ВВЕДЕННЯ

В даний час в медичних лабораторіях, що вирощують культури кліток, виникає необхідність прогнозування термінів отримання готового для трансплантації матеріалу. Така необхідність пов'язана часто з складними приготуваннями пацієнтів до операцій, специфікою вирощуваних кліток, що не допускають перезрівання або що підтримують свою життєздатність поза інкубаторами украй обмежений час. Призначення методу. призначений для морфологічного дослідження тканинних зразків, отриманих при ендоскопічних щипцевих і пункционних біопсиях, операціях. Діагностична цінність методу. Дозволяє діагностувати на светооптічеськом рівні всі види дистрофічних, запальних, компенсаторно-пристосовних і пухлинних процесів.
Форма представлення результатів дослідження. Результати иссле¬дования представляються у вигляді текстового протоколу, що містить опис технології обробки матеріалу, мікроскопічної картини, висновок (формулюється відповідно до міжнародних класифікацій хвороб), додаткові зауваження (містить додаткову діагностично значущу інформацію, що не увійшла на закінчення) і рекомендації. При використанні бактеріоськопічеськіх методів можлива верифікація збудників ряду інфекційних захворювань (хелікобактеріоз, туберкульоз і ін.).
Клінічна інтерпретація результатів дослідження. Як пра¬вило, висновок носить конкретно нозологічний характер. У ряді випадків (недостатній об'єм матеріалу, необхідність виконання уточнюючих досліджень і ін.) дається описова відповідь з вказівкою загальнийпатологічного характеру спостережуваного патологічного процесу (запалення, дистрофія і ін.) — в цих випадках остаточний висновок можливий тільки за матеріалами повторної біопсії. Свідчення до використання методу. Морфологічному дослідженню підлягають всі тканинні зразки, що отримуються при інвазивних діагностичних і лікувальних маніпуляціях і операціях. Обов'язкова морфологічна верифікація всіх передпухлинних, опухолеподобних процесів і пухлин, ряду запальних (гепатити, гастрити і ін.), у тому числі і інфекційних (туберкульоз і ін.) захворювань.

Об'єкти на медичних зображеннях володіють великою складністю і многофакторностью, що обумовлює високі вимоги до надійності, точність і достовірності результатів досліджень. Використання обчислювальної техніки і математичних методів в цій галузі дозволяє не тільки прискорити процес обробки матеріалу, але і підвищити точність результатів дослідження.
Розвиток електроніки і шкідливість умов роботи стимулювали підвищену увагу до цифрового аналізу рентгенівських, ультразвукових зображень і зображень ядерний-магнітного резонансу, головним досягненням якого можна вважати появу комп'ютерного томографа. Проте складнощі в отриманні якісних зображень гістологічних об'єктів значно гальмують розвиток цієї галузі.
Автоматизація аналізу гістологічних структур прискорює діагностику захворювання, дозволяє розширити межі наукових пошуків в медицині. Автоматичне вимірювання параметрів гістологічних об'єктів дає можливість уточнити лікування і управління терапевтичними процесами. Так, найбільш перспективним методом ранньої діагностики пухлинних захворювань в даний час є автоматизація цитофотометрічеського аналізу спеціально приготованих і забарвлених гістологічних препаратів і розділення їх за принципом норма – патологія.
Однією з головних частин автоматизації вимірювання оптичних і геометричних параметрів є виділення об'єктів на гістологічних препаратах. Це завдання вирішується за допомогою методів і засобів цифрового аналізу зображень.
Основною причиною відсутності автоматизації в гістології є висока варіабельность і слабка контрастність більшості гістологічних структур. Проте швидкий розвиток цифрової і аналогової техніки останнім часом відкриває нові можливості перед розробниками. Наприклад, збільшення швидкодії обчислювальної техніки дозволяє використовувати складні, критичні до часу алгоритми, а завдяки появі кольорових телевізійних датчиків високого дозволи можна отримувати і обробляти кольорові зображення. Саме нові технічні можливості дозволяють значно розширити круг досліджень відкривають нові шляхи рішення задач, що стосуються аналізу зображень. Дана робота присвячена одному з таких завдань – сегментації об'єктів на зображеннях гістологічних препаратів.
Мета роботи – розробити алгоритми сегментації для визначення гістологічних об'єктів на слабоконтрастних кольорових і півтонових зображеннях для рішення задач діагностики захворювань.
Для досягнення поставленої мети було потрібно:
- класифікувати зображення гістологічних об'єктів по геометричних, топологічних, оптичних характеристиках;
- розробити алгоритми сегментації кліток;
- розробити методи сегментації кольорових зображень гістологічних об'єктів;
Клiтка
• Розмір кліток перевершує розміри клітин тієї тканини, яка з'явилася джерелом пухлинного зростання: клітки можуть бути гігантських розмірів. Зміна розміру не абсолютний показник - розміри кліток можуть бути не змінені;
• Розміри кліток звичайні близько декількох мікрометрів 1 мкм - 0,001 мм); самі мелкие—от 0,5 до 1,2 мкм, що робить недоступними для вивчення неозброєним оком. Відкриття дослідження клітки тісно пов'язане з винаходом і удосконаленням мікроскопа.
• Зміна форми кліток - не повністю або мало відповідає тій формі, яка властива клітинам нормальної тканини. Форма може бути сама химерна;
• Може визначатися виразний клітинний поліморфізм, тобто клітки різних розмірів і форми;
• Змінюється співвідношення ядерної цитоплазми і як правило на користь ядра (за рахунок збільшення останнього); Попередній аналіз зображень дозволяє зробити висновок про те, що:
• більшість зображень, в процесі їх формування, підпадають під вплив ряду негативних чинників, що приводять до смазанності, появу малоконтрастних і зашумленних ділянок і т.д.;
• переважна більшість методів заснована на виділенні об'єктів на зображенні і подальшому їх аналізі.

