Labirint.ru - ваш проводник по лабиринту книг
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -ГлавнаяОб АльманахеРецензентыАрхив телеконференций- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -Сборники АльманахаДругие сборникиНаучные труды- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -Образец оформленияИнформационное письмоО проведении телеконференции- - - - - - - - - - - - - - - - - - - - - - - - - - - -Материалы I телеконференцииМатериалы II телеконференцииМатериалы III телеконференцииМатериалы IV телеконференцииМатериалы V телеконференцииМатериалы VI телеконференцииМатериалы VII телеконференцииМатериалы VIII телеконференцииМатериалы IX телеконференцииМатериалы Х телеконференцииМатериалы XI телеконференцииМатериалы XII телеконференцииМатериалы XIII телеконференцииУчастники XIII телеконференцииМатериалы XIV телеконференцииУчастники XIV телеконференцииЮбилейная XV Телеконференция Октябрь 2014Участники Юбилейной XV Телеконференции- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -Конференция СМПиЧ-2015Участники СМПиЧ-2015- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -КонтактыФорум
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -Поиск по сайту

Последние статьи

ФУНКЦИОНАЛЬНАЯ АКТИВНОСТЬ ЛИМФОЦИТОВ У БОЛЬНЫХ ИКСОДОВЫМ КЛЕЩЕВЫМ БОРРЕЛИОЗОМ ВЛИЯНИЕ ВИРУСНОИ ИНФЕКЦИИ КЛЕЩЕВЫМ ЭНЦЕФАЛИТОМ НА ЦИТОГЕНЕТИЧЕСКИЕ ИЗМЕНЕНИЯ И ИММУНОЛОГИЧЕСКИЕ ПРЕДИКТОРЫ БОЛЕЗНИ РОЛЬ ГЕНА GSTM1 В ЦИТОГЕНЕТИЧЕСКИХ ИЗМЕНЕНИЯХ КЛЕТОК КРОВИ и ПАТОЛОГИЧЕСКИХ ИЗМЕНЕНИЯХ СПЕРМАТОЗОИДОВ ПРИ ГРАНУЛОЦИТАРНОМ АНАПЛАЗМОЗЕ ЧЕЛОВЕКА ГЕНЕТИЧЕСКИИ ПОЛИМОРФИЗМ И ЦИТОГЕНЕТИЧЕСКИЕ ИЗМЕНЕНИЯ Т- ЛИМФОЦИТОВ У БОЛЬНЫХ АРТРИТОМ, АССОЦИИРОВАННЫМ В КЛЕЩЕВЫМ БОРРЕЛИОЗОМ КЛИНИЧЕСКИЕ ПОСЛЕДСТВИЯ ИКСОДОВОГО ВЕСЕННЕ-ЛЕТНЕГО КЛЕЩЕВОГО ЭНЦЕФАЛИТА МОРФОФУНКЦИОНАЛЬНЫИ СТАТУС И АДАПТИВНЫЕ ВОЗМОЖНОСТИ ОРГАНИЗМА ПЕРВОКЛАССНИКОВ ШКОЛ г. НЕФТЕЮГАНСКА ТЮМЕНСКОИ ОБЛАСТИ Материалы трудов участников 14-ой международной выездной конференции русскоязычных ученых в Китае (Sanya, Haynan Island) "Современный мир, природа и человек", том 8, №3. ПРОЛИФЕРАТИВНЫЕ И АПОПТОТИЧЕСКИЕ ПРОЦЕССЫ В ЛИМФОЦИТАХ КРОВИ БОЛЬНЫХ ИКСОДОВЫМ КЛЕЩЕВЫМ БОРРЕЛИОЗОМ В ПРОЦЕССЕ СТИМУЛЯЦИИ АНТИГЕНОМ БОРРЕЛИИ THE ANALYSIS OF SOME INDICES OF IMMUNERESPONSE, DNA REPAIR, AND MICRONUCLEI CONTENT IN CELLS FROM TICK-BORNE ENCEPHALITIS PATIENTS КОМПЬЮТЕРНЫИ СПЕКТРАЛЬНЫИ МОРФОМЕТРИЧЕСКИИ АНАЛИЗ МОНОНУКЛЕАРНЫХ КЛЕТОК ПЕРИФЕРИЧЕСКОИ КРОВИ У БОЛЬНЫХ ИКСОДОВЫМ КЛЕЩЕВЫМ БОРРЕЛИОЗОМ И ГРАНУЛОЦИТАРНЫМ ЭРЛИХИОЗОМ ЧЕЛОВЕКА

