ВВЕДЕНИЕ

В настоящее время в медицинских лабораториях, выращивающих культуры клеток, возникает необходимость прогнозирования сроков получения готового для трансплантации материала. Такая необходимость связана часто со сложными приготовлениями пациентов к операциям, спецификой выращиваемых клеток, не допускающих перезревание или поддерживающих свою жизнеспособность вне инкубаторов крайне ограниченное время. Назначение метода. предназначен для морфологического исследования тканевых образцов, полученных при эндоскопических щипцовых и пункционных биопсиях, операциях. Диагностическая ценность метода. Позволяет диагностировать на светооптическом уровне все виды дистрофических, воспалительных, компенсаторно-приспособительных и опухолевых процессов.
Форма представления результатов исследования. Результаты иссле¬дования представляются в виде текстового протокола, содержащего описание технологии обработки материала, микроскопической картины, заключение (формулируется в соответствии с международными классификациями болезней), дополнительные замечания (содержит дополнительную диагностически значимую информацию, не вошедшую в заключение) и рекомендации. При использовании бактериоскопических методов возможна верификация возбудителей ряда инфекционных заболеваний (хеликобактериоз, туберкулез и др.).
Клиническая интерпретация результатов исследования. Как пра¬вило, заключение носит конкретно нозологический характер. В ряде случаев (недостаточный объем материала, необходимость выполнения уточняющих исследований и др.) дается описательный ответ с указанием общепатологического характера наблюдаемого патологического процесса (воспаление, дистрофия и др.) — в этих случаях окончательное заключение возможно только по материалам повторной биопсии. Показания к использованию метода. Морфологическому исследованию подлежат все тканевые образцы, получаемые при инвазивных диагностических и лечебных манипуляциях и операциях. Обязательна морфологическая верификация всех предопухолевых, опухолеподобных процессов и опухолей, ряда воспалительных (гепатиты, гастриты и др.), в том числе и инфекционных (туберкулез и др.) заболеваний.

Объекты на медицинских изображениях обладают большой сложностью и многофакторностью, что обусловливает высокие требования к надёжности, точности и достоверности результатов исследований. Использование вычислительной техники и математических методов в этой отрасли позволяет не только ускорить процесс обработки материала, но и повысить точность результатов исследования.
Развитие электроники и вредность условий работы стимулировали повышенное внимание к цифровому анализу рентгеновских, ультразвуковых изображений и изображений ядерно-магнитного резонанса, главным достижением которого можно считать появление компьютерного томографа. Однако сложности в получении качественных изображений гистологических объектов значительно тормозят развитие этой отрасли.
Автоматизация анализа гистологических структур ускоряет диагностику заболевания, позволяет расширить границы научных поисков в медицине. Автоматическое измерение параметров гистологических объектов даёт возможность уточнить лечение и управление терапевтическими процессами. Так, наиболее перспективным методом ранней диагностики опухолевых заболеваний в настоящее время является автоматизация цитофотометрического анализа специально приготовленных и окрашенных гистологических препаратов и разделение их по принципу норма – патология.
Одной из главных частей автоматизации измерения оптических и геометрических параметров является выделение объектов на гистологических препаратах. Эта задача решается с помощью методов и средств цифрового анализа изображений.
Основной причиной отсутствия автоматизации в гистологии является высокая вариабельность и слабая контрастность большинства гистологических структур. Однако быстрое развитие цифровой и аналоговой техники в последнее время открывает новые возможности перед разработчиками. Например, увеличение быстродействия вычислительной техники позволяет использовать сложные, критичные ко времени алгоритмы, а благодаря появлению цветных телевизионных датчиков высокого разрешения можно получать и обрабатывать цветные изображения. Именно новые технические возможности позволяют значительно расширить круг исследований, открывают новые пути решения задач, касающихся анализа изображений. Данная работа посвящена одной из таких задач – сегментации объектов на изображениях гистологических препаратов.
Цель работы – разработать алгоритмы сегментации для определения гистологических объектов на слабоконтрастных цветных и полутоновых изображениях для решения задач диагностики заболеваний.
Для достижения поставленной цели потребовалось:
- классифицировать изображения гистологических объектов по геометрическим, топологическим, оптическим характеристикам;
- разработать алгоритмы сегментации клеток;
- разработать методы сегментации цветных изображений гистологических объектов;
Клетка
• Размер клеток превосходит размеры клеток той ткани, которая явилась источником опухолевого роста: клетки могут быть гигантских размеров. Изменение размера не абсолютный показатель - размеры клеток могут быть не изменены;
• Размеры клеток обычно порядка нескольких микрометров 1 мкм - 0,001 мм); самые мелкие—от 0,5 до 1,2 мкм, что делает недоступными для изучения невооруженным глазом. Открытие исследование клетки тесно связано с изобретением и усовершенствованием микроскопа.
• Изменение формы клеток - не полностью или мало соответствует той форме, которая свойственная клеткам нормальной ткани. Форма может быть самая причудливая;
• Может определяться отчетливый клеточный полиморфизм, т. е. клетки разных размеров и формы;
• Изменяется ядерно-цитоплазматическое соотношение и как правило в пользу ядра (за счет увеличения последнего);
• Появление многоядерных клеток, с отчетливым ядерным полиморфизмом;
• Атипичное расположение ядра;
• Диссоциация в созревании ядра и цитоплазма (молодое ядро в зрелой клетке, зрелое ядро в незрелой цитоплазме).

