CC BY
29
5. ШФОРМАЦШШ ТЕХНОЛОГИ ГАЛУЗ1
УДК 004:932.2:616-006.06 Доц. О.М. Березький, д-р техн. наук;
викл. ГМ. 'Мельник, канд. техн. наук; викл. ЮМ. Батько; доц. Т.В. Дацко, канд. мед. наук - Терноптьський нацюнальний економгчний ушверситет
ШТЕЛЕКТУАЛЬНА СИСТЕМА ДЛЯ Д1АГНОСТУВАННЯ Р1ЗНИХ ФОРМ РАКУ МОЛОЧНО1 ЗАЛОЗИ НА ОСНОВ1 АНАЛ1ЗУ Г1СТОЛОГ1ЧНИХ I ЦИТОЛОГ1ЧНИХ ЗОБРАЖЕНЬ
Розглянуто проблеми побудови штелектуальних систем для дiагностування зло-яюсних новоутворень молочно! завози на осж^ цифрових мiкроскопiчних зображень. Дiаraостика новоутворень базуеться на аналiзi цитологiчних i гiстологiчних зображень, отриманих за допомогою свiтлового мiкроскопа. Запропоновано штелектуальну систему iз застосуванням нечiтких алгоритмов для автоматизаци процесу аналiзу гiстологiчних та цитолопчних зображень та виводу висновку про стан i тип мжрооб'екпв.
Ключовi слова: попередне опрацювання, фшьтрацш, сегментацiя, контурний аналiз, структурний аналiз, нечiткий логiчний вивiд, база знань, база даних.
Вступ. За даними Нацiонального канцер-реестру (НКР) [1], у 2011 р. було зареестровано 169 030 нових випадюв захворювання на злояккш новоутворення (ЗН). Загальний показник захворюваносп для жiночого населення зрю на 2,7 %. Показник смертносп серед населення у 2011 р. становив 186,3 на 100 тис. населення, що на 0,3 % вище, нiж у попередньому рощ. Перше мiсце в структурi як захворюваностi, так i смертности серед жiночого населення Украши у 2011 р. по-сiдають ЗН молочно!' залози iз питомою вагою в 20 %.
У 2012 р. зроблено першу спробу провести ощнку показника морфолопч-но шдтверджених дiагнозiв (цитологiчно чи гiстологiчно). У НКР констатовано, що стан морфолопчно!' верифкацц ЗН в Украíнi за перюд 2000-2009 рр. е не за-довiльним. Це свiдчить, зокрема, про вiдсутнiсть необидного зв'язку мiж онко-логiчною та патологоанатомiчною службами.
Рак молочно!' залози - це злояккна пухлина, утворена з кттин молочно!' залози. Основним методом раннього виявлення раку молочно!' залози у клшчнш практищ е реттешвське дослщження - мамограф1я. Для даагностування ЗН шс-ля проведення мамографií застосовують бiопсiю. Бiопсiя - забiр клиин i тканин ураженого органу на цитолопчне або гiстологiчне дослiдження. Висновок цито-логiчного дослiдження закiнчуеться формулюванням передоперащйного дiагно-зу, грунтуючись на якому розробляють тактику лiкування пащента. При цьому дослiдженнi використовують цитолопчш зображення (ЦЗ). Мiкрооб'ектами на ЦЗ е клгтини та 'х складов! Критерп цитологiчноí дiагностики ЗН грунтуються насамперед на морфологií клiтини i особливо ядра.
Для верифiкацií попереднього даагнозу, подальшого лiкування i плануван-ня терапií використовують отриманi за допомогою мжроскопа гiстологiчнi зображення (ГЗ). Об'ектами на ГЗ е зрiзи тканин певних органiв, утвореш впорядко-вано розмiщеними клiтинами. Цитолопчш i гiстологiчнi зображення входять до класу бiомедичних зображень (БМЗ) - зображень, ят отриманi за допомогою будь-яко1 бiомедичноí технiки. Перебiг злояккних процесiв характеризуеться
змiною структури тканин i клiтин у них. Прикладом ознак таких змш е: iH-фiльтрацiя - проникнення в тканину кттин, що не е ïx нормальною складовою частиною, iнвазiя - здатнiсть клiтин злояюсно'1 пухлини вiддiлятися вiд вогнища та проникати в сусiднi тканини.
Аналiз злояюсних процесiв на основi ЦЗ i ГЗ виконують вiзуально, внас-лщок результатi чого отримують якiсну експертну оцiнку. Вона е необxiдною, але недостатньою, оскшьки для повно'1 характеристики патолопчних процесiв потрiбнi кiлькiснi ознаки, яю отримують шляхом числового морфометричного аналiзу, що зменшуе суб,ективiзм дослщника. Для автоматизаци' аналiзу ГЗ i ЦЗ в умовах кшшчно'1 практики застосовують системи автоматизовано'1 мкроскопи (САМ). До складу САМ входить мкроскоп, цифрова камера та спецiалiзоване програмне забезпечення.