Таким чином, перш ніж піддатися аналізу, зображення повинне пройти етап підготовки, який полягає у виконанні операцій поліпшення візуального якості (підвищення контрасту, усунення розмитості, підкреслення меж, фільтрація) і операцій формування графічного препарату (сегментація виділення контурів) зображення.

Рис.1 - Основні процедури і методи розпізнавання зображень
(121 КБ (124 664 байт))

Зміна контрасту

Згладжування шумів

Зображення на етапі оцифровки піддаються дії аддитивного і імпульсного шуму. Аддитивний шум є деякий випадковий сигнал, який додається до корисного на виході системи, в даному випадку аддитивний шум виникає унаслідок зернистості плівки. Імпульсний шум, на відміну від аддитивного, характеризується дією на корисний сигнал лише в окремих випадкових крапках (значення результуючого сигналу в цих крапках приймає випадкове значення). Імпульсний шум характерний для цифрових систем передачі і зберігання зображень. Таким чином, в процесі препарування зображення виникає завдання придушення шуму. Простим методом, що згладжує шум, на зображенні є згладжування, тобто заміна значення яскравості кожного елементу середнім значенням, знайденим по його околиці - безлічі крапок, що належать околиці точки fij (включаючи і саму точку fij);

Підкреслення меж

Методи згладжування зображень можуть усувати шум дуже ефективно. Істотним недоліком алгоритмів згладжування є смаз зображення (т.е. зниження чіткості контурних елементів), при цьому величина смаза пропорційна розміру маски, використовуваної для згладжування. Для однозначного аналізу зображень особливо при обчисленні геометричних характеристик структурних елементів, дуже важливо прибрати смаз з контурів об'єктів в зображенні, тобто підсилити різницю між градаціями яскравості контурних елементів об'єкту і сусідніх елементів фону.В цьому випадку при обробці зображень використовуються методи підкреслення контурів. Звичайне підкреслення меж здійснюється методом високочастотної просторової фільтрації. Характеристики фільтрів задаються в виді маски, в якій середнє значення повинне бути рівне нулю. Ще одним методом підкреслення меж є так зване статичне диференціювання. У цьому методі значення яскравості кожного елементу ділиться на статистичну оцінку среднеквадратічеського.

Медіанна фільтрація

Медіанна фільтрація відноситься до нелінійних методів обробки зображень і має наступні переваги перед лінійною фільтрацією (класичної процедури згладжування): зберігає різкі перепади (межі); ефективно згладжує імпульсний шум; не змінює яскравість фону. Медіанна фільтрація здійснюється шляхом рухи деякої апертури (маски) уздовж дискретного зображення і заміни значення центрального елементу маски медіанним значенням (середнє значення впорядкованій послідовності) початкових елементів усередині апертури. У загальному випадку, апертура може мати найрізноманітнішу форму, але на практиці частіше всього застосовується квадратна апертура.

