CC BY
65
Рафальекий Андрей Сергеевич
E-mail: [email protected].
Евтушенко Геннадий Сергеевич
E-mail: [email protected].
Zhoglo Ekaterina Vladimirovna
National Research Tomsk Polytechnic University. E-mail: [email protected].
30, Lenina av., Tomsk, 634050, Russia.
Phone: +73822419605.
Aristov Alexander Alexandrovich
E-mail: [email protected].
Rafalsky Andrei Sergeevich
E-mail: [email protected].
Evtushenko Gennady Sergeevich
E-mail: [email protected].
УДК 681.5.01
АЛ. Белобров, С .А. Борисовский, РА. Томакова
НЕЙРОСЕТЕВЫЕ МОДЕЛИ МОРФОЛОГИЧЕСКИХ ОПЕРАТОРОВ ДЛЯ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ БИОМЕДИЦИНСКИХ
СИГНАЛОВ
Предлагается способ сегментации полутоновых изображений, основанный на расширения признакового пространства за счет морфологических операторов и последующим его сжатии путем использования многослойной нейронной сети, реализующей операцию двумерной свертки и пороговой обработки.
Медицинское изображение; сегмент; морфологический оператор.
A.P. Belobrov, S.A. Borisovsky, R.A. Tomakova NEURAL NETWORK MODELS OF MORPHOLOGICAL OPERATORS FOR SEGMENTATION OF IMAGES OF BIOMEDICAL SIGNALS
In work the way of segmentation of the half-tone pictures, based on expansions space of signs at the expense of morphological operators and the subsequent its compression by use of the multilayered neural network realising operation of two-dimensional convolution and threshold processing is offered.
The medical image; a segment; the morphological operator.
В задачах обработки изображений в медицине выделение объектов предшествует этапу количественных оценок их характеристик, таких, как их размеры, форма, взаимное расположение, ориентация и т.д. Таким образом, в области обработки изображений весьма актуальной является задача сегментации, т.е. разделения изображения на области, принадлежащие разным объектам или их частям, с целью последующего выделения искомого объекта или определения характерных параметров . -ется на анализе локальных свойствах самого изображения. Задача сегментации в них ставится обычно как статистическая задача, главной целью которой является
, [1].
Развитие электроники и вредность условий работы стимулируют повышенное внимание к цифровому анализу биомедицинских изображений. Однако сложности в получении качественных изображений гистологических объектов значительно тормозят развитие этой отрасли.
Автоматизация анализа гистологических структур ускоряет диагностику заболевания, позволяет расширить границы научных поисков в медицине. Автоматическое измерение параметров гистологических объектов даёт возможность уточнить лечение и управление терапевтическими процессами. Одной из главных частей автоматизации измерения оптических и геометрических параметров является выделение объектов на гистологических препаратах. Эта задача решается с помощью методов и средств цифрового анализа изображений.
Задачей сегментации является синтез решающего правила, которое позволяет определить, принадлежит ли исследуемый пиксель к искомому сегменту. В качестве такого решающего правила может быть выбраны две последовательные процедуры: фильтрация или оконное преобразование и пороговая обработка. В случае линейной фильтрации первая процедура формализуется согласно выражению:
где ч>ур - весовые коэффициенты маскирующей последовательности, - яр-
кость пикселя с коэффициентом Ї] , К х Ь - размер фильтрующей маски.
Вторая процедура сегментация выполняется согласно выражению:
где уу - ц -й элемент бинарного изображения искомого сегмента, /(иу) - некоторое нелинейное преобразование, Тп0р - весовой коэффициент поляризации,
подбираемый эмпирически или устанавливаемый на основе разведочного анализа.
Однако использование процедуры (1) при поиске сегментов дает неоднознач-
,
величины весовых коэффициентов, входящих в маску, но и от ее структуры и размерности. В общем случае размер маски должен соответствовать размерам мини, , -роваться к топологии границ сегмента.
Для поиска пикселя, соответствующего границы искомого сегмента, используем универсальную маску с топологией, показанной на рис. 1, в которой выделено четыре стандартных направлений, привязанных к географической карте.
, , -ходимо увеличивать размер маски.
, , , есть оказаться в центре маски (рис. 1). Каждому из четырех выделенных направлений на рис. 1 соответствуют восемь масок, у которых единицами заполнены коэф-, , -пендикулярно следу выбранного направления, а минус единицами - коэффициенты ниже этой прямой. На рис. 2 приведены примеры масок, для следа С-В (а) и следа - ( ). .
