CC BY
1
УДК 621.319.4:620.179, 528.8
ИССЛЕДОВАНИЕ ВОЗМОЖНОСТИ ОПРЕДЕЛЕНИЯ СОСТОЯНИЯ ОРГАНИЧЕСКИХ ОБРАЗОВАНИЙ МЕТОДАМИ АВТОМАТИЗИРОВАННОГО ДЕШИФРИРОВАНИЯ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ
Галина Вячеславовна Симонова
Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, кандидат технических наук, доцент кафедры метрологии и технологии оптического производства, тел. (913)724-67-47, (383)361-07-45, e-mail: simgal@list.ru
Елена Павловна Хлебникова
Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, кандидат технических наук, доцент кафедры физической геодезии и дистанционного зондирования, тел. (913)901-94-58, e-mail: hlelenka@yandex.ru
В работе рассмотрены возможности использования методов цифровой обработки микрофотографий клеток головного мозга и алгоритмов автоматизированного дешифрирования многоканальных изображений при количественном и качественном анализе состояния органических образований.
Ключевые слова: микрофотографии, предварительная обработка цифровых изображений, клетки головного мозга, микроглия, автоматизированное дешифрирование, количественный и качественный анализ.
A STUDY OF THE ABILITY TO DETERMINE THE STATUS OF ORGANIC FORMATIONS BY METHODS OF AUTOMATED INTERPRETATION DIGITAL IMAGES
Galina V. Simonova
Siberian State University of Geosystems and Technologies, 630108, Russia, Novosibirsk, 10 Plakhotnogo St., Ph. D., associate Professor of the Department of Metrology and Technology of Optical Production, tel. (913)724-67-47, (383)361-07-45, e-mail: simgal@list.ru
Elena P. Khlebnikova
Siberian State University of Geosystems and Technologies, 630108, Russia, Novosibirsk, 10 Plakhotnogo St., Ph. D., associate Professor of the Department of Physical Geodesy and Remote Sensing, tel. (913)901-94-58, e-mail: hlelenka@yandex.ru
The paper discusses the possibility of using methods of digital processing photomicrographs brain cells and algorithms for automated interpretation multiband images in both quantitative and qualitative analysis of the state of organic formations.
Key words: microphotography, advanced digital image processing, brain cells, microglia, automated interpretation, quantitative and qualitative analysis.
В настоящее время цифровые методы обработки изображений являются наиболее перспективными инструментами для получения количественной и качественной информации об исследуемых объектах. Целью данной работы являлось исследование возможности определения состояния органических образований методами автоматизированного дешифрирования цифровых изображе-
ний. Для проведения экспериментов использовался программный продукт ERDAS Imagine, в котором имеется как набор инструментов предварительной обработки изображений, так и процедур, реализующих основные алгоритмы распознавания образов по многоканальным изображениям, как на основе кластерного анализа, так и с использованием обучения [1].
Объектом исследования являлись клетки микроглии - клетки иммунной системы мозга. Микроглия - это макрофаги мозга, они обеспечивают иммунологические процессы в центральной нервной системе. В качестве исходных материалов использовались образцы тканей головного мозга крыс.
Для подготовки образцов вводятся три разных красителя: синий позволяет выделить ядра клеток, зеленый - клетки микроглии, а красный является маркером активированной микроглии. Они возбуждаются светом разной длины волны. Для получения микрофотографий использовались 3 лазера с соответствующими длинами волн, изображения с каждого лазера записывались в отдельный слой, при обработке изображений слои накладываются друг на друга для получения единой картины. Размер одного поля составляет 460 х 370 мкм. На рис. 1 представлен пример полученных изображений.
Рис. 1. Изображение образца тканей головного мозга
На синтезированном снимке синим цветом отображаются ядра клеток, границы клеток не выявляются. Обильное скопление крупных ядер посередине - нейроны гиппокампа. Клетки с более мелкими и плотными ядрами -клетки глии (обеспечивают питание, поддержку и защиту нейронов). Клетки микроглии имеют большое количество отростков и на препаратах окрашиваются в зеленый цвет. Микроглия может быть неактивной (зеленые клетки с синими ядрами) и активированной, в таком случае к зеленой окраске добавляется красная, что в итоге дает желтый цвет синтезированного изображения.
Следует отметить, что значительная часть микрофотографий была получена не в лучшем качестве, что особенно заметно при увеличении исследуемого участка. Поэтому при предварительной обработке изображений была проведена не только сшивка отдельных каналов в единое изображение, но и произведена
фильтрация, направленная на уменьшение шумов и повышение информативности. На рис. 2 показан результат предварительной обработки на примере фрагмента изображения.
а) б)
Рис. 2. Предварительная обработка изображений:
а) результат сшивки исходных изображений; б) результат фильтрации
При проведении анализа исследуемых образцов необходимо определить общее количество клеток микроглии, попавших в срез (ядро, отростки зеленого цвета), долю (либо количество) активированных клеток микроглии (ядро; отростки желтого цвета), и количество клеток микроглии, вплотную прилежащих к нейронам. Количество клеток рассчитывается на площадь 100 мкм2. При решении данной задачи возникает ряд трудностей, вызванных тем, что отростки микроглии оплетают нейроны, а также и для самих нейронов характерно неспецифическое свечение, которое не представляет в данном случае интереса.
Эти подсчеты выполняются визуально, и даже специалистам требуется время, чтобы определить, является ли конкретное наблюдаемое свечение свечением, испускаемым клеткой микроглии, или же это свечение неспецифично, и его нельзя учитывать при расчетах.
Возможности современных систем и алгоритмов обработки изображений в целях проведения количественного и качественного анализа состояния отобразившихся объектов достаточно разнообразны, поэтому было принято решение провести ряд экспериментов по автоматизированному дешифрированию микроснимков головного мозга.
Получение различной информации об объектах основано на классификации массивов пикселей. Следует различать информационные и спектральные классы. Информационные классы - это те объекты, которые необходимо распознать на снимке, в данном случае - клетки микроглии в разных состояниях. В отличие от этого, спектральный класс - это группа пикселей, обладающих приблизительно одинаковой яркостью в некотором спектральном диапазоне (в данном случае неспецифическое свечение нейронов). Одной из основных це-
лей классификации состоит в том, чтобы соотнести спектральные классы с информационными. Проблема состоит в том, что, как правило, одному информационному классу соответствуют несколько спектральных, а некоторые выделенные спектральные классы вообще не соответствуют никаким объектам [2].
Для проведения дальнейших экспериментов из полученных изображений были вырезаны фрагменты, соответствующие заданному объектному составу (ядро, отростки, активированная микроглия, нейроны). На рис. 3 представлен один из таких фрагментов.
Рис. 3. Фрагмент изображения с заданным объектным составом
Далее были сформированы обучающие выборки, содержащие эталоны спектральных яркостей интересующих объектов. Классификация проводилась способом параллелепипедов, который использует простое решающее правило и применяется в тех случаях, когда значения спектральной яркости разных объектов практически не перекрываются [3], а классов объектов немного, что соответствует поставленной задаче.
На рис. 4 представлены полученные результаты в виде масок, наложенных на исходное изображение, для каждого интересующего класса объектов.
а) б) в) г)
Рис. 4. Результат классификации:
а) ядра (красный цвет); б) отростки (зеленый цвет; в) активированная микроглия (красный цвет); г) нейроны (красный цвет)
Анализ полученных результатов показывает, что ядра, активированная микроглия и нейроны распознаются с высокой степенью надежности. Что касается отростков, тот в этом случае присутствует несколько излишний захват граничных пикселей, но данную проблему можно решить в ходе дальнейших экспериментов. На рис. 5 представлен результат автоматизированного дешифрирования микроснимков образцов тканей головного мозга крыс.
а) б)
Рис. 5. Результат автоматизированного дешифрирования:
а) результат, полученный с использованием способом параллелепипедов;
б) наложение маски на фрагмент исходного изображения
На основании вышеизложенного можно сделать вывод, что использование цифровых методов обработки микроснимков головного мозга открывает широкие возможности определения состояния органических образований методами автоматизированного дешифрирования цифровых изображений.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Хлебникова Е. П., Симонов Д. П. Определение количественного и качественного состава керамики методами автоматизированного дешифрирования // ГЕО-Сибирь-2011. VII Междунар. науч. конгр. : сб. материалов в 6 т. (Новосибирск, 19-29 апреля 2011 г.). -Новосибирск : СГГА, 2011. Т. 4. - С. 55-59.
2. Симонов Д. П. Анализ возможности создания цифровых эталонов признаков для структурированных поверхностей // Интерэкспо ГЕО-Сибирь-2012. VIII Междунар. науч. конгр. : Междунар. науч. конф. «Специализированное приборостроение, метрология, теплофизика, микротехника, нанотехнологии» : сб. материалов в 2 т. (Новосибирск, 10-20 апреля 2012 г.). - Новосибирск : СГГА, 2012. Т. 2. - С. 201-204.
3. Хлебникова Е. П., Симонов Д. П. Автоматизация контроля качества поверхностей на основе анализа статистических характеристик их цифровых изображений // Интерэкспо ГЕО-Сибирь-2014. Х Междунар. науч. конгр. : Междунар. науч. конф. «Сиб0птика-2014» : сб. материалов в 2 т. (Новосибирск, 8-18 апреля 2014 г.). - Новосибирск : СГГА, 2014. Т. 2. -С. 54-58.
© Г. В. Симонова, Е. П. Хлебникова, 2017