Сегментація зображень

Під сегментацією зображення розуміється процес його розбиття на складові частини, що мають змістовний сенс: об'єкти, їх межі або інші інформативні фрагменти, характерні геометричні особливості і ін. У разі автоматизації методів отримання зображень сегментацію необхідно розглядати як основний початковий етап аналізу, що полягає в побудові формального опису зображення, якість виконання якого багато в чому визначає успіх рішення завдання розпізнавання і інтерпретації об'єктів.

Методи виділення контурів

Не рідко доводиться стикатися із завданням знаходження периметрів, кривизни, чинників форми, питомої поверхні об'єктів і т.д. Всі перераховані завдання так або інакше пов'язані з аналізом контурних елементів об'єктів.Методи виділення контурів на зображенні можна розділити на наступні основні класи:
• методи високочастотної фільтрації;
• методи просторового диференціювання;
• методи функціональної апроксимації.
Загальним для всіх цих методів є прагнення розглядати межі як область різкого перепаду функції яскравості зображення f(i,j); відрізняє ж їх математична модель поняття межі, що вводиться, і алгоритм пошуку граничних крапок.

Метод аналізу зображення вперше з'явився як готовий до використання технічний засіб в 1963 році разом з розробкою QTM (КТМ — Кількісного Телевізійного Мікроскопа),ставшей згодом частиною компанії “MEKOC”. Вказаний прилад призначався для використання в металургійних лабораторіях — особливо для кількісного контролю за чистотою стали і для інших мікроструктурних вимірювань, проте незабаром зробилася очевидною корисність цього приладу і в інших областях. Одним з перших його застосувань в біології стало вимірювання розміру повітряних просторів в легенів (що був потрібний для кількісного опису ступеня легеневого ураження) і для підрахунку кількості зерен срібла в авторадіографії.
З тих пір розвинена техніка аналізу зображення знайшла своє застосування майже у всіх наукових і технічних областях природознавства, починаючи від анатомії із зоологією, і розширила свої можливості до того, щоб включити такі функції математичної обробки, як фільтрація і посилення зображення.

Програма ФЛУДЕНСИТОМОРФОМЕТРІЯ (Мекос-фдммі) надає засоби кількісного аналізу цитологичеськіх, гістологічних і інших об'єктів для будь-якої комплектації і при будь-яких типах мікроскопії. Надаються засоби виділення меж об'єктів в полі зору з автоматичним визначенням контрастних контурів і напівавтоматичним або ручним виділенням слабоконтрастних контурів локально або по кадру в цілому. Автоматично вимірюються параметри окремих об'єктів і параметри вибірки об'єктів, включаючи оптичну щільність, кольоровість, форму, площу, розміри, текстуру, відносне розташування, відношення площ, кути, концентрації. Надаються засоби комбінування зображень, отриманих за різних умов мікроскопії, наприклад з кольоровими флуоресціюючими мітками і в світлі, що проходить.
Програма ФЛУДЕНСИТОМОРФОМЕТРІЯ і ДІАГНОСТИКА (Мекос-фдммді) для будь-якої комплектації і будь-якого типу мікроскопії надає додатково до засобів МЕКОС- ФДММ засобу формування статистики вимірювань первинних, вторинних і третинних ознак об'єктів, препаратів і вибірок препаратів. Формує кількісні вирішальні правила диференціальної діагностики на основі повчальної вибірки препаратів з веріфіцированнимі діагнозами (на базі методу нейронних мереж, що навчаються).

3.2 ДiаМорф

Прикладом може служити медичний комп'ютеризований комплекс аналізу зображень "Діаморф", вживаний в лікувальних установах і наукових інститутах. Спеціалізовані комплекси "Діаморф" забезпечують автоматичне введення мікроскопічних зображень, виділення об'єктів знімка (кліток, ядер, ділянок різного забарвлення або яскравості). Передбачений розвинений інструментарій для проведення вимірювань на знімку: лінійні розміри, периметр, площа, оптичні параметри, положення об'єктів. Статистична підсистема проводить математичну обробку результатів вимірювань з автоматичною побудовою широкого набору гістограм, графіків, таблиць.
Програмне забезпечення комплексу в автоматичному режимі здійснює наступні функції кількісного і якісного аналізу зображення, По групі об'єктів: кількість об'єктів, сумарний периметр, сумарна площа, сумарна інтегральна оптична щільність.
По кожному об'єкту: периметр, площа, чинник форми, діаметр круга, рівного по площі, мінімальний діаметр, максимальний діаметр, величини проекцій на осі координати "центру мас", кут між напрямом максимального діаметру і віссю абсцис, колір (на полноцветном/полутоновом зображенні), середнє значення інтенсивності і його СЬКО, середня оптична щільність і її СЬКО, середнє значення оптичного пропускання і його СЬКО, інтегральна оптична щільність.
Введення і спеціалізована обробка рентгенограм, морфологічних зображень, мазків з метою підвищення діагностичної значущості досліджень об'ектівізациі оцінок, а також для архівації і ведення бази даних.