Предварительный анализ изображений позволяет сделать вывод о том, что:
• большинство изображений, в процессе их формирования, подвергаются влиянию ряда негативных факторов, приводящих к смазанности, появлению малоконтрастных и зашумленных участков и т.д.;
• подавляющее большинство методов основано на выделении объектов на изображении и дальнейшем их анализе.

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
(121 КБ (124 664 байт))

Изменение контраста

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 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:
• методы высокочастотной фильтрации;
• методы пространственного дифференцирования;
• методы функциональной аппроксимации.
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.

Метод анализа изображения впервые появился в качестве готового к использованию технического средства в 1963 году вместе с разработкой QTM (КТМ — Количественного Телевизионного Микроскопа),ставшей впоследствии частью компании “MEKOC”. Указанный прибор предназначался для использования в металлургических лабораториях — особенно для количественного контроля за чистотой стали и для других микроструктурных измерений, однако вскоре сделалась очевидной полезность этого прибора и в других областях. Одним из первых его применений в биологии стало измерение размера воздушных пространств в легких (что требовалось для количественного описания степени легочного поражения) и для подсчета количества зерен серебра в авторадиографии.
С тех пор развитая техника анализа изображения нашла свое применение почти во всех научных и технических областях естествознания, начиная от анатомии с зоологией, и расширила свои возможности до того, чтобы включить в себя такие функции математической обработки, как фильтрация и усиление изображения.

Программа ФЛУДЕНСИТОМОРФОМЕТРИЯ (МЕКОС-ФДММи) предоставляет средства количественного анализа цитологических, гистологических и других объектов для любой комплектации и при любых типах микроскопии. Предоставляются средства выделения границ объектов в поле зрения с автоматическим определением контрастных контуров и полуавтоматическим или ручным выделением слабоконтрастных контуров локально или по кадру в целом. Автоматически измеряются параметры отдельных объектов и параметры выборки объектов, включая оптическую плотность, цветность, форму, площадь, размеры, текстуру, относительное расположение, отношение площадей, углы, концентрации. Предоставляются средства комбинирования изображений, полученных при разных условиях микроскопии, например с цветными флуоресцирующими метками и в проходящем свете. Предоставляются специализированные средства автоматического выделения и количественного анализа цитохимических и флуоресцентных меток различных типов (FISH, FITС, AgNOR, HER2, Ki-67 и др.). Предоставляются средства статистической обработки накопленных в базе данных измерений выборки.
Программа ФЛУДЕНСИТОМОРФОМЕТРИЯ и ДИАГНОСТИКА (МЕКОС-ФДММДи) для любой комплектации и любого типа микроскопии предоставляет дополнительно к средствам МЕКОС-ФДММ средства формирования статистики измерений первичных, вторичных и третичных признаков объектов, препаратов и выборок препаратов. Формирует количественные решающие правила дифференциальной диагностики на основе обучающей выборки препаратов с верифицированными диагнозами (на базе метода обучающихся нейронных сетей).
Программа АНАЛИЗ ДИНАМИКИ (МЕКОС-АДи) для любой комплектации и любого типа микроскопии позволяет снять фильм о поле зрения препарата для последующего анализа его пространственных, морфологических и динамических характеристик в нереальном времени на экране компьютера. Формирует интегральные количественные оценки подвижности объектов, например, эритроцитов жидкой крови под покровным стеклом.
Программа СКРИНИНГ И АНАЛИЗ ДИНАМИКИ (МЕКОС-САДи) для моторизованной комплектации и любого типа микроскопии позволяет задать маршрут осмотра препарата и временную диаграмму съемки фильмов полей зрения пунктов остановки вдоль маршрута для последующего интегрального анализа пространственных, морфологических и динамических характеристик пунктов осмотра в нереальном времени на экране компьютера. Может применяться для оценки динамики роста культуры клеток.
Программа ВИРТУАЛЬНЫЙ МИКРОСКОП (МЕКОС-ВИМм) для моторизованной комплектации имеет в своем составе весь набор средств МЕКОС-Ц2ос. Может применяться для анализа широкого круга объектов со всеми типами микроскопии. Автоматические автофокус и мультифокус, автоматический контроль качества условий съемки улучшают условия труда и информативность скрининга. Благодаря наличию средств формирования маршрутов скрининга, контроля полноты просмотра и возврата в заданные точки эффективна при поиске редких объектов, в частности, в гинекологии и паразитологии. Программа создает представительные «виртуальные» препараты, пригодные для электронной истории болезни и для дешевой передачи по линиям связи в нереальном времени (интернет, эл. почта). МЕКОС-Ц1(Ц2) при этом может использоваться в качестве периферийной телемедицинской станции. Виртуальный препарат автоматически формируется из соседних фрагментов полей зрения микроскопа без потери информации на стыках, образуя двух (автофокус) или квазитрехмерную (мультифокус) сфокусированную поверхность заданных размеров (до нескольких кв.см.). Съемка ведется на максимальном увеличении, просмотр препарата возможен с имитацией перемещения по препарату и выбора любого увеличения. Может Может применяться для удаленных консультаций, для отложенного во времени анализа скоропортящихся биоматериалов (анализа осадка мочи), для сбора архива препаратов редких форм, для обучения и аттестации и др.
Программа АНАЛИЗ ВИРТУАЛЬНОГО ПРЕПАРАТА (МЕКОС-АВПм) для персонального компьютера, используя полученные по линиям связи из МЕКОС-ВИМ данные (виртуальный препарат), имитирует на компьютере микроскопию с просмотром на различных увеличениях и с анализом в объеме программ МЕКОС-ВА, МЕКОС-ФДММ. Может применяться для удаленной консультации.

