CC BY
5Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 2 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 2 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 2 | 2024 год
Обнаружения объектов на гистологических изображениях на основе сопоставления шаблонов
Мелиев Фарход Фаттоевич,
НИИ Развития цифровых технологий и искуственного
интеллекта базовый докторант, Ташкент, Узбекистан E-mail: [email protected]
Мелиев Фатто Мухаммадиевич,
Узбекско-Финский педагогический институт
к.ф-м.н,доцент Самарканд, Узбекистан E-mail: [email protected]
Аннотация. В данной статье рассматривается метод обнаружения объектов на гистологических изображениях с использованием техники сопоставления шаблонов. Рассмотрены основные принципы этого метода, а также представлен подход и алгоритм, применяемый для обнаружения объектов на гистологических изображениях. Кроме того, практически проверены перспективы применения этого метода в медицинской диагностике, связанных с анализом гистологических данных.
|| Ключевые слова: шаблон, совпадения, кросс-корреляция, функция сходства.
Введение
Гистология, как важная область биомедицинской науки, играет ключевую роль в понимании структуры и функции тканей и органов организма [1]. Гистологические изображения представляют собой снимки тканей, полученные с помощью микроскопии, и содержат важную информацию о состоянии здоровья пациента и наличии патологий. Однако, ручная обработка и анализ таких изображений являются трудоемкими и часто вызывают субъективные ошибки. Современные методы гистологического анализа включают использование цифровых изображений, полученных с помощью высокоразрешающих сканеров, что позволяет получать подробные изображения тканей с микроскопическим разрешением [2].
Для автоматизации процесса обработки гистологических изображений и повышения точности обнаружения объектов на них были разработаны различные методы и алгоритмы [3]. Однако, одной из основных проблем, с которой сталкиваются исследователи и практики в области
гистологии, является объем и сложность данных, получаемых при анализе гистологических препаратов. В частности, задача обнаружения и классификации объектов на гистологических изображениях, таких как клетки, ткани или патологические изменения, остается сложной из-за разнообразия их форм, размеров и текстур [4].
Для решения этой проблемы набирает популярность метод обнаружения объектов на гистологических изображениях путем
сопоставления шаблонов. Этот метод основан на анализе изображений с использованием заранее определенных шаблонов объектов, что позволяет автоматически обнаруживать их на гистологических снимках. Такой подход обладает высокой специфичностью и чувствительностью к обнаружению объектов даже в условиях сильного разнообразия искомых структур.
Цель данного исследования - разработать эффективную и автоматизированную систему, которая может улучшить процесс обработки гистологических изображений и значительно упростить обнаружения объектов, таких как
109
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 2 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 2 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 2 | 2024 год
клетки, тканевые структуры или патологические образования и внести свой вклад в область медицинской диагностики и исследований. Метод основан на использовании шаблонов - наборов предопределенных особенностей объектов, которые затем сопоставляются с
соответствующими областями изображения.
Постановка задачи:
Введем следующие обозначения:/ -гистологическое изображение; Т - шаблон объекта, который мы хотим обнаружить на изображении /; (х, у) - координаты пикселя на изображении; 1(х,у) - значение яркости пикселя на позиции (х,у) на изображении /; Т(х,у) - значение яркости пикселя на позиции (х,у) в шаблоне Т.
Цель - разработать алгоритм, который автоматически обнаруживает наличие объекта, представленного шаблоном Т, на гистологическом изображении /. Обнаружение объекта может быть сформулировано как задача поиска на изображении I такой области, которая наилучшим образом соответствует шаблону Т.
Обозначим область изображения I как Rj, а область шаблона Т как RT.Для каждой позиции (х,у) на изображении I можно определить меру сходства между областью изображения I и шаблоном Т. Обозначим эту меру как S(x,y).
Тогда задача обнаружения объекта может быть сформулирована как поиск таких координат, (х* , у*), где мера сходства S(x,y) максимальна: (х* ,у*) = arg maX(X,y)eRl S(x,y).
Это означает, что проводится поиск координаты, в которых содержится наилучшее совпадение между областью изображения и шаблоном.
Предлогаемый метод
Метод сопоставления шаблонов - это техника обработки изображений или сигналов, которая используется для поиска и распознавания шаблонов (или объектов) в большом изображении или сигнале. Вот основные принципы, преимущества этого метода:
Основные принципы:
Выбор шаблона: Необходимо выбрать шаблон (или образец), который будет искаться в исходном изображении или сигнале.
