Алгоритмы анализа изображений, полученных при микроскопии крови тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Шагалова Полина Анатольевна

• Шагалова Полина Анатольевна
• кандидат наук
• 2020

Оглавление диссертации кандидат наук Шагалова Полина Анатольевна

ВВЕДЕНИЕ

Глава 1 Анализ проблемы распознавания изображений, полученных при микроскопии крови

1.1 Обзор применения алгоритмов компьютерного зрения в биомедицинских задачах

1.2 Анализ процесса формирования трещин, специфических структур, центральной и периферийной зон на изображениях фаций плазмы крови

1.3 Описание процесса получения изображений эритроцитов, деформированных в сдвиговом потоке

1.4 Описание и анализ объектов исследования

1.5 Оценка эффективности работы алгоритмов распознавания и анализа изображений

1.6 Современное состояние проблемы разработки алгоритмов распознавания изображений, полученных при микроскопии

1.7 Постановка задач и целей исследования

1.8 Выводы

Глава 2 Разработка алгоритмов распознавания и анализа изображений, полученных при микроскопии крови

2.1 Разработка алгоритмов анализа изображений фаций плазмы крови с учетом специфики формирования ее структуры

2.1.1 Разработка алгоритма распознавания трещин, основанного на скелетизации изображения и поиске угловых точек

2.1.2 Разработка алгоритма определения центральной и периферийной зон фации, основанного на анализе радиальных трещин

2.1.3 Распознавание кристаллических структур на изображении фации плазмы крови

2.1.4 Повышение эффективности распознавания анализом динамики высыхания препарата с помощью серии изображений

2.2 Разработка алгоритма распознавания деформированных эритроцитов и определение коэффициента их деформируемости

2.3 Выводы

Глава 3 Моделирование, настройка параметров и исследование разработанных алгоритмов анализа изображений, полученных при микроскопии крови

3.1 Описание базы данных входных изображений и обоснование выбора инструментов моделирования

3.2 Выбор и обоснование показателей эффективности разработанных алгоритмов

3.3 Описание процесса настройки параметров и исследования разработанных алгоритмов распознавания трещин, определения центральной и периферийной зон и распознавания деформированных эритроцитов

3.3.1 Настройка и исследование алгоритма распознавания трещин на изображении фации

3.3.2 Настройка и исследование алгоритма определения центральной и периферийной зон фации

3.4 Настройка и исследование алгоритма распознавания деформированных эритроцитов

3.5 Выводы

Глава 4 Внедрение разработанных алгоритмов анализа изображений, полученных при микроскопии крови. Перспективы дальнейшего развития

4.1 Апробация разработанных алгоритмов анализа изображений фаций плазмы крови

4.2 Апробация разработанного алгоритма распознавания эритроцитов, деформированных в сдвиговом потоке

4.2.1 Интерфейс программы

4.2.2 Описание процесса определения значений показателей деформируемости эритроцитов до и после внедрения программы распознавания деформированных эритроцитов

4.2.3 Апробация разработанной программы для обработки и анализа изображений эритроцитов, деформированных в сдвиговом потоке

4.3 Адаптация полученных результатов к исследованию процесса агрегации тромбоцитов

4.4 Перспективы дальнейших исследований и разработка системы распознавания изображений, полученных при микроскопии

4.4.1 Обоснование выбора инструментов разработки

4.4.2 Архитектура разрабатываемой системы анализа изображений, полученных при микроскопии крови

4.5 Перспективные направления дальнейшего развития исследования

4.6 Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

СПИСОК ТЕРМИНОВ, СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ

Клиновидная дегидратация - метод, который в результате системной организации биологической жидкости в процессе её перевода в твёрдую фазу позволяет получить сухую пленку с четким изображением фиксированных кристаллических структур, различающихся по форме, системному и локальному характеру построения, занимаемой площади, месторасположению, цвету и другим параметрам.

Фация - пленка, образовавшаяся в результате перехода в твердую фазу капли биологической жидкости.

Кристаллическая структура - элемент фации биологической жидкости, полученной методом клиновидной дегидратации.

Диагностический маркёр - кристаллическая структура, обладающая определенными качественными и количественными параметрами, позволяющая судить о наличии того или иного патологического состояния.

Плазма крови - жидкая часть крови.

Деформируемость эритроцитов - способность клеток крови изменять свою форму под действием внешних сил.

Специфические объекты на изображениях микроскопии крови - трещины, центральная и периферийная зоны фации плазмы крови, эритроциты, тромбоциты.

Бинаризация изображения - выполнение над изображением порогового преобразования, в результате которого изображение становится монохромным (присутствуют только чёрные и белые пиксели).

Скелет - множество точек, равноудаленных от границ объекта.

Угловая точка - место соединения нескольких линий (отрезков).

Точность - метрика оценки эффективности классификатора, отражающая долю объектов, действительно являющихся объектами основного класса, среди всех объектов, распознанных системой как основной класс.

Полнота - метрика оценки эффективности классификатора, отражающая долю найденных объектов основного класса среди всех объектов основного класса.

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Алгоритмы анализа изображений, полученных при микроскопии крови»

Актуальность темы исследования

Развитие алгоритмов машинного зрения предоставляет широкие возможности в области автоматизации решения биомедицинских задач. Компьютерная обработка биомедицинских изображений повышает точность анализа изображений, снижает роль человеческого фактора при принятии решений, используется для скрининговых исследований, позволяет оценить эффективность применения терапии и в целом улучшает качество жизни людей. Активно развиваются биомедицинские исследования в области анализа и распознавания изображений, полученных при компьютерной томографии, ультразвуковых исследованиях, рентгенографии. В области лабораторной медицины, имеющей большое значение в клинической практике, следует выделить обработку и анализ изображений, полученных при микроскопии крови. Актуальными задачами в этой области являются анализ изображений фации плазмы крови, определение степени деформируемости эритроцитов, анализ процесса агрегации тромбоцитов и многие другие. В настоящее время биомедицинские исследования таких изображений проводятся специалистами вручную. Высокая сложность визуального анализа изображений, требования точности и скорости извлечения информации требуют разработки автоматизированных биомедицинских диагностических систем, позволяющих сократить временные затраты и повысить точность диагностики. Автоматизация анализа изображений, полученных методом микроскопии, позволит обработать большие объемы данных, включая полученные с микроскопа серии снимков, исследовать динамику процесса подготовки препаратов к анализу для получения новых информативных признаков, снизить стоимость медицинских исследований.

Разработке систем обработки изображений, полученных при микроскопии крови, посвящено большое количество работ отечественных и зарубежных авторов. Среди них -Петров В.О., Крашенинников В.Р., Бузоверя М.Э., Шабалин В.В., Razali Tomari, Lorenzo Putzu, Esti Suryani, которые исследуют алгоритмы анализа изображений, полученных методом микроскопии, и решают задачи их автоматизации.

Механизм визуальной оценки вида, размера и расположения кристаллических структур, образующихся в результате высыхания капли крови, является основой метода клиновидной дегидратации. Доступность, низкая стоимость и информативность метода обуславливают большой интерес к нему, и, как следствие, способствуют активному развитию исследований в этой области. Новым направлением в задаче измерения степени деформируемости эритроцитов является метод, основанный на анализе изображений, полученных с использованием устройства для деформации эритроцитов в сдвиговом

5

потоке. Характерные особенности и специфика изображений, полученных при микроскопии крови, определяет выбор инструментов решения задач распознавания объектов и требует разработки новых алгоритмов анализа и обработки изображений с перспективой их технического внедрения для повышения качества медицинской диагностики.

Целью работы является повышение эффективности анализа изображений, полученных при микроскопии крови, за счет разработки и исследования алгоритмов распознавания и анализа специфических объектов на изображениях.

Достижение цели диссертационного исследования обеспечивает решение следующих задач:

1. Разработка алгоритмов распознавания трещин на изображениях фации плазмы крови.

2. Разработка алгоритма определения центральной и периферийной зон на изображениях фации плазмы крови.

3. Разработка алгоритма распознавания изображений эритроцитов, полученных с использованием устройства для деформации эритроцитов в сдвиговом потоке.

4. Исследование эффективности и настройка параметров разработанных алгоритмов обработки и анализа изображений, полученных при микроскопии крови.

5. Разработка программного комплекса, реализующего разработанные алгоритмы анализа изображений фаций крови и деформированных эритроцитов.

Объект исследования - изображения, полученные при микроскопии крови.

Предмет исследования - алгоритмы цифровой обработки и анализа изображений, полученных при микроскопии крови, для целей медицинской диагностики.

Область исследования соответствует паспорту специальности 05.13.01. -«Системный анализ, управление и обработка информации (в науке и промышленности)», а именно:

п.4 - разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации;

п.9 - в части разработки проблемно-ориентированных систем управления, принятия решений;

п. 12 - визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации.

Научная новизна диссертационной работы заключается в следующем:

1. Разработан алгоритм анализа изображения фации плазмы крови, включающий

6

- алгоритм распознавания трещин, основанный на анализе скелета изображения фации, позволяющий, в отличие от известных, определить количество и координаты всех трещин на изображении;

- алгоритм определения центральной и периферийной зон на изображении фации, базирующийся на анализе трещин, учитывающий, в отличие от известных алгоритмов, особенности процесса формирования трещин, что позволяет повысить точность определения зон фации.

2. Разработан новый алгоритм распознавания деформированных в сдвиговом потоке эритроцитов, реализующий бинаризацию изображения с последующей аппроксимацией каждого найденного объекта эллипсом, позволяющий определить значения совокупности показателей эритроцитов и построить распределение эритроцитов по деформируемости для использования в качестве диагностической и научной медицинской информации.

Основные положения, выносимые на защиту:

1. Алгоритм обнаружения всех трещин на изображениях фации плазмы крови, включающий выделение скелета и поиск угловых точек для разбиения скелета на трещины, и классификацию трещин по радиальному и поперечному типу.

2. Алгоритм определения центральной и периферийной зон на изображении фации плазмы крови, базирующийся на анализе трещин с учетом особенностей процессов их формирования.

