CC BY
16
DOI: http://dx.doi.org/10.18821/1560-9588-2017-20-2-88
РОССИЙСКИЙ ЖУРНАЛ КОЖНЫХ И ВЕНЕРИЧЕСКИХ БОЛЕЗНЕЙ. 2017; 20(2)
Довганич А.А., Насонов А.В., Крылов А.С., МахневаН.В.
КОМПЬЮТЕРНЫЙ МЕТОД АВТОМАТИЧЕСКОЙ
ПРЕДСЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ ИММУНОФЛЮОРЕСЦЕНТНОЙ МИКРОСКОПИИ ТКАНЕЙ КОЖИ (предварительное сообщение)
Факультет вычислительной математики и кибернетики Московского государственного
университета им. М.В. Ломоносова, 119991, г. Москва, Россия; ГБУЗ МО «Московский областной научно-исследовательский клинический институт им. М.Ф. Владимирского», 129110, г. Москва, Россия
Кожа как активный орган иммунной системы благодаря происходящим в ней специфическим иммунологическим реакциям с антителообразованием способствует освобождению организма от антигена как экзогенного, так и эндогенного происхождения. Нарушение системы элиминации иммунных комплексов сопровождается обильными отложениями иммунных комплексов в ткани, повреждением ее структуры вследствие токсических свойств иммунных комплексов и появлением последних в эпидермисе и на поверхности кожи. В результате деструкции тканей кожи при постановке реакции иммунофлюоресценции нередко наблюдается диффузное неспецифическое свечение по всему нативному микропрепарату, что не позволяет визуализировать четкую картину основных структур кожи и определить локализацию фиксации/отложений в тканях аутоантител и иммунных комплексов соответственно.
В данной работе рассмотрена автоматическая сегментация изображений иммунофлюоресцентной микроскопии при различных кожных заболеваниях. В качестве контроля использована иммунофлюоресцент-ная картина тканей кожи практически здоровых лиц. На изображении требуется выделить четыре области тканевых структур кожи (дерма, дермо-эпидермальное соединение, эпидермис, поверхность кожи), на каждой из которых в дальнейшем будут применены алгоритмы детектирования характерных признаков и определены возможные патологии.
Общая идея алгоритма сегментации заключается в следующем:
• имеющуюся базу изображений разделяют на непересекающуюся тренировочную и тестовую выборки;
• для тренировочной выборки мы используем разметку изображений, сделанную специалистом;
• каждое изображение разбивают на семплы и для каждого такого семпла считают ряд текстурных признаков;
• для каждой сформированной группы создают ряд классификаторов, обучение которых происходит на тренировочной выборке;
• после обучения каждый классификатор тестируют на соответствующей тестовой выборке;
• далее при поступлении нового изображения его разбивают на семплы и на основе полученной модели проводят предсказание, к какому классу будет относиться каждый из семплов.
Для машинного обучения используют модель многослойного перцептрона. Особенностью данной модели является наличие более чем одного обучаемого слоя, в данном случае используют 4 слоя. Для ее реализации используют программное обеспечение с открытым исходным кодом Weka. Оно представляет широкий спектр возможностей по реализации алгоритмов машинного обучения, а также имеет удобный графический интерфейс для их настройки.
В качестве текстурных признаков выбраны:
• Среднее значение: MEAN =—YL!li iv-
N i j
• Среднеквадратичное отклонение:
SD
1 J
•Вариация: VAR =—^—• MEAN'
• Энергия: ASMN = ^YZlii.fi';
N i j
• Асимметрия: SKEW = \ JJflü.fi - MEAN?;
iV »ib L) i j
•Эксцесс: KURT = \ YJMliP MEAN?: N,SDa i j
•Энтропия: ENT = -YiYiIü.filoeiIii.fi
i i
где I - исходное изображение в градациях серого; N - количество пикселей в семпле, суммирование по i, j ведется по всем пикселям текущего семпла.
В результате применения данного алгоритма даже при небольшой тестовой выборке (122 изображения разрешения 2272 х 1704) и ее несбалансированности (исследованы материалы 12 пациентов с разными кожными патологиями) удается сегментировать изображения иммунофлюоресцентной микроскропии с точностью предсказания порядка 83%.
Таким образом, создание базы данных изображений иммунофлюоресцентной микроскопии тканевых структур кожи при различных ее патологических состояниях с помощью компьютерного метода автоматической предсегментации пополнит арсенал дополнительных диагностических методов исследования синдрома иммунных комплексов, который встречается при самых разных заболеваниях.