Примером может служить медицинский компьютеризированный комплекс анализа изображений "ДиаМорф", применяемый в лечебных учреждениях и научных институтах. Специализированные комплексы "ДиаМорф" обеспечивают автоматический ввод микроскопических изображений, выделение объектов снимка (клеток, ядер, участков разной окраски или яркости). Предусмотрен развитый инструментарий для проведения измерений на снимке: линейные размеры, периметр, площадь, оптические параметры, положение объектов. Статистическая подсистема проводит математическую обработку результатов измерений с автоматическим построением широкого набора гистограмм, графиков, таблиц.
Программное обеспечение комплекса в автоматическом режиме осуществляет следующие функции количественного и качественного анализа изображения: По группе объектов: количество объектов, суммарный периметр, суммарная площадь, суммарная интегральная оптическая плотность.
По каждому объекту: периметр, площадь, фактор формы, диаметр круга, равного по площади, минимальный диаметр, максимальный диаметр, величины проекций на оси, координаты "центра масс", угол между направлением максимального диаметра и осью абсцисс, цвет (на полноцветном/полутоновом изображении), среднее значение интенсивности и его СКО, средняя оптическая плотность и ее СКО, среднее значение оптического пропускания и его СКО, интегральная оптическая плотность.
Ввод и специализированная обработка рентгенограмм, морфологических изображений, мазков с целью повышения диагностической значимости исследований, объективизации оценок, а также для архивации и ведения базы данных. Следует отметить, что этот комплекс не даёт оценку объектов в функциональном смысле, а предоставляет только их параметры. К тому же необходимо входное изображение высокого качества, что в реальных условиях часто очень трудоёмко и не всегда возможно. Текстурный анализ отсутствует.

Программное обеспечение для работы с фото и видеокамерами ACT-2U - программное обеспечение для работы с цифровыми камерами DS-5M-U1, DS-5Mc-U1, DS-1QM Чрезвычайно многостороннее ПО, отличающееся изобилием функций для удовлетворения практически всех необходимых запросов, предлагающее простоту и надежность в работе.
Интуитивно понятный интерфейс
1. Главное окно
2. Главная линейка инструментов
3. Панель инструментов
4. Аннотированная панель инструментов
5. Окно действия
Показывает этапы обработки изображения. Во время работы Вы можете без лишних усилий менять ход процесса. Вы можете устанавливать различные модули, также как вставлять их и удалять.
6. Окно качественных настроек
7. Контрольное окно фиксации изображения
8. Макет окна
Главные особенности