К-1 Ь-1
^ ^ в і-ш1 (К /2)+у, ]-ІШ(Ь /2)+в , г=0 в=0
(1)
(2)
□
Рис. 1. Фильтрующая маска в форме диска с четырьмя выделенными направлениями адаптации
□
□
а б
Рис. 2. Фильтрующая маска в форме диска с четырьмя выделенными направлениями адаптации
, ,
. ( . 1),
перехода в новое пространство информативных признаков необходимо к каждому
(1) ,
[\¥к}, к=1, 2, 8
(3)
и каждому //-му пикселю ставится в соответствие множество [ы^ }.
Для выбора доминирующего направления, за которое «голосует» данный пиксель, из множества [ы^} выбирается максимальный элемент, после чего про-
в
водится пороговая обработка согласно (2). Недостаток такого подхода связан с тем, что он не учитывает направления, за которые «голосуют» соседние пиксели. Чтобы учесть этот недостаток, необходимо синтезировать морфологический оператор, который учитывал бы как топологию сегмента, так и позволял настраиваться на определенную топологию. Поэтому, вместо решающего правила выбора направления с,, за которое «голосует» сегмент, согласно которому
д = тах {щ}, (4)
к =1,2..8
используется решающее правило 1
=ш^ тах
к =1,2..8
М N
УУ к
М N у ‘ 'тпдЩ-іпі;^ /2)+п, і-іп1;(М /2)+ш,д т=1п=1
(5)
которое позволяет учесть направления в соседних пикселях. При этом размер маски в (5) не обязательно совпадает с размером маски в (1).
Структура масок в (5) определяется множеством {Н^ }, которое синтезирует, . 1,
, ,
, ,
сегменту [2].
В качестве примера на рис. 3 приведены результаты обработки гистологической структуры. На рис. 3,а показано исходное изображение. На рис. 3,6 показано , . 1, оператором (5).
а б
Рис. 3. Сегментация клеток посредством адаптивной морфологической фильтрации: а - исходное изображение; б - изображение после обработки адаптивным морфологическим оператором
Нейронная сеть, выполняющая процедуру (5), настраивалась на сегменты в виде замкнутого контура, получаемого в результате случайных деформаций ок.
Исследования выполнены при поддержке федеральной целевой программы «Научные и научно-педагогические кадры инновационной России» на 2009-2013 гг.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Гонсалес, Р. Цифровая обработка изображений в среде МАТЬАВ[Текст] / Р. Гонсалес, Р. Вудс, С. Эдине. - М.: Техносфера, 2006. - 616 с.
2. Фил ист С.А., Пихлап С.В., Томакова РА. Нечеткие нейросетевы е структуры для сегментации изображений глазного дна // Вестник Воронежского государственного технического университета. - Воронеж, 2009. - Т. 5, № 4. - С. 42-45.
Белобров Андрей Петрович Борисовский Сергей Александрович Томакова Римма Александровна
ГОУ ВПО «Курский государственный технический университет».
E-mail: [email protected]
305040, г. Курск, ул. Челюскинцев 19, к. Б.
Тел.: 84712587098.
Belobrov Andrey Petrovich Borisovsky Sergey Aleksandrovich Tomakova Rimma Aleksandrovna
SEI HVT “Kursk state technical university”.
E-mail: [email protected]
19, Cheljuskintsev street, the case B, Kursk, 305040, Russia.
Phone: +74712587098.
УДК 61:681
ОТ. Берестнева, КА. Шаропин, АЛ. Старикова, Л.И. Кабанова
ТЕХНОЛОГИЯ ФОРМИРОВАНИЯ БАЗ ЗНАНИЙ В МЕДИЦИНСКИХ ИНФОРМАЦИОННЫХ СИСТЕМАХ*
Рассматриваются вопросы, связанные с технологией формирования баз знаний в медицинских информационных системах, а именно вопрос заполнения базы знаний логическими правилами в виде продукций.
Медицинские информационные системы; методы Data Mining; продукционные модели.
O.G. Berestneva, K.A. Sharopin, L.I. Kabanova, A.V. Starikova
TECHNOLOGY OF KNOWLEDGE BASE DEVELOPMENT FOR MEDICAL
INFORMATION SYSTEMS
The questions connected with technology of knowledge base development for medical information systems are considered in this article. Filling of knowledge base with logical rules in a form of production model is considered in details.
Medical information systems; methods of Data Mining; production models.
Основным побудительным мотивом работы по внедрению компьютерных технологий в систему здравоохранения является высокая общественная значимость улучшения ситуации в этой сфере, включая повышение качества и скорости
,
средств обеспечения соответствия нормативным документам и прочим требованиям. Врачи консультируют пациентов on-line, диагностическая аппаратура оснащена мощными процессорами, конференции и консилиумы проводятся через интер-
* Работа выполнена при финансовой поддержке РФФИ (проект № 08-06-00313а). 32
