CC BY
50
СПИСОК ЛИТЕРАТУРЫ
1. Симчера В.М. Методы многомерного анализа статистических данных. - М.: Финансы и статистика, 2008. - 400 с.
2. Дюк В., Эмануэль В. Информационные технологии в медикобиологических исследованиях. - СПб.: Питер, 2003. - 528 с.
3. Шаропин К.А., Берестнева О.Г., Шкатова ГИ. Визуализация результатов экспериментальных исследований // Известия Томского политехнического университета. - 2010. - Т. 316. -№ 5. - С. 172-176.
4. Берестнева О.Г., Пеккер Я.С., Шаропин К.А., Воловоден-ко В.А. Выявление скрытых закономерностей в медицинских и социально-психологических исследованиях // Аппликатив-ные вычислительные системы: Труды II Междунар. конф. по аппликативным вычислительным системам. - г. Москва, 29-31 октября 2010. - М.: Институт Актуального образования «ЮрИнфоР-МГУ», 2010. - С. 287-296.
5. Шаропин К.А., Берестнева О.Г., Воловоденко В.А., Марухи-на О.В. Визуализация медицинских данных на базе пакета N0-товрагк // Известия Южного федерального университета. Сер. Технические науки. - 2010. - Т 109. - № 8. - С. 242-249.
6. Воловоденко В.А., Эйдензон Д.В. Визуализация и анализ многомерных данных с использованием пакета «№^рагк\ша!ц-
ег». 2008. ИЯЬ: http://www.tsu.ru/storage/iro/k020410/s4/s4.doc (дата обращения: 25.11.2011).
7. Марухина О.В., Берестнева О.Г., Шаропин К.А., Осадчая И.А. Когнитивная графика в социально-психологических исследованиях // Информационные и математические технологии в науке и управлении: Труды XVI Байкальской Всерос. конф. -г. Иркутск, 2011. - С. 176-181.
8. Кривоногова ТС., Желев В.А., Тропова ТЕ., Гергет О.М. Роль раннего комплекса оздоровительных мероприятий в охране здоровья матерей и их детей // Российский вестник перинато-логии и педиатрии. - 2009. - Т. 54. - № 3. - С. 14-19.
9. Гергет О.М., Берестнева О.Г. Интеллектуальная система оценки состояния здоровья беременных женщин и детей // Информатика и системы управления. - 2010. - № 2. - С. 61-64.
10. Немеров Е.В., Языков К.Г. К вопросу изучения личностных свойств в психофизиологической реактивности больных бронхиальной астмой на аудиовизуальную стимуляцию // Вестник Томского государственного педагогического университета. -2011. - Вып. 6 (108). - С. 134-137.
Поступила 06.04.2012 г.
УДК 004.9
ОЦЕНИВАНИЕ СОСТАВА ИЗОБРАЖЕНИЙ КЛЕТОЧНЫХ ПРЕПАРАТОВ ДЛЯ МЕДИКО-БИОЛОГИЧЕСКИХ ИССЛЕДОВАНИЙ
М.С. Тарков, Н.В. Тихонов, В.Г. Половинкин
Институт физики полупроводников им. А.В. Ржанова СО РАН, г. Новосибирск E-mail: [email protected]; [email protected]; [email protected]
Предложен метод оценивания состава изображений, основанный на применении полутоновой эрозии идилатации, преобразования «верх шляпы» и последующей пороговой сегментации. Метод реализован в виде программного продукта и используется в рамках методики цейтраферной (замедленной) компьютерной видеосъемки микроскопических объектов, разработанной для изучения барьерных свойств мембран растительных клеток. Он позволяет оценить относительную площадь наблюдаемых объектов на изображении и может быть использован в различных приложениях, когда требуется определить скорость распада клеточных структур.
Ключевые слова:
Оценивание состава изображений, клеточные препараты. Key words:
Estimation of the image, cell preparations.
Введение
В настоящее время существует большое количество программных пакетов, предназначенных для анализа биомедицинских изображений, в том числе изображений цитологических препаратов [1, 2]. В то же время в используемых на практике программах анализ ряда характеристик клеток (периметр, площадь, количество) недостаточно автоматизирован. Данная работа ставит своей целью ликвидацию указанного недостатка существующих программных средств.
Изучение свойств мембран клеток в ответ на внешние воздействия - одна из ключевых задач современной биологии и медицины. Известно, что неблагоприятные условия окружающей среды со-
провождаются нарушениями устойчивости клеточных мембран и могут приводить к развитию различных форм стресса [3]. Вот почему важно иметь технологию для оперативной оценки барьерных свойств мембран. Один из подходов к такой оценке связан с анализом изображений клеточных препаратов. При неблагоприятных внешних воздействиях (стресс) происходит разрушение клеточных мембран и гибель клеток. В результате количество клеток на изображении уменьшается (рис. 1). По динамике изменения количества клеток на серии изображений, полученной цейтраферной (замедленной) компьютерной видеосъемкой (ЦКВ) [4], можно судить об устойчивости клеточных мембран к внешним воздействиям.
