В останні роки велику увагу викликають дослідження, пов’язані з вивченням та використанням стволових клітин в медицині для кліткової терапії пошкоджених тканин. Як зазначено в численних медичних джерел [2,4,5], для штучного формування повноцінної структури, здатної в процесі лікування відновити всі функції шкіри, вона повинна відповідати певним вимогам. Останнім часом все більша увага приділяє'ться створенню складних структур та композицій. Умовно клітинні композиції, можна розділити на дві групи. Перша - це варіанти живого еквівалента шкіри, що складаються з колагенового гелю з інокулюванними до його складу живими фібробластами, на по поверхні якого культивуються клітини епідермісу. І друга - культивовані заступники шкіри, кератиноцити. Кератиноцит - клітина епітеліальної тканини ектодермального походження, проміжні філаменти якої представлені білком кератином. Кератиноцити складають основну масу епідермісу шкіри ссавців. У зв'язку з розвитком біотехнологічних методів відновлення шкіри результати лікування обпалених значно покращилися. В даний час застосовують, різні модифікації методу Гріна [5]. Цей метод дозволяє в порівняно короткі терміни вирощувати епітеліальні пласти, які значно перевершують за площею розміри ісходного шматка шкіри. Метод Гріна отримав заслужене визнання при лікуванні постраждалих з великими опіками, у яких мав місце дефіцит донорських ресурсів шкіри.
Рис.1 Метод Гріна
Загальна схема даного методу складається з наступних етапів:
1) відбір і подрібнення біопрепаратів;
2) створення живильного середовища для кератиноцитів на спеціальному матраці;
3) формування пласта протягом декількох днів;
4) оцінка поточної готовності;
5) відшарування готового пласта від матраца і розміщення його на марлі з парафіном;
6) трансплантація на рану і лікування.
Як бачимо із загальної схеми, відновлення шкірного покриву пересадкою вирощених шарів кератиноцитів є складною технологією. Однією з причин невдалих трансплантацій епітеліальних пластів, є недостатня готовність пластів до пластики або несвоєчасна трансплантація. Оптимальним є пласт, що складається з 8-12 шарів клітин [2]. При пересадці незрілого пласта, поверхня культурального флакона заростає клітинами нерівномірно.
Рис.2 Етапи зростання кератиноцитів(Анімація складається з 3 кадрів с затримкою 3с, виконана у Gimp 2)
У різних частинах пласт має неоднакову кількість шарів клітин. Ефективність такої трансплантації невисока. При трансплантації перезрілого пласта порушується харчування кератиноцитів базального шару. Також існують інші чинники впливають на якість матеріалу при вирощуванні: порушення температурного режиму, неправильна концентрація діспази та ін. Регулярний контроль життєздатності культивованого пласта, допоможе своєчасно помітити можливі відхилення і прийняти рішення про збереження якісного фрагмента пласта або засіванні матраца новою культурою. Проблема полягає в тому, що несвоєчасне звільнення матраців від свідомо неякісних культур веде до втрати значних фінансових коштів, а головне часу, який часто є вирішальним фактором при лікуванні хворих з великими ушкодженнями шкірного покриву. Матеріал для пересадки, який не можна зробити про запас, часто необхідний у великій кількості і в стислі терміни.
Важливим етапом для проведення успішної операції, є визначення життєздатності матеріалу. Існуючі підходи до оцінки життєздатності клітин в більшості своїй припускають обробку клітин хімічними препаратами для виявлення різного ступеня інтенсивності специфічного забарвлення і дозволяють оцінювати кількість і локалізацію досліджуваних речовин у клітинах. До недоліків цих методів зараховують часові витрати і суб'єктивність отриманих результатів. Останнім часом інтенсивно розвиваються імунологічні методи аналізу клітинної діяльності. Клітини обробляють моноклональними антитілами і підраховують кількість взаємодіючих з ними клітин. Але втрачається інформація про локалізацію - розподіл по пласту досліджуваних елементів. Розглянуті методи мають загальний недолік - вони припускають надання фізичного впливу на клітини. Клітини, позбавлені середовища перебування отримують додаткове навантаження, стрес і наслідки цього, як правило, негативні. Щоб уникнути таких наслідків, ведеться пошук нових методик визначення життєздатності клітин з використанням комп'ютерних технологій, а саме обробка зображень пластів. Сама по собі ідея використання знімків не є новою [3], новизна буде полягати у використанні нових алгоритмів обробки і класифікації зображень, а також нових способів прийняття рішень про збереження або заміну пласта. В роботі була поставлена ??задача створення системи контролю життєздатності вирощуваних кератиноцитів, а також прогнозування термінів їх остаточного дозрівання, ключовою ланкою якої буде класифікація зображень, для визначення поточної життєздатності пласта кератиноцитів. Вхідними даними для системи є знімки матраців з клітинами, отримані за допомогою мікроскопа. В якості результатів програма буде видавати відомості про життєздатність культур: процентний вміст живих клітин на матраці і пропозицію про подальше вирощування або засівання нових культур. Після отримання зображення розміром 512х512 пікселів, повинні бути отримані його характерні ознаки, які буде можливо використовувати для класифікації. Як зазначено у роботі [1], отримати таку ознаку за допомогою гістограми яскравостей зображення або стандартних методів контурування неможливо, тому що яскравість клітин на зображенні практично дорівнює яскравості його фону. Тому основним завданням при реалізації системи контролю якості вирощуваної культури є вибір математичного апарату формування ознак приналежності клітин до живих або мертвих.
