CC BY
106
верждение просто не соответствует действительности. На самом деле в настоящее время большинство испытаний в испытательном центре ОАО «ЭНПО «СПЭЛС» проводится на моделирующих установках — ускорителях электронов (У31/33, РЕЛУС и АРСА) в режиме генерации гамма-излучения. В основном это определяется особенностями конструктивного исполнения микросхем иностранного производства (пластиковые корпуса с различным химическим составом и толщинами крышек), а также недостаточным количеством образцов для статистически обоснованной калибровки имитаторов. Вместе с тем во всех случаях, когда либо моделирующие установки не позволяют выявить отказ, либо необходимы прецизионные и специальные измерения (например, определение значений параметров годности ЦАП и АЦП, характеризующих точность и быстродействие преобразования информации), выявление критических режимов и анализ
живучести образцов (например, после тиристорного эффекта) — безусловно, применяются аттестованные имитаторы. Повторно отметим, что оптимальное сочетание достоверности и техникоэкономической эффективности обеспечивается рациональным совместным применением всего арсенала моделирующих и имитирующих установок без дискриминации любой из них, что полностью соответствует основным положениям «Базовой технологии прогнозирования, оценки и контроля радиационной стойкости изделий микроэлектроники», удостоенной Премии Правительства Российской Федерации в области науки и техники за 2009 г. Проанализированный выше перечень некоторых заблуждений и предрассудков в области оценки радиационной стойкости ЭКБ может быть при желании легко продолжен... Причем, наверное, самым главным заблуждением в этом ряду, порождающим многие остальные, является тезис, что для
того чтобы быть назначенным «головным» или экспертом, давать заключения, писать стандарты, разрабатывать координационные планы и программы работ, словом, — судить и наставлять (в частности, как именно следует проводить оценку радиационной стойкости ЭКБ) — совершенно необходимо быть специалистом — т.е. иметь в этой предметной области знания и опыт. Ну, хотя бы на уровне основных понятий и представлений о том что представляют собой современные объекты ЭКБ, современные испытания и современные нормативные документы! Но это заблуждение, во-первых, является универсальным — известно, что «лечить, учить и руководить может каждый», а, во-вторых, к счастью, он пока не оказывает заметного влияния на «ход каравана».
Автор совершенно уверен, что это последнее заблуждение безусловно не относится к читателям данного материала и сборника в целом!И
НИКИТАЕВ1 Валентин Григорьевич, д.т.н., проф.; НАГУМАНОВА2 Юлия Рафаиловна; ПРОНИЧЕВ3 Александр Николаевич, к.т.н.;
ЧИСТОВ4 Кирилл Сергеевич, к.т.н.
КОНЦЕПТУАЛЬНАЯ МОДЕЛЬ РАСПОЗНАВАНИЯ БЛАСТНЫХ КЛЕТОК В СИСТЕМЕ КОМПЬЮТЕРНОЙ МИКРОСКОПИИ
В статье изложен подход к описанию бластных клеток крови. Рассмотрена концептуальная модель распознавания бласт-ных клеток в системе компьютерной микроскопии.
Ключевые слова: концептуальная модель, компьютерная, микроскопия, распознавание изображений, текстурные признаки, автоматизированный анализ клеток крови.
The paper presented, an approach to the blast blood, cells description. We consider the conceptual model of the blast cells recognition in computer microscope.
Keywords: conceptual model, computer microscopy, image recognition, texture features, automated, blood, cells analysis.
При исследовании периферической крови пациентов с острым лейкозом врачи-гематологи сталкиваются с задачей идентификации бластных клеток, наблюдаемых в микроскопе. Но, несмотря на существующие многочисленные описания разных видов бластных клеток [1 — 3] актуальность проблемы правильной идентификации бластных клеток не уменьшается, так
как даже среди специалистов возникают спорные вопросы. А в условиях территориальной удаленности гематологических центров и дефицита высококвалифицированных специалистов на местах ситуация в области диагностики острых лейкозов может приобретать критический характер. Целью настоящей статьи является разработка концептуальной модели распознавания
1 — зав. каф. НИЯУ «МИФИ»;2 — аспирант НИЯУ «МИФИ»;
3 — доцент НИЯУ «МИФИ»;4 — доцент НИЯУ «МИФИ».
бластных клеток в системах компьютерной микроскопии.