Програма ВІДЕОТЕСТ - Майстер (Морфологія) призначена для введення, перетворення і аналізу зображень в медицині і біології. Результати аналізу обробляються статистично.
ВІДЕОТЕСТ - Майстер (Морфологія) включає шість передвстановлених методик аналізу:
«Вимірювання», «Підрахунок і Вимірювання», «Об'ємна Частка», «Ерітроцитометрія», «Подсчеттромбоцитов», «NCR». Передбачається також можливість роботи у вільному режимі («Нетметодіки»).
Програма також дозволяє створювати нові методики аналізу для різних призначених для користувача завдань. При використанні методики вся послідовність операцій над зображенням виконується автоматично.
ВидеоТесТ - Мастер (Морфология) содержит шесть предустановленных методик:
1. Методика «Вимірювання» використовується для вимірювання морфологічних і яскравості параметрів об'єктів (ядер, кліток і т.п.) в препаратах.
2. Методика «Підрахунок і Вимірювання» використовується для вимірювання морфологічних і яскравості параметрів об'єктів (ядер, кліток і т.п.) в препаратах і дляавтоматичній класифікації зміряних об'єктів.
3. Методика «Об'ємна Частка» використовується для оцінки площадкових співвідношень фаз, що розрізняються по забарвленню (або яскравості), в гістологічних препаратах.
4. Методика «Ерітроцитометрія» призначена для вимірювання еритроцитів в забарвлених мазаннях і побудови гістограми розподілу еритроцитів по розмірам.
5. Методика «Підрахунок тромбоцитів» використовується для оцінки змісту тромбоцитів щодо еритроцитів в забарвлених мазаннях.
6. Методика «NCR» призначена для розрахунку ядерний-клітинних відносин.
Програма також дозволяє працювати у вільному режимі, без методики. Використовуючи такий варіант роботи, можна ввести зображення, а потім обробити його використанням всього набору наявних в програмі функцій (перетворення, редагування, вимірювання, і ін.).
ПЕРЕДАЧА ЗОБРАЖЕНЬ І ДАНИХ ЧЕРЕЗ БУФЕР Зображення і дані можуть бути передані в інші додатки Windows (MS Word, MS Excel та інші) через буфер тимчасового зберігання. У MS EXCEL Результати вимірювань можуть бути передані в MS Excel для подальших пересчетов. Програма ВидеоТесТ-майстер (Морфологія) поставляється разом з книжкою MS Excel (файл VTBOOK.XLS у каталозі програми) для обробки результатів вимірювань в MS Excel 7.0.
У БАЗУ ДАНИХ ДЛЯ ЗОБРАЖЕНЬ ВИДЕОТЕСТ-АЛЬБОМ Програма ВидеоТесТ-майстер (Морфологія) поставляється разом з Базою для зображень ВІДЕОТЕСТ - Альбом 3.0. База дозволяє зберігати початкові зображення, а також результати їх обробки в систематизованому вигляді, швидко знаходити потрібну інформацію, формувати і друкувати бланки висновків. Зображення в Базі можуть зберігатися в стислому вигляді, що дозволяє економити місце на жорсткому диску комп'ютера. Між програмами існує взаємозв'язок: документи з Бази можна передати в програму ВидеоТесТ-майстер (Морфологія), у свою чергу зображення з програми посилаються в задані користувачем поля картки Бази. Програма ВІДЕОТЕСТ - Майстер (Морфологія) дозволяє працювати з відео-зображеннями (файлами у форматі AVI) рухомих або таких, що змінюються в часі об'єктів. AVI файл може бути завантажений з диска або записаний безпосередньо в програмі ВІДЕОТЕСТ за наявності в комп'ютері плати, що дозволяє знімати рухомі об'єкти. Для рухомих або таких, що міняють з часом свої властивості (наприклад, яскравість) об'єктів можуть бути зміряні морфологічні, оптичні та інші параметри від кадру до кадру.