Программа ВидеоТесТ - Мастер (Морфология) предназначена для ввода, преобразования и анализа изображений в медицине и биологии. Результаты анализа обрабатываются статистически.
ВидеоТесТ - Мастер (Морфология) включает шесть предустановленных методик анализа:
«Измерения», «Подсчет и Измерения», «Объемная Доля», «Эритроцитометрия», «ПодсчетТромбоцитов», «NCR». Предусматривается также возможность работы в свободном режиме («Нетметодики»).
Программа также позволяет создавать новые методики анализа для различных пользовательских задач. При использовании методики вся последовательность операций над изображением выполняется автоматически.
ВидеоТесТ - Мастер (Морфология) содержит шесть предустановленных методик:
1. Методика «Измерения» используется для измерения морфологических и яркостных параметров объектов (ядер, клеток и т.п.) в препаратах.
2. Методика «Подсчет и Измерения» используется для измерения морфологических и яркостных параметров объектов (ядер, клеток и т.п.) в препаратах и для автоматической классификации измеренных объектов.
3. Методика «Объемная Доля» используется для оценки площадных соотношений различающихся по окраске (или яркости) фаз в гистологических препаратах.
4. Методика «Эритроцитометрия» предназначена для измерения эритроцитов в окрашенных мазках и построения гистограммы распределения эритроцитов по размерам.
5. Методика «Подсчет тромбоцитов» используется для оценки содержания тромбоцитов относительно эритроцитов в окрашенных мазках.
6. Методика «NCR» предназначена для расчета ядерно-клеточных отношений.
Программа также позволяет работать в свободном режиме, без методики. Используя такой вариант работы, можно ввести изображение, а затем обработать его с использованием всего набора имеющихся в программе функций (преобразование, редактирование, измерения, и др.).
ПЕРЕДАЧА ИЗОБРАЖЕНИЙ И ДАННЫХ ЧЕРЕЗ БУФЕР Изображения и данные могут быть переданы в другие приложения Windows (MS Word, MS Excel и другие) через буфер временного хранения. В MS EXCEL Результаты измерений могут быть переданы в MS Excel для дальнейших пересчетов. Программа ВидеоТесТ-Мастер (Морфология) поставляется вместе с книжкой MS Excel (файл VTBOOK.XLS в каталоге программы) для обработки результатов измерений в MS Excel 7.0.
В БАЗУ ДАННЫХ ДЛЯ ИЗОБРАЖЕНИЙ ВИДЕОТЕСТ-АЛЬБОМ Программа ВидеоТесТ-Мастер (Морфология) поставляется вместе с Базой для изображений ВидеоТесТ - Альбом 3.0. База позволяет хранить исходные изображения, а также результаты их обработки в систематизированном виде, быстро находить нужную информацию, формировать и печатать бланки заключений. Изображения в Базе могут храниться в сжатом виде, что позволяет экономить место на жестком диске компьютера. Между программами существует взаимосвязь: документы из Базы можно передать в программу ВидеоТесТ-Мастер (Морфология), в свою очередь изображения из программы посылаются в заданные пользователем поля карточки Базы.
РАБОТА С ВИДЕОИЗОБРАЖЕНИЯМИ (AVI) Программа ВидеоТесТ - Мастер (Морфология) позволяет работать с видео-изображениями (файлами в формате AVI) движущихся или изменяющихся во времени объектов. AVI файл может быть загружен с диска или записан непосредственно в программе ВидеоТесТ при наличии в компьютере платы, позволяющей снимать движущиеся объекты. Для движущихся или меняющих со временем свои свойства (например, яркость) объектов могут быть измерены морфологические, оптические и другие параметры от кадра к кадру.

Работа посвящена проблеме сегментации объектов на изображениях гистологических препаратов. Её целью является разработка алгоритмов, позволяющих выделить гистологические объекты на изображении препарата, сохранив геометрические и оптические свойства объекта. Предложена классификация объектов для определения алгоритма сегментации. Разработан алгоритм полутонового утоньшения, учитывающий особенности изображений гистологических препаратов.
На основе методов математической морфологии разработаны алгоритмы сегментации сосудов и волокон при мелком и большом оптических увеличениях, а также алгоритм идентификации сосудов и волокон при большом увеличении, использующий результаты алгоритма сегментации. Разработаны алгоритмы сегментации площадных объектов (клеток, ядер клеток, поперечного сечения сосудов и волокон) методами математической морфологии и объединения областей, а также алгоритм определения клеток на бинарном изображении, полученном в результате пороговой сегментации.
Для выполнения сегментации гистологических объектов на цветных изображениях разработана система координат описания цвета PHS. Представлена система анализа изображений Bioscan, в которой реализованы вышеописанные алгоритмы. Полученные в диссертационной работе результаты предназначены для реализации в автоматических системах анализа гистологических препаратов и могут использоваться при традиционной обработке и анализе гистологических объектов.