Базовими шформацшними технологами, яю широко використовують на-уковцi тд час дослiдження бюмедичних зображень е програмш комплекси Mat-lab, Octave, Microsoft Excel. Вони забезпечують великий шструментарш як для попереднього опрацювання зображення, так i для розтзнавання. Велика популяр-нiсть програмних комплексш забезпечила появу користувацьких спецiалiзованиx алгоритмш. Недолiками програмних комплексiв е: висока цша, великий розмiр дистрибутиву, вщсутшстъ засобiв для представлення i моделювання знань.
КласифЫацш САМ. За рiвнем автоматизацй' [2] сучаснi САМ роздшимо на не автоматизованi, автоматизованi та автоматичш. Автоматизованi САМ до-помагають лiкаревi проводити аналiзи. Вiдповiдальнiсть за результати аналiзу несе лiкар-дiагност, тому щ системи надають йому необхщну для контролю про-м1жну шформащю. Автоматичнi САМ самостiйно виконують задан види аналь зiв. У автоматизованих САМ вибiр полiв зору для аналiзу здiйснюе оператор. Межi мкрооб'еклв видщяються залежно вiд складностi: вручну, натвавтоматич-но або автоматично. Вимiрювання iдентифiкованиx мiкрооб,ектiв виконуються автоматично. Автоматизоваш дiалоговi САМ подiляються на спецiалiзованi (для вузького кола бiоматерiалiв i/або аналiзiв), i унiверсальнi (призначенi для ба-гатьох типiв бiоматерiалiв i/або аналiзiв).
САМ
Не автоматизоваш Автоматизоваш Автоматичш
Дослщницью Спещал1зоваш
Редактори АСОБМЗ ЕСАЗ
За р1внем автоматизацй
За ступенем впровадження в кшшчну практику
За р1внем анал1зу зображення
Рис. 1. КласифЫащя систем автоматизованог мЫроскопи
За ступенем впровадження у клЫчну практику САМ подшяють на дос-лщницью та спецiалiзованi [3, 4]. Дослщницью САМ використовують медики-науковцi, що розробляють новi методи дiагностування. Спецiалiзованi САМ забезпечують виконання певного одного стандартизованого клшчного доотджен-ня. Класифiкацiю САМ наведено на рис. 1. За рiвнем аналiзу зображення [5, 6] програмне забезпечення САМ подтено на три класи (табл. 1) [7]:
1. Редактори зображень, що здшснюють введення зображень за допомогою цифрово'1 фото- та вщеокамери, покращення якостi зображень, зшивання зображень (створення вiртуальних слайадв).
2. Автоматизованi системи опрацювання бюмедичних зображень (АСОБМЗ) проводять детекцiю та класифшацш мiкрооб'eктiв, пiдрахунок ix ылькоста, визначення числових ознак, статистичне оброблення результата аналiзу.
3. Експертнi системи анашзу зображень (ЕСАЗ), що реашзують класифiкацiю мiкрооб'eктiв та зображень, вивщ висновку про дiагноз на основi бази знань (БЗ), створено! лшарем-вдагностом.
Табл. 1. Класшфикац'ш програмного забезпечення
Клас I. Редактори II. АСОБМЗ III. ЕСАЗ
Задачi опрацювання зображень Отримання, попередне оброблення зображення Опрацювання зображення Шдтрнмка прийняття дiагностичних ршень
Операци Керування мшроскопом та камерою, нормалiзацiя фону, видалення шумiв, пiдкреслення границь, покращення контрасту Сегментащя, контур-ний аналiз, текстур-ний аналiз, детекцiя мiкрооб'ектiв, класи-фiкацiя зображень Розшзнавання обрашв, вивiд висновку на основi БЗ
Аналогами розробдено! системи е: ImageJ, ImageTool v.2.00, ImageWarp, "ИМАДЖЕР-ЦГ", ВидеоТесТ-Морфо 3.2, ВидеоТесТ-Морфология, Micromed Images, ScreenMeter, ImageExpert Pro 3, AnalySIS Five, BioVision, QCapture PRO, Motic Images Advanced 3.2, MCID™ Core, Image-Pro Plus 6.2, MetaMorph 7.5, Ди-аМорф.