Известные методы автоматического анализа изображений клеточных структур [5, 6] дают хорошие результаты на препаратах крови, но сложны в применении к изображениям растительных клеток. Подсчет количества растительных клеток на изображении затруднен тем, что изображения клеток существенно перекрываются. Поэтому в данной работе в качестве приближенной количественной оценки состава изображения вычисляется относительная суммарная площадь, занимаемая клетками на изображении.
Метод количественного оценивания состава изображения
Предложенный ниже алгоритм выделения объектов на изображении (рис. 2, а) и оценивания его состава основан на использовании типовых операций обработки изображений [7, 8]. Алгоритм работает с монохромным изображением и включает следующие этапы:
1. Предварительная обработка (рис. 2, б). Включает медианную фильтрацию с последующим выравниванием гистограммы изображения и построением негативного изображения. Медианный фильтр заменяет значение пикселя на значение медианы распределения яркостей всех пикселей в окрестности, включая исходный. Медианная фильтрация используется для сглаживания изображения и удаления импульсных шумов.
Последующая эквализация гистограммы изображения позволяет расширить динамический ди-
апазон уровней яркости изображения, что обычно означает большую контрастность выходного изображения. Пусть р(г), ]=\,...,Ь - гистограмма уровней яркости исходного изображения, тогда преобразование эквализации имеет вид к
Ь =Х Р (Г)’ к =1’-’1’
1=1
где - яркость обработанного изображения, соответствующая значению яркости гк входного изображения.
2. Построение разомкнутого изображения (эрозия изображения с последующей дилатацией его) (рис. 2, в).
Полутоновая дилатация изображения / по структурообразующему элементу Ь обозначается /+Ь и определяется формулой
(/ + ,)( х У) =
= тах{/( х - х', .у - у') + Ь( х', /) |( х', у') е Б,},
где Бь обозначает область определения Ь, и предполагается, что/(х, у)=-<» вне области определения/. На практике полутоновая дилатация обычно выполняется с использованием плоских структурообразующих элементов, для которых Ь=0 в каждой точке, принадлежащей Бь. В этом случае операция взятия максимума полностью определяется конфигурацией нулей и единиц двоичной матрицы БЬ, а уравнения для полутоновой дилатации принимают более простой вид:
(/ + ,)(х, у) = тах{/(х - х ', у - у) (х', у' е Б,}.
Таким образом, полутоновая дилатация является операцией взятия локального максимума, в которой максимум вычисляется по множеству пикселей окрестности, форма которой задается областью Db.
Полутоновая эрозия изображения/по структурообразующему элементу b обозначается /—b и определяется формулой:
(/ + b)( х, у) =
= max{/(х - х ', .у - .у ') - b( х', у’) | (х’, у’) е Db],
где предполагается, что /(x,y)=+<x> вне области определения / Как и дилатация, полутоновая эрозия чаще всего использует плоские структурообразующие элементы. В этом случае уравнения для эрозии можно упростить и привести их к виду
(/ + b)(X, у) = max{/(х - х’, у - у) | (х’, у) е Db},
то есть полутоновая эрозия является операцией взятия локального минимума, где минимум берется по множеству пикселей окрестности, форма которой задается областью Db.
Размыкание изображения/по элементу b обозначается /о b и определяется выражением
/ о b = (/ - b) + b.
Сначала выполняется эрозия /по b, за которой следует дилатация по b. Размыкание имеет простую геометрическую интерпретацию. Представим изображение /(x,y) в виде трехмерной поверхности, то есть значения яркости представляются высотами над координатной плоскостью. Тогда процесс размыкания / по b представляет собой перемещение (перекатывание) структурообразующего элемента строго под трехмерной поверхностью изображения /, причем поверхность размыкания получается как огибающая высшие точки, которые достигает этот элемент. В общем случае процедура размыкания используется для удаления узких всплесков яркости при сохранении среднего полутонового фона и широких областей изменения яркости относительно неизменными. В качестве структурообразующего элемента b использовался круг с радиусом 25 пикселей.
3. Преобразование «верх шляпы» (рис. 2, г), которое сводится к вычитанию разомкнутого изображения из изображения, представленного
Рис. 2. Алгоритм выделения клеток на изображении: а) исходное изображение; б) результат применения медианной фильтрации, эквализации гистограммы и дополнения; в) разомкнутое изображение; г) преобразование «верх шляпы»; д) результат пороговой обработки
на рис. 2, б. Результатом преобразования «верх шляпы» является изображение с выровненным фоном.
