмотреть выделение границ клеток при помощи преобразования Хафа для поиска окружностей на изображениях.
Идея алгоритма преобразования Хафа [3] состоит в поиске кривых, которые проходят через достаточное количество точек интереса. Рассмотрим семейство кривых на плоскости, заданное параметрическим уравнением:
F (ab a2, …, an, x, y) = 0- (1)
где F — некоторая функция, ab a2, …, an — параметры семейства кривых, x, y — координаты на плоскости. Параметры семейства кривых образуют фазовое пространство, каждая точка которого (конкретные значения параметров ab a2, …, an) соответствует некоторой кривой. Ввиду дискретности машинного представления и входных данных (изображения), требуется перевести непрерывное фазовое пространство в дискретное. Для этого в фазовом пространстве вводится сетка, разбивающая его на ячейки, каждая из которых соответствует набору кривых с близкими значениями параметров. Каждой ячейке фазового пространства можно поставить в соответствие число (счетчик), указывающее количество точек интереса на изобра-
жении, принадлежащих хотя бы одной из кривых, соответствующих данной ячейке. Анализ счетчиков ячеек позволяет найти на изображении кривые, на которых лежит наибольшее количество точек интереса.
Геометрическое место точек окружности можно представить в виде формулы:
(x — a)2 + (y — b)2 = R2, (2)
где (a, b) — координаты центра окружности, а R -ее радиус.
т. е. формула, задающая семейство окружностей, имеет вид:
F (a, b, R, x, y) = (x — a)2 + (y — b)2 — R2, (3)
Если ставится задача найти окружность заранее известного радиуса, фазовым пространством будет плоскость параметров центра окружности (a, b). В таком случае, алгоритм выделения окружностей полностью аналогичен алгоритму нахождения прямых. Если радиус окружности заранее неизвестен, то пространство параметров будет трехмерным — (a, b, R), что существенно увеличивает вычислительную сложность решения задачи.
Следует помнить, что эффективность использования и скорость расчетов преобразования Хафа существенно падает при увеличении размерности фазового пространства, поэтому перед его применением желательно минимизировать каким-либо образом количество параметров кривой, например, предварительно обработать изображение алгоритмом выделения границ.
Учитывая все вышесказанное мы предлагаем применить преобразование Хафа к изображениям предварительно обработанным оператором выделения границ — алгоритмом Cаnny. В результате можно существенно снизить количество кривых, потенциально проходящих через данную точку изображения, если рассматривать только кривые, касательная которой перпендикулярна градиенту яркости изображения в рассматриваемой точке. Таким образом, можно, например, свести задачу выделения окружностей с неизвестным радиусом к двумерному фазовому пространству, что существенно увеличит скорость расчетов преобразования Хафа, а так же компенсирует недостатки работы алгоритма Canny — заполнит разрывы в границах объектов.
Таким образом, после применения объединенных алгоритмов мы сумели разделить пять клеток находящихся в состоянии агрегации на отдельные клетки (рис. 3).
Рис. 3. Результат работы объединенных алгоритмов
Следует отметить тот факт, что предлагаемое в работе объединение алгоритмов позволит существенно повысить надежность обнаружения круглых объектов не только на медикобиологических изображениях, полученных при помощи «темного» или «светлого» поля, но и для решения ряда задач «компьютерного зрения» в различных областях как микроскопиче-
ского анализа (материаловедение в промышленности), так и в системах обработки изображений, полученных на макроуровне, например, в картографии и зрении роботов.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Свищева Т. Я. Перспективная диагностика. Био-резонансная, световая, темнопольная, люменесцентная / Т. Я. Свищева.- СПб, 2006. — С. 61−66.
2. Жук С. В. Обзор современных методов сегментации растровых изображений // Известия Волгоградского государственного технического университета: межвуз. Сб. науч. ст. № 6(54) / ВолгГТУ. — Волгоград, 2009. — С. 115 118. — (Сер. Актуальные проблемы управления, вычислительной техники и информатики в технических системах. Вып. 6).
3. Компьютерная графика и мультимедиа. Сетевой журнал [Электронный ресурс]. — [2011]. — Режим доступа: http: //cgm. computergraphics. ru/content/view/36.

ПоказатьСвернуть
Заполнить форму текущей работой