АктуальностьГлавные свойства объектов на медицинских изображениях - это сложность и многофакторность. Поэтому к результатам исследований выдвигаются высокие требования к точности, надежности и достоверности результатов. Для этого следует обратиться к математическим методам с использованием вычислительной техники, что позволит значительно ускорить процесс обработки и повысить надежность исследования. Автоматизация процессов обработки изображений позволяет ускорить диагностику заболеваний на ранних стадиях, делает исследование более качественным, даёт возможность уточнить лечение и управление терапевтическими процессами. |
Научная новизнаВ данной работе внимание в основном сосредоточено на патологических изменениях клеточного ядра. Под световым микроскопом ядро живой клетки представляется гомогенным тельцем в состоянии геля с небольшим пятнышком внутри - ядрышком. Электронная микроскопия внесла ценный вклад в изучение ультраструктуры ядерной мембраны (которая оказалась двойной) и хроматина - сложного сочетания тончайших нитей с плотными гранулами. Однако до настоящего момента существует мало разработок по автоматизации обработки изображения ядер и построению на этой основе каких-либо выводов относительно патологических изменений в клетке. Обзор выполненных исследований и разработокЗадачам обработки изображений посвящено огромное количество работ. Наиболее известными трудам в этой области являются следующие книги: У. Прэтт «Цифровая обработка изображений», Сойфер В.А. «Компьютерная обработка изображений». Существует возможность обработки изображений в пакете MatLab. Также существует ряд разработок программного обеспечения в этой области. Например, ПО ВидеоТесТ-Морфология 5.0, которое дает возможность решить множество задач. Программная система анализа медицинских изображений "ДиаМорф Объектив А" позволяет автоматически или полуавтоматически рассчитать морфо- и денситометрических параметры объектов препарата. Одним из универсальных инструментов является программа ImageExpertPro, которая позволяет делать численный анализ. Однако не достатком этого программного обеспечения является ориенторованность на высококачественные снимки без шумов. Методы обнаружения объекта и границ объекта на изображенииНа схеме представлены все использующиеся в настоящее время этапы обработки изображений. 1. Цветовой анализ изображений Рассмотрим структуру страницы (кадра) дискретного цветового изображения. Цветовая модель страницы изображения имеет следующий вид: M [ f (m,n)] = { p0 [ x0 (m), y0 (n), c0 ( r(l), g(l), b(l) ) ],
Объекты на изображении могут отличатся размерами, конфигурацией и цветом. Число объектов на одном изображении может колебаться в широких пределах. Предлагаются следующие алгоритмы: 1) определение наличия семи чистых цветов по шкале RGB (серого, красного, зеленого синего, красно-эеленого, красно-синего, зелено-синего); 2) разделение исходного (полного) изображения на два изображения (серое и чисто цветное, не имеющее оттенки серого цвета от черного до ярко белого); 3) снижение числа градаций цвета путем смещения градаций к нижнему уровню, среднему уровню, верхнему уровню или определенному уровню цвета без потерь пикселов данного цвета; 4) поиск областей скопления пикселов выбранного цвета на изображении путем использования спиральной развертки; 5) выявление контура цветного объекта в выбранной области. 2. Морфологический анализ формы изображений Задача построения формы изображения является существенной частью морфологического анализа. От того, насколько качественно построена форма, существенно зависит и результат решения задачи морфологического анализа. Один из способов построения формы состоит в задании областей постоянной яркости по физическим свойствам объекта, т.е. по расположению однородно светящихся или отражающих граней или границ относительно наблюдателя. Приписывая этим областям всевозможные яркости, получим форму изображения как множество изображений. Если же мы не имеем столь подробных сведений об объекте исследования, то мы можем построить форму по какому-либо одному изображению, зная, к каким преобразованиям яркости данного изображения могут привести изменившиеся условия наблюдения. Как аппроксимировать форму изображения f, если само изображение f ненаблюдаемо, а доступна наблюдению лишь его искаженная шумом версия g? Для решения этой проблемы воспользуемся тем фактом, что множество кусочно постоянных изображений является всюду плотным. Это означает, что существует последовательность {fN}, сходящаяся к f. Аппроксимация формы Vf состоит теперь в том, чтобы использовать форму VfN кусочно постоянного изображения fN, достаточно близкого к f, вместо формы изображения f. Близость изображений fN и f здесь понимается в том смысле, что их разность f-fN должна быть мала по сравнению с шумом g. 1-ый способ. Пусть задана последовательность {A1,:,AN}N, N=1,2,..., все более мелких разбиений поля зрения X, а яркость Ci i=1,...,N, выбирается из решения задачи наилучшего приближения
2-ой способ. Пусть задана последовательность {C1,:,CN}N, N=1,2,..., яркостей кусочно постоянного изображения, и соответствующее разбиение {A1,:,AN}N поля зрения X, а яркость Ci выбирается из решения следующей задачи наилучшего приближения
3. Метод поиска однородных областей Сегментация - это разбиение изображения на составные части, которые имеют смысловую суть. Существует большое количество алгоритмов сегментации изображения, но большинство из них можно разделить на две группы, каждая из которых использует фундаментальное свойство изображения - сходство и отличие. В соответствии с этим существует два основных подхода к сегментации: 1) метод поиска однородных областей; 2) метод выделения контурных линий. Сегментацию по методу поиска однородных областей можно проводить по какому-либо свойству S, которое характеризует сходство элементов каждой области между собой. Это может быть цвет, текстура, уровень яркости. Наращивание областей состоит в том, что соседние элементы с одинаковыми или близкими уровнями яркости группируют, объединяя их в однородные области. При этом надо избегать ошибок неверного определения соседних элементов в зависимости от выбранной окрестности Фон Неймана (четырёхсвязной) или окрестности Мура (восьмисвязной). Важность точного определения показана на рис. 1.
1. Три области - черный контур и две белые области (Рис. 1, а). 2. Возникает неоднозначность: если выбирать соседей окрестностью Мура, то черные элементы составляют совместный контур, а по окрестности Фон Неймана - 4 отдельных прямоугольника. Парадокс состоит в том, что белый элемент (по окрестности Мура) внутри будет связан с внешней белой областью (Рис. 1, б). Сегментация изображений по параметрам яркости учитывает то, что каждый сегмент изображения отделяется от других соседних. Для сегментации методом порогового распределения необходимо получить бинарное изображение из полутонового. Для этого устанавливается некоторое пороговое значение. После квантования функция изображения G (i, j) = k (целые значения) при Tk > G(i,j) >= Tk-1, k Є (0, kmax), где Tk - значение k-го порогового уровня. В случае kmax = 1 оцифрованное изображение называют бинарным (двуградационным). Элементы изображения с уровнем яркости больше порогового принимают значение 1, меньшее порогового - 0. Обзор результатовВ результате выполнения магистрской работы была получена методика определения объекта на цитологическом снимке, а также вычисление ряда параметров, которые позволяют сделать заключение о возможном заболевании. На анимации представлен пример определения окрашенных ядер на гистологическом снимке:
Литература1. Ульд Ахмед Талеб Махфуд. Статья «Комбинированные алгоритмы сегментации цветных изображений» 2. В.С.Эмдин. Статья «Методы обработки двумерной информации» 3. Ю.П.Пытьев, А.И.Чуличков. Статья «Морфолоогический анализ формы изображений» 4.http://www.ssga.ru/eossib/ccd_and_cmos/oes/html/part3.html Книга В.А. Малинина по распознаванию изображений на ЭВМ Биография Библиотека Ссылки Отчет о поиске Индивидуальное задание Английский Украинский |