Подход к описанию бластных клеток крови
Задача распознавания бластных клеток крови на основе светового микроско-пирования [4] сопряжена с проблемой формирования совокупности призна-
SPEC_2011_SPT-1.indd 67
Рис. 1. Методы описания клеток крови
ков, описывающих клетку крови. Признаки, на основе которых проводится распознавание бластных клеток базируются на форме, контрасте, цвете и текстуре исследуемых объектов [5]. Можно выделить следующие подходы к описанию клеток крови при диагностике острых лейкозов с применением методов компьютерной микроскопии (рис. 1):
Качественные признаки для идентификации бластов
При оценке морфологии бластных клеток важную роль играют следующие диагностические признаки [1 — 3]:
♦ размер клеток (микро-, мезо- и макроформы);
♦ форма клеток (округлые, вытянутые, с цитоплазматическими выростами, неправильной формы и т.д.);
♦ ядерно-цитоплазматической соотношение (низкое, умеренное, высокое);
♦ форма ядер (округлая, моноцитоид-ная, складчатая, неправильная т.д.);
♦ структура хроматина (грубая, гомогенная, нежносетчатая);
♦ наличие нуклеол (1 и более);
♦ цитоплазматические включения (азурофильная зернистость или палочки Ауэра);
♦ цвет цитоплазмы (базофильная, ок-сифильная).
Широкое использование качественных признаков в клинической практике обусловлено использованием традиционных визуальных методов микроскопического исследования препаратов крови. Недостатком качественных
признаков является субъективизм оценки и невысокая точность итоговой оценки. Современные компьютерные анализаторы микроскопических изображений имеют возможности для проведения автоматизированного измерения количественных характеристик клеток крови. Для этого необходимы разработки методов, моделей, алгоритмов и программ, обеспечивающих автоматизацию указанных измерений. Количественные признаки для идентификации бластов Всем качественным признакам, которые оцениваются визуально, можно поставить в соответствие количественные признаки. Этот процесс можно реализовать автоматически. При этом можно выделить следующие группы признаков: характеристики количества структурных элементов клетки (ядрышек, палочек Ауэра и т.п.), геометрические характеристики (размер и форма структурных элементов — ядер, цитоплазмы, ядрышек и т.п.), цветовые (цвет ядра, цитоплазмы, зерен в цитоплазме), контрастные (относительная интенсивность окраски цитоплазмы и ядра клетки), текстурные (статистические характеристики пространственного распределения яркости цветовых компонентов в области ядра и цитоплазмы). Одним из существенных признаков бластной клетки является нежносетчатая структура хроматина [1]. Так как это признак качественный, а его оценка субъективна, для автоматизации распознавания бластных клеток необходимо использовать количественные признаки, характеризующие структуру хроматина. Поскольку понятие «нежная сетчатость» связано с характерным рисунком пространственного распределения яркости точек на изображении ядра клетки, то для количественной оценки этой характеристики предлагается использовать текстурные признаки.
Текстурные признаки Одним из способов оценки текстурных свойств изображений клеток крови является расчет пространственной взаимозависимости значений яркости пикселей изображения объекта, с помощью матрицы пространственной смежности О. Элемент матрицы О (і, ]) определяется как количество таких пар пикселов в изображении, у которых і — яркость первого пиксела, а ] — яр-
кость второго пиксела, при этом пара рассматриваемых пикселов находится на заранее установленном расстоянии друг от друга и по заданному направлению [6]. Для того чтобы на значение показателя не влиял размер исследуемой области применяют нормализацию матрицы пространственной смежности. Элемент нормализованной матрицы пространственной смежности определяется следующим образом:
gij = G (г, G j )•
i j
Если используется 8-битное кодирование яркости, то нормализованная матрица пространственной смежности представляет собой двумерный массив чисел размерностью 256x256. На основе значений элементов этого массива рассчитывают характеристики отражающие особенности пространственного распределения яркости в изображении. Для решения задачи распознавания бластных клеток предлагается [5] использовать следующие характеристики [6].
1. Энергия (степень однородности)
ASM = j
ij
где gij — элемент матрицы пространственной смежности, i,j — меняются от 0 до 255(при 8-битном кодировании яркости в цифровом изображении);
2. Момент инерции
con = XZ (i - j)1 gs;
ij
3. Энтропия
HVr = -£Xg,,log%;
* j
4. Локальная однородность
LUN = YY----------
i у 1 + 0' —у')
5. Максимальная вероятность
MPR = max max g{
У
Комбинированные признаки для идентификации бластов
Совокупность качественных и количественных признаков, описывающих клетку крови, может включать комбинации различных категорий признаков, например: морфологические, текстурные, цветовые.