3. Алгоритм обнаружения на изображениях эритроцитов, деформированных в сдвиговом потоке, включающий поиск их границ, аппроксимацию границы каждого эритроцита эллипсом и их классификацию по значению коэффициента деформируемости.

4. Результаты определения граничных значений и настройки параметров разработанных алгоритмов с использованием предоставленной базы медицинских изображений.

5. Реализованный программный комплекс анализа изображений, полученных при микроскопии крови, повышающий эффективность определения реологических свойств крови для целей медицинской диагностики.

Методы исследования. Для решения поставленных в диссертационной работе задач использовались методы сегментации изображений, контурного анализа, математической морфологии, численные методы, методы математического моделирования.

Достоверность результатов диссертационной работы обеспечена корректным использованием математического аппарата, результатами моделирования, апробацией разработанных алгоритмов на реальных базах данных и их внедрением.

Теоретическая значимость диссертационного исследования заключается в разработке алгоритмов обработки и анализа изображений, полученных при микроскопии крови, позволяющих повысить точность и скорость решения задач распознавания объектов на изображениях для целей медицинской диагностики.

Практическая значимость диссертационной работы заключается в разработке программного комплекса распознавания биомедицинских изображений и использовании полученных результатов в системах информационной поддержки принятия решений в области медицинской диагностики. Все разработанные алгоритмы прошли апробацию на множестве реальных изображений из медицинских баз данных (БД) - изображений фаций плазмы крови и изображений эритроцитов, деформированных в сдвиговом потоке, предоставленных ФГБОУ ВО "ПИМУ", полученные результаты позволяют рекомендовать их к использованию в медицинской практике.

Программный комплекс, реализующий разработанные алгоритмы анализа изображений, внедрен в практику медицинских исследований на базе Университетской клиники ФГБОУ ВО «ПИМУ» Минздрава России. Материалы диссертационного исследования применяются в учебном процессе кафедры «Информатика и системы управления» НГТУ в дисциплинах «Интеллектуальные системы и технологии», «Интеллектуальный анализ данных», «Математическое моделирование в автоматизированных системах обработки информации и управления». Зарегистрирован патент на изобретение «Способ определения деформируемости эритроцитов». Получено свидетельство о государственной регистрации программы для ЭВМ «Система распознавания трещин на изображениях, полученных при микроскопии».

Основные положения диссертации представлялись и докладывались на научных конференциях: Международных научно-технических конференциях «Информационные системы и технологии» ИСТ-2018, 2019, 2020, Нижний Новгород; Международной научной конференции «Передовые инновационные разработки. Перспективы и опыт использования, проблемы внедрения в производство», Казань, 2019 г.; XVII,XVIII Международных молодежных конференциях «Будущее технической науки» г. Нижний Новгород, 2018 г., 2019 г.; XXI Нижегородской сессии молодых учёных (технические науки, естественные науки), Нижний Новгород, 2016 г.

Личный вклад автора. Результаты теоретических и практических исследований,

выносимые на защиту, принадлежат лично соискателю или получены при его

8

непосредственном участии. Автором лично разработаны алгоритм распознавания трещин на изображениях фации плазмы крови, алгоритм определения центральной и периферийной зон на изображении фации плазмы крови, алгоритм распознавания на изображениях эритроцитов, деформированных в сдвиговом потоке, выполнена настройка параметров разработанных алгоритмов и исследование их эффективности. Разработанные алгоритмы реализованы в программном комплексе. Сформулированы основные выводы и научные положения работы.

Публикации. По результатам диссертационной работы опубликовано 17 работ, в том числе 3 работы в рецензируемых журналах, рекомендуемых ВАК, 12 работ в других изданиях и материалах международных и всероссийских конференций, получен 1 патент на изобретение и 1 свидетельство о регистрации программы для ЭВМ.

Структура и объем работы. Диссертационная работа изложена на 149 страницах, включает 57 рисунков и 11 таблиц, состоит из введения, 4 глав, заключения, списка литературы из 1 29 наименований и 3 приложений.

Глава 1 Анализ проблемы распознавания изображений, полученных при микроскопии крови

В первой главе приведен анализ работ в области применения алгоритмов распознавания образов для анализа изображений. Особое внимание уделено алгоритмам обработки и анализа изображений, полученных при микроскопии крови. Выявлены особенности, присущие данному классу задач, определены используемые для их решения инструменты. Рассмотрена специфика задачи разработки алгоритмов анализа изображений фации плазмы крови, выполнено деление поставленной задачи на составляющие её части, определены взаимосвязи между ними, а также представлен обзор современного состояния проблемы и подходов к её решению. Описаны процессы, вовлеченные в формирование фации плазмы крови, а также влияние данных процессов на изображение фации. Рассмотрена специфика задачи разработки алгоритма анализа изображений эритроцитов, деформированных в сдвиговом потоке. На основании проведенного анализа сформулированы цели исследования.

Материалы главы частично опубликованы в работах автора [48,49,51].

1.1 Обзор применения алгоритмов компьютерного зрения в биомедицинских задачах

Технологии компьютерного зрения уже давно и активно используются во всех прикладных направлениях [23]. Активно развивающейся, перспективной и значимой областью применения компьютерного зрения является обработка и анализ медицинских изображений. В настоящее время проводится множество исследований применения алгоритмов компьютерного зрения в сфере биомедицины. Интерес к обработке результатов медицинских исследований вызван увеличением объемов медицинской информации, представленной в форме изображений, и связанной с этим необходимостью создания инновационных технологий электронной регистрации, хранения, обработки и анализа изображений органов и тканей пациентов.

При анализе медицинских изображений основными являются задачи обнаружения и распознавания объектов, обладающих определенными признаками, с целью их классификации. В задачах цифровой обработки изображений можно выделить следующие подзадачи:

- предобработка изображения - действия, выполняемые над изображением, для создания предпосылок его эффективного анализа в дальнейшем (наиболее

распространенными действиями являются удаление шума, каких-то мелких деталей с изображения, повышение качества изображения и т.д.);

- сегментация изображения;

- обнаружение и анализ границ объектов на изображении;

- классификация объектов, определение параметров искомых объектов, характеристик, особенностей.

Алгоритмы предварительной обработки изображений используются повсеместно и имеют большое практическое значение. От качества выполнения предобработки зависят результаты работы алгоритмов распознавания и классификации объектов. Выбор и настойка методов предобработки зависит от прикладной области решаемых задач и типа технических устройств, с которых получены снимки. Этап предобработки изображений в общем виде включает сглаживание, фильтрацию и удаление шумов, повышение четкости, контрастности, удаление цвета, удаление частей изображения, не относящихся к предмету исследования, устранение геометрических искажений. Повышению эффективности цифровой предобработки изображений посвящено большое количество работ, в том числе в медицинской тематике.

Задача сегментации при обработке изображений является весьма актуальной, об этом свидетельствует большое количество публикаций во всех прикладных областях, приведем лишь некоторые из них [1, 8, 9, 10, 11, 28, 29, 34, 35, 36, 37, 38, 40, 41, 42, 43, 45, 108, 117]. Цель сегментации состоит в разделении изображения на области, однородные по определенному признаку (или группе признаков). Бинаризация является частным случаем сегментации и достаточно используемым инструментом. В статье [45] исследуется применение методов бинаризации к изображениям глазного яблока человека, в частности, рассмотрены такие методы бинаризации, как глобальная пороговая обработка, метод Отсу и метод Бернсена. В работе [35] авторы для сегментации изображений кровеносных сосудов глазного дна применяют положения теории нечетких множеств. В процессе решения задач обработки изображений показана перспективность такого подхода, позволяющего сохранить неопределенность дольше других известных алгоритмов. Но при этом авторы отмечают, что на данном этапе обработки изображений предложенным методом сегментация мелких сосудов методом ручной визуализации дает все же лучшие результаты.

Автор работы [1], на основе собственного исследования научных статей, делает вывод об успешности применения различных алгоритмов для сегментации МРТ изображений. Приводятся реализации алгоритмов бинаризации Отцу, глобального порогового метода, метода наращивания областей и исследуется их применение к

11

изображениям МРТ головного мозга. В результате сделан вывод о непригодности алгоритма Отцу для решения поставленной задачи, а метод наращивания областей при правильной настройке параметров действительно позволяет с высокой точностью обнаружить на изображении объект интереса. Так же в работе приведены примеры неуспешных результатов работы алгоритмов и отмечается, что важнейшим фактором получения наилучшего результата сегментации является предобработка изображения и оптимальный подбор параметров используемых алгоритмов, что требует автоматизации этих процессов.

В работе [117] авторы описывают реализацию последовательного алгоритма работы с изображением МРТ головного мозга, включающий предобработку изображения, сегментацию методом водораздела, морфологическую обработку и расчет площади объекта интереса. Авторы отмечают, что сегментация методом водораздела позволяет обойти различные проблемы, встречающиеся в других методах. Сделан вывод, что для успешного поиска и идентификации объекта интереса следует уделить особое внимание предобработке изображения, в том числе удалению шумов. Также авторами отмечается метод маркерного водораздела как успешный в распознавании замкнутых областей на изображениях.

В статье [9] описывается исследование методов сегментации на изображениях компьютерной томографии. Объектом интереса в данном исследовании явилась опухоль, цель исследования - поиск объекта интереса. Для реализации поиска контуров в данной работе используется метод Кэнни и бинаризация с двойным порогом. Результаты этого исследования показывают, что для определения успешного порога бинаризации следует провести определенное количество опытов, и далее, с помощью экспертных оценок, выявить наилучший порог бинаризации для конкретного типа изображений. Авторы так же отмечают, что для устранения недостатков можно объединить алгоритм Кэнни с преобразованием Хафа для поиска окружностей.

Подробное описание преобразования Хафа для решения задачи выделения зрачка дано в статье [22]. Граница зрачка определяется как граница или часть границы одной из компонент связности, получаемых бинаризацией исходного изображения. Для выделения границы объекта интереса используется модифицированная версия преобразования Хафа для окружностей. Также выполнена попытка совместить преимущества метода бинаризации и преобразования Хафа, которое выделяет форму заданного типа из сильно зашумлённых данных. При этом на бинаризованном изображении выделяются компоненты связности, граница каждой из которых подвергается преобразованию Хафа с целью поиска округлых контуров.

В работе [46] используется метод активных контуров для детектирования границ на рентгенографических медицинских изображениях. В данной статье предложен метод распознавания объектов путем их сравнения с шаблоном, соответствующим физиологической норме. Шаблон подготовлен заранее для заданной рентгенографической проекции. Также в данном исследовании предлагается использовать метод активных контуров и векторизацию заданного шаблона. В [30] приводятся исследования применения метода активных контуров для интерактивного выделения объектов на растровых изображениях медико-биологических препаратов.

В настоящее время одним из перспективных инструментов в области обработки изображений являются технологии машинного обучения, и, в частности, нейросетевые технологии. Интерес к изучению применения нейронных сетей обусловлен их способностью решать неподдающиеся строгой формализации задачи, выявлять внутренние, скрытые закономерности, проводить глубокий анализ данных. Нейронные сети используются для распознавания нейронов мозга [26], трёхмерной научной визуализации [8, 10, 43, 44] моделирования сердечно-сосудистой системы человека [35, 93] для автоматизации анализа томографических снимков [10, 11, 15, 24, 25, 36, 44, 71, 73, 74], при ультразвуковых исследованиях [103].

Следует отметить, что для решения задач, относящихся к классу задач машинного зрения, не существует универсальных алгоритмов обработки и анализа изображений, в каждом случае разрабатывается специализированная система компьютерного зрения, построенная на анализе априорных сведений об исследуемом объекте, результатах моделирования, эвристических алгоритмах обработки изображений и принятия решений.

В прикладных областях проблема обработки изображений включает решение следующих задач:

- выполнение предварительной обработки данных, включающей устранение шумов на изображении;

- адаптация или разработка новых моделей и алгоритмов анализа и обработки изображений (сегментация, выделение, описание признаков и характеристик объектов интереса, классификация выделенных объектов);

- настройка разработанных алгоритмов подбором их параметров для достижения максимально высокого уровня точности распознавания.

1.2 Анализ процесса формирования трещин, специфических структур, центральной и периферийной зон на изображениях фаций плазмы крови

Клиновидная дегидратация представляет собой кристаллографический метод, используемый в биомедицинских задачах. Суть метода заключается в визуальном анализе кристаллических структур, образующихся в результате высыхания капли биологической жидкости [47]. По кристаллическим структурам, образующимся в результате дегидратации, можно судить о составе и структуре биожидкости, и, как следствие, о патологических процессах в организме.

Исследование процесса формирования кристаллических структур плазмы крови позволяет определить характерные особенности исходных данных (изображений фации), а также провести анализ самой задачи. Учитывая технологию подготовки препарата и физико-химические процессы, происходящие при дегидратации, опишем специфические следующие характеристики фация плазмы крови.

1. Форма фации.

При подготовке фации плазму крови (объемом около 20 мкл) раскапывают на стеклянную подложку, высушивают при определенных, фиксированных температуре и влажности. Поскольку, высыхая, капля будет сохранять форму круга, визуально фация будет представлять окружность с радиально и концентрически упорядоченными внутри этой окружности кристаллическими структурами.

2. Структура фации.

При рассмотрении структуры фации необходимо выделить и исследовать:

- образованные зоны препарата (центральную и периферийную);

- образованные трещины в процессе растрескивания фации;

- образованные кристаллические структуры определенного вида (маркёры).

Плазма крови - это жидкая часть крови, состав которой: 90% вода, 7% - белки, 2%

- органические небелковые соединения, 1% - соли [16]. В процессе дегидратации возникают конвекционные потоки, под действием которых белки перемещаются к краю капли и агрегируют с другими белками. Фронт загустевания движется от края к центру, в результате чего в центре капли концентрируются соли. Таким образом, фация разделяется на две зоны: зона белков и зона солей. Первая располагается ближе к краю капли, вторая -в центре, формируя центральную и периферийную зоны (рисунок 1.1).

Вид сбоку вид сверху

периферийная

Рисунок 1.1 - Расположение центральной и периферийной зон фации

При уменьшении объема жидкости возникают напряжения, которые, в свою очередь, приводят к растрескиваниям и разрывам. Вначале с краев капли образуются трещины, перпендикулярные ее краю. При движении фронта высыхания радиальные трещины скачкообразно развиваются к центру капли, и, кроме того, образуются поперечные трещины, формирующие ячейки. Таким образом, в норме можно наблюдать «ромашковидное» растрескивание [16]: множество четко выраженных радиальных трещин, сходящихся к центру, и перпендикулярные трещины, формирующие ячейки (рисунок 1.2). В случае достаточно высокой скорости загустевания геля биожидкости возникновению радиальных трещин предшествует возникновение арковых трещин (в данном случае внешняя кромка капли быстро затвердевает, а в самой капле протекает активное испарение воды, за счет чего радиальному растрескиванию предшествует кольцевое - вдоль внешней кромки с последующим образованием арковых трещин, переходящих в радиальные).

Рисунок 1.2 - Формирование арковых, радиальных и поперечных трещин фации

Определение характера растрескивания фации в процессе дегидратации является важным этапом кристаллографического анализа. Можно сказать, что структура фации -это структура трещин [16]. Определение характера растрескивания фации включает в себя определение вида трещин и их количество.

После образования ячейки она начинает затвердевать, и при дальнейшей дегидратации происходит разрыв в структуре геля в центральной области ячейки. В результате образуется круглая область, которая заполняется молекулами воды и соли. Таким образом, на результирующем изображении процесса высыхания капли внутри ячеек ромашковидной структуры появляются элементы круглой формы (рисунок 1.3 а). Кроме того, при нарушении структуры белка в периферийной зоне фации могут образовываться растрескивания и разрывы, которые на результирующем изображении имеют определенный, достаточно сложный вид (рисунок 1.3 б).

а) б)

Рисунок 1.3 - Образование специфических кристаллических структур а) выделены примеры кристаллических структур, образующихся при высыхании плазмы крови в норме; б) выделены примеры кристаллических структур, образующихся при высыхании плазмы крови при патологическом состоянии

В зоне концентрации солей (центральной зоне) при высыхании также могут образовываться определенные структуры, имеющие характерные особенности. Примеры структур центральной зоны приведены на рисунке 1.4.

Список литературы диссертационного исследования кандидат наук Шагалова Полина Анатольевна, 2020 год

СПИСОК ЛИТЕРАТУРЫ

1. Абдулракеб, А.Р. Автоматизированный метод сегментации опухоли головного мозга на МРТ-изображениях / А.Р. Абдулракеб, В.А. Аль-Хайдри, Л.Т. Сушкова, М.М. Абунасиф, П.Ж. Парамисуари, М.А. Мутеб // Медицинская Техника. - 2017. - №2. - С. 16-19.

2. Абдуманонов, А. А. Разработка компьютерной программы и алгоритмов автоматической морфометрии фации биожидкостей / А. А. Абдуманонов, М. Т. Ботиров, М. К. Карабаев // Актуальные проблемы гуманитарных и естественных наук. - 2015. - С. 182-187.

3. Андреева, О.В. Модель накопления поврежденности на изображениях микроструктуры поверхности металлов и сплавов на базе клеточных автоматов / О.В. Андреева // Системы управления и информационные технологии/ - 2016. - №4.1(66). - С. 114-117.

4. А. с. № 1363065 Россия, МКИ J01N 33/14. Устройство для деформации эритроцитов в сдвиговом потоке / Левин Г.Я., Яхно В.Г., Царевский Н.Н., Котяева Н.П.; опубл. 30.12.1987. бюл. № 48 (заявка № 3954988/28-14 от 16.09.1985).

5. А. с. № 1377111 Россия, МКИ A61K 35/14. Способ определения деформируемости эритроцитов / Левин Г.Я., Царевский Н.Н., Котяева Н.П.; опубл. 29.02.1988. бюл. № 8 (заявка № 3938707/28-14 от 30.07.1985).

6. Ботиров, М.Т. Диагностическая информативность кристаллографических изображений биологических жидкостей и их компьютерное распознавания / М.Т. Ботиров, А.А. Абдуманнонов, М.К. Карабаев //Перспективы развития информационных технологий. - 2013. - № 12. - С. 204-209.

7. Бузоверя, М.Э. Компьютерная микроскопия биологических жидкостей для диагностики состояния организма в специальных условиях труда и чрезвычайных ситуациях / М.Э. Бузоверя, И.В. Шишпор // Проблемы безопасности и чрезвычайных ситуаций. Научный информационный сборник. - 2013. - № 5. - С.79-86.

8. Гаврилов, Н.И. Визуальная аналитика и сегментация цветных биомедицинских крио-сканов высокого разрешения / Н.И. Гаврилов, Е.П. Васильев, И.В. Храмов, А.А. Гетманская, В.Е. Турлапов // Научная визуализация. - 2017. - Т. 9. № 5. - С. 105-116.

9. Дороничева, А.В. Метод сегментации медицинских изображений / А.В. Дороничева, С.З. Савин // Фундаментальные исследования. - 2015. - № 5-2. - С. 294-298.

10. Дубро вин, В.Н. Свидетельство о регистрации программы для ЭВМ RU 2018613327, 13.03.2018. Программа формирования и анализа 3D-моделей по

томографическим данным. сегментация КТ изображений и построение 3D моделей / В.Н. Дубровин, А.В. Егошин, Р.В. Ерусланов, А.А. Баев, А.А. Роженцов, Я.А. Фурман, Д.М. Батухтин, Д.С. Чернышев

11. Дубровин, В.Н. Свидетельство о регистрации программы для ЭВМ RU 2018613328, 13.03.2018.Модуль сегментации томографических изображений заливкой однородных по яркости регионов биологической ткани / В.Н. Дубровин, Д.М. Батухтин, Фурман Я.А., А.В. Егошин, А.А. Баев , А.В. Казаринов, А.А. Роженцов. - М.: Роспатент, -2018.

12. Заблоцкая, Т.Ю. Задачи распознавания текстур растровых изображений по яркостным признакам на примере фации биожидкости / Т.Ю. Заблоцкая // Материалы I международной научно-практической конференции «Инновационные подходы к решению социально-экономических, правовых и педагогических проблем в условиях развития современного общества». - Старый Оскол. - 2015. - С.363-366.

13. Захарова, Г.П. Компьютерная идентификация отличительных признаков и аномалий в образцах многокомпонентных растворов биологических жидкостей / Г.П. Захарова, В.В. Шабалин // Российская оториноларингология. - 2014. - № 6 (73). - С.37-42.

14. Зернова, М.А. Исследование применения алгоритмов бинаризации для решения задачи распознавания эритроцитов на изображении / М.А. Зернова, Ю.С. Чистякова, П.А. Шагалова, Э.С. Соколова // Информационные системы и технологии -ИСТ-2019. Сборник материалов XXV Международной научно-технической конференции.

- Н. Новгород. - 2019. - С.623-626.

15. Козинец, Р.М. Метод построения дерева решений, основанного на похожести объектов в задаче распознавания томографических изображений / Р.М. Козинец, В.Б. Бериков, И.А. Пестунов, С.А. Рылов / Сборник трудов ИТНТ-2019. - 2019.

- С. 483-490.

16. Краевой, С.А. Диагностика по капле крови. Кристаллизация биожидкостей. / С.А. Краевой, Н.А. Колтовой. - Москва. - Т.1. - 2013. - 161 с.

17. Крашенинников, В.Р. Алгоритмы обнаружения маркёров на фациях биологических жидкостей человека / В.Р. Крашенинников, О.Е. Маленова, А.С. Яшина. -Сборник трудов III Международной конференции и молодежной школы «Информационные технологии и нанотехнологии» (ИТНТ-2017). - Самара: Новая техника. - С. 655-662.

18. Крашенинников, В.Р. Алгоритмы обнаружения маркеров на фациях биологических жидкостей человека / В.Р. Крашенинников, О.Е. Маленова, А.С. Яшина // Информационные технологии и нанотехнологии. - 2017. - С.655-662.

19. Крашенинников, В.Р. Алгоритм обнаружения блоковидных трещин на фациях биологических жидкостей человека / В.Р. Крашенинников, Л.И. Трубникова, О.Е. Маленова, А.С. Яшина, М.Л. Албутова, О.А. Маринова // IV Международная конференция и молодёжная школа «Информационные технологии и нанотехнологии» (ИТНТ-2018). - 2018. - С.60-63.

20. Крашенинников, В.Р. Компьютерное определение серповидных трещин на изображениях фации цервикальной слизи женины // В.Р. Крашенинников, М.Л. Албутова, А.С. Копылова, А.В. Тарасова, Л.И. Трубникова // Ульяновский медико-биологический журнал. - 2013. -№ 4. - С.60-63.

21. Левин, Г.Я. Способ определения деформируемости эритроцитов / Г.Я Левин, П.А. Шагалова, Э.С. Соколова, Л.Н. Соснина // Патент на изобретение RU 2719221 C1, 17.04.2020. Заявка №. 2019113021 от 26.04.2019.

22. Матвеев, И.А. Выделение зрачка на изображении глаза преобразованием Хафа границ компонент связности / И.А. Матвеев, Н.Н. Чинаев. // 24-я Междунар. конф. по компьютерной графике и зрению (ГрафКон'2014), Ростов н/Д, 30 сент. - 3 окт. 2014. Академия архитектуры и искусств ЮФУ. Ростов н/Д. - 2014. С. - 115-118.

23. Методы компьютерной обработки изображений / Гашников М.В., Глумов Н.И., Ильясова Н.Ю., Мясников В.В., Попов С.Б., Сергеев В.В., Сойфер В.А., Храмов А.Г., Чернов А.В., Чернов В.М., Чичева М.А., Фурсов В.А. Под редакцией В.А. Сойфера. -2-е изд., испр. - М.: Физматлит. 2003. -784 с.

24. Минязев, Р.Ш. Использование нейросети для выделения легких на рентгеновских изображениях / Р.Ш. Минязев, А.А. Румянцев, А.А. Баев, Т.Д. Баева // Известия Российской академии наук. Серия физическая. - 2019. - Т. 83. № 12. - С. 16551658.

25. Минязев, Р.Ш. Анализ рентгеновских изображений для выявления патологий с использованием нейронных сетей / Р.Ш. Минязев, А.А. Румянцев, С.А. Дыганов, А.А. Баев // Известия Российской академии наук. Серия физическая. - 2018. - Т. 82. № 12. - С. 1685-1688.

26. Носова, С.А. Детектирование клеток мозга в оптической микроскопии на основе текстурных характеристик методами машинного обучения / С.А. Носова, В.Е. Турлапов // Программирование. -2019. № 4. - С. 36-45.

27. Пат. 2278381 Рос. Федерация: МПК G 0Ш 33/48. Устройство для исследования агрегации тромбоцитов / Левин Г.Я., Модин А.П., Кудрицкий С.Ю., Соснина Л.Н.; заявитель и патентообладатель Государственное учреждение "Нижегородский научно-исследовательский институт травматологии и ортопедии Министерства здравоохранения Российской Федерации", заявл. 11.01.2005; опубл. 20.06.2006, Бюл. № 17.

28. Пестунов, И.А. Алгоритмы спектрально-текстурной сегментации спутниковых изображений высокого пространственного разрешения / И.А. Пестунов, С.А. Рылов // Вестник Кемеровского государственного университета. - 2012. - Т. 52. - № 4/2 (52). - С. 104-110.

29. Пестунов, И.А. Сегментация изображений на основе кластеризации в пространстве спектральных и текстурных признаков / И.А. Пестунов, С.А. Рылов // Известия Кыргызского государственного технического университета им. И. Раззакова. -2011. - № 24. - С. 266-270.

30. Петров, В.О. Применение метода активных контуров для интерактивного выделения объектов на растровых изображениях медико-биологических препаратов / В. О. Петров, О. О. Привалов, И. В. Степанченко, В. В. Сургутанов, С. В. Поройский. Волгоградский научно-медицинский журнал. -2008. - №3. - С. 54-55.

31. Петров, В.О. Алгоритм текстурной сегментации растровых изображений при решении прикладных задач медико-биологического анализа // В.О. Петров, В.А. Камаев, С.В. Поройский // Современные проблемы науки и образования. -2009. - № 6-3. - С. 105110.

32. Петров, В.О. Автоматизированная система для качественного и количественного анализа фаций в исследовании медико-биологических препаратов методом клиновидной дегидратации / В.О. Петров, О.О. Привалов, И.В. Степанченко, В.В. Сургутанов, С.В. Поройский // Волгоградский научно-медицинский журнал. - 2009. - № 2 (22). - С. 54-55.

33. Петров, В.О. Автоматизация растровых изображений твердой фазы биологической жидкости медико-биологических препаратов / В.О. Петров // Автореф. дисс. канд. техн. наук. - Волгоград. - 2009. - 20 с.

34. Подгорнова, Ю.А. Исследование алгоритмов сегментации для выделения микрокальцинатов на маммографических снимках / Ю.А. Подгорнова, С.С. Садыков // Оптико-электронные приборы и устройства в системах распознавания образов и

обработки изображений. Распознавание - 2019. Сборник материалов XV Международной научно-технической конференции. - 2019. - С. 140-142.

35. Пугин, Е.В. Сегментация изображений кровеносных сосудов глазного дна с применением нечёткого представления изображения / Е.В. Пугин, А.Л. Жизняков, Д.В. Титов // Известия Юго-Западного государственного университета. - 2018. № 1 (76).- С. 617.

36. Роженцов, А.А. Сегментация томографических биомедицинских изображений глубинными нейронными сетями / А.А. Роженцов, А.А. Баев, И.М. Стрельников // Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание -2018. Сборник материалов XIV международной научно-технической конференции. - 2018. - С. 225-226.

37. Рылов, С.А. Алгоритм спектрально-текстурной классификации спутниковых изображений с использованием частичного обучения / Рылов С.А. // Интерэкспо ГеоСибирь. - 2019. Т. 4. № 1. - С. 37-43

38. Рылов, С.А. Автоматизированное выделение водной поверхности на спутниковых снимках с использованием активного обучения / С.А. Рылов // Материалы 17-й Всероссийской открытой конференции «Современные проблемы дистанционного зондирования Земли из космоса». Институт космических исследований Российской академии наук. - 2019. - С. 58.

39. Сафронова, И.А. Применение методов распознавания объектов к медицинским изображениям / И.А. Сафронова, Д.С. Крупнова, Э.С. Соколова, П.А. Шагалова // Информационные системы и технологии - ИСТ-2019. Сборник материалов XXIV Международной научно-технической конференции. - Н. Новгород. - 2018. -. С. 931-935.

40. Синявский Ю.Н. Свидетельство о регистрации программы для ЭВМ RU 2019664225, 01.11.2019. Программа для сегментации изображений "IP_EMEANSC" / Синявский Ю.Н., Пестунов И.А. - М.: Роспатент, - 2019.

41. Синявский, Ю.Н. Методы и технология сегментации мультиспектральных изображений высокого разрешения для исследования природных и антропогенных объектов / Ю.Н. Синявский, И.А. Пестунов, С.А. Рылов и др. // Вычислительные технологии. - 2016. - Т. 21. - № 1. - С. 127-140.

42. Томакова Р.А. Программное обеспечение интеллектуальной системы классификации форменных элементов крови / Р.А. Томакова, С.А. Филист, В.В. Жилин, С.А. Борисовский // Фундаментальные исследования. - 2013. - № 10-2. - С. 303-307.

43. Турлапов, В.Е. Технологии трехмерной научной визуализации и геометрического моделирования в цифровой биомедицине / В.Е. Турлапов, Н.И. Гаврилов //Научная визуализация. - 2015. - Т. 7. № 4. - С. 27-43.

44. Турлапов, В.Е. Уточнение результатов метода coherent point drift на примере задач цефалометрии / В.Е. Турлапов, А.А. Гетманская, Д.А. Лачинов // Программирование. - 2018. № 4. - С. 55-66.

45. Халецкая, И.А. Алгоритмы бинаризации медицинских изображений/ И.А. Халецкая, О.Ю. Лысак, А.Ю. Латышев // ТУСУР, РТФ. — 2012. — P. 1-21.

46. Чернухин, Н.А. Комбинированный метод детектирования границ на рентгенографических медицинских изображениях, использующий методику активных контуров / Н. А. Чернухин // Научный журнал КубГАУ. - 2013. - №88 (04).

47. Шабалин В.Н. Морфология биологических жидкостей человека / Шабалин В Н., Шатохина С.Н. - М.: Хризостом, - 2001. - 303 с.

48. Шагалова, П.А. Измерение деформируемости эритроцитов на основе автоматизированной обработки изображений / Г.Я. Левин, П.А. Шагалова, Э.С. Соколова, А Н. Поповичева // Медицинская техника. - 2020. - №4 (322). - С. 16-19.

49. Шагалова, П.А. Системный анализ задачи автоматизации распознавания изображений фации плазмы крови / П.А. Шагалова, Э.С. Соколова, М.И. Яшанова, Т.Г Щербатюк // Системы управления и информационные технологии. -2017. -№ 3 (69). - С. 97-100.

50. Шагалова, П.А. Разработка и реализация алгоритма распознавания трещин на изображениях, полученных при микроскопии / П.А. Шагалова // Труды НГТУ им. Р.Е. Алексеева. - 2018. - № 3 (122). - С. 32-36.

51. Шагалова, П.А. Распознавание кристаллических структур плазмы крови на основе сверточных нейронных сетей / П.А. Шагалова, Э.С. Соколова, М.И. Яшанова, Т.Г. Щербатюк // Труды НГТУ им. Р.Е. Алексеева. - 2016. - № 2 (113). - С. 55-59.

52. Шагалова П.А. Алгоритмы компьютерного зрения в задаче обработки серии медицинских снимков, полученных при микроскопии / П.А. Шагалова, Э.С. Соколова, Г.Я. Левин, А. Ю. Захарова, В. С. Коротаев, Г. В. Куликов // Cloud of Science. - 2020. - T. 7. - №1. - С. 180-188.

53. Шагалова, П.А. Исследование алгоритмов предобработки изображений для повышения эффективности распознавания медицинских снимков / П.А. Шагалова, А.Д. Ерофеева, М.М. Орлова, Ю.С. Чистякова, Э.С. Соколова // Труды НГТУ им. Р.Е. Алексеева. - 2020. - №1. - С. 25-32.

54. Шагалова, П.А. Нейросетевые алгоритмы в решении задачи анализа биомедицинских изображений / П.А. Шагалова // Будущее технической науки: тез. докл. XVII Всероссийск. Молодежн. научно - техн. конф. НГТУ им. Р.Е. Алексеева. - Н. Новгород, - 2018. - С. 84.

55. Шагалова, П.А. Разработка системы распознавания кристаллических структур плазмы крови / П.А. Шагалова, Э.С. Соколова, Т.Г. Щербатюк // XXI Нижегородская сессия молодых ученых. Технические науки: материалы докладов. - Н. Новгород. - 2016. - С.103-104.

56. Шагалова, П.А. Разработка системы распознавания кристаллических структур фаций биологических жидкостей, полученных методом клиновидной дегидратации / П.А. Шагалова, Э.С. Соколова, Т.Г. Щербатюк // XXI Нижегородская сессия молодых ученых. Естественные науки: материалы докладов. - Н. Новгород. - 2016. - С.71.

57. Шагалова, П.А. Исследование применения алгоритмов поиска угловых точек для анализа медицинских изображений / П.А. Шагалова, М.М. Орлова, Э.С. Соколова // Передовые инновационные разработки. Перспективы и опыт использования, проблемы внедрения в производство Сборник научных статей по итогам десятой международной научной конференции. - Казань. - 2019. - С. 179-180.

58. Шагалова, П.А. Исследование применения алгоритмов компьютерного зрения для решения задачи анализа медицинских изображений / А.Д. Ерофеева, Ю.С. Чистякова, П.А. Шагалова // Будущее технической науки: тез. докл. XVIII Всероссийск. Молодежн. научно - техн. конф. НГТУ им. Р.Е. Алексеева. - Н. Новгород, - 2019. - С. 73.

59. Шагалова, П.А. Автоматизация поиска и анализа объектов на биомедицинских изображениях / П.А. Шагалова, А.Д. Ерофеева, Ю.С. Чистякова, Э.С. Соколова // Информационные системы и технологии - ИСТ-2020. Сборник материалов XXV Международной научно-технической конференции. - Н. Новгород. - 2020. - С. 722726.

60. Шагалова, П.А. Анализ серии медицинских снимков с помощью алгоритмов компьютерного зрения / П.А. Шагалова, А.Ю. Захарова, В.С. Коротаев, Э.С. Соколова //

Информационные системы и технологии - ИСТ-2020. Сборник материалов XXV Международной научно-технической конференции. - Н. Новгород. - 2020. - С. 727-730.

61. Шагалова, П.А. Свидетельство о государственной регистрации программы для ЭВМ №2018619118. Система распознавания трещин на изображениях, полученных при микроскопии / П.А. Шагалова. - М.: Роспатент, - 2018.

62. Шлее, М. Qt 4.8 Профессиональное программирование на C++ / М. Шлее. — СПб.: «БХВ-Петербург». - 2012. - С.912.

63. Эванс, Э. Предметно-ориентированное проектирование: структуризация сложных программных систем / Э. Эванс // Диалектика/Вильямс. - 2015. - 448 с.

64. Abhinav, K. Image Segmentation of Multi-shaped Overlapping Objects / K. Abhinav, J. Singh Chauhan and D. Sarkar // In Proceedings of the 13th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications. -Vol. 4: VISAPP, ISBN 978-989-758-290-5. Р. 410-418.

65. A Corner Detector based on Global and Local Curvature Properties [Электронный ресурс] // MathWorks. -2020. URL: https://www.mathworks.com/matlabcentral/fileexchange/ 7652-a-corner-detector-based-on-global-and-local-curvature-properties (дата обращения: 25.03.2020).

66. Akinlar, C. EDCircles: A real-time circle detector with a false detection control / C. Akinlar, C. Topal // Pattern Recognition. - 2013. - Vol. 46. - P.725-740.

67. Alferez, S. Automatic Recognition of Atypical Lymphoid Cells From Peripheral Blood by Digital Image Analysis / S. Alferez, A. Merino, L. Bigorra, L. Mujica, M. Ruiz, J Rodellar.// American Society for Clinical Pathology. - 2015. -143. - P.168-176.

68. Alomari, Y.M. Automatic Detection and Quantification of WBCs and RBCs Using Iterative Structured Circle Detection Algorithm / Y.M. Alomari, Siti Norul Huda Sheikh Abdullah, Raja Zaharatul Azma, Khairuddin Omar // Computational and Mathematical Methods in Medicine. - 2014. - P.1-17.

69. Arco, J.E. Digital image analysis for automatic enumeration of malaria parasites using morphological operations / J.E. Arco, J.M. Gorriz, J. Ramirez, C.G. Puntonet // Expert Systems with Applications. - 2015. -42(6). - P.3041-3047.

70. Arteta, C. Detecting overlapping instances in microscopy images using extremal region trees / C. Arteta, V. Lempitsky, J.A. Noble, A. Zisserman // Medical Image Analysis. -Vol. 27, January. - 2016. - P. 3-16.

71. Bai, W. Automated cardiovascular magnetic resonance image analysis with fully convolutional networks / W. Bai, M. Sinclair, G. Tarroni, O. Oktay // Journal of Cardiovascular Magnetic Resonance. - 2018. 20(1). - P.1-12.

72. Berge, H. Improved red blood cell counting in thin blood smears / H. Berge, D. Taylor, S. Krishnan, T.S. Douglas // Proceedings of the 8th IEEE International Symposium on Biomedical Imaging: From Nano to Macro (ISBI '11). - 2011. - P.204-207.

73. Berikov, V.B. Similarity-based decision tree induction method and its application to cancer recognition on tomographic images / V.B. Berikov, R.M. Kozinets, I.A. Pestunov, S.A. Rylov / Journal of Physics: Conference Series. 5th International Conference on Information Technology and Nanotechnology, ITNT 2019. 2019. C. 052035.

74. Berikov, V.B. Similarity-based decision tree induction method and its application to cancer recognition on tomographic images / V.B. Berikov, R.M. Kozinets, I.A. Pestunov, S.A. Rylov // Journal of Physics: Conference Series. 5th International Conference on Information Technology and Nanotechnology, ITNT 2019. - 2019. C. 052035.

75. Bessis, M. A diffractometric method for the measurement of cellular deformability / M. Bessis, N. Mohandas // Blood cells. - 1975. - №. 2 (1). - P. 307-313.

76. Bradley, D. Adapting Thresholding Using the Integral Image / D. Bradley, G. Roth //Journal of Graphics Tools. - 2007. - Vol. 12. - №. 2. - P. 13-21.

77. Charles, J.J. Object segmentation within microscope images of palynofacies / J.J. Charles, L.I. Kuncheva, B. Wells,.S. LimI // Computers & Geosciences. - Vol. 34. Issue 6. -2008, June. P. 688-698.

78. Chetverik,, D. Feature point tracking for incomplete trajectories / D. Chetverikov and J. Verestoi // Computing. - 1999? Jul.- Vol. 62, no. 4 pt. P. 321-338.

79. Clocksin, W. Automatic segmentation of overlapping nuclei with high background variation using robust estimation and flexible contour models / W. Clocksin // In: Proceedings of the 12thInternational Conference on Image Analysis and Processing. IEEE Computer Society. Los Alamitos. CA, USA. P.682687.

80. Das, D.K. Automated system for characterization and classification ofmalaria-infected stages using light microscopic images of thinblood smears / D.K. Das, A.K. Maiti, C Chakraborty. // Journal of Microscopy. - 2014. - 257(3). - P.238-252.

81. Devi, S.S. Infected Erythrocyte Classification Based on the Histogram Features using Microscopic Images of Thin Blood Smear / S.S. Devi, S.A. Sheikh, A. Talukdar, Laskar, R. H. Malaria // Indian Journal of Science and Technology. - 2016. - 9(45). - P.1-10.

82. Dobbe, J.G.G. Analyzing red blood cell-deformability distributions / J.G.G. Dobbe, M.R. Hardeman, G.J. Streekstra, J. Starckee, C. Ince, C.A. Grimbergen // Blood Cells Molecules and Diseases. - May-Jun, 2002. - 28 (3). -Р. 373-384.

83. Fawcett, T. An introduction to ROC analysis / T. Fawcett // Pattern Recognition Letters. - 2006. - №27. - P. 861-874.

84. Fit ellipse [Электронный ресурс] // MathWorks. - 2020. URL: https://. -www.mathworks.com/MATLAB central/file exchange/3215-fit_ellipse (дата обращения: 25.03.2020)

85. Frejlichowski, D. Detection of erythrocyte cells in microscopy images / D. Frejlichowski // Przeglad electrotechniczny (Electrical Review). - 2012. - P. 264-267.

86. Goutam, D. Classification of acute myelogenous leukemia in blood microscopic images using supervised classifier / D. Goutam, S. Sailaja // 2015 IEEE International Conference on Engineering and Technology (ICETECH). - P.1-5.

87. Graham, R.L. An efficient algorithm for determining the convex hull of a finite planar set / R.L. Graham // Information Processing Letters. - 1972. - Vol.1. - P. 132-133.

88. Graham Scan [Электронный ресурс] // MathWorks 2020. URL: https://www.math works.com /MATLAB central/file exchange/74038-graham-scan (дата обращения: 25.03.2020).

89. Harun, N. H. Unsupervised Segmentation Technique for AcuteLeukemia Cells Using Clustering Algorithms / N. H. Harun, A. S. Abdul, M. Y. Mashor, R. Hassan // International Scholarly and Scientific Research & Innovation. - 2015. - 9(1). - P.252-259.

90. Hough, P.V.C. Method and means for recognizing complex patterns U.S. Patent 3, 069, 654, Dec. 18, - 1962.

91. Janaki R. Detection of leukemia in microscopic white blood cell images using Gaussian feature convolutional visual recognition algorithm /R. Janaki // Journal of Critical Reviews. - 2020. - 7(3). - P.173-180

92. Kandil, A.H. Automatic Segmentation of Acute Leukemia Cells / A.H. Kandil, O.A. Hassan. International Journal of Computer Applications. -2016. - Vol. 133 (10). - P.1-3.

93. Keller, Paul E. A Novel Approach to Modeling and Diagnosing the Cardiovascular System / Paul E. Keller, Lars J. Kangas, Sherif Hashem, Richard T. Kouzes, and Paul A. Allen // World Congress on Neural Networks (WCNN'95)- 1995.

94. Kit, C.Y. Mobile based Automated Complete Blood Count (Auto-CBC) Analysis System from Blood Smeared Image / C.Y. Kit, R. Tomari, W.N.W. Zakaria, N. Othman, S.N.M.

Safuan // International Journal of Electrical and Computer Engineering (IJECE). - 2017. - 7(6).

- P. 3020-3029.

95. Krasheninnikov, V.R. Identification of Pectinate Structures in images of Blood Serum Facia /V.R. Krasheninnikov, A.S. Kopylova // Pattern Recognition and Image Analysis.

- 2011. - Vol. 21(3). - P. 508-510.

96. Krasheninnikov, V.R. Identification of Pectinate Structures in Images of Blood Serum Facia /V.R. Krasheninnikov, A.S. Kopylova // Pattern Recognition and Image Analysis.

2011. Vol. 21(3). P. 508-510.

97. Krasheninnikov, V.R. Algorithms for Automated Processing Images Blood Serum Facies / V.R. Krasheninnikov, A.S. Kopylova // Pattern Recognition and Image Analysis. -

2012. - Vol. 22(4). - P. 583-592.

98. Li, Y. Segmentation of White Blood Cell from Acute Lymphoblastic Leukemia Images Using Dual-Threshold Method / Y. Li, R. Zhu, L. Mi, Y. Cao, D Yao // Computational and Mathematical Methods in Medicine. - 2016. P. 1-12.

99. Loddo, A. Recent advances of malaria parasites detection systems based on mathematical morphology / A. Loddo, C.Di Ruberto., M Kocher. // Sensors. - 2018. - 18. -P.513.

100. Macawile, M. J. White blood cell classification and counting using convolutional neural network / M. J. Macawile, V. V. Quinones, A. Ballado, J. D. Cruz, & M.V. Caya // 3rd International Conference on Control and Robotics Engineering (ICCRE). -2018. - P.259-263.

101. Margalit, D. Interactive Linear Algebra. Georgia Institute of Technology. /D. Margalit, J. Rabinoff. - 2017. - PP. 430.

102. May, Z. Automated quantification and classification of malaria parasites in thin blood smears / Z. May // 2013 IEEE International Conference on Signal and Image Processing Applications. - 2013. - P.369-373.

103. Othman, A. A. Segmentation of Breast Ultrasound Images Using Neural Networks / A. A. Othman, & H. R. Tizhoosh // IFIP Advances in Information and Communication Technology. - 2011. - P. 260-269.

104. Patel, N. Automated leukaemia detection using microscopy images // Procedia Computer Science. / N. Patel, A. Mishra. - 2015. - 58. - P.635-642.

105. Purwar Y. Automated and unsupervised detection of malarial parasites in microscopic images / Y. Purwar, S.L. Shah, G. Clarke, A. Almugairi, A. Muehlenbachs // Malaria Journal. - 2011. - 10(1). - P.364.

106. Putzu, L. White Blood Cells Identification and Counting from Microscopic Blood Image / L. Putzu, C.D. Ruberto // International Scholarly and Scientific Research & Innovation.

- 2013. - 7(1). - P.20-27.

107. Ravikumar S. Image segmentation and classification of white blood cells with the extreme learning machine and the fast relevance vector machine /S. Ravikumar // Artificial Cells, Nanomedicine, and Biotechnology. - 2016. - 44(3) . - P.985-989

108. Razzak, M.I. Microscopic Blood Smear Segmentation and Classification using Deep Contour / M.I. Razzak, S. Naz // Aware CNN and Extreme Machine Learning. - 2015. -P.49-55.

109. Rehman, A, Classification of acute lymphoblastic leukemia using deep learning / A. Rehman, N. Abbas, T. Saba, SIU Rahman, Z. Mehmood and H. Kolivand // Microscopy Research and Technique. - 2018. - 81 (11).

110. Richards, M. Software architecture patterns / M. Richards // O'Reilly, Inc. - 2015.

- P.45.

111. Savkare, S.S. Automatic Detection of Malaria Parasites for Estimating Parasitemia / Savkare S.S. Savkare, Narote S.P. Narote // International Journal of Computer Science and Security (IJCSS). - 2011. - 5(3). - P.310-315.

112. Shen, H. Automatic tracking of biological cells andcompartments using particle filters and active contours / H. Shen, G. Nelson, S. Kennedy, D. Nelson, J. Johnson, D. Spiller, M R. H. White, and D. B.Kell // Chem. Intell.Lab. Syst. 2006, May/ -Vol. 82, no. 1-2. P. 276282.

113. Stoltz, J.F. Red blood cell microrheology (clinical and pharma cological applications) / J.F. Stoltz // RicClinLab. - 1983. - Vol. 13, Suppl 3. - C. 53-70.

114. Stuart, J. Red cell deformability and haematological disorders / J. Stuart, G. B. Nash // Blood Rev. - 1990. - Vol. 4. - 141-147.

115. Su, M.C. A Neural-Network-Based Approach to White Blood Cell Classification / M.C. Su, C.Y. Cheng, P C. Wang // Scientific World Journal Volume. - 2014. - P.1-9.

116. Suryani E. Identification and Counting White Blood Cells and Red Blood Cells using Image Processing Case Study of Leukemia / E. Suryani, W. Wiharto, N. Polvonov // International journal of Computer Science & Network Solutions. - 2014. - 2(6) - P.35-49.

117. Swe, Z.O. Brain tumor detection and segmentation using watershed segmentation and morphological operation / Z.O. Swe, S.K. Aung // International Journal of Research in Engineering and Technology. — 2014. — Vol. 3. — Issue 03. - P. 367-374.

118. Tiwari P. Detection of subtype blood cells using deep learning / P. Tiwari, J. Qian, Q. Li, B. Wang, D. Gupta, A. Khanna, J. Rodrigues, V. Hugo // Cognitive Systems Research. -2018. - P.1036-1044

119. Tomari R. Computer aided system for red blood cell classification in blood smear image / R. Tomari, W.N.W. Zakaria, M.M.A. Jamil, F.M. Nor, N.F.N. Fuad // International Conference on Robot PRIDE. 2013-2014 - Medical and Rehabilitation Robotics and Instrumentation. - 2014. - P. 206-213.

120. Tomari R. Red blood cell counting analysis by considering an overlapping constraint / R. Tomari, W.N.W. Zakaria, R. Ngadengon, M.H.A. Wahab // ARPN Journal of Engineering and Applied Sciences. - 2015. -10(3). - P.1413-1420.

121. Uttenweiler, D. Motion determination in actin filament fluorescence images with a spatio-temporal orientation analysis method / D. Uttenweiler, C. Veigel, R. Steubing, C. Götz, S. Mann, H. Haussecker, B. Jähne, and R. H. A. Fink // Biophys Journal. 2000, May. - Vol. 78, no. 5. - P. 2709-2715.

122. Vlasov, K.O. Computer microscopy of biological fluid dry pattern for medical diagnostics / K.O. Vlasov, M.E. Buzoverya, P.V. Lebedev-Stepanov and Yu.P. Potekhina // PhysBioSymp17 The 2nd International Symposium on Physics, Engineering and Technologies for Biomedicine. - Vol. - 2018. - P.528-534.

123. Wu, J.Y. Quantitative analysis of ultrasound images for computer-aided diagnosis J.Y. Wu, A. Tuomi, M.D. Beland // Journal of medical imaging.- 2016. - 3(1). P.1-9.

124. Xu, M. A deep convolutional neural network for classification of red blood cells in sickle cell anemia. // M. Xu, D. P. Papageorgiou, S. Z. Abidi, M. Dao, H. Zhao, G. E. Karniadakis. // PLOS Computational Biology. - 2017. - 13(10). - P.1-27.

125. Yadav, A.. Digital Image Processing. Laxmi Publisher / A. Yadav, P. Yadav. -2009. - P.363.

126. Yung, N. H. C. Corner detector based on global and local curvature properties. Optical Engineering. -2008. - 47(5) - P. 1-12.

127. Yurchenko, V. Parsing Images of Overlapping Organisms with Deep Singling-Out Networks / V. Yurchenko, V Lempitsky //2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). - 2017. - P.6280-6288.

128. Zafari, S. Segmentation of overlapping elliptical objects in silhouette images / S. Zafari, T. Eerola, J. Sampo, H. Kalviainen and H. Haario // IEEE Transactions on Image Processing. - 24(12). - P.5942-5952.

129. Zhang, T.Y. A Fast Parallel Algorithm for Thinning Digital Patterns / T.Y. Zhang, C.Y.A. Suen // Communications of the ACM. - 1984. - 3(27). - P.236-239.

ПРИЛОЖЕНИЕ 1. Реализация алгоритмов на языке Matlab

Приложение 1.1. Реализация адаптивного алгоритма бинаризации Брэдли

Function output = binarization_Bradley(image, size_koef,T) width=size(image,2);

win_size=round(size_koef*width); args = {[win_size win_size] T 'replicate'};

[win, T, padding] = args{:}; image = double(image); m = win(1); n = win(2);

[rows, columns] = size(image); Image Padding = padarray(padarray(image, ...

[floor((m+1)/2) floor((n+1)/2)], padding, 'pre'),

[ceil((m-1)/2) ceil((n-1)/2)], padding, 'post'); int I = integral Image(imagePadding); intI (:, 1) = [ ]; intI (1, :) = [ ]; for i=1:rows for j=1:columns

mean(i,j) = (intI(i+m, j+n) + intI(i, j) ...

- intI(i+m, j) - intI(i, j+n))/(m*n);

end end

output = true(size(image)); for i=1:rows for j=1:columns

if(image(i,j)<=mean(i,j)*(1-T/100))

output(i,j)=0;

end

end

end

Приложение 1.2. Реализация алгоритма скелетизации Зонг-Суня

function skeleton = skeleton_Zhang_Suen(bw) flag = 1;

[rows, columns] = size(bw); skeleton = bw;

BW_Del = ones(rows, columns);

while flag

flag = 0;

for i=2:rows-1

for j = 2:columns-1

if(skeleton(i,j) == 1)

Pix = [skeleton(i,j) skeleton(i-1,j) skeleton(i-1,j+1) skeleton(i,j+1) skeleton(i+1,j+1) skeleton(i+1,j) skeleton(i+1,j-1) skeleton(i,j-1) skeleton(i-1,j-1) skeleton(i-1,j)];

A = 0; for k = 2:size(Pix,2)-1 if Pix(k) == 0 && Pix(k+1)==1

A = A+1;

end end

B=0;

B=sum(Pix(2:end-1)); if ((B>=2 && B<=6) ... && (A==1) ...

&& (Pix(2)*Pix(4)*Pix(6)==0) ... && (Pix(4)*Pix(6)*Pix(8)==0))

BW_Del(i,j)=0;

flag = 1;

end

end

end end

skeleton = skeleton.*BW_Del; for i=2:rows-1 for j = 2:columns-1 if(skeleton(i,j) == 1)

Pix = [skeleton(i,j) skeleton(i-1,j) skeleton(i-1,j+1) skeleton(i,j+1) skeleton(i+1,j+1) skeleton(i+1,j) skeleton(i+1,j-1) skeleton(i,j-1) skeleton(i-1,j-1) skeleton(i-1,j)];

A = 0; for k = 2:size(Pix,2)-1 if Pix(k) == 0 && Pix(k+1)==1

A = A+1;

end end

B=0;

B=sum(Pix(2:end-1)); if ((B>=2 && B<=6) ... && (A==1) ...

&& (Pix(2)*Pix(4)*Pix(8)==0) ... && (Pix(2)*Pix(6)*Pix(8)==0))

BW_Del(i,j)=0;

flag = 1;

end

end

end

end

skeleton = skeleton.*BW_Del; end

Приложение 1.3 подалгоритма А 1.4 Деление скелета на функции-трещины

function [curve,cur_num]=get_curves(BW_Thinned) Gap_size=1;

[length,width]=size(BW_Thinned); BW1=zeros(length+2*Gap_size,width+2*Gap_size); BW1(Gap_size+1:Gap_size+length,Gap_size+ ...

1:Gap_size+width)=BW_Thinned;

[r,c]=find(BW1==1);

cur_num=0;

while size(r,1)>0

point=[r(1),c(1)];

cur=point;

BW1(point(1),point(2))=0;

[I,J]=find(BW1(point(1)-Gap_size:point(1)+ ...

Gap_size,point(2)-Gap_size:point(2)+Gap_size)==1); while size(I,1)>0

dist=(I-Gap_size-1).A2+(J-Gap_size-1).A2;

[min_dist,index]=min(dist); point=point+[I(index),J(index)]-Gap_size-1; cur=[cur;point]; BW1(point(1),point(2))=0;

[I,J]=find(BW1(point(1)-Gap_size:point(1)+ ... Gap_size,point(2)-Gap_size:point(2)+Gap_size)==1); end

point=[r(1),c(1)]; BW1(point(1),point(2))=0;

[I,J]=find(BW1(point(1)-Gap_size:point(1)+ ...

Gap_size,point(2)-Gap_size:point(2)+Gap_size)==1); while size(I,1)>0

dist=(I-Gap_size-1).A2+(J-Gap_size-1).A2;

[min_dist,index]=min(dist); point=point+[I(index),J(index)]-Gap_size-1; cur=[point;cur]; BW1(point(1),point(2))=0;

[I,J]=find(BW1(point(1)-Gap_size:point(1)+ ... Gap_size,point(2)-Gap_size:point(2)+Gap_size)==1); end

cur_num=cur_num+1; curve{cur_num}=cur-Gap_size; [r,c]=find(BW1==1); end

угловым точкам

function [splitting_curves,splitting_cur_num] = ...

split_curves(curve,corner_array,num) splitting_cur_num = 0; for i=1:num

cur_num=size(corner_array{i},2); if (cur_num==0)

splitting_cur_num=splitting_cur_num+1; splitting_curves{splitting_cur_num}=curve{i};

else start=1;

for j=1:1:cur_num

splitting_cur_num=splitting_cur_num+1; splitting_curves{splitting_cur_num} = ... curve{i}(start:corner_array{i}(j),:); start=corner_array{i}(j); if(j==cur_num && cur_num~=1)

splitting_cur_num=splitting_cur_num+1; splitting_curves{splitting_cur_num} = ... curve{i}(start:size(curve{i},1),:); end end end end

Приложение 1.5 Реализация подалгоритма А1.7 Объединение трещин

function [result_curves,result_cur_num]= ... integrate_curves(splitting_curves,... split_cur_corners,splitting_cur_num,alpha) flag_deleted(1:splitting_cur_num)=1; shift_num=2 5; changed=0; i=0;

delta=10;

while(i<=(splitting_cur_num-1)) if(changed==0) i=i+1;

end

changed=0;

if(flag_deleted(i)==0)

continue;

end

for j=(i+1):splitting_cur_num if(flag_deleted(j)==0) continue; end

first_cur=splitting_curves{i}; second_cur=splitting_curves{j}; first_cur_start=split_cur_corners{i}(1,:); first_cur_end=split_cur_corners{i}(2,:); second_cur_start=split_cur_corners{j}(1,:); second_cur_end=split_cur_corners{j}(2,:); if(sqrt((first_cur_start(1,1)-second_cur_start(1,1))* ... (first_cur_start(1,1)-second_cur_start(1,1))+ ... (first_cur_start(1,2)-second_cur_start(1,2))* ... (first_cur_start(1,2)-second_cur_start(1,2)))<delta) point1=first_cur_start;

point2=get_point(first_cur,1, shift_num); point3=get_point(second_cur,1, shift_num); Theta=get_angle(point1(1,1),point1(1,2),...

point2(1,1),point2(1,2),point3(1,1),point3(1,2)) if(Theta>18 0-alpha && Theta<180+alpha)

new_curve(1:1:size(second_cur,1),:)= ...

second_cur(size(second_cur,1):-1:1,:);

new_curve(size(second_cur,1)+1:1:(size(second_cur,1)+... size(first_cur,1)),:)= first_cur; flag_deleted(j)=0; splitting_curves{i}=new_curve; split_cur_corners{i}(1,:)=second_cur_end; split_cur_corners{i}(2,:)=first_cur_end; changed=1;

clearvars('first_cur') ; clearvars('second_cur') ; clearvars('new_curve') ; end

elseif(sqrt((first_cur_start(1,1)-second_cur_end(1,1))*... (first_cur_start(1,1)-second_cur_end(1,1))+... (first_cur_start(1,2)-second_cur_end(1,2))*... (first_cur_start(1,2)-second_cur_end(1,2)))<delta) point1=first_cur_start;

point2=get_point(first_cur,1, shift_num); point3=get_point(second_cur,2, shift_num); Theta=get_angle(point1(1,1),point1(1,2),... point2(1,1),point2(1,2),point3(1,1),point3(1,2)); if(Theta>18 0-alpha && Theta<180+alpha)

new_curve(1:1:size(second_cur,1),:)=second_cur;

new_curve(size(second_cur,1)+1:1:(size(second_cur,1)...

+size(first_cur,1)),:)= first_cur; flag_deleted(j)=0; splitting_curves{i}=new_curve; split_cur_corners{i}(1,:)=second_cur_start; split_cur_corners{i}(2,:)=first_cur_end; changed=1;

clearvars('first_cur') ; clearvars('second_cur') ; clearvars('new_curve') ; end

elseif(sqrt((first_cur_end(1,1)-second_cur_start(1,1))*... (first_cur_end(1,1)-second_cur_start(1,1))+... (first_cur_end(1,2)-second_cur_start(1,2))*... (first_cur_end(1,2)-second_cur_start(1,2)))<delta) point1=first_cur_end;

point2=get_point(first_cur,2, shift_num); point3=get_point(second_cur,1, shift_num); Theta=get_angle(point1(1,1),point1(1,2),...

point2(1,1),point2(1,2),point3(1,1),point3(1,2)); if(Theta>18 0-alpha && Theta<180+alpha)

new_curve(1:1:size(first_cur,1),:)=first_cur;

new_curve((size(first_cur,1)+1):1:(size(first_cur,1)...