Полезная информация

 
 

АВТОМАТИЧЕСКАЯ ПОСТАНОВКА ДИАГНОЗА ПО АНАЛИЗУ МЕДИЦИНСКИХ СНИМКОВ

Печать E-mail
Автор Погодин С.В.   
23.01.2010 г.
Эта работа опубликована в сборнике статей с материалами трудов 1-ой международной телеконференции "Проблемы и перспективы современной медицины, биологии и экологии". Название сборника "Фундаментальные науки и практика Том 1, №1"

Посмотреть обложку сборника

Скачать информацию о сборнике (в архиве: обложка, тит. лист, оглавление, список авторов)

 

ИПС им. А.К. Айламазяна РАН (г.Переславль-Залесский)

Вопрос автоматической постановки диагноза с использование компьютерной техники всегда волновал работников медицинской сферы деятельности. Здесь важна высокая степень надежности, т.к. ошибки анализа заболевания могут повести за собой сложные последствия. Решение задачи приводит к формализации знаний квалифицированных специалистов, которых зачастую не хватает, и позволяет облегчить работу врачей. Для постановки диагноза таких заболеваний, как ишемия почек, хронический пиелонефрит, мочекаменная болезнь и др., необходимо проанализировать снимки медико-биологической жидкости. Процесс дегидратации капли жидкости (фация) снимается под микроскопом с большим увеличением. В процессе высыхания на фации появляются маркеры, характерные для той или иной болезни. В работе рассматриваются  алгоритмы обработки таких снимков для автоматической постановки диагноза.

Выделение внешней границы
ImageДля постановки диагноза необходимо выделить на снимке значимые области фации, к которым относятся: внешняя граница, зона кристаллизации и белковая зона.

Для выделения внешней границы применяется ряд алгоритмов [1, 2], в том числе модифицированный алгоритм Canny [3]. Задача разработанного алгоритма заключается  в нахождении внешней границы, и в определении центра фации.

На рисунках показаны оригинальный и обработанный снимки. На обработанном снимке показаны все дуги, выделенные алгоритмом. Светлой пунктирной линией отмечена предположительно внешняя граница фации.
 
 
 
 
 

ImageИзображения могут быть плохого качества, что часто затрудняет анализ. Так, например, на рисунке в качестве внешней границей ошибочно выбрана граница белковой зоны. Но формы этих границ совпадают, а это значит, что центр фации был найден правильно (белый квадрат в центре фации). Дальнейший анализ изображения направлен на исправление ошибки определения внешней границы.

 
 
 
 
 
 
 
 
 
 
Уточнение внешней границы
ImageИзображение для удобства дальнейшей работы разворачивается в полярных координатах относительно центра, найденного Canny Points. Затем на развернутом изображении производится анализ полученных дуг с использованием разработанного алгоритма Pattern.
 
 
 
 
 
 
 
 
 
 
 

ImageЗадача данного алгоритма заключается в том, чтобы на основе метода наименьших квадратов [4] построить многочлен n-ого порядка, который приближал бы внешнюю границу. Для этого необходимо выделить две параллельные границы, одна из которых (темно-серая) с максимальным количеством точек, близких к полученному многочлену – внешняя граница. А вторая (бледно-серая) – предположительно граница белковой зоны. По алгоритму из двух границ выбирается та, что по высоте находится выше. Тем самым была правильно выделена внешняя граница.

