CC BY
37
В качестве примера представим более подробные модели некоторых хромосом.
Хромосома «узел - технические устройства» (хромосома Х2) отображает, какие технические средства используются при компоновке технических средств каждого узла.
Х2 ^ {Ь21, Ь22, Ь23,...Ь2р...Ь„м}
Ь2І образует обобщенный локус каждого узла.
L2j = {Ь2І2, Ь2і2,---Ь2їк}
где Ь2ік -типы технических устройств, например:
Ь2,1 - тип,
Ь2І2 _ объем оперативной памяти,
Ь2і3 _ объем винчестера,
Ь2І4 _ тип печатающего устройства,
Ь2І5 _ тип устройства связи,
Ь2І6 _ тип аппаратной системы защиты информации и т. д .
Генофонд каждого локуса Ь2І]- состоит из лингвистических переменных, кодируемых порядковыми номерами их перечисления.
Генофонд одинаков для всех локусов.
Хромосома «ТС _ ПО» (хромосома Х3) отображает, какие программные средства используются в ТС.
Х3 ^ {Ьзъ Ь32, Ьзз,.Ьз],.Ьз^}
Ь3І образуют обобщённый локус каждого ТС и отображает типы системных и прикладных программных средств, допустимых к использованию в данном техническом устройстве.
^3] = {Ь3}1, ь3]2, ...}
Генофонд одинаков для всех локусов.
Хромосома «ТС - КС» (хромосома Х4) полностью соответствует по структуре хромосоме «ТС - ПО». Однако, целесообразно объединить генофонд этой хромосомы с генофондом хромосомы «подграф (подсистема) - КС».
Х4 ^ &41 ’, Ь42 ’, Ь43 \ ...Ь4] ’,...Ь4Н }
Хромосома «подграф (подсистема) - КС» (хромосома Х5).
Х5 ^ {Ь^1 ’, Ь^2 ’, ^53 }
Локус соответствует номеру подграфа, а его генофонд _ типу канала связи, соединяющего между собой подсистемы.
001 _ телефонный узел 010 _ ра, щоканал L5j =011 _ спецканалы
100 _ оптоволокно
101 _ спутниковый канал
Длина этой хромосомы плавающая.
Представленная мультихромосомная ГМ является интегрированной, многопараметрической и предназначена для оптимизации структуры АИС.
Литература
1. Батищев Д. И., Скидкина Л. Н., Трапезникова Н. В. «Глобальная оптимизация с помощью эволюционно-генетических алгоритмов» // Межвуз. Сборник. Воронеж: ВГТУ, 1994.
УДК 004.9342
АВТОМАТИЗИРОВАННАЯ СИСТЕМА ОБНАРУЖЕНИЯ ПАТОЛОГИЙ КЛЕТОК В ТЕМНОПОЛЬНЫХ ИССЛЕДОВАНИЯХ КРОВИ
С. В. Жук, аспирант кафедры «САПР и ПК»
Тел.: + 79197935549, kuduk@land.ru
О. О. Привалов, к. т. н, доцент кафедры «АСОИУ»
Тел.: (84457) 9-40-48, galva@mail.ru,
Камышинский Технологический Институт www.kti.ru.
The authors describe the problems arising in the analysis of raster images of peripheral blood obtained by dark field microscopy, propose the algorithm for the edges selection of the analyzed objects, adapted for the darkfield images, and offer classification algorithm for pathological cells.
В данной статье авторами рассматриваются проблемы, возникающие при анализе растровых изображений картин периферической крови, полученных при помощи темнопольной микроскопии, предложены алгоритм выделения границ объектов исследования, приспособленный под темнопольные изображения и алгоритм классификации патологических клеток.
Ключевые слова: темнопольные исследования, автоматизация, классификация, мегалоцит, макроцит, нормоцит, микроцит, анемия, микрон, алгоритм Canny.
Keywords: darkfield analysis, automation, classification, megalocyte, macrocyte, normocyte, microcyte, anemia, micron, Canny algorithm.
На данный момент анализ клеток крови, полученных в результате микроскопии, является одним из основных средств диагностики состояния здоровья пациента. Повсеместно используемый классический метод светлого поля, как показали долгие годы его применения, не в состоянии дать полной картины состояния организма. Существенными недостатками данного метода является невозможность обнаружения множества прозрачных неабсорбирующих объектов, и то, что анализ проводится только через несколько часов, когда движения клеток прекратились и вся микрофлора погибла [1].
