Актуальність

     Головні властивості об'єктів на медичних зображеннях - це складність і многофакторность. Тому до результатів досліджень висуваються високі вимоги до точності, надійності і достовірності результатів.

     Для цього слід звернутися до математичних методів з використанням обчислювальної техніки, що дозволить значно прискорити процес обробки і підвищити надійність дослідження.

     Автоматизація процесів обробки зображень дозволяє прискорити діагностику захворювань на ранніх стадіях, робить дослідження якіснішим, дає можливість уточнити лікування і управління терапевтичними процесами.

Наукова новизна

     В даній роботі увага зосереджена на патологічних змінах клітинного ядра. Під світловим мікроскопом ядро живої клітини представляється гомогенним тільцем в стані гелю з невеликою плямочкою усередині - ядерцем. Електронна мікроскопія внесла коштовний вклад до вивчення ультраструктури ядерної мембрани (яка виявилася подвійною) і хроматину - складного поєднання якнайтонших ниток з щільними гранулами. Проте до справжнього моменту існує мало розробок по автоматизації обробки зображення ядер і побудові на цій основі яких-небудь виводів відносно патологічних змін в клітці.

Огляд виконаних досліджень і розробок

     Обробці зображень присвячена величезна кількість робіт. Найбільш відомими працям в цій області є наступні книги: У. Претт «Цифрова обробка зображень», Сойфер В.А. «Комп'ютерна обробка зображень». Існує можливість обробки зображень в пакеті Matlab.

     Також існує ряд розробок програмного забезпечення в цій області. Наприклад, ПО Відеотест-морфологія 5.0, яке дає можливість вирішити безліч завдань. Програмна система аналізу медичних зображень "ДіаМорф Об'єктив А" дозволяє автоматично або напівавтоматично розрахувати морфо- і денситометричні параметри об'єктів препарату. Одним з універсальних інструментів є програма Imageexpertpro, яка дозволяє робити чисельний аналіз. Проте недоліком цього програмного забезпечення є орієнторовність на високоякісні знімки без шумів.

Методи виявлення об'єкту і кордонів об'єкту на зображенні

     На схемі представлені етапи обробки зображень, що використовуються на сьогоднішній день.

     1. Колірний аналіз зображень.

     Розглянемо структуру сторінки (кадру) дискретного кольорового зображення. Кольорова модель сторінки зображення має наступний вигляд:

     M [ f (m,n)] = { p₀ [ x₀ (m), y₀ (n), c₀ ( r(l), g(l), b(l) ) ],
     p₁[ x₁(m), y₁(n), c₁( r(l), g(l), b(l) ) ],
     . . . ,
     p_k[ x_k (m), y_k (n), c_k( r(l), g(l), b(l) ) ] },
     M - масив пікселів сторінки (кадру) зображення;
     f(m,n) - функція розташування крапок на сторінці зображення;
     p - піксел, що складається з трьох кольорів (червоний, зелений, синій);
     x - місце розташування піксела на горизонтальному рядку зображення;
     в - місце розташування піксела на вертикальному рядку зображення;
     c - номер кольору; l - номер рівня градації кольору; k - число пікселів в зображенні;
     r - червоний колір; g - зелений колір; b - синій колір.

     Об'єкти на зображенні можуть відрізняться розмірами, конфігурацією і кольором. Число об'єктів на одному зображенні може вагатися в широких межах. Пропонуються наступні алгоритми: 1) визначення наявності семи чистих кольорів за шкалою RGB (сірого, червоного, зеленого синього, красно-ееленого, червоно-синього, зелено-синього); 2) розділення вихідного (повного) зображення на два зображення (сіре і чисто кольорове, таке, що не має відтінків сірого кольору від чорного до яскраво білого); 3) зниження числа градацій кольору шляхом зсуву градацій до нижнього рівня, середнього рівня, верхнього рівня або певного рівня кольору без втрат пікселів даного кольору; 4) пошук областей скупчення пікселів вибраного кольору на зображенні шляхом використання спіральної розгортки; 5) виявлення контура кольорового об'єкту у обранії області.