Зображення шару кератиноцитів має специфічну текстуру.
Рис.3 Сформований пласт кератиноцитів
До того ж при отриманні зображень присутній вплив оператора, який може розгорнути мікроскоп і встановити його на різний масштаб. Тому класифікуючі ознаки повинні бути інваріантні до повороту і зміни масштабу. Такі завдання розглядалися в роботі [3], при дослідженні фібробластів. Для вирішення проблем пов'язаних з поворотом і масштабом, планується вихідне зображення монослою кератиноцитів конвертувати в лог-полярне зображення для усунення ефектів повороту. Отримане лог-полярне зображення стане нахил-інваріантним і практично масштаб-інваріантним. Полярна форма p (a, r) даного NxN зображення f (x, y) обчислюється за формулою (1). Потім розраховується лог-полярне зображення для заданого NxN зображення (2):
(1)
де а=0,…,S-1; r=0,…,[N/2]-1; S=R=N.
(2)
де i=0,…,S-1; j=0,…,R-1.
Лог-полярне зображення виходить шляхом зсуву по ряду вихідного, при цьому яскравості значення вихідних пікселів залишаються колишніми, а змінюються координати їх розташування. Лог-полярні зображення текстур з різними кутами повороту і масштабом мають тільки зрушення по рядах, коли порівнюються з вихідною, не поверненою лог-полярною текстурою. Далі отримане лог-полярне зображення піддається вейвлет перетворенню [6], з використанням пари квадратурних дзеркальних фільтрів (високочастотних і низькочастотних). Це вейвлет перетворення відрізняється від стандартного двовимірного вейвлет пакетного перетворення тим, що є адаптивним і інваріантним до зрушення ряду (отриманому при створенні лог-полярного зображення). Як сказано в [6], головним недоліком двовимірного дискретного вейвлет пакетного перетворення є залежність від зсуву вхідного сигналу завдяки його двобічной структурі, а також чутливість до повороту. Особливість використовуваного вейвлет розкладу полягає в розрахунку надлишкової кількості наборів коефіцієнтів для отримання інваріантності до обертання і масштабу. Спочатку необхідно обчислити максимально можливу кількість рівнів розкладання, для зображення NxN (3):
(3)
Для кожного рівня, розраховуються 4 періодичні зображення без зсуву, за формулами для обчислення стандартного 2-мірного дискретного вейвлет пакетного перетворення,. 
,
,
,
. Для отримання інваріантності ряду до зрушення розраховуються ще 4 періодичні зображення (4), (5), (6), (7), кожне зі зрушенням на один ряд:
(4)
(5)
(6)
(7)
де i=0,..,N/2p+1-1; j=0,..,M/2p+1-1;
g(m) и h(n)- пара квадратурних дзеркальних фільтрів високочастотного і низькочастотного відповідно;
- - Задається сірими рівнями зображення, отриманого лог-полярним перетворенням.
Для підвищення ефективності вейвлет перетворення вибираються певні діапазони розкладеного зображення для декомпозиції надалі, замість декомпозиції кожного зображення. Кращий базис подання виходить ефективним рекурсивним процесом відбору, який визначає кращу декомпозицію зображення, грунтуючись на локальній мінімізації функції ціни інформації. Функцією ціни інформації, в даній роботі, обрана ентропія Шеннона (8):
(8)
Згенеровані вейвлет коефіцієнти інваріантні до повороту і майже інваріантні до масштабу. Проте велика кількість вейвлет коефіцієнтів непридатна для стійкої текстурної класифікації. Зменьшення коефіцієнтів проводиться розрахунком величини енергії сигнатури для кожної Субзони. Таким чином, число енергетичних сигнатур дорівнює числу субзон, що генеруються адаптивним перетворенням вейвлет пакетного зсуву ряду. Число сигнатур може варіюватися, залежно від маси корисної інформації, закладеної в них. Таким чином, в результаті лог-полярного і вейвлет пакетного перетворення, інваріантного до повороту і масштабу, виходить задана заздалегідь кількість енергетичних сигнатур, що характеризує зображення. В роботі планується використовувати дві енергії сигнатури - величини середнього значення (9) і стандартного відхилення (10).
(9)
(10)
Для вирішення завдання текстурної класифікації зображень монослоя фібробластів вибрані класифікатор Махаланобіса (11) і метод порівняння евклідових відстаней (12).
(11)
(12)
де x-класифікуючий вектор, vi - вектор середніх для еталонного класу.
Ефективність запропонованих лог-полярних вейвлет сигнатур для класифікації текстур монослоя клітин, а також методи класифікації перевірені були перевірені іншими фахівцями при дослідженні фібробластів.
В результаті проведеного аналізу були відібрані приблизні методи оцінки життєздатності кератиноцитів. Розглянуті перспективні методи обробки і класифікації зображень пластів культури, які дозволяють оцінювати їх життєздатність без фізичного впливу на клітини, а саме лог-полярне і вейвлет перетворення, для створення інваріантності зображення до повороту і масштабу, а також класифікатор Махаланобіса і метод порівняння евклідових відстаней, для текстурної класифікації. Надалі планується проведення машинних експериментів з еталонними знімками кератиноцитів, з метою перевірки ефективності обраних методів.