Затем данное изображение выравнивается относительно найденной внешней границы, т.е. каждый столбец пикселей смещается на максимальную высоту внешней границы. После чего изображение обрабатывается алгоритмом Find Borders.

 
 
 
Задача данного алгоритма –– уточнить внешнюю границу и выделить белковую зону. Согласно данному алгоритму строятся графики усредненной яркости (Av) и дисперсии (Dx) пикселей в каждой строке растра. Внешняя граница (широкая белая линия) находится по анализу первой и второй производной графика яркости. Граница белковой зоны (широкая темно-серая линия) строится на основе анализа производных в точках пересечения графиков яркости или дисперсии с графиком среднего значения яркости или дисперсии соответственно. Если таких пересечений больше одного (как на графике дисперсии Dx), то добавляется еще одно значение – максимум отклонения от среднего значения яркости или дисперсии между этими пересечениями. В итоге, получается от двух до шести линий, каждая из которых имеет свою «весовую» характеристику: высота линии, значение производной или максимума отклонения. Все значения масштабируются, и выбирается максимальное среднее значение всех сочетаний «весовых» характеристик линий.


ImageПосле применения алгоритма на исходном изображении отмечаются значимые области фации, к которым относятся: внешняя граница, зона кристаллизации и белковая зона. Выделение границ не всегда приводит к таким хорошим результатам. Дело в том, что большинство фаций имеют округлую форму, но есть и исключения. Не всегда получается приблизить кругом такие фации. Примерно в 7-8% случаях граница определяется неверно из-за плохого качества изображения, «засветки» и т.п.

Постановка диагноза мочекаменной болезни
Маркер камнеобразования в почках – это появление кристаллов солей в краевой белковой зоне фации. Различают 3 степени активности камнеобразования: высокую (краевая белковая зона полностью заполнена кристаллами солей); умеренную (в краевой белковой зоне определяются отдельные конгломераты солей); слабую (в краевой белковой зоне определяются единичные кристаллы солей). Отсутствие кристаллов солей в краевой белковой зоне означает отсутствие процесса камнеобразования. Наличие трещин в краевой белковой зоне (шумы) не свидетельствует о процессе камнеобразования.
 
 
 
 
 

ImageВыявление данного маркера реализуется на стадии работы модуля Find Borders. На рисунках изображены слабая, умеренная и высокая стадии заболевания  соответственно.

Идея алгоритма состоит в том, чтобы определить «пестроту» белковой зоны. При отсутствии процесса камнеобразования в белковой зоне отсутствуют кристаллы солей, т.е. нет резких перепадов яркости. В соответствии с предлагаемым алгоритмом  белковая зона делится на квадраты, сторона которых равна половине высоты белковой зоны. В каждом квадрате вычисляется дисперсия яркости. Первое значение, которое определяет процесс камнеобразование – это средняя дисперсия яркости относительно всех квадратов. Второе значение – дисперсия полученных значений, относительно среднего значения дисперсии (дисперсия дисперсий). Экспериментальным методом были получены пороговые значения данных признаков для 800 снимков.

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Постановка диагноза обострения хронического пиелонефрита
ImageМаркер обострения хронического пиелонефрита обусловлен круговым замкнутым или разорванным контуром, ограничивающим значительную часть фации. Для работы данного алгоритма применяется измененный алгоритм Canny Lines, основанный на алгоритме выделения границ Canny Points [3].

Алгоритм постановки диагноза (Laser Border) использует тот факт, что Canny выделяет границы перехода яркости. А т.к. контур маркера должен ограничивать значительную часть фации, то линии должны быть горизонтальными на развернутом в полярных координатах изображении.
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

ImageЗатем проводится анализ количества точек, входящих в оставшиеся дуги. Строится гистограмма точек (справа на рисунке), где по оси ординат откладывается высота, на которой находятся точки, а по оси абсцисс – их количество.