Сопоставление шаблона: Используя различные методы, такие как кросс-корреляция или нейронные сети, производится сопоставление выбранного шаблона с исходным изображением или сигналом.
Определение_совпадений: После
сопоставления метод определяет местоположение (или местоположения) совпадений шаблона в исходном изображении или сигнале.
Обработка результатов: Полученные результаты могут быть обработаны для выделения наиболее значимых совпадений или для дальнейшего анализа.
Преимущества:
Простота реализации: Метод сопоставления шаблонов относительно прост в реализации и понимании.
Эффективность: В зависимости от используемого метода и характеристик данных, метод сопоставления шаблонов может быть эффективным для нахождения объектов в изображениях или сигналах.
Широкое применение: Этот метод находит применение во многих областях, включая компьютерное зрение, обработку изображений, обработку сигналов, биометрию и многое другое.
Функция сходства в методе сопоставления шаблонов используется для оценки степени схожести между шаблоном и различными частями исходного изображения или сигнала [5]. Цель этой функции - определить, насколько хорошо шаблон соответствует определенной области данных.
Функция сходства может принимать различные формы в зависимости от конкретной задачи и используемого метода. Вот несколько примеров функций сходства:
Кросс-корреляция: Один из наиболее распространенных методов сопоставления шаблонов - это кросс-корреляция. В этом случае функция сходства вычисляется как сумма произведений значений пикселей шаблона и
110
"Descendants of Al-Farghani" electronic scientific Электронный научный журнал "Потомки Аль-
joumal of Fergana branch of TATU named after Фаргани" Ферганского филиала ТАТУ имени
Muhammad al-Khorazmi. ISSN 2181-4252 Мухаммада аль-Хоразми ISSN 2181-4252
Vol: 1 | Iss: 2 | 2024 year Том: 1 | Выпуск: 2 | 2024 год
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 2 | 2024-yil
соответствующих пикселей в области изображения.
Нормализованная кросс-корреляция: Этот метод нормализует кросс-корреляцию по средним значениям пикселей, чтобы уменьшить влияние яркости и контраста на результат.
Сумма квадратов разностей: В этом случае функция сходства вычисляется как сумма квадратов разностей между значениями пикселей шаблона и соответствующими пикселями в области изображения.
Нормализованная_сумма_квадратов
разностей: В этом методе нормализуется сумма квадратов разностей по размеру области, чтобы уменьшить влияние размера шаблона на результат.
Коэффициент корреляции: В этом случае функция сходства вычисляется как корреляция между значениями пикселей шаблона и соответствующими пикселями в области изображения.
В этой работе функцией сходства Б(х,у) выбрана, одна из наиболее распространенных форм - нормализованная кросс-корреляция [6]:
Общие шаги алгоритма нормализованной кросс-корреляции:
1.Подготовка данных: Пусть:
• I - это изображение размером W х Н, где Ш и Н - ширина и высота соответственно.
• Т - это изображение - шаблон размером № хк, где w и И. - ширина и высота соответственно.
2. Вычисление нормализованной кросс-корреляции:
Математически нормализованную кросс-корреляцию Б(х,у) между шаблоном и фрагментом изображения в позиции (х,у) можно определить следующим образом: Б(х,у)
_ 1х'у(!(х + х',у + у')^Т(х',у')) ^Ех'уУ(х + *',у + у')2 • Ех'у Т(х', у')2)
где (ху) - координаты верхнего левого угла фрагмента изображения, х' и у' - переменные, описывающие смещение внутри шаблона, £(ху) -это значение нормализованной кросс-корреляции в позиции (ху).
3. Определение максимальной корреляции: Находится мера сходства, при которых корреляция достигает максимального значения. Это будет означать наилучшее совпадение между сигналами или изображениями.
Экспериментальные исследования Работоспособность выше указанного метода проверены экспериментальными исследованиями. Объектами экспериментального исследования выбраны гистологические снимки легких человека (Рис.1).
а б
Рисунок 1. Гистологический снимок легких человека: (а) - цветной снимок, (б) - снимок в оттенках серого.
Шаблоны изображения для поиска были вырезаны из регионов этого изображения и приведены на рисунке 2.
а б с
Рисунок 2. Изображения шаблонов.