4. Пороговая сегментация изображения. Значение порога Т подбирается экспериментально. Пороговое преобразование имеет вид
1 при / (х, у) > Т,
0 при /(х, у) < Т,
где / и/Ь - исходное и результирующее бинарное изображение. В результате получаем бинарное изображение/ь (рис. 2, д, порог Т=24).
В качестве величины, характеризующей состав изображения, используется отношение
где N - количество пикселей переднего плана (т. е. тех пикселей, которым соответствует значение 1) бинарного изображения/,, 1/ - число пикселей изображения /ь.
Программная реализация метода
Разработанный метод доведен до программного продукта и используется в рамках метода ЦКВ микроскопических объектов [4], разработанного для изучения барьерных свойств мембран. Он позволяет оценить относительную площадь наблюдаемых объектов на изображении (рис. 1). Программный продукт реализован в среде MATLAB [8] (программа CellsPro), а также в среде Visual Studio C++ с использованием процедур обработки изображений
библиотеки OpenCV [9, 10] (программа Cell-sProCV). Эксперименты показали, что переход от реализации предложенного метода в MATLAB к реализации его в Visual Studio C++ позволил сократить время обработки изображений в 6 раз. Время обработки одного изображения размером 1600x1200 пикселей программой CellsProCV на процессоре Intel Pentium Dual-Core CPU E 52000, 2,5 ГГц составляет 37 с.
Заключение
Предложен простой метод оценивания состава изображений, основанный на применении полутоновой эрозии и дилатации, преобразования «верх шляпы» и последующей пороговой сегментации. Метод реализован в виде программного продукта и используется в рамках методики цейтраферной (замедленной) компьютерной видеосъемки микроскопических объектов, разработанной для изучения барьерных свойств мембран растительных клеток. Метод позволяет оценить относительную площадь наблюдаемых объектов на изображении и может быть использован в различных приложениях, когда требуется определить скорость распада клеточных структур. Разработанный метод апробирован на сериях изображений препаратов, полученных с помощью метода цейтраферной компьютерной видеосъемки, и оказался эффективным в медико-биологических исследованиях клеточных структур.
Авторы выражают благодарность В.Н. Нурминскому за предоставленные изображения клеточных препаратов.
СПИСОК ЛИТЕРАТУРЫ
1. Программное обеспечение фирмы Micromed. 2012. ИЯЬ:
http://www.micromed.ru/index15.htm (дата обращения:
12.03.2012).
2. Тарков М.С., Полоз Т.Л., Полоз В.В. Нейросетевой анализатор изображений для цитологической диагностики фолликулярных опухолей щитовидной железы // Вестник Томского государственного университета. - 2006. - № 18. - С. 185-188.
3. Нурминский В.Н., Озолина Н.В., Нестеркина И.С., Колесникова Е.В., Корзун А.М., Чернышов М.Ю., Тихонов Н.В., Тарков М.С., Саляев Р.К. Стабильность вакуолярных мембран растений при осмотическом стрессе и воздействии редокс-аген-тов // Биологические мембраны. - 2011. - Т. 28. - № 3. -С. 224-229.
4. Нурминский В.Н., Корзун А.М., Розинов С.В., Саляев Р.К. Компьютерная цейтраферная видеосъемка фракции изолированных вакуолей // Биомедицинская химия. - 2004. - № 50 (Прилож. № 1). - С. 180-187.
5. Хлопов А.Н. Машинное зрение в задаче автоматического подсчета клеток крови человека // Электронный научный журнал
«Исследовано в России». 2007. URL: http://zhumal.ape.re-lam.ra/articles/2007/167.pdf (дата обращения: 12.03.2012).
6. Ковригин A^. Применение принципов построения систем машинного зрения в задаче анализа изображений клеточных структур // Шучный журнал Куб^У. - 2007. - № 29 (5). 2007. URL: http://ej.kubagгo.гu/2007/05/pdf/03.pdf (дата обращения:
12.0З.2012).
7. Гонсалес Р., Вудс Р. Цифровая обработка изображений. - М.: Техносфера, 2005. - 1072 с.
8. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. - М.: Техносфера, 2006. - 616 с.
9. Brodski G., Kaeh^ A. Learning OpenCV. - O’Reilly Media, Inc., USA, 2008. - 576 p.
10. Библиотека программ обработки изображений OpenCV. 2012. URL: http://souгcefoгge.net/pгojects/opencvlibгaгy/ (дата обращения: 12.03.2012).
Поступила 12.03.2012 г.