На сегодняшний день одним из новейших и наиболее перспективных методов диагностики здоровья является сканирование живых клеток крови при помощи темнопольного микроскопа. Суть этого метода состоит в том, что в течение 20 минут после забора отдельной капли крови, содержащиеся в ней клетки продолжают жить. Наблюдение за состоянием живой крови стало возможным благодаря использованию микроскопа темного поля и работе на большом увеличении (1800-2000х). Изображение живых клеток крови передается на экран монитора компьютера с помощью цифровой видеокамеры, подключенной к темнопольному микроскопу, и может быть захвачено и сохранено в стандартном графическом формате или записано в виде ролика, который в дальнейшем сможет просмотреть специалист и обследуемый пациент.
На основании анализа крови полученной методом темного поля впервые появилась возможность определить качественное состояние клеток. Оцениваются искажения их формы, отражающие качество питания, а особенно низкий уровень железа, фолиевой кислоты, витаминов группы В, а также белков и жирных кислот. Анализируя состояние тромбоцитов, лимфоцитов и лейкоцитов можно определить активность иммунной cистемы и способность организма к самовосстановлению, а также своевременно обнаруживать патологические изменения состава крови, приводящие к развитию многих серьезных заболеваний.
Данный метод применяется для получения изображений прозрачных, непоглощающих свет и потому не видимых при наблюдении в светлом поле объектов. Пучок лучей, освещающих объект, выходит из конденсора в виде полого конуса и непосредственно в объектив не попадает. Изображение создается только светом, который рассеивается мелкоструктурными элементами объекта. В поле микроскопа на темном фоне видны светлые изображения мелких деталей; у крупных деталей видны только светлые контуры, которые рассеивают освещающие лучи.
Стоит отметить тот факт, что вся производимая на данный момент диагностика здоровья пациента по методу темного поля производится в основном без применения каких-либо специализированных компьютерных систем и соответственно результаты диагностики здоровья у одного и того же пациента, при обследовании у нескольких различных специалистов, могут существенно отличаться друг от друга за счет субъективности оценок анализа. Как правило, главными факторами расхождения в оценке результатов исследования является опыт специалиста производящего анализ. Использование в процессе диагностики специализированной автоматизированной компьютерной системы позволит не только устранить данный недостаток, но и повысить ско-
рость и точность производимых анализов. Автоматизация обработки результатов анализов существенно повышает качество работы лаборанта, а так же способствует накоплению информации в банках данных, что позволит в дальнейшем более точно ставить диагноз и оказывать информативную поддержку при изучении сложных случаев.
Основная проблема состоит в том, что изображения карт крови, полученных в результате темнопольной микроскопии, получаются практически бесцветными, что создает ряд трудностей для анализа таких изображений уже существующими автоматизированными системами. Дело в том, что в современных системах используются алгоритмы выделения и классификации объектов исследования, основанные в основном на работе с цветом объекта [2], поэтому изображения, полученные при помощи темнопольной микроскопии, и загруженные в подобного рода системы, не могут быть правильно проанализированы, а объекты - классифицированы.
Целью нашей работы является исследование современных алгоритмов позволяющих четко выделять границы эритроцитов, их усовершенствование и адаптация к темнопольным изображениям, а так же разработка алгоритма классификации клеток по морфологическим признакам.
Нами было протестировано множество известных алгоритмов для четкого выделения границ объектов исследования не применяющих в качестве основного параметра цвет. Основными критериями отбора среди алгоритмов были следующие:
1.минимизация уровня ошибок, обеспечивающая нахождение большинства границ;
2. максимальная точность выделения, то есть обеспечение минимального расстояния между обнаруженной и действительной границами;
3. единственный отклик в месте, где существует только одна граница.
Был выбран известный алгоритм выделения границ Canny, принцип его работы основан на перепаде яркостей границы объекта и фона.