16.01.2012 13:26:54
Для описания изображений клеток крови в данной работе выбраны комбинированные признаки, что отражено в приведенной ниже концептуальной модели распознавания бластных клеток МП:
МП = (Мун, Рг, Б, Ко, Ка, С1, Пк, Кг). Здесь Мун — цифровое изображение клетки крови, определяемое следующим образом. Пусть на наблюдаемом в микроскоп изображении условно нанесены координатные оси Х и У, а яркость в точках изображения описывается функцией двух координат а=А(х,у), при этом хеК, уеЯ., аеК , где К — это множество вещественных чисел. Введем Ха = (х1, ..., хы) — множество координат дискретных отсчетов по оси абсцисс, N — количество дискретных отсчетов по этой оси; Уа = (у1,..., уМ}
— множество координат дискретных отсчетов по оси ординат изображения, М — количество дискретных отсчетов по оси ординат; Zа = (г1, ..., гК) — множество значений уровней квантования яркости изображения, К — количество уровней квантования яркости. Множество точек изображения, формирующих отсчеты для цифрового изображения, задается декартовым произведением Ха*Уа. А отображение
XaxYa^Zа определяет уровень квантования яркости изображения в дискретных отсчетах так, что
V, 3 / к V™ \А(хи у) - zk\ < \А(хи у) - zш\.
Значение к-го уровня квантования яркости, соответствующего точке с координатами х,, у] обозначим как zk(x,, у). Определим множества целых чисел
X ={1,..,Ы}, У={1, ..., М}, Z= {0,..., К-1}
и введем отображения Ха^Х, Уа^У, Zа^Z, таким образом что
Vy,k (х, о х* / хЛІ є X, у о ул/ уЛ1 є У, zk 0 zdk / zdk є Z,),
где знак о обозначает взаимнооднозначное соответствие. Тогда цифровое изображение определим как отображение Мш: Х*У^ Z, такое что ^3! к Zdk (хЛІ, у^) о Zk X, у)
Рг — операция предобработки изображения клетки крови с целью устранения влияния искажающих изображение факторов (шум, неравномерность фона и т.п.); Б — сегментация изображения клетки крови, в результате этой
операции выделяются области для расчета количественных признаков; Ко — вычисление количественных признаков клетки крови; Ка — определение качественных признаков клетки крови; С1 — классификация клетки крови на основе полученных признаков; Пк
— дистанционное консультирование по телемедицинской сети; Кг — определение типа клетки крови.
Заключение
Изложен подход к описанию клеток крови при автоматизированном анализе препаратов крови с применением компьютерной микроскопии, основанный на использовании качественных и количественных признаков. Это позволяет снизить субъективизм в идентификации бласт-ных клеток крови в процессе диагностики острых лейкозов. Предложена концептуальная модель распознавания бластных клеток, на основе которой разработано программное обеспечение, реализованное в системе, внедренной в Российском онкологическом научном центре им.
Н.Н. Блохина Российской академии медицинских наук ■
Литература
1. Руководство по гематологии: в 3т. Т.1. / Под ред. А.И.Воробьева. 3-е изд. Перераб. и допол. — М.: Ньюдиамед, 2002. — 280 с.
2. Клетки крови и костного мозга: Атлас/ Г.И. Козинец, З.Г. Шишканова, Т.Г. Сарычева и др./ Под ред. Г.И. Козинца. — М.: Медицигское информационное агентство, 2004. — 203 с.
3. Луговская С.А., Морозова В.Т., Почтарь М.Е., Долгов В.В. Лабораторная, гематология. — Тверь: ООО «Издательство «Триада», 2006. — 224 с.
4. Компьютерные системы, гематологической диагностики. Введение: Учебное пособие / В.Г. Никитаев, И.А. Воробьев, В.Н. Блиндарь и др. М.: МИФИ, 2006. — 168 с.
5. Nikitaev V.G., Pronichev A.N., Chistov K.S. Method of computerized image analysis of blast cells at diagnostics of acute leukoses./ Procedings XII international work-shop «Medicine of XXI century». — Slovakia, Low Tatras. — January, 10-24, 2004. — PP. 27, 28.
6. Харалик Р. Статистический и структурный подходы к описанию текстур. /ТИИЭР, 1979. — Т. 67. — № 5. — С. 98 — 119.
SPEC_2011_SPT-1.indd 69
69
)1.2012 13:26:55