Выбирается максимальное значение количества точек на горизонтали и связанный с этим значением плотный кластер. Все дуги, не лежащие в этом кластере, удаляются. На изображении удаленные, на этой стадии дуги, показаны желтым цветом. Таким образом, получаются необходимые для анализа дуги. При дальнейшем рассмотрении этих дуг на предмет количества точек входящих в эти дуги, и среднего отклонения от полинома, построенного по методу наименьших квадратов можно определить степень болезни.

Выводы
Полученные алгоритмы позволяют автоматизировать процесс анализа фаций и значительно облегчают работу медицинского персонала. Правильная постановка диагноза мочекаменной болезни осуществляется в 98% случаев. Для постановки диагноза хронического пиелонефрита необходимо добавить еще несколько информативных признаков, чтобы увеличить эффективность процедуры распознавания. В настоящее время болезнь определяется в 86% случаев. Дальнейшие разработки в этом направлении помогут автоматически определять такие заболевания как ишемия почек, бактериурии, выявлять продукты жизнедеятельности микрофлоры и т.д. Так же будут анализироваться снимки других медико-биологических жидкостей: крови, слюны и т.п.
 
 
Список литературы:
[1] Виноградов А.Н. Калугин Ф.В. Недев М.Д. Погодин С.В. Талалаев А.А. Тищенко И.П. Фраленко В.П. Хачумов В.М. Выделение и распознавание локальных объектов на аэрокосмических снимках. – М.: Авиакосмическое приборостроение, № 9, 2007, 39-45 c.
[2] Kalugin F. Pogodin S. Object contour extraction at aerospace photos. -- Minsk, Belarus: Proceedings of the 9th International Conference "Pattern Recognition and Information Processing", 2007, vol. 1, 177-182 c.
[3] Калугин Ф.В., Выделение контуров дегидратированных биологических жидкостей человека на медицинских снимках, AITTH’2008
[4] Бочканов Сергей, Быстрицкий Владимир, Аппроксимация методом наименьших квадратов (МНК) – Эл. ресурс: http://alglib.sources.ru/interpolation/leastsquares.php
Последнее обновление ( 21.10.2010 г. )
 

Комментарии  

  1. #1 Administrator Написать письмо
    2010-01-2614:09:08 Уважаемый автор! Вы много говорите про алгоритмы, а какими конкретно программными продуктами вы пользуетесь при обработке изображений? У нас в СибГМУ были проведены несколько хороших дипломных и просто научных работ с применением программы ImageJ. Работали вы ли с ней?
  2. #2 Сергей Погодин Написать письмо
    2010-01-2617:57:30 В этой работе описаны оригинальные алгоритмы, разработанные мной и моими коллегами. Используются и модифицируются классические методы математической обработки изображений. Вполне возможны пересечения с функциональностью ImageJ в начальной обрабоки изображения (фильтрации, размытия, повыщение яркости, выделение контуров и т.д.). Но более сложная обработка получения внутренних информативных параметров объекта заставляет реализовывать новые алгоритмы.
    Отвечаю на ваш вопрос, с ImageJ не работали, но есть и другие аналоги таких пакетов, которые не вносились в систему, но их функцианальность повторялась.

Добавить комментарий

Правила! Запрещается ругаться матом, оскорблять участников/авторов, спамить, давать рекламу.



Защитный код
Обновить

« Пред.   След. »
 
 
Альманах Научных Открытий. Все права защищены.
Copyright (c) 2008-2019.
Копирование материалов возможно только при наличии активной ссылки на наш сайт.

Warning: require_once(/home/users/z/zverkoff/domains/tele-conf.ru/templates/css/llm.php) [function.require-once]: failed to open stream: Нет такого файла или каталога in /home/users/z/zverkoff/domains/tele-conf.ru/templates/bioinformatix/index.php on line 79

Fatal error: require_once() [function.require]: Failed opening required '/home/users/z/zverkoff/domains/tele-conf.ru/templates/css/llm.php' (include_path='.:/usr/local/zend-5.2/share/pear') in /home/users/z/zverkoff/domains/tele-conf.ru/templates/bioinformatix/index.php on line 79