Национальный исследовательский Томский политехнический университет, г. Томск
Кафедра оптимизации систем управления
Эта работа опубликована в сборнике статей по материалам Международной 69-й научной итоговой студенческой конференции, посвященной 200-летию со дня рождения Н.И. Пирогова (г.Томск, 11-13 мая, 2010 год); под реакцией академика РАМН В.В. Новицкого, член. корр. РАМН Л.М. Огородовой
Посмотреть титульный лист сборника
Скачать сборник целиком (1,4 мб)
В современной медицине для постановки и подтверждения многих диагнозов требуется цитологический либо гистологический анализ. Обычно заготавливаются фотографии препаратов, а затем уже они подвергаются анализу. В общем случае изображение содержит набор различных объектов (клеток, соединительной ткани), которых может быть достаточно большое количество. Исследование же ткани включает подсчет различных типов клеток ткани на определенной площади, анализ их формы и цвета и получение таким образом некоторых статистических данных. Если анализ достаточно сложен, то обычно он производится вручную, что занимает много времени, так как интересующих клеток может быть несколько десятков или сотен. Разумеется, существует необходимость автоматизации этого процесса.
Отчасти такая необходимость удовлетворена: существуют различные решения для автоматического гистологического и цитологического анализа. В основном это приложения, работа которых основана на распознавании изображений цитологических препаратов (EBImage, Lohitha, также существуют специализированные алгоритмы). Их задача сводится к определению положения различных клеток и их подсчету. Также существуют программы для анализа изображений ткани. Однако функционал их весьма ограничен. Таким образом, возникает необходимость в приложениях с достаточно широким функционалом, касающимся анализа изображения и производства статистики на основе этого анализа.
При участии специалистов, занимающихся гистологическим и цитологическим анализом, были выявлены следующие требования.
1. Удобство работы с изображением ткани: возможность увеличения и уменьшения изображения в окне приложения, а также удобство навигации по нему.
2. Набор настроек: увеличение изображения, рассматриваемый орган (как коллекция входящих в него объектов), интересующий вид клеток, соответствующий выбранному органу, метод окрашивания исследуемого препарата, тип и свойства необходимого расчета (определение количества клеток определенного типа, средний размер клеток, относительные размеры клеток, схожесть с элементарными формами и др.).
3. Вывод результатов в окне приложения. Результаты анализа зависят от выбранных настроек анализа.
4. Пользователю должен быть дан инструментарий для самостоятельного выделения клеток.
5. Должна быть возможность запоминать клетки для последующего их распознавания на изображениях.
Хотя требования относятся в основном к функционалу приложения, основной задачей работы является разработка и реализация алгоритма распознавания. Алгоритм должен быть универсальным (способным распознавать различные объекты) и легко обучаемым.
Суть разрабатываемого алгоритма заключается в представлении объектов на изображении в виде набора параметров, уникально их определяющих. При нахождении объекта объединяется информация о различных параметрах, что в итоге дает однозначный результат.
Предлагается следующий алгоритм определения параметров по изображению:
1. Нахождение градиента
2. Обработка градиента
2.1. Отсев по цвету
2.2. Уничтожение небольших разрывов
2.3. Отсев по размеру
3. Нахождение объектов
3.1. Сегментирование
3.2. Определение границ
3.3. Запоминание объектов
4. Анализ формы объектов
При качественной реализации рассмотренного подхода становится вполне возможной разработка универсального приложения с возможностью обучения. Причем, для обучения приложения распознаванию определенного объекта будет достаточно выделить его на изображении.
Список литературы:
1. Oleg Sklyar, Wolfgang Huber. Image analysis for microscopy screens: Image analysis and processing with EBImage – 2006 – 5 с.
2. Eric Dahai Cheng, Subhash Challa, Rajib Chakravorty, John Markham. Microscopic Cell Segmentation by Parallel Detection and Fusion Algorithm – 2009 – 7 с.
3. Cigdem Demir, S. Humayun Gultekin, Bulent Yener. Spectral analysis of cell-graphs for automated cancer diagnosis – 2005 – 7 с.
4. An Extensible Vision Application For Blood Cell Recognition And Analnsys. – 2007 – 13 с.