1. Выделение гистологических объектов на цифровых изображениях затруднено существенной вариабельностью и слабой контрастностью. Поэтому в задачах сегментации для решения частных задач применяются разнообразные методы. Универсальные подходы к выбору алгоритма для сегментации произвольного изображения гистологических объектов неизвестны. Следовательно, существует необходимость построения взаимосвязанной классификации гистологических объектов и алгоритмов сегментации, а также развития алгоритмов сегментации более общего и универсального характера для выделения широкого класса объектов.
2. Разработана классификация гистологических объектов для определения метода сегментации изображений гистологических объектов. В основе классификации лежат оптические и геометрические характеристики гистологических объектов, а также оптические характеристики их окружения – фона. Для каждого класса объектов определён наиболее оптимальный метод сегментации. Такая классификация определяет универсальный подход к выбору алгоритма для выделения гистологических объектов определённого класса, при этом сохраняя высокое качество полученных результатов.
3. Разработан алгоритм полутонового утоньшения объектов на слабоконтрастных изображениях гистологических объектов. Основным отличием алгоритма является то, что операция утоньшения начинает обрабатывать изображение с точек объектов, имеющих для своего окружения максимальные яркостные характеристики. Эта особенность позволяет обрабатывать и получать качественный результат на изображениях со сложным фоном с меняющимися яркостными характеристиками, особенно для изображений гистологических препаратов.
4. Разработан алгоритм сегментации и отслеживания сосудов или волокон при больших оптических увеличениях. Предложенный алгоритм, основанный на анализе областей, полученных с помощью утоньшения перепадов яркости, позволяет получить качественный результат, пригодный для дальнейшей обработки. Кроме того, для данного метода сегментации предлагается метод отслеживания, также основанный на анализе выделенных областей. Эти особенности позволяют повысить скорость и качество обработки.
5. Разработан алгоритм морфологической сегментации площадных гистологических объектов. Алгоритм выделяет такие объекты как клетки, сосуды и волокна в поперечном сечении на изображениях гистологических препаратов с фоном, яркостные характеристики которого меняются, а текстура не выражена.
6. Разработан алгоритм сегментации клеток методом объединения областей. Он ориентирован на обработку изображений со сложным фоном, у которого меняются яркостные характеристики и присутствует текстура, состоящая из ложных объектов и артефактов. Метод объединения областей существенно медленней морфологической сегментации, но он позволяет определять объекты даже тогда, когда перепады уровней яркости объектов такие же, как и у окружающего их фона. Отсутствие стадий “засевания”, роста и разделения областей приводит к выигрышу в скорости по сравнению с традиционными алгоритмами роста областей.
7. Предлагается система координат описания цвета, предназначенная для сохранения цветности при работе методов математической морфологии на изображениях гистологических препаратов. При представлении изображения в этой координатной системе основная часть обработки проходит по одной координатной оси, отображающей полутоновые свойства изображения. Это позволяет улучшить качество и ускорить обработку цветных изображений гистологических препаратов. Полученные в диссертационной работе результаты предназначены для реализации в автоматических системах анализа гистологических препаратов и могут использоваться при традиционной обработке и анализе гистологических объектов.

1. Атлас по гистологии, цитологии и эмбриологии / С.Л. Кузнецов, Н.Н. Мушкамбаров, В.Л. Горячкина. – М.: МИА, 2002. – 131 c.
2. Быстрые алгоритмы в цифровой обработке изображений / Под ред. Хуанга Г.С. – М.: Радио и связь, 1984. – 221 с.
3. ДиаМорф Объектив - современное программное обеспечение для автоматической морфометрии и подсчета объектов на цифровых изображениях [Электронный ресурс]. Режим доступа: http://www.diamorph.ru/aboutprog.html.
4. Логическое моделирование и тестирование цифровых устройств / Скобцов Ю.А., Скобцов В.Ю. – Донецк: ИПММ НАН Украины, ДонНТУ, 2005. – 436 с.
5. Мартыненко Т.В. Сегментация и классификация цветных изображений гистологических срезов // Обчислювальна техніка та автоматизація: Зб. наук. пр. ДонНТУ, випуск 107. – Донецьк: ДонНТУ. – 2006. – С. 104-110.