     2. Морфологічний аналіз форми зображень

     Завдання побудови форми зображення є істотною частиною морфологічного аналізу. Від того, наскільки якісно побудована форма, істотно залежить і результат рішення задачі морфологічного аналізу.
     Один із засобів побудови форми полягає у пошуку областей постійної яскравості по фізичних властивостях об'єкту, тобто по розташуванню граней, що однорідно світяться відносно спостерігача. Приписуючи цим областям всілякі яскравості, отримуємо форму зображення як безліч зображень. Якщо ж ми не маємо настільки детальних відомостей про об'єкт дослідження, то ми можемо побудувати форму по якому-небудь одному зображенню, знаючи, до яких перетворень яскравості даного зображення можуть привести умови спостереження, що змінилися.
     Як апроксимувати форму зображення f, якщо само зображення f не спостерігається, а доступна спостереженню лише його спотворена шумом версія g? Для вирішення цієї проблеми скористаємося тим фактом, що безліч кусочно постійних зображень є усюди щільним. Це означає, що існує послідовність {f_N}, що сходиться до f. Апроксимація форми V_f полягає тепер в тому, щоб використовувати форму V_fN кусочно постійного зображення f_N, досить близького до f, замість форми зображення f. Близькість зображень f_N тут розуміється в тому сенсі, що їх різниця f-f_N має бути мала в порівнянні з шумом g.

     1-й спосіб. Хай задана послідовність {A₁,:,A_N}_N, N=1,2,..., усе більш дрібного розбиття поля зору X, а яскравість C_i i=1,...,N, вибирається з рішення задачі найкращого наближення

     зображення g кусочно постійним зображенням. Рішенням цієї задачі є числа

     2-й спосіб. Хай задана послідовність {C₁,:,C_N}_N, N=1,2,..., яркостей кусочно постійного зображення, і відповідне розбиття {A₁,:,A_N}N поля зору X, а яскравість C_i вибирається з рішення наступної задачі найкращого наближення

     3. Метод пошуку однорідних областей

     Сегментація - це розбиття зображення на складові частини, які мають смислову суть. Існує велика кількість алгоритмів сегментації зображення, але більшість з них можна розділити на дві групи, кожна з яких використовує фундаментальну властивість зображення - схожість і відмінність. Відповідно до цього існує два основні підходи до сегментації: 1) метод пошуку однорідних областей; 2) метод виділення контурних ліній.

     Сегментацію по методу пошуку однорідних областей можна проводити по якій-небудь властивості S, яка характеризує схожість елементів кожної області між собою. Це може бути колір, текстура, рівень яскравості.
     Нарощування областей полягає в тому, що сусідні елементи з однаковими або близькими рівнями яскравості групують, об'єднуючи їх в однорідні області. При цьому треба уникати помилок невірного визначення сусідніх елементів залежно від вибраної околиці Фон Неймана (чотирьохзв'язною) або околиці Мура (восьмизв'язною). Важливість точного визначення показана на мал.1.

     Для обліку помилок при сегментації треба враховувати наступні ситуації:

     1. Три області - чорний контур і дві білі області (Мал. 1, а).

     2. Виникає неоднозначність: якщо вибирати сусідів околицею Мура, то чорні елементи складають спільний контур, а по околиці Фон Неймана - 4 окремих прямокутника. Парадокс полягає в тому, що білий елемент (по околиці Мура) усередині буде пов'язаний із зовнішньою білою областю (Мал. 1, б).

     Сегментація зображень по параметрах яскравості враховує те, що кожен сегмент зображення відділяється від інших сусідніх. Для сегментації методом порогового розподілу необхідно отримати бінарне зображення з півтонового. Для цього встановлюється деяке порогове значення. Після квантування функція зображення G (i, j) = до (цілі значення) при T_k > G(i,j) >= T_k-1, k Є (0, k_max), де T_k - значення к-го порогового рівня. В разі k_max = 1 оцифроване зображення називають бінарним (двуградаційним). Елементи зображення з рівнем яскравості більше порогового набувають значення 1, менше, ніж порогового - 0.

Огляд результатів

     В результаті виконання магистрськой роботи була отримана методика визначення об'єкту на цитологічному знімку, а також обчислення ряду параметрів, які дозволяють зробити висновок про можливе захворювання.

     На анимації зображено приклад визначення забарвлених ядер на гістологічному зображенні:

Література

1. Ульд Ахмед Талеб Махфуд. Стаття «Комбинированные алгоритмы сегментации цветных изображений»(рус)

2. В.С.Эмдин. Стаття «Методы обработки двумерной информации» (рус)

3. Ю.П.Пытьев, А.И.Чуличков. Стаття «Морфолоогический анализ формы изображений» (рус)

4.http://www.ssga.ru/eossib/ccd_and_cmos/oes/html/part3.html Книга В.А. Малініна (рус)
     
     
     
     

Біографія    Бібліотека    Посилання    Звіт про пошук    Індивідуальне завдання    Російська    Англійська

Наверх