Поиск шаблонов проводился по цветным изображениям и по изображениям в оттенках серого. Для удобства анализа и принятия решений найденные по шаблону объекты выделены
111
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 2 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 2 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 2 | 2024 год
прямоугольниками с красными и черными линиями соответственно. Результаты поиска по шаблонам приведены на рисунке 3.
ЖЖ fetv^ шж РШ kite
SsSsv illSSBSB 1.4 'M »%J ВЫ?' s»
Рисунок 3. Результаты поиска по шаблонам: (а) - по первому (Рис. 2а) шаблону, (б) - по второму (Рис. 2б) шаблону, (с) - по третьему (Рис. 3 с) шаблону.
Как можно увидеть по рисункам (Рис.3а-3с) результат определения шаблонных объектов по цветным и серым изображениям идентичны.
Для реализации выше приведенного метода было создано программное средство на языке Python, при помощи которого можно выбрать изображение и шаблон для поиска. Главное окно программы приведен на рисунке 4.
Открыть изображен! Открыть шаблон Поиск по шаблону
Сохранить результат
Выход из программ!
Выбранное изображение Шаблон
Рисунок 4. Главное окно программы
Вывод
В данной работе был представлен метод по обнаружению объектов на гистологических изображениях с использованием техники сопоставления шаблонов. Основной целью было исследование и разработка алгоритма, способного автоматически обнаруживать различные
структуры и элементы на гистологических снимках, что является важной задачей в области медицинской диагностики, научных исследований и образования.
В ходе работы были рассмотрены основные принципы метода сопоставления шаблонов, его преимущества, а также обнаружены следующие ограничения:
Чувствительность к изменениям: метод сопоставления шаблонов может быть чувствителен к изменениям в освещении, масштабе, вращении искомого объекта.
Вычислительная сложность: для больших изображений или сложных шаблонов может потребоваться значительное количество вычислительных ресурсов для выполнения сопоставления.
Необходимость точной предварительной подготовки: для успешного сопоставления может потребоваться точная предварительная обработка данных, такая как выделение объектов, уменьшение шума и т. д.
Ограниченная способность обнаружения объектов: метод сопоставления шаблонов имеет свои ограничения при обнаружении объектов в условиях изменяющегося окружения или сложных сцен.
Анализ результатов показал, что метод сопоставления шаблонов демонстрирует высокую эффективность и точность при обнаружении различных объектов на гистологических изображениях. Однако, такие методы имеют свои ограничения, связанные с вариативностью размеров и текстур объектов, а также с шумом и артефактами на изображениях.
Несмотря на это, результаты исследования показывают перспективность и потенциал применения методов обнаружения объектов на гистологических изображениях путем
сопоставления шаблонов в практических задачах медицинской диагностики, в целом, дальнейшие исследования в этой области могут быть направлены на улучшение методов обнаружения объектов с помощью сопоставления шаблонов, а
112
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 2 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 2 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 2 | 2024 год
также на разработку новых подходов, способных эффективно справляться с вызовами, стоящими перед анализом гистологических данных.
Литература
1. Ю. И. Афанасьев, Н. А. Юрина, Е. Ф. Котовский и др. Гистология, эмбриология, цитология:учебник- 6-е изд., перераб. и доп. - М. : ГЭОТАР-Медиа, 2014. 800 с.
2. О.Д. Мяделец, Гистология, цитология и эмбриология человека. Часть 1. Цитология, эмбриология и общая гистология: учебник / О.Д. Мяделец -Витебск: ВГМУ, 2014- 439 с.
3. В.П. Омельченко, А.А. Демидова. Медицинская информатика, - М.: ГЭОТАР-Медиа, 2016. 453 с.
4. С. Абламейко, А. Недзьведь. Обработка оптических изображений клеточных структур в медицине. - Мн.: ОИПИ НАН Беларуси, 2005. - 156с.
5. И.С.Грузман, В.С. Киричук, В.П. Косых, Г.И. Перетягин, А.А.Спектор, Цифровая обработка изображений в информационных системах:Учебное пособие.- Новосибисрк: Изд-во НГТУ, 2000. - 168 с.
6. Богуш, Р. П. Цифровая обработка сигналов и изображений: учеб.-метод. комплекс для студентов спец. 1-40 02 01 «Вычислительные машины, системы и сети» / - Новополоцк: ПГУ, 2009. - 320 с.
113