Среди достоинств алгоритма Canny [3] является то, что при обработке изображения происходит адаптация к ее особенностям. Это достигается путем ввода двухуровневого порога отсечения избыточной информации. Назначается два уровня порога, верхний - phigh и нижний - piow , где phigh > plow. Значения пикселей выше значения phigh идентифицируются как принадлежащие границе. При формировании текущей границы соседние пиксели со значениями величины градиента меньшими, чем рьщь считаются принадлежащими границе до тех пор, пока они превышают р1(ОТ. В том случае, когда на всей границе нет ни одной точки со значением, большим верхнего порога, она удаляется. Такой подход позволяет получить довольно четкие границы объекта толщиной в один пиксель. Как недостаток алгоритма следует отметить то, что при не правильно установленных порогах зачастую наблюдаются разрывы в обнаруженных границах объектов (рис. 1). Этот недостаток мы предлагаем компенсировать объединением алгоритма Canny с преобразованием Хафа для поиска окружностей [4]. Сочетание данных алгоритмов позволяет максимально
разрывы в контурах (рис. 2).
Следующей немаловажной проблемой является автоматизация классификации выделенных объектов по группам. Согласно общепринятой схемы кроветворения патологии эритроцитов можно разделить на две основные группы: изменения размера (анизоцитоз) и формы (пойкилоцитоз) эритроцитов. Ани-зоцитоз или изменение величины эритроцитов является довольно частым спутником анемий, причем форма отдельных эритроцитов почти не меняется. Своевременное обнаружение таких патологических клеток, их подсчет в процентном соотношении к здоровым клеткам позволит своевременно поставить диагноз и начать профилактическое лечение.
Как известно по размеру патологические эритроциты [6] можно разделить на 4 вида:
1.Нормоциты - здоровые эритроциты размером 6-7 микрон;
2.Микроциты - малые по размерам эритроциты, диаметр которых составляет от 3 до 5 микрон, являются дегенеративными, обычно мало стойкими формами красных кровяных телец и встречаются при гемолитической желтухе (анемии). Помимо того, микроцитоз наблюдается при
четко выделять объекты исследования, а также устранять
Рис. 1. Разрывы в контурах Рис. 2. Результат работы
объединенных алгоритмов
острых и некоторых хронических лейкемиях, в случаях особых микроцитарных анемий, иногда при злокачественных опухолях. Повышеное содержание микроцитов указывает на нарушение кроветворения в костном мозгу;
3.Макроциты - большие эритроциты с диаметром 9-10 микрон являются признаком регенерации крови и встречаются при хлорозе, реже при бирмеровской анемии, при анемиях перницио-зоподобного типа;
4.Мегалоциты - клетки огромного размера 11-12 микрон зачастую имеющие овальную форму, обнаруживаются при анемии, обусловленной острой нехваткой витаминов, таких как ко-баламин и фолиевая кислота.
Нами был разработан следующий алгоритм для классификации вышеперечисленных видов клеток:
1.На первом этапе осуществляется выделение границ всех объектов на растровом изображении с помощью объединенных алгоритмов Canny и Хафа.
2.Происходит разбиение найденных объектов на отдельные изображения, из которых создается галерея.
3. Специалистом, производящим анализ, выбирается эталон - полностью здоровый эритроцит. На основе этого эталона программой создается маска и высчитывается размер здорового эритроцита в микронах.
4.С полученной маской происходит поочередное сравнение всех имеющихся в галерее изображений, если объект из галереи изображений существенно превышает заданную маску по размерам, то данный объект является либо макроцитом, либо мегалоцитом. Далее высчитывается размер этого объекта в микронах - если его размер равен промежутку 9-10 микрон, то этот объект классифицируется как макроцит, если же размер равен 11-12 микрон, то это мегалоцит.
5. Действия аналогичные пункту 4 выполняются для объектов если он меньше либо равен размеру маски, то есть объекты классифицируются как микроциты при промежутке 3-5 микрон и нормоцит при промежутке 6-7 микрон.
6.Последним пунктом является расчет процентного соотношения здоровых эритроцитов к патологическим, что в свою очередь говорит специалисту производящему анализ, существует ли какая-либо опасность возникновения того или иного заболевания.
Описанный выше алгоритм был упрощен по сравнению с используемым в программе с целью более лучшего понимания процесса классификации. Данный алгоритм был протестирован на галерее изображений состоящих из 100 объектов подлежащих классификации. В 89% случаев объекты были классифицированы правильно, что доказывает высокую эффективность разработанного алгоритма. В 11% случаев объекты были классифицированы как неопределенные и будут в дальнейшем рассмотрены экспертом проводящим анализ. Зачастую данными неопределенными (аномальными) объектами являются, например, пузырьки воздуха при неправильной подготовке препарата к исследованию и т.п.
Авторы считают, что в данной работе новыми являются следующие положения и результаты: предложен вариант усовершенствования алгоритма Кенни для выделения границ клеток крови, предложен алгоритм классификации патологических клеток крови (эритроцитов).