Робота присвячена проблемі сегментації об'єктів на зображеннях гістологічних препаратів. Її метою є розробка алгоритмів, що дозволяють виділити гістологічні об'єкти на зображенні препарату, зберігши геометричні і оптичні властивості об'єкту. Запропонована класифікація об'єктів для визначення алгоритму сегментації. Розроблений алгоритм півтонового утоньшенія, що враховує особливості зображень гістологічних препаратів.
На основі методів математичній морфології розроблені алгоритми сегментації судин і волокон при дрібному і великому оптичних збільшеннях, а також алгоритм ідентифікації судин і волокон при великому збільшенні, що використовує результати алгоритму сегментації. Розроблені алгоритми сегментації площадкових об'єктів (кліток, ядер кліток, поперечного перетину судин і волокон) методами математичної морфології і об'єднання областей, а також алгоритм визначення кліток на бінарному зображенні, отриманому в результаті порогової сегментації.
Для виконання сегментації гістологічних об'єктів на кольорових зображеннях розроблена система координат опису кольору PHS. Представлена система аналізу зображень Bioscan, в якій реалізовані вищеописані алгоритми. Отримані в дисертаційній роботі результати призначені для реалізації в автоматичних системах аналізу гістологічних препаратів і можуть використовуватися при традиційній обробці і аналізі гістологічних об'єктів.

1. Виділення гістологічних об'єктів на цифрових зображеннях утруднене істотною варіабельностью і слабкою контрастністю. Тому в завданнях сегментації для вирішення приватних завдань застосовуються різноманітні методи. Універсальні підходи до вибору алгоритму для сегментації довільного зображення гістологічних об'єктів невідомі. Отже, існує необхідність побудови взаємозв'язаної класифікації гістологічних об'єктів і алгоритмів сегментації, а також розвитку алгоритмів сегментації більш загального і універсального характеру для виділення широкого класу об'єктів.
2. Розроблена класифікація гістологічних об'єктів для визначення методу сегментації зображень гістологічних об'єктів. У основі класифікації лежать оптичні і геометричні характеристики гістологічних об'єктів, а також оптичні характеристики їх оточення – фону. Для кожного класу об'єктів визначений найбільш оптимальний метод сегментації. Така класифікація визначає універсальний підхід до вибору алгоритму для виділення гістологічних об'єктів певного класу, при цьому зберігаючи високу якість отриманих результатів.
3. Розроблений алгоритм півтонового утоньшенія об'єктів на слабоконтрастних зображеннях гістологічних об'єктів. Основною відмінністю алгоритму є те, що операція утоньшенія починає обробляти зображення з крапок об'єктів, що мають для свого оточення максимальні характеристики яскравості. Ця особливість дозволяє обробляти і отримувати якісний результат на зображеннях з складним фоном із змінними характеристиками яскравості, особливо для зображень гістологічних препаратів.
4. Розроблений алгоритм сегментації і відстежування судин або волокон при великих оптичних збільшеннях. Запропонований алгоритм, заснований на аналізі областей, отриманих за допомогою утоньшенія перепадів яскравості, дозволяє отримати якісний результат, придатний для подальшої обробки. Крім того, для даного методу сегментації пропонується метод відстежування, також заснований на аналізі виділених областей. Ці особливості дозволяють підвищити швидкість і якість обробки.
5. Розроблений алгоритм морфологічної сегментації площадкових гістологічних об'єктів. Алгоритм виділяє такі об'єкти як клітки, судини і волокна в поперечному перетині на зображеннях гістологічних препаратів з фоном, характеристики яскравості якого міняються, а текстура не виражена.
6. Розроблений алгоритм сегментації кліток методом об'єднання областей. Він орієнтований на обробку зображень з складним фоном, у якого міняються характеристики яскравості і присутня текстура, що складається з помилкових об'єктів і артефактів. Метод об'єднання областей істотно повільніше морфологічною сегментації, але він дозволяє визначати об'єкти навіть тоді, коли перепади рівнів яскравості об'єктів такі ж, як і у фону, що оточує їх. Відсутність стадій “засівання”, зростання і розділення областей приводить до виграшу в швидкості в порівнянні з традиційними алгоритмами зростання областей.
7. Пропонується система координат опису кольору, призначена для збереження кольоровості при роботі методів математичної морфології на зображеннях гістологічних препаратів. При представленні зображення в цій координатній системі основна частина обробки проходить по одній координатній осі що відображає півтонові властивості зображення. Це дозволяє поліпшити якість і прискорити обробку кольорових зображень гістологічних препаратів. Отримані в дисертаційній роботі результати призначені для реалізації в автоматичних системах аналізу гістологічних препаратів і можуть використовуватися при традиційній обробці і аналізі гістологічних об'єктів.

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.