РАЗРАБОТКА АВТОМАТИЗИРОВАННОГО ПОДХОДА КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ КЛЕТОК КРОВИ, ИССЛЕДУЕМЫХ С ПОМОЩЬЮ ЦИФРОВОГО МИКРОСКОПА Текст научной статьи по специальности «Компьютерные и информационные науки»

ТЕХНИЧЕСКИЕ НАУКИ (TECHNICAL SCIENCE) УДК 004.932.2

Гриф А.М.

аспирант кафедры прикладной математики Новосибирский государственный технический университет (Россия, г. Новосибирск)

Павлова Я.Р.

студент кафедры картографии и геоинформатики Сибирский государственный университет геосистем и технологий

(Россия, г. Новосибирск)

РАЗРАБОТКА АВТОМАТИЗИРОВАННОГО ПОДХОДА КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ КЛЕТОК КРОВИ, ИССЛЕДУЕМЫХ С ПОМОЩЬЮ ЦИФРОВОГО МИКРОСКОПА

Аннотация: в работе рассмотрен аппарат преобразования Радона для анализа изображений клеток крови, описаны используемые критерии для получения характеристических чисел. Проведено исследование применения предлагаемого подхода для классификации изображений клеток крови, снятых цифровым микроскопом.

Ключевые слова: преобразование Радона, цифровой микроскоп, лейкоциты.

Введение. В настоящий момент бесспорную актуальность имеет автоматизация процессов, выполняемых людьми, для обработки различной информации. К таким задачам можно отнести автоматизированную классификацию изображений лейкоцитов, заснятых с помощью высокоразрешающего цифрового микроскопа [1]. Их принято разделять на несколько отдельных видов: лимфоциты, моноциты, эозинофилы, нейтрофилы. Подавляющим большинством исследователей для классификации изображений

используется методы машинного обучения, однако данные подходы показывают крайне ограниченные результаты, если исследуемая выборка достаточно мала. Приведем описание предлагаемого подхода, свободного от этих недостатков.

Теоретическая часть. К изображению клетки с цифрового микроскопа размерности МхМ возможно применить преобразование Радона [2]. Введем функцию интенсивности пикселей f(x, у). При ее интегрировании вдоль прямой L(x, у), заданной соотношением х cos ф + у sin ф — s = 0, где s - расстояние от начала координат до линии, ф - угол между осью ОХ и перпендикуляром к направлению интегрирования, можно получить функцию Радона:

R(s^) = £°да £°да f (х,у)8(х cos ф + у si-пф — s) dxdy.

При фиксированном угле ф= 0,1,...,179 можно получить различные проекции Я(5,ф). С помощью данных проекций можно строить различные характеристические числа для каждого изображения.

В работе рассматривается характеристическая пара (nl,ns), переводящая изображение лейкоцита определенного вида в соответствующее местоположение на плоскости. Для вычисления критерия ni используется соотношение ni = ^ 1/180 - что является средней длиной проекций R(s, ф) для всех углов ф. Для вычисления критерия ns применяется соотношение ns = S/M2 - что является средней площадью лейкоцита.

Полученные соотношения (ni, ns) для каждого типа лейкоцитов определяют область принадлежности каждого класса. Данные области формируются с использованием обучающего набора данных. Далее, для изображения из тестового набора данных определяется характеристическое значение (ni, ns), и, в зависимости от попадания в область на плоскости, делается вывод о принадлежности определенному классу.

Практическая часть. С использованием цифрового микроскопа и взятых образцов клеток крови был получен обучающий набор данных, состоящий из 16 изображений (по 4 изображения для каждого из 4 классов). На рисунке 1

приведены обработанные изображения для эозинофилов (а), лимфоцитов (б), моноцитов (в) и нейтрофилов (г).

(г)

Рисунок 1. Изображения лейкоцитов, полученных с использованием цифрового микроскопа: эозинофилы (а), лимфоциты (б), моноциты (в),

нейтрофилы (г).

Далее, для каждого снимка была выделена область с изображением клетки крови размерности 300 на 300 пикселей. К данному изображению была применен пороговая фильтрация и сглаживание «Blur» [3].

Вычислительный эксперимент. Для автоматизированной классификации изображений лимфоцитов была написана программ на языке С++. Для работы с изображениями использовалась библиотека ЕаБуБМР[4]. Результат работы программы представлен на рисунке 2.

Рисунок 2. Характеристическая плоскость для изображений лимфоцитов.

Можно заметить, что характеристические числа изображений клеток крови для каждого класса находятся рядом. Это позволяет использовать разбиение данной плоскости на классы для анализа изображений из тестовой выборки.

Выводы. Применение преобразования Радона для анализа изображений клеток крови позволяет переходить от двумерных изображений к функциям одной переменной. Введенные в работе характеристические числа сопоставляют каждому изображению точку на плоскости. Проведенный вычислительный эксперимент доказал работоспособность предлагаемого подхода.

СПИСОК ЛИТЕРАТУРЫ:

Левин Г.Г., Вишняков Г.Н. Оптическая томография. - М.: Радио и связь, 1989. -224 с.

Radon J. Uber die Bestimmung von Funktionen durch ihre Integralwerte langs gewisser Mannigfaltigkeiten. Berichte Sachsische Akademie der Wissenschaften, Leipzig, Math. - Phys. Kl., 69 (1917), 262-267.

Gaussian Blur. [Электронный ресурс] - Режим доступа: https: //en.wikipedia. org/wiki/Gaussian_blur.

EasyBMP. [Электронный ресурс] - Режим доступа: http://easybmp.sourceforge.net/