Прототипом спроектовано! системи е програмний засiб з вiдкритим вихвд-ним кодом ImageJ. Очевидними перевагами цього засобу е вщкриткть базових i користувацьких адгоритмiв, наявнiсть мови сценарив та орiентованiсть саме на мжроскотчш зображення. Недодiками технодогií Java е мала швидкодiя та вико-ристання великих обсяпв пам'ятi порiвняно з технодогiями програмування без ^ерпретацц коду. Оскшьки ЦЗ i ГЗ займають значний обсяг пам'ят!, то !х опрацювання iстотно впливае на оперативнiсть проведення досдiджень.
Отже, основними проблемами та шляхами ii вирiшення, якi виникають при автоматизацл ручного мiкроскопiчного досдiдження е:
1. МШммпашя рутинноУ роботи зi встановлення зразкiв у мiкроскоп забезпе-чуеться:
• автоматичним вибором шформативних полiв зору на 0CH0Bi оцшки локальних i глобальних ознак зображень;
• застосуванням моторизованих мiкроскопiв, що дае змогу сканувати предметне скло автоматично та отримувати зображення всього зразку у виглвд вiртуаль-ного слайду;
• застосуванням засобiв автоматично!' подачi зразкiв на предметний стш мiкрос-копа.
2. Використання iнтерактивних алгори^в, якi потребують налаштування ix параметрiв. Результат роботи алгоритмiв контролюеться користувачем вiзуально. Послiдовнiсть застосування алгоритмiв та оператс^в оброблення зображення також задаеться вручну. Таи алгоритми повинш виконува-тися в iнтерактивному режимi для:
• виконання умови надшноси: користувач повнiстю контролюе результати вико-нання алгоритму шляхом iнтерактивного управлшня;
• розв'язання питань правово! вiдповiдальностi: автоматична оброблення бюме-дичних даних часто створюе проблему правово! вiдповiдальностi. Якщо алгоритм виконуеться пiд управлiнням користувача, ця проблема знiмаeться.
3. Вщсутшсть засчнИв аналiзу складних мжрооб'еклв. Переважна бшь-шiсть систем аналiзу зображень мктить великий набiр алгоритмiв сегмен-тацп та контурного аналiзу. Проте, побудоваш на !х основi операцп детек-цп, виявляють тiльки проста мшрооб'екти, що утворенi однieю областю з певними характеристиками. Для видшення складних мiкрооб'eктiв опера-цiю сшвставлення двох зображень серед аналогiв мктить тшьки програма ImageJ. Складним е мшрооб'ект, який утворений двома i бiльше областями, що мають спшьну границю i розташованi певним чином одна вщносно одно!'. Наявшсть тако! операцп е необхiдною умовою для обчислення ядерно-цитоплазматичного вщношення (ЯЦВ), що е однieю з найважливших чис-лових ознак при дiагностуваннi ЗН.
4. Дiагностування та пояснення висновку. Задача дiагностування злоякк-них процесiв на основi зображень мктить не тшьки кшьккш характеристики об'екпв дослiдження а й нагромаджеш експертами та дiагностами нечгг-кi правила вiзуально!' яысно! штерпретацп зображень. Для розв'язання задач такого класу використовують iнтелектуальнi системи (системи шд-тримки прийняття ршень, ЕС), обов'язковими складовими яких е БЗ та машина лопчного виводу.
Перспективним [8, 9] для шдвищення ефективносп функщонування ште-лектуальних систем диагностики е застосування комплексних iнтелектуальних комп'ютерних технологiй i систем, побудованих на рiзнорiдних знаннях. Таю системи можна розглядати як пбридш, коли поеднуються рiзнi види знань: кон-цептуальнi, експертнi, фактографiчнi так i рiзнi вiдповiднi методи !х оброблення. Тому основною задачею при розробщ гiбридних систем е поеднання рiзних форм представлення i методав оброблення знань для шдвищення ефективносп розв'яз-ку задачi дiагностування в умовах невизначеностi (нечiткостi).
Першочергове значення в таких системах набувають проблеми побудови вихвдно! БЗ для конкретно!' предметно! обласп. Побудова БЗ пов'язана iз вико-ристанням знань експерпв для опису мiкрооб'ектiв, характеристик патолопчних процес1в у якiсних категорiях i висновку про стан злоякiсного процесу. Для дааг-ностування ЗН на основi якiсних ознак окремих клггин в якостi класифiкатора застосовують штучш нейроннi мережi (ШНМ) [10], лопчний вивiд висновку в мультиагентнiй ЕС [11] та нечггкий логiчний вивщ [12, 13]. Незважаючи на на-уковi здобутки, САМ, якi представлен на ринку, не володають засобами класифь кащ! зображень або окремих мжрооб'ектав.
Гiбриднi iнтелектуальнi системи в обласп аналiзу зображень вiднесемо до таких тишв: а) системи на основi (ШНМ), б) системи на основi детектор1в ознак та ШНМ, в) чггко! логiки, г) око-процесорш системи. В око-процесорнiй системi [14] блок аналiзатор призначений для аналiзу якiсних характеристик сигнал1в та розподшу вхвдно! iнформацi!' на два канали: якiсний та кiлькiсний. Внаслiдок оброблення отримуються логiко-часовi функцi!' (ЛЧФ). В блощ ключово! шформа-щ! формуеться щльовий кодер, який внаслвдок виконання спещальних операцiй модифiкуеться у ключову ЛЧФ. Кожну нову ключову ЛЧФ аналiзують та порiв-нюють в блоцi прийняття рiшень з еталонними зразками БЗ.
Ми пропонуемо пiдхiд, що поеднуе алгоритми комп'ютерного зору та ш-телектуальш засоби опрацювання зображень (нечiткi БЗ) (рис. 2, д). Такий щдюд мае низку переваг: наскрiзний процес опрацювання зображень - вщ вводу зобра-ження до постановки дiагнозу, створення БЗ шляхом формалiзацii' юнуючих ек-спертних знань з дiагностування злоякiсних процесiв, можливiсть створення про-цедури пояснення всiх етапiв виводу дiагностичного висновку.
Постановка задача Проведений аналiз показав, що шляхами подолання недолiкiв iснуючих САМ е:
а) автоматизащя операцiй сегментацп мiкрооб,eктiв та 1х складових частин;
б) автоматизащя повторюваних операцiй опрацювання для кожного зобра-
ження iз серп;
в) створення, збереження та модифшащя бази дiагностичних знань.
Мета роботи - створення штелектуально'1 системи для дiагностування внутрiшньопротокового та iнфiльтративного раку молочно'1 залози на основi ана-лiзу гiстологiчних та цитологiчних зображень.
1. Основна частина
1.1. Структура системи. 1нтелектуальна система реалiзована як розши-рення програмного засобу (ПЗ) опрацювання зображень 1ша§е! ПЗ 1ша§е1 приз-начений для опрацювання зображень та аналiзу числових характеристик видше-них мiкрооб,ектiв i мiстить iнтерпретатор макромови та може бути розширений додаванням зовнiшнiх модулiв.
Рис. 2. Типи гiбрuднuх штелектуальних систем
Структуру штелектуально'1 системи представлено на рис. 3. Основою системи е штерпретатор сценарпв i методик, що призначений для виконання посль довностi операцш опрацювання зображень.
Блок вибiрки та перегляду результата до^джень забезпечуе перегляд у зручнш для користувача формi зображень, видiлених мiкрооб,ектiв та значень '1х числових ознак. За допомогою нього можна переглядати окремi мкрооб'екти та робити експорт результатiв числових морфометричних вимiрювань у табличний процесор для подальшого статистичного оброблення.
Рис. 3. Узагальнена структура ттелектуальног системы
Прототип системи мютить блок для виконання макроав - текстових файлiв, написаних на макромовi. Розробдена система вiдрiзняеться тим, що ш-терпретатор сценарии виконано на основi мови Java, що дозволило використати як змшт складнi об'екти та вiзуалiзувати створення сценарто. Основними фун-кцкми штерпретатора методики е:
• наявн1сть умовно! та цикл1чно1 конструкцп;
• титзащя вх1дних зм1нних окремих функцп, наявтсть менеджера зм1нних;
• можлив1сть тдключення в якост1 функцп динам1чних б1блютек, створених за
допомогою Borland Delphi, C та OpenCV.
Адгоритми, що реалiзують функцп опрацювання та аналiзу зображення, утворюють бiбдiотеку функцiй. На вщмшу вiд прототипу, розробдена система дае змогу оперувати функцкми високорiвневого аналiзу зображення. До таких функцш належить нечiткий догiчний вивiд висновку, що забезпечуе розтзнаван-ня типу та стану кттини на цитолопчному зображеннi.
Головне вiкно програми зображено на рис. 4, а. На початку роботи системи користувачу надаеться можливють створення нового досдщження, перегляду бази даних (БД) кнуючих досдiджень, бiбдiотеки iснуючих алгоритмiв опрацювання та аналiзу зображень, налаштування БД.
б) вжно введения тформацп нового досл^дження Рис. 4. ГрафЬчний ттерфейс системи
На початку нового дослщження користувач вводить таю дат (рис. 4, б): назву дослщження, дату, час, п^звище та iм'я пащента, номер скда зразку, крат-
нiсть збiльшення об'ектива, метод фарбування препарату, шлях до каталогу, де розмщеш зображення, обрану методику дослiдження та приметку.
1.2. Основнi функцп системи. Отримаш зображення характеризуються малою ч^юстю границь мiкрооб,ектiв, пiксельним шумом, некоректним розподь лом кольорiв, розфокусуванням. Для покращення зображень у системi викорис-тано такi операци: медiанну фшьтрацда та усереднення.
