Биотехническая система для автоматического определения формулы белой крови тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат технических наук Штадельманн, Жоэль Валентин

• Штадельманн, Жоэль Валентин
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Штадельманн, Жоэль Валентин

Введение.

Глава 1. Клиническая актуальность определения формулы белой крови.

1.1. Применение определения формулы крови в клинике.

1.2. Описание форменных элементов крови.

1.2.1. Тромбоциты.

1.2.2. Эритроциты.

1.2.3. Лейкоциты.

1.2.3.1. Лимфоциты.

1.2.3.2. Моноциты.

1.2.3.3. Нейтрофилы.

1.2.3.4. Эозинофилы.

1.2.3.5. Базофилы.

1.2.4. Модель кроветворения.

1.3. Формула белой крови и ее применения.

1.4. Методы определения формулы белой крови.

1.4.1. Электродинамические и лазерные методы проточной цитометрии.

1.4.2. Визуальный метод анализа.

1.4.2.1. Статистическая достоверность визуального анализа

1.5. Сравнение методов определения формулы белой крови.

1.6. Выводы к первой главе.

Глава 2. Процесс автоматического определения формулы белой крови.

2.2. Анализ качества.

2.2.1. Зона наложения слоев.

2.2.2. Зона монослоя.

2.2.3 Зона скопления клеток.

2.3. Обнаружение лейкоцитов.

2.4. Сегментация лейкоцитов.

2.5. Характеристик лейкоцитов.

2.6. Классификация лейкоцитов.

2.6. Схема БТС для автоматического определения формулы белой крови

2.7. Выводы ко второй главе.

Глава 3. Разработка БТС для автоматического определения формулы белой крови.

3.1. Обнаружение лейкоцитов по изображениям мазков крови.

3.1.1. Алгоритм обнаружения лейкоцитов.

3.1.2. Разработка программного модуля обнаружения лейкоцитов.

3.1.2.1. База данных для исследования алгоритмов обнаружения

3.1.2.2. Обучение классификатора.

3.1.2.3. Обнаружение лейкоцитов на изображении мазка крови.

3.1.2.4. Обработка результатов.

3.1.2.5. Результаты тестирования программного модуля обнаружения лейкоцитов.

3.2. Сегментация лейкоцитов.

3.2.1. Обоснование возможности сегментации лейкоцитов.

3.2.2. Сегментация ядер лейкоцитов.

3.2.3. Сегментация цитоплазмы лейкоцитов.

3.3. Анализ характеристик клеток крови.

3.3.1.1. Совокупность характеристик.

3.3.1.2. Текстурные характеристики лейкоцитов.

3.3.1.3. Оконтуривание ядра лейкоцитов.

3.3.1.4. Другие характеристики лейкоцитов.

3.4. Классификация лейкоцитов.

3.4.1. Обоснование возможности классификации лейкоцитов.

3.4.2. Алгоритм «Ас1аВоо8Ъ>.

3.5. Выводы к третьей главе.

Глава 4. Экспериментальное исследование БТС для автоматического определения формулы белой крови.

4.1. Метод испытания разработанного классификатора.

4.2. Результаты частичной классификации на основе статистических распределений.

4.3. Анализ влияния различных факторов на эффективность классификации.

4.3.1. Применение новых характеристик.

4.3.2. Формирование характеристик для классификации лейкоцитов.

4.3.3. Применение алгоритма «АёаВооэЪ) для классификации лейкоцитов.

4.4. Результаты классификации.

4.5. Выводы к четвертой главе.

Введение диссертации (часть автореферата) на тему «Биотехническая система для автоматического определения формулы белой крови