 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
     |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Автореферат магистерской работы Актуальность задачи выявления опухолевых клеток определяется возрастанием процента раковых заболеваний, которые являются второй по частоте причиной смертности в развитых странах. Многочисленные медико-социологические исследованиями показывают, что примерно 33% людей либо имеют онкологические заболевания, либо с определенной вероятностью могут ими заболеть. По статистике 40% больных раком при различном лечении выживают на протяжении не менее 5 лет. Для диагностирования и прогнозирования прогрессирования опухолей обязательным является гистологическое исследование атипичных клеточных структур и определение гистологической принадлежности опухоли. Использование математических методов и алгоритмов обработки гистологических изображений дает возможность, как ускорить процесс анализа препаратов, так и повысить точность результатов исследования. Сложность получения качественных гистологических препаратов существенно снижает эффективность компьютерного анализа. Многочисленными исследованиями установлено, что различные по гистологической (тканевой) принадлежности опухоли строго специфичны как на тканевом, клеточном так и на структурном уровне. Однако имеется ряд морфологических и цитологических методов, позволяющих отличить доброкачественность или злокачественность данной опухоли. Эти признаки, несмотря на многообразие опухолей, являются для них общими. Такими признаками являются размеры клеток, размеры ядра клеток и ядерно-цитоплазматическое соотношение. Таким образом, анализ изображения гистологических срезов любой топологии сводится к морфологической оценке цитологической картины:
Выделяют следующие признаки злокачественности для элементов цитологической картины: Клетка
Ядро
Строение хроматина
Ядрышки
Цель работы - разработать и применить уже существующие методы определения гистологических объектов и их классификации на цветных и полутоновых изображениях для решения задач диагностики заболеваний. Для достижения поставленной цели потребуется:
Одной из основных задач автоматизации обработки гистологических срезов является обнаружение и измерение геометрических параметров интересующих объектов на препарате.Эта задача решается с помощью методов цифрового анализа изображений и представляется в виде совокупности подзадач: повышение качества введенного изображения, отделение гистологических объектов от всей совокупности микрочастиц изображения, определение их геометрических характеристик. Методы цифровой обработки изображения Предварительный анализ изображений позволяет сделать вывод о том, что:
Таким образом, прежде чем подвергнуться анализу, изображение должно пройти этап подготовки, который состоит в выполнении операций улучшения визуального качества (повышение контраста, устранение размытости, подчеркивание границ, фильтрация) и операций формирования графического препарата (сегментация, выделение контуров) изображения. Классификация основных методов обработки и распознавания изображений приведена на рис. 1. На схеме указаны основные процедуры и методы обработки от начального этапа восприятия поля зрения посредством датчиков, например, телекамеры до конечного, которым является распознавание. 
Рис.1 - Основные процедуры и методы распознавания изображений Изменение контраста Слабый контраст обычно вызван малым динамическим диапазоном изменения яркости, либо сильной нелинейностью в передаче уровней яркости. Простейшим методом контрастирования является функциональное отображение градации яркости. На практике очень часто используют линейные функциональные отображения. Если в результате неравномерности освещения при фотографировании или изготовлении фотографий, возникает ситуация, когда различные участки изображения обладают разным контрастом. В таком случае для изменения контраста используют адаптивные алгоритмы контрастирования. Примером может служить алгоритм локального усиления контраста. Высокая эффективность работы алгоритма достигается в том случае, если на снимке присутствуют области с явно завышенным или заниженным контрастами. Суть алгоритма состоит в том, что снимок рассматривается как набор некоторого числа локальных областей, и эти области обрабатываются с учетом их характеристик. Обработка ведется в следующей последовательности: вычисляется коэффициент усиления срезов плотности Р отдельно для каждого локального участка изображения. И осуществляется обработка каждого пикселя изображения. Если Р=1, то над локальным участком изображения никакого действия не производится (если р отлично от единицы, то осуществляется повышение контраста локальной области). Первоначально вычисляется контраст в анализируемой точке относительно ближайшей окрестности. Затем значение относительного контраста складывается с единицей, и полученное значение принимается в алгоритме как коэффициент усиления Р, а далее производится вычисление по формуле: 
Сглаживание шумов Изображения на этапе оцифровки подвергаются воздействию аддитивного и импульсного шума. Аддитивный шум представляет собой некоторый случайный сигнал, который прибавляется к полезному на выходе системы, в рассматриваемом случае аддитивный шум возникает вследствие зернистости пленки. Импульсный шум, в отличие от аддитивного, характеризуется воздействием на полезный сигнал лишь в отдельных случайных точках (значение результирующего сигнала в этих точках принимает случайное значение). Импульсный шум характерен для цифровых систем передачи и хранения изображений. Таким образом, в процессе препарирования изображения возникает задача подавления шума. Простейшим методом, сглаживающим шум, на изображении является сглаживание, т.е. замена значения яркости каждого элемента средним значением, найденным по его окрестности - множеству точек, принадлежащих окрестности точки fij (включая и саму точку fij); P - число точек в окрестности. Рассмотренный метод эффективно устраняет аддитивный и импульсный шум в каждом элементе изображения. Подчеркивание границ Методы сглаживания изображений могут устранять шум очень эффективно. Существенным недостатком алгоритмов сглаживания является смаз изображения (т.е. снижение четкости контурных элементов), при этом величина смаза пропорциональна размеру маски, используемой для сглаживания. Для однозначного анализа изображений, особенно при вычислении геометрических характеристик структурных элементов, очень важно убрать смаз с контуров объектов в изображении, то есть усилить разницу между градациями яркости контурных элементов объекта и соседних элементов фона. В этом случае при обработке изображений используются методы подчеркивания контуров. Обычно подчеркивание границ осуществляется методом высокочастотной пространственной фильтрации. Характеристики фильтров задаются в виде маски, в которой среднее значение должно быть равно нулю. Еще одним методом подчеркивания границ является так называемое статическое дифференцирование. В этом методе значение яркости каждого элемента делится на статистическую оценку среднеквадратического. Медианная фильтрация Медианная фильтрация относится к нелинейным методам обработки изображений и имеет следующие преимущества перед линейной фильтрацией (классической процедуры сглаживания): сохраняет резкие перепады (границы); эффективно сглаживает импульсный шум; не изменяет яркость фона. Медианная фильтрация осуществляется путем движения некоторой апертуры (маски) вдоль дискретного изображения и замены значения центрального элемента маски медианным значением (среднее значение упорядоченной последовательности) исходных элементов внутри апертуры. В общем случае, апертура может иметь самую разнообразную форму, но на практике чаще всего применяется квадратная апертура. Сегментация изображений Под сегментацией изображения понимается процесс его разбиения на составные части, имеющие содержательный смысл: объекты, их границы или другие информативные фрагменты, характерные геометрические особенности и др. В случае автоматизации методов получения изображений сегментацию необходимо рассматривать как основной начальный этап анализа, заключающийся в построении формального описания изображения, качество выполнения которого во многом определяет успех решения задачи распознавания и интерпретации объектов. В общем случае сегментация представляет собой операцию разбиения конечного множества плоскости, на которой определена функция исходного изображения f(x,y) на k непустых связанных подмножеств si (i=[1,k]) в соответствии с некоторым предикатом P, определяемом на множестве S={s1,s2,…,sk} и принимающий истинные значения, когда любая пара точек из каждого подмножества si удовлетворяет некоторому критерию однородности (например, критерий однородности, основанный на оценке максимальной разности яркости отдельного пикселя и среднего значения яркости, вычисленного по соответствующей области). Методы сегментации можно разделить на следующие основные группы:
Таблица 1 - Классификация гистологических объектов и методов их сегментации
Методы выделения контуров Не редко приходится сталкиваться с задачей нахождения периметров, кривизны, факторов формы, удельной поверхности объектов и т.д. Все перечисленные задачи так или иначе связаны с анализом контурных элементов объектов. Методы выделения контуров на изображении можно разделить на следующие основные классы:
Общим для всех этих методов является стремление рассматривать границы как область резкого перепада функции яркости изображения f(i,j); отличает же их вводимая математическая модель понятия границы и алгоритм поиска граничных точек. В соответствии с поставленными задачами к алгоритмам выделения контуров предъявляются следующие требования: выделенные контура должны быть утоньщенными, без разрывов и замкнутыми. Таким образом, процесс выделения контуров несколько усложняется в связи необходимостью применять алгоритмы утоньшения и устранения разрывов. Однако и это не всегда дает желаемого результата - в большинстве случаев контуры получаются незамкнутыми и, как следствие, непригодными для ряда процедур анализа. Анимация. Приведение изображения к бинарному и определение его контура. Вычисление морфометрических признаков При вычислении ряда морфометрических ризнаков используются понятия механики твердого тела. Пусть Все множество пикселов p(x,y), относящихся к объекту, обозначим
Вычисляем несколько всомагательных величин:
Тогда длины максимальной и минимальной осей инерции вычисляются как:
Длины главных осей инерции используются для вычисления эксцентриситета и ориентации объекта. Эксцентриситет определяется с помощью соотношения:
Все эти параметры будут одаваться на входы нейронной сети. Методы обучения нейронных сетей Из существующих методов обучения нейронных сетей необходимо будет выбрать наиболее подходящие для решения поставленной задачи. Таблица 2 - Алгоритмы обучения нейронных сетей
Распознавание Распознавание - чаще всего конечный этап обработки, лежащий в основе процессов интерпретации и понимания. Входными для распознавания являются изображения, выделенные в результате сегментации и, частично, отреставрированные. Они отличаются от эталонных геометрическими и яркостными искажениями, а также сохранившимися шумами. Для реальных задач распознавания применяются, в основном, четыре подхода, использующие методы:
Каждый из подходов в распознавании имеет право на существование. Более того, в рамках каждого подхода есть свои конкретные алгоритмы, имеющие определенную область применения, которая зависит от характера различий входных и эталонных изображений, от помеховой обстановки в поле зрения, требований к объемам вычислений и скорости принятия решений. Корреляционные методы нашли широкое применение при обнаружении и распознавании изображений в системах навигации, слежения, промышленных роботах. При полностью заданном эталоне многошаговая корреляция путем сканирования входного поля зрения является по сути полным перебором в пространстве сигналов. Поэтому эту процедуру можно считать базовой, потенциально наиболее помехоустойчивой, хотя и самой трудоемкой. Все остальные методы направлены на сокращение вычислительных затрат при попытке обеспечения наперед заданной надежности распознавания, габаритно-весовых характеристик вычислителя и стоимости расходов на создание программных и технических средств. Однако, сколь-нибудь строгой математической модели оптимизации подобной задачи еще не создано. Значительно более простые с точки зрения вычислительной сложности методы основаны на переходе в пространство признаков, которые характеризуются существенно меньшей размерностью по сравнению с пространством сигналов (изображений). В зависимости от поставленной цели (например, достижения заданной точности) выполняется корреляционная обработка признаков, полученных от эталона и входного изображения как с использованием порогов по величине сходства, так и без установления порога (когда ищется максимум сходства). При этом актуальной является задача комплексирования разнотипных и разно шкальных признаков (метрических, статистических, логических, текстурных, структурно-лингвистических и др.), полученных различными измерительными средствами с целью решения задачи распознавания (обнаружения). Наиболее помехоустойчивы при действии как случайных помех, так и локальных помех являются алгоритмы, основанные на методе частных корреляций. При этом частные коэффициенты корреляций, полученные для отдельных фрагментов эталона в сигнальном пространстве могут рассматриваться как признаки (в общем случае разно шкальные). Обработка таких признаков, т.е. их свертка, зависит от типа изображений, помеховой обстановки (например, степени заслонения полезного изображения, наличия ложных изображений в поле зрения) и может быть осуществлена методами проверки статистических гипотез. Признаковые и синтаксические методы - наиболее разработаны в теории распознавания образов. Они основаны как на статистических, так и детерминированных подходах. Главную трудность в признаковых методах составляет выбор признаков. При этом исходят из естественных правил:
В первом приближении синтаксические методы можно отнести к признаковым, т.к. они основаны на получении структурно-лингвистических признаков, когда изображение дробится на части - непроизводные элементы (признаки). Вводятся правила соединения этих элементов, одинаковые для эталона и входного изображения. Анализ полученной таким образом грамматики обеспечивает принятие решений. Алгоритмы корреляционно-признаковых и признаковых методов достаточно близки и первые можно рассматривать как частный случай вторых. Хотя признаковые методы и не обладают такой помехозащищенностью как чисто корреляционные или методы частных корреляций (в сигнальных пространствах), однако, благодаря меньшим трудозатратам, их применение полезно на первом этапе, когда решается задача о неэквивалентности. При этом часть входных изображений, признаки которых не соответствуют ни одному из эталонов, отбрасываются сразу. Требования к системе Система должна выполнять такие функции:
Многие системы имеют ряд недостатков среди которых слишком большая стоимость и работа с довольно простым изображением. Альтернатива дорогим фирменным видеомикроскопам только одна: попытаться собрать видеомикроскоп из готовых блоков, определив его оптимальную архитектуру для решения своих экспериментальных задач. Т.е. возникает необходимость в доработке существующих систем или создании новой системы решающей определенную задачу. Литература
Главная :: Диссертация :: Библиотека :: Ссылки :: Поиск |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
- новое значение яркости,
- текущая яркость обрабатываемого изображения,
- необходимое максимальное значение яркости обработанного изображения.
- количество пикселов, относящихся к объекту.
. Тогда координаты центра масс объекта вычисляются как