Для детекци ядер кмтин як на цитологiчних, так i гiстологiчних зобра-женнях розроблено метод та алгоритм автоматично' сегментаци [15]. Запропоно-ваний метод на основi аналiзу критерия однорiдностi зображення та аналiзу пс-тограми розподшу яскравостi за допомогою алгоритмiв нечгтко! логiки дае змогу автоматично визначати оптимальний алгоритм сегментаций
Для контурного аналiзу цитологiчних клiтин в системi застосовано, роз-робленi авторами, методи перетворення типу "контур - контур" i "область - область" iз заданою похибкою перетворення [16]. Показано, що похибка перетворення типу "контур - контур" складаеться iз похибки апроксимаци другого контура та похибки апроксимаци першого контура, помноженого та функщю перетворення контурiв.
Похибка перетворення типу "область - область" залежить вщ похибок вiдтворення областей зображень, яю складаються з похибок апроксимаци конту-рiв i похибок вiдтворення областей зображень за '1х скелетами. Проведет комп'ютерш експерименти показали, що похибки перетворення в тополопчному просторi в 2-3 рази меншi за похибки перетворення в аф^ому просторi.
Для аналiзу структурних змiн тканин на ГЗ застосовано розроблеш авторами [7, 17] методи оцшки структурно'' атипи на основi теори кристалографiчних груп. Аналiз структурних змiн ГЗ складаеться iз таких етапiв: визначення вщпо-вiдних точок на контурах мшрооб'екпв, обчислення афiнних перетворень мiж мiкрооб,ектами, визначення групи симетри для множини мшрооб'ектш (частини зображення). Вiдповiднi точки визначаються на основi дискретних центральних моментiв областi. Для ощнки структурних змiн тканини при ЗН введено коефь цiент структурно'' атипи.
Анал1з зображень та д1агностування. Послщовшсть аналiзу БМЗ представлено на рис. 5.
Числовий
с
;С
Попередне оброблен-ня, сегментащя, обчислення кшьюсних ознак мшрооб'екпв
опис серп зображень
Фазифкащя кшыасних ознак
Сер1я зображень:
Опис мкрооб'екпв лшгвютични-ми змшними
Не1пткий лопчний вивщ
Висновок |Дефази-фкащя
томи
Д1агноз
л
з \
Рис. 5. Загальна схема анализу г^тологЫних i цитологiчних зображень
Опрацювання зображень охоплюе к1лька крокiв. Попередне оброблення БМЗ призначене в основному для зменшення шуму, покращення контрасту та шдкреслення границь мшрооб'ектш. У системi застосовано операци фшьтраци з усереднення значень пiкселiв. Для вид1лення мiкрооб,ектiв та 1х границь застосо-вують алгоритми порогово'' та контурно'' сегментаций На бшарному зображеннi виконуються морфологiчнi операци дилатаци та закриття.
При опрацюванш зображень iнформацiя у системi послщовно видаетъся такими видами: вхщне зображення, сегментоване зображення, контурне зображення, структурний опис, опис кiлъкiсних ознак мшрооб'екпв, опис якiсних ознак мшро-об,ектiв (лiнгвiстичнi змiннi). На основi якiсних ознак мiкрооб,ектiв виводитъся висновок про тип злояюсного процесу на основi нечiткого виводу висновку.
При фазифшацп кiлъкiсних ознак точнi значення вхiдних змiнних перет-ворюютъся в значення лшгвютичних змiнних шляхом застосування функцiй на-лежностi, якi отримуються на етапi навчання системи (етат побудови БЗ).
Нечiткий логiчний вивщ призначений для визначення класу кттин (рако-ва, нормальна) на основi 1х якiсного опису у виглядi лiнгвiстичних змiнних.
Побудова бази знань. Загальну схему процесу створення БЗ показано на рис. 6.
Рис. 6. Загальна схема створення бази знань
У процес побудови БЗ на цитолопчних зображеннях видшяються paKOBi клiтини i вимipюються ïx числовi моpфометpичнi ознаки. Для кожного зображення експерт ставить у вщповщшстъ опис мшрооб'екпв та фону у лштас-тичних змiнниx, на основi чого проводиться побудова функцш нaлежностi. Ос-кшьки для опису одного об'екта може використовуватись декшька числових ознак, то проводиться створення правил нечпкого логiчного виводу на основi де-кшькох л^вютичних змiнниx.
Статистичний аналп. Для статистичного aнaлiзу в системi застосовано функцп ПЗ ImageJ: обчислення мiнiмaльного, максимального, середнього зна-чень та середньоквадратичного вщхилення. Для детaльнiшого сатистичного ана-лiзу pеaлiзовaно експорт pезультaтiв числових морфометричних вимipювaнь у табличний процесор Microsoft Excel. За допомогою нього [18] побудовано варь aцiйний ряд i статистичний розподш вибipки; обчислено числовi характеристики вибipки: вибipкову середню, середню геометричну, середню гapмонiйну, моду, медiaну; знайдено числовi характеристики розсшвання: розмах вapiaцií, диспер-сiю, середне квадратичне вiдxилення, коефiцiент вapiaцií; асиметрш, ексцес, ''х помилки та проведено пеpевipку нaлежностi вибipковиx даних нормальному закону розподшу iз визначеними параметрами за кpитеpiями асиметрп й ексцесу, узгодженост Пipсонa (%2) для коефщента структурно'' aтипi'í.
1.3. Автоматизащя повторюваних операцiй. Процес aнaлiзу зображення лшарем^агностом роздшимо на три етапи: пошук потpiбного мiкpооб'ектa i захоплення зображення, видiлення границь мшрооб'екта, обчислення числових морфометричних ознак та 'х статистичний aнaлiз. Пошук мшрооб'екпв iнтеpесу виконуеться вручну. Для видшення границь мiкpооб'ектiв застосовуються тaкi операцп: попередне оброблення, створення вipтуaльного слайду, розширення глибини фокусу, сегментaцiю по ^енсивносп, текстурну сегментaцiю, видшен-ня контуpiв, детекцiю ядер клiтин та 'х цитоплазми. Для iдентифiковaниx мшрооб'екпв виконуеться обчислення числових ознак форми та текстури.
Основою для автоматизаци повторюваних опеpaцiй опрацювання та ана-лiзу зображень в САМ е використання методик (сценapiïв). Розроблена штелек-туальна система мiстить вдосконалений, поpiвняно з прототипом, iнтеpпpетaтоp сценарив. Для створення та запуску методик розроблено вiзуaльний редактор, що володiе такими характеристиками: мiстить умовну i циклiчну констpукцiï, менеджер вiдобpaження локальних змiнниx дае змогу створювати комеш^ до окремих функцiй.
Кожна операщя або алгоритм aнaлiзу зображення можуть бути офоpмленi у виглядi процедури на мовi Java iз вхщними та вихвдними параметрами. Перевагою системи над аналогами е те, що параметром може бути складний Java об'ект а не тальки простий тип даних. Для пришвидшення процедури створення методики ре-aлiзовaно автоматичне визначення пapaметpiв iснуючиx модулiв розширення Ima-geJ, яке полягае у визначенш кiлькостi та типу пapaметpiв зареестрованих модулiв.
Для пiдвищення швидкодо та розширення функцiонaльностi штелекту-ально' системи розроблено засоби пiдключення зовшшшх модулiв, створених за допомогою мов програмування Microsoft Visual C++, ObjectPascal. Для шдклю-чення нечiткого лопчного виводу використано бiблiотеку JFuzzyLogic, що дозволило збертати та модифжувати БЗ.
Для збереження iнфоpмaцiï про пащента, зображень отриманих iз вiдпо-вiдного препарату, кiлькiсниx ознак мжрооб'ектав розроблено БД. Головна табли-ця збеpiгaе дaнi про пaцiентa. Вона мае зв'язки iз таблицями для збертання даних про дослiдження та таблицею, що пов'язуе серда зображень, розмщених в певно-му кaтaлозi файлово' системи iз iдентифiкaтоpом дослщження. Окрема таблиця пов'язуе зображення та нaбip видлених на ньому областей i ïx числових ознак.
Для створення програмного засобу використано програмне середовище IntellijIDEA, мови програмування Java, C++, бiблiотеки OpenCV iз використан-ням об'ектно-оpiентовaного пiдxоду. Розроблена iнтелектуaльнa система pеaлiзо-вана у виглядi модуля розширення ПЗ ImageJ.
Розроблену систему використано для морфометричного дослiдження зображень молочно! залози. Дослiдження проводилось на основi БД обсягом 1500 зображень, фрагмент результату яких наведет в табл. 2. Обраховано кшь-ккш ознак мiкpооб'ектiв: площу, периметр, довжини головних осей, окpуглiсть, дiaметp Ферета.
Табл. 2. Експериментальт результата аналiзу цитологiчних зображень
Ознака
№ мшро-об'екта
Площа,
периметр, mкселiв
Велика
BiCTb,
пiкселiв
Мала вюь. пiкселiв
Округ-
лiсть, пiкселiв
Дiаметр Ферета, пiкселiв
Фактор форми, mкселiв
44921
802,9593
270,2510
211,6372
0,87553
284,007
0,7831
44273
905,2112
276,3156
204,0063
0,67896
284,850
0,7383
47326
863,8999
297,3988
202,6145
0,79686
317,067
0,6812
46667
963,1727
279,7700
212,3825
0,63213
288,922
0,7591
1
2
3
4
Дослщження виконано в рамках держбюджетно1 теми за номером № 0112U000736 на тему "1нтелектуальна система для дагностування piзниx форм раку молочно! залози на основi aнaлiзу гiстологiчниx та цитолопчних зображень".
Висновки. Розpоблено iнтелектyaльнy cиcтемy для дiaгноcтyвaння piзниx фоpм paкy молочно!' зaлози m оcновi aнaлiзy гicтологiчниx тa цитолопчник зоб-paжень. Спpоектовaнa cиcтемa e гiбpидною, оекшьки cyмiщae методи тa aлгоpит-ми aнaлiзy зобpaжень iз методaми нечiткого логiчного виводу. У ^оцеа pеaлiзa-цл еиетеми отpимaно бaзy знaнь дiaгноcтyвaння злоякicниx ^оцеот нa оcновi кiлькicниx тa яккник ознaк мiкpооб'eктiв нa цифpовиx гicтологiчниx тa цитоло-гiчниx зобpaженняx.
Лггература
1. "Рак в Укpаïпi, 2011-2012". Бюлетень Hацiонального канцер-реестру - 2013. - № 14. -
l24 с.
2. Березький О.М. Комп'ютерна система аншпзу бiомедичпиx зображепь / О.М. Березькпй, Ю.М. Батько, Г.М. Мельник // Вюппк Hацiонального унiвеpситету "Львгвська полггехшка". -Сер.: Комн'ютеpнi науки та шформацшш технологи. - Львгв : Вид-во ИУ "Львгвська шштехш-ка". - 2009. - № 6S0. - С. 11-1S.
3. Егорова О.В. Компьютерная микроскопия / О.В. Егорова, Е.И. Клыкова, В.Г. Пантелеев.
- М. : Изд-во "Техносфера", 200S. - 304 с.
4. Егорова О.В. С микроскопом на "ты". Шаг в XXI век. Световые микроскопы для биологии и медицины / О.В. Егорова. - М : Изд-во "Репроцентр М", 200б. - 41б с.
5. Березький О.М. Ьформацшно-апал^ична система дослщження та дiагностування пух-линних клiтин на основi апалiзу ïx зображепь / О.М. Березькпй, Ю.М. Батько, Г.М. Мельник // Вюнпк Хмельницького нацiонального унiвеpситету - 200S. - T. 3, № 4 (113). - С. 33-41.
6. Berezsky O. Biomedical engineering trends in electronics, communications and software / Oleh Berezsky, Grygoriy Melnyk, Yuriy Batko - InTech, 2011. - 461-4S0 p.
7. Мельник Г.М. Ьформацшна технологи опрацювання гiстологiчнпx зображень / Г.М. Мельник // Вюпик Хмельппцького нащонального унiвеpситету. - Сер.: Теxнiчнi науки. -2012. - № S. - С. 1S4-161.
S. Гаврилов A.B. Гибридные интеллектуальные системы / AB. Гаврилов, Ю.В. Hовпцкая // Международная конференция "Информационные системы и технологии", ИСТ'2003, 22-2б апреля 2003, HFIT, Швосибирск, Россия - 2003. - С. 113-120.
9. Aнтощук С. Гибридные информационные модели в системах обработки изображений / С. Arn^^ О. Бабилунга // Компьютинг - 2009. - T. 2, № S. - С. 41-49.
10. Пат. 2293S24 Россия, МПК A61B 10/00, G01N 33/4S. Способ дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы / Полоз Т.Л., Демин A3., Шкурупий ВА.; Владелец патента Государственное учреждение Шучный центр клинической и экспериментальной медицины Сибирского отделения Российской академии медицинских наук (ГУ ЩЦКЭМ СО РAMH), № 200S1129S3/14, заявл. 2S.04.0S, опубл. 20.02.07.
11. Ovalle A. Medical system design and knowledge acquisition using cooperating intelligent agents. A case study for breast cancer diagnosis / Arturo Ovalle, Emmanuelle Hugonnard, Catherine Garbay // Artificial Intelligence in Medicine - 1993. - № 10. - Pp. 247-2SS.
12. Ротштейн A.fr Интеллектуальные технологии идентификации: нечеткая логика, генетические алгоритмы, нейронные сети. - Винница : Изд-во УHИBЕРСУM-Bппппца, 1999. - 320 с.
13. Штовба С.Д. Проектирование нечетких систем средствами MATLAB / С.Д. Штовба. -М. : Изд-во "Горячая линия - Телеком", 2007. - 2SS с.
14. Кормановський С.! Око-процесорна оброблення та розшзнавання образно'1 шформаци за геометричпими ознаками. / С.! Кормановський, В.П. Кожем'яко. - Вшнпця : Вид-во УЯХВЕР-СУМ-Вшпиця, 200S. - 160 с.
15. Батько Ю.М. Метод вибору алгоритмов автоматично!' сегментаци бюмедичних зображень / Ю.М. Батько // Системи обробки шформаци. - Харкв : Вид-во ХУПС. - 2012. - № 7(10S).
- С. 9S-107.
16. Березький О.М. Похибки перетворення типу "область - область" в автоматизованих системах аналiзу цитологiчппx зображень / О.М. Березькпй // Штучний штелект. - 2013. - № 2. -С. 20S-212.
17. Березский ОЛ. Информационная технология анализа и синтеза гистологических изображений в системах автоматизированной микроскопии / ОЛ. Березский, T.H. Мельник // Управляющие машины и системы. - 2013. - № 3. - С. 10-16.
18. Березький О.М. Статистичне оброблення дитологiчних зображень / О.М. Березький, К.М. Березька, С.Ю. Потна, Г.М. Мельник // Вюник Хмельницького национального ушверсите-ту. - Сер.: Техн1чн1 науки. - 2012. - № 5. - С. 161-164.
Березский О.М., Мельник Г.М., Батько Ю.М., Дацко Т.В. Интеллектуальная система для диагностики различных форм рака молочной железы на основе анализа гистологических и цитологических изображений
Рассмотрены проблемы построения интеллектуальных систем для диагностирования злокачественных новообразований молочной железы на основе цифровых микроскопических изображений. Диагностика новообразований базируется на анализе цитологических и гистологических изображений полученных с помощью светового микроскопа. Предложена интеллектуальная система с применением нечетких алгоритмов для автоматизации процесса анализа гистологических и цитологических изображений и вывода заключения о состоянии и типе микрообъектов.
Ключевые слова: предыдущая обработка, фильтрация, сегментация, контурный анализ, структурный анализ, нечеткий логический вывод, база знаний, база данных.
Berezsky O.M., Melnyk G.M., Batko Yu.M., Datsko T. V. Intelligent system for diagnosing of different forms of breast cancer based on the analysis of histological and cytological images
The problems of building intelligent systems for diagnosing breast cancers based on digital microscopic images is considered. Diagnosis of tumors based on the analysis of cytological and histological images obtained by light microscopy. Proposed an intelligent system based on fuzzy algorithms. It is devoted to automation of the analysis of histological and cytological images and deriving conclusions about the state and type of microobjects.
УДК004.9:630.5 Сп. наук. ствроб. Г.В. Стрямець1, канд. с.-г. наук;
от. наук. ствроб. 1.П. &ренко2; от. наук. ствроб. Б.Г. Проць3'4, канд. бюл. наук;
доц. Т.С. Ямелинець45, канд. географ. наук; доц. С.П. Стрямець6, канд. техн. наук; мол. наук. ствроб. В.В. Погортко1
1НФОРМАЦ1ЙНА СИСТЕМА "Л1ТОПИС ПРИРОДИ" ДЛЯ УСТАНОВ ПРИРОДНО-ЗАПОВ1ДНОГО ФОНДУ УКРА1НИ
Наведено результати розроблення електронного варiанта бази даних "Лтопис природа" для установ ПЗФ Украши. БД мае забезпечити швидкий доступ до результатв науко-вих дослщжень, що проводяться в цих установах, створити умови для яюсного й кшьюсно-го аналiзу даних та оперативного прийняття управлшських ршень. БД дае змогу частково проаналiзувати матерiали Лггопису. Зазначена структура програмного забезпечення дае змогу представляти матерiали Жтопису в електронному виглвд через мережу 1нтернет, або на цифрових носшх, що iстотно покращить комунжацш мiж Мшприродою, громадсь-юстю та об'ектами ПЗФ у питаннях збереження национального надбання на !х територп.
Ключовi слова: бази даних, ПЗФ, управлшня, природы заповедники, нацюнальш природш парки, багатс^чш спостереження, бiорiзноманiття, Украша.
Для кнування цившзацц необхвдним е обмш iнформацiею - передача знань як ]шж окремими членами i колективами суспiлъства, так i мiж рiзними по-
1 Природний заповедник "Розточчя", смт. 1вано-Франкове, Льв1вська область;
2 Ки1вський НУ iM. Тараса Шевченка, м. Ки!в;
3 Державний природознавчий музей НАН Украши, м. Львiв;
4 Дунайсько-Карпатська Програма в Укра!ш Всесвiтнього фонду природи (WWF), м. Львiв
5 Львiвський НУ iм. 1вана Франка;
6 НУ " Львiвська полггехнка";