В дальнейшем авторами планируется доработка автоматизированной системы: создание специализированной информационной базы с набором редких случаев аномалий эритроцитов, что позволит оказывать оперативную поддержку специалисту-гематологу в сложных случаях, а так же существенно ускорить процесс постановки диагноза.
Литература
1. Диа Морф Объектив - современное программное обеспечение для автоматической морфометрии и подсчета объектов на цифровых изображениях [Электронный ресурс]. - [2009]. - Режим доступа : http://www.diamorph.ru/aboutprog.html.
2. Петров В. О. Алгоритм текстурной сегментации растровых изображений при решении прикладных задач медико-биологического анализа / В.О. Петров, В.А. Камаев, С.В. Поройский // Современные проблемы науки и образования. - 2009. №6. - С. 106-110.
3.Жук С. В. Обзор современных методов сегментации растровых изображений // Известия Волгоградского государственного технического университета: межвуз. Сб. науч. ст. №6 / ВолгГТУ. - Волгоград, 2009. - С. 115-118.
4. Википедия - свободная энциклопедия [Электронный ресурс]. - [2010]. - Режим доступа : http://ru.wikipedia.org/wiki/Преобразование_Хафа
5. Петров В. О. Применение метода активных контуров для интерактивного выделения объектов на растровых изображениях медико-биологических препаратов / В.О. Петров, О.О. Привалов, И.В. Степан-ченко, В.В. Сургутанов и др., всего 5 человек // Бюллетень Волгоградского научного центра РАМН. -2008. №3. - С. 54-55.
6. Свищева Т. Я. Перспективная диагностика. Биорезонансная, световая, темнопольная, люменес-центная / Т.Я. Свищева.- СПб, 2006.- С. 61-66.
УДК 620.91, 620.92, 620.97, 620.98
ИНФОРМАЦИОННАЯ СИСТЕМА КОМПЛЕКСНОГО ИСПОЛЬЗОВАНИЯ ВОЗОБНОВЛЯЕМЫХ ИСТОЧНИКОВ ЭНЕРГИИ В ПЕНЗЕНСКОЙ ОБЛАСТИ
П. В. Васильев, аспирант Тел.: (8412) 49 27 58, e-mail: pavel.nakasse@gmail.com Т. В. Глотова, к. т. н., с. н. с.
Тел.: (8412) 49 27 58, e-mail: tatyanaglt@yandex.ru В. И. Чернецов, д. т. н., профессор Тел.:(8412) 56 37 97, rgu-penza@mail.ru Российский государственный университет инновационных технологий и предпринимательства (г.Пенза), www.rgu-penza.ru
Статья подготовлена в рамках государственного контракта П110 от 12 апреля 2010г. ФЦП «Научные и научнопедагогические кадры инновационной России» на 2009-2013 гг
The article deals with the establishment of an information system for the integrated use of renewable energy in the Penza region, the composition and structure of the data information system and algorithm processing in terms of support for management decisions. The authors describe the information system, which is able to develop guidance and recommendations on optimization of production systems, storage and transportation of energy and improving the ecological balance in the region.
Рассматриваются вопросы создания информационной системы комплексного использования возобновляемых источников энергии в Пензенской области. Предложены состав и структура данных информационной системы и алгоритм их обработки с точки зрения поддержки принятия управленческих решений в части разработки указаний и рекомендаций по оптимизации систем производства, хранения и транспортировки энергии и улучшению экологического баланса региона.
Ключевые слова и словосочетания: альтернативный источник энергии, установка, информационная система, база данных, мониторинг состояния энергетического баланса.
Key words and word-combinations : alternative energy source, aggregate, information system, data base, monitoring of energy balance.
Многие потребители энергии сталкиваются с трудностями подключения, увеличения объемов потребления и ростом цен на энергоносители. Рост потребления - тенденция в целом для России положительная и говорит о подъеме промышленного производства [1]. Государственные прогнозы и планы на промышленную добычу нефти, газа и каменного угля предусматривают настоящее и будущее наращивание объемов выработки. В 2003г. была выработана и опубликована энергетическая стратегия России на период до 2020 года. Она отражена в распоряжении Правительства Российской Федерации от 28 августа 2003 г. N 1234-р г. Москва. [2] Согласно этому документу, современная экономика России энергорасточительна. Почти третья часть те-