+size(second_cur,1)),:)= second_cur; flag_deleted(j)=0; splitting_curves{i}=new_curve; split_cur_corners{i}(1,:)=first_cur_start; split_cur_corners{i}(2,:)=second_cur_end; changed=1;

clearvars('first_cur'); clearvars('second_cur'); clearvars('new_curve'); end

elseif(sqrt((first_cur_end(1,1)-second_cur_end(1,1))*... (first_cur_end(1,1)-second_cur_end(1,1))+... (first_cur_end(1,2)-second_cur_end(1,2))*... (first_cur_end(1,2)-second_cur_end(1,2)))<delta) point1=first_cur_end;

point2=get_point(first_cur,2, shift_num); point3=get_point(second_cur,2, shift_num); Theta=get_angle(point1(1,1),point1(1,2),...

point2(1,1),point2(1,2),point3(1,1),point3(1,2)); if(Theta>18 0-alpha && Theta<180+alpha)

new_curve(1:1:size(first_cur,1),:)=first_cur;

new_curve(size(first_cur,1)+1:1:(size(first_cur,1)...

+size(second_cur,1)),:)= ... second_cur(size(second_cur,1):-1:1,:); flag_deleted(j)=0; splitting_curves{i}=new_curve; split_cur_corners{i}(1,:)=first_cur_start; split_cur_corners{i}(2,:)=second_cur_start; changed=1;

clearvars('first_cur') ;

clearvars('second_cur') ;

clearvars('new_curve') ;

end

end

end

end

result_cur_num=0;

for i=1:splitting_cur_num

if(flag_deleted(i)==1)

result_cur_num=result_cur_num+1;

result_curves{result_cur_num}=splitting_curves{i};

end end

function Theta=get_angle(x1,y1,x2,y2,x3,y3)

v_1 = [x2,y2,0] - [x1,y1,0];

v_2 = [x3,y3,0] - [x1,y1,0];

Theta = atan2(norm(cross(v_1, v_2)), dot(v_1, v_2))*180/pi;

function point=get_point(curve,start_or_end, shift_num)

size_of_cur=size(curve,1); if(start_or_end==1 && size_of_cur>shift_num)

point=curve(shift_num,:); end

if(start_or_end==1 SS size_of_cur<shift_num)

point=curve(size_of_cur,:);

end

if(start_or_end==1 SS size_of_cur==shift_num)

point=curve(size_of_cur,:);

end

if(start_or_end==2 SS size_of_cur>shift_num)

point=curve(size_of_cur-shift_num,:);

end

if(start_or_end==2 SS size_of_cur<shift_num)

point=curve(1,:);

end

if(start_or_end==2 SS size_of_cur==shift_num)

point=curve(1,:);

end

серии снимков

'-O J

краевой зоне

function [zone_curves,zone_cur_num]=...

find_zone_curves(result_curves,result_cur_num,center_x,... center_y,radius,zone_width) zone_cur_num=0; zone_curves=[];

internal_radius=radius-zone_width*radius; for i=1:result_cur_num

first_point=result_curves{i}(1,:);

last_point=result_curves{i}(size(result_curves{i},1),:); mesure_first_point=...

get_mesure(center_x,center_y,... first_point(1,1),first_point(1,2)); mesure_last_point=...

get_mesure(center_x,center_y,... last_point(1,1),last_point(1,2)); if(mesure_first_point>internal_radius ...

|| mesure_last_point>internal_radius) zone_cur_num=zone_cur_num+1; zone_curves{zone_cur_num}=result_curves{i};

end

clearvars('first_point') ; clearvars('last_point') ; clearvars('mesure_first_point') ; clearvars('mesure_last_point') ; end

function mesure=get_mesure(center_x,center_y,x,y) mesure=sqrt((x-center_x)*...

(x-center_x)+(y-center_y)*(y-center_y));

Приложение 1.8 Реализация подалгоритма А2.2 Определение трещин, длина которых больше d, а угол меньше а

function [drop_cur,drop_cur_num]=...

drop_curves(zone_curves,zone_cur_num,... center_x,center_y,radius,delta_angle,delta_len) drop_cur_num=0; drop_cur=[]; angle=0;

for i=1:zone_cur_num

first_point=zone_curves{i}(1,:);

last_point=zone_curves{i}(size(zone_curves{i},1),:); mesure_first_point=get_mesure(center_x,...

center_y,first_point(1,1),first_point(1,2)); mesure_last_point=get_mesure(center_x,...

center_y,last_point(1,1),last_point(1,2)); len=get_mesure(first_point(1,1),....

first_point(1,2),last_point(1,1),last_point(1,2)); if(mesure_first_point>mesure_last_point) angle=get_angle(first_point(1,1),first_point(1,2),...

last_point(1,1),last_point(1,2),center_x,center_y); else

angle=get_angle(last_point(1,1),last_point(1,2),...

first_point(1,1),first_point(1,2),center_x,center_y); end

if((angle<delta_angle) && (len>delta_len)) drop_cur_num=drop_cur_num+1; drop_cur{drop_cur_num}=zone_curves{i};

end

clearvars('first_point'); clearvars('last_point'); clearvars('mesure_first_point'); clearvars('mesure_last_point'); clearvars('len'); end

фации до каждой трещины и подалгоритма А2.4 Оопределение ширины центральной зоны

function zone_width=calculate_zone_width...

(drop_cur,drop_cur_num,center_x,center_y) zone_width=0; for i=1:drop_cur_num

first_point=drop_cur{i}(1,:);

last_point=drop_cur{i}(size(drop_cur{i},1),:); mesure_first_point=get_mesure(center_x,...

center_y,first_point(1,1),first_point(1,2)); mesure_last_point=get_mesure(center_x,...

center_y,last_point(1,1),last_point(1,2)); if(mesure_first_point<mesure_last_point)

zone_width=zone_width+mesure_first_point;

else

zone_width=zone_width+mesure_last_point;

end end

zone_width=zone_width/drop_cur_num;

эритроцитов, деформированных в сдвиговом потоке

ПАТЕНТ НА ИЗОБРЕТЕНИЕ «Способ определения деформируемости эритроцитов»

Авторы: Левин Григорий Яковлевич (Я11), Шагалова Полина Анатольевна (ЯЦ), Соколова Элеонора Станиславовна (Я1). Соснина Лариса Николаевна (Я 17)

СВИДЕТЕЛЬСТВО О ГОСУДАРСТВЕННОЙ РЕГИСТРАЦИИ ПРОГРАММЫ ДЛЯ ЭВМ «Система распознавания трещин на изображениях, полученных при

микроскопии»

ПРИЛОЖЕНИЕ 3. АКТЫ О ВНЕДРЕНИИ РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОГО

ИССЛЕДОВАНИЯ

УТВЕРЖДАЮ

АКТ

о внедрении результатов кандидатской диссертационной работы Шагаловой Полины Анатольевны

Настоящий акт составлен о том, что результаты диссертационной работы Шагаловой П.А., представленной на соискание ученой степени кандидата технических наук, включающие разработанные алгоритмы и программный комплекс для анализа изображений, полученных методом микроскопии крови, внедрены в практику медицинских исследований на базе Университетской клиники ФГБОУ ВО «ПИМУ» Минздрава России.

Предложенные методы обработки и анализа изображений, полученных методом микроскопии - распознавания фаций крови и деформированных в сдвиговом потоке эритроцитов, значительно повышают эффективность проводимых анализов, дают дополнительную практическую и научную информацию при исследованиях реологических свойств крови.

Внедрение автоматизированного метода позволило повысить точность распознавания объектов, значительно сократило время обработки изображений и постановки диагноза.

Считаем целесообразным внедрение результатов диссертационной работы в практику медицинских лабораторных исследований для повышения качества медицинской диагностики.

Ведущий научный сотрудник ФГБОУ ВО «ПИМУ» Минздрава России, д.м.н., профессор, Заслуженный деятель науки РФ

Младший научный сотрудник ФГБОУ ВО «ПИМУ» Минздрава России

>вичева А.Н.

МИНОЬРМЛУКИРОССИИ

УТВЕРЖДАЮ

федеральное государственное бюджетное образовательное учреждение высшего образования «Нижегородский государствен!! университет им. Р.Ь". Ал

11ервый проректор проректор по образовательна^ деятельности

(НГТУ)

АКТ

Ивашкин F.f.

2020 г.

№ OJ- О W^ß-f

I . I {ижний I lOBI орол

АК I

о внедрении в учебный процесс результатов диссертационной работы Шагаловой Полины Анатольевны

«Алгоритмы анализа изображений, полученных при микроскопии крови»

Результаты диссертационной работы Шагаловой H.A. «Алгоритмы анализа

изображений, полученных при микроскопии крови», представленной на соискание ученой степени кандидата технических наук, внедрены в учебный процесс НГТУ кафедры «Информатика и системы управления». Материалы диссертации используются в учебном процессе для студентов, обучающихся по направлениям подготовки 09.03.01. 09.04.01 «Информатика и вычислительная техника» и направлениям 09.03.02. 09.04.02 «Информационные системы и технологии», а также при выполнении выпускных квалификационных работ, связанных с использованием технологий компьютерного зрения, обработки данных, моделирования.

Полученные результаты используются при чтении лекций, проведения лабораторных и выполнении курсовых работ по дисциплинам «Интеллектуальные системы и технологии». «Интеллектуальный анализ данных», «Математическое моделирование в автоматизированных системах обработки информации и управления».

Начальник учебно-методического управления НГТУ

Директор учебно-научного института радиоэлектроники и информационных технологий, д.т.н.. доцент

Мякиньков A.B.

Заведующая кафедрой информатики и систем управления, д.т.н.. профессор

Соколова Э.С.