Метод распознавания сложных объектов на снимках микробиологических препаратов Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.932.2

К. А. Котов, асп., 8-910-943-35-00, kotovkirill@yandex. ru (Россия, Тула, ТулГУ)

МЕТОД РАСПОЗНАВАНИЯ СЛОЖНЫХ ОБЪЕКТОВ НА СНИМКАХ МИКРОБИОЛОГИЧЕСКИХ ПРЕПАРАТОВ

Предлагается подход к выбору вектора информативных признаков для решения задачи классификации объектов на цифровых изображениях гистологических препаратов. Подход основан на изучении гистологических препаратов по их микрофотографиям с помощью текстурного и фрактального анализов.

Ключевые слова: распознавание образов, обработка цифровых изображении, текстурный анализ, фрактальный анализ, гистология.

Распознавание сложных многопараметрических объектов является далеко нетривиальной задачей не только для систем искусственного интеллекта, но и для эксперта.

Микроскопия является единственной областью лабораторной диагностики, где все еще доминирует трудоемкий субъективный качественный анализ. Если исследуемых клеток много, а требуемый объем выборки невелик (100 200), то такой анализ на «узнавание» при наличии достаточного числа опытных врачей-лаборантов может выполняться в массовом порядке.

Значительно хуже справляются глаза человека с дифференциальным подсчетом более серьезных выборок клеток (500) и тем более с большим количеством измерений. Таким образом, возникает необходимость автоматизации процесса анализа фотоснимков.

В работе представлен метод распознавания и анализа сложных объектов на основе цифровых снимков гистологических препаратов, который позволяет сформировать набор морфометрических признаков и проанализировать его для последующего использования при диагностике железистой гиперплазии эндометрия (ЖГЭ).

ЖГЭ - это доброкачественное разрастание ткани эндометрия, однако гиперпластические процессы в эндометрии имеют неодинаковую степень развития и в некоторых случаях приобретают характер предракового заболевания [1].

Изображения гистологических препаратов, рассматриваемые в данной работе, получены с помощью микроскопа с высокой разрешающей способностью марки NIKON, модель ECLIPSE 50i и цифрового фотоаппарата марки OLIMPUS E 501. Пример цифрового снимка гистологического препарата представлен на рис. 1.

Для разных типов новообразований изображения гистологических препаратов имеют различные характеристики, по форме объектов и их цветовому наполнению (далее будут рассматриваться изображения только в градациях серого).

Рис. 1. Пример цифрового снимка гистологического препарата

Общий принцип работы алгоритма следующий: изображения микрофотографий в 256 градациях серого разбивались на сегменты размером ЖхЖ пикселей. Для каждого сегмента рассчитывались текстурные признаки [2]. В качестве основных характеристик текстуры были выбраны: ширина автокорреляционной функции Т (/, к)[2] и текстурные признаки, основанные на гистограмме совместного распределения яркостей второго порядка: ВЕ и ВА [2]:

б б 2 2 Т(7,к) = £ -Л ■ А(7,к,е,г|),

е=-б ц=~б Ь-1Ь-1 Ва = X X а ■ Ь ■ Р(а, Ь), а=1Ь=1

Ве = X ЫР(а,Ь) ■ 1п[Р(а,Ь)], а=1Ь=1

где Ь - количество градаций оттенков серого; а, Ь - указанные значения яркостей; е, ц - значения смещения, равные 0, ±1, ±2, ±3,... ±Ж/2; А (], к,£,ц) - автокорреляционная функция, которая задается формулой

A( j, k, є, ц) =

j+W w+W Z ZF(m,n) • F(m -s,n -^)

m=j-W n=k-W

J+W k+W "

X Z n)]

m=j-W n=k-W

где F (m, n), F (ms, n-r\) - значения яркости пикселей сегмента, равные

0,1,...,255; P (a, b) - гистограмма совместного распределения яркостей второго порядка, которая рассчитывается по формуле

P(a, b) = ^iaib),

M

где N (a, b) - число случаев, когда F (j, k)=a и F (m, n)=b; M- полное число пикселей в сегменте.

Все анализируемые микрофотографии проходили стадию предварительной обработки.

Изображения срезов приводились к одинаковым условиям (коэффициент увеличения, размер и т. д.). Для устранения инструментальных погрешностей применялся набор фильтров из распространенных графических пакетов.Принятые меры позволили обеспечить разброс при повторных измерениях не более 7 %.

Был выполнен анализ полученных результатов. Оказалось, что текстурные признаки T (j, k), BE и BA реагируют на разные элементы структуры эндометрия.

Текстурный признак T (j, k) оценивает размер элемента текстуры (крупнозернистость)[3]. Текстурный признак BE по гистограмме совместного распределения яркостей второго порядка характеризует количество разных яркостей в сегменте. Текстурный признак BA отражает автокорреляцию гистограммы совместного распределения яркостей второго порядка.

Оказалось, что применительно к решаемой в данной работе задаче определенные преимущества имеет показатель BA. Методика его расчета позволяет не только распознавать границы раздела компонентов, но и учесть переходы на участки небольшой плотности какой-либо клеточной структуры (строма, эпителий). Однако BA так же, как и BE, не учитывает области изображений одинаковой яркости.

Для устранения указанных недостатков признаков BE и BA используется фрактальный подход к описанию структуры компонентов эндометрия. Выбран спектр обобщенных размерностей Реньи [3]:

. MS p?(8)]

Dq =------lim-----li-,

q q -1 5^0 ln 8

где p (д) - вероятность найти в i-й ячейке точку фрактала; q - порядок размерности; N - количество точек, образующих фрактал; ni (8) - количество точек фрактала в i-й ячейке; 5 - размер ячеек покрывающей сетки.

Граница выделялась методом определения разности яркостей между соседними точками изображения. Считалось, что точка изображения принадлежит границе, если ее яркость отличалась от соседних точек более чем на величину, вычисляемую по следующей формуле:

т _ ^max + ^min 2 ’

где Amax и Amin - значения максимальной и минимальной разности яркостей пикселей на всем изображении соответственно. Значение m подбиралось визуально, по принципу максимального сохранения целостности контура границ.

В результате экспериментов фрактальные размерности слабо реагируют на изменение внешнего вида клеточных структур при их постоянной концентрации.

Таким образом, выбранные текстурные признаки и фрактальные размерности могут быть использованы для изучения структуры тканей гистологических препаратов, т. к. они реагируют на разные элементы их макроструктуры.

Список литературы

1. БохманЯ. В., Прянишников В. А., Чепик О. Ф. Комплексное лечение при гиперпластичекских процессах и раке эндометрия. М.: Медицина, 1979. 272 с.

2. Прэтт У. Цифровая обработка изображений: пер. с англ. М.: Мир, 1982. Кн. 2. 480 с.

3. Новейшие методы обработки изображений / под ред. А. А. Потапова. М.: ФИЗМАТЛИТ, 2008. 496 с.

K. Kotov

TEXTURAL AND FRACTAL ANALYSIS OF THE MICROSCOPIC SECTIONS OF THE HISTOLOGICAL SAMPLES

The method to selection of the informative parameter’s vector to solve problem of classification objects in histological samples images is provided. The method is based on textural and fractal analysis of the microscopic sections of the histological samples.

Key words: pattern recognition, digital image processing, textural analysis, fractal analysis, histology.

Получено 11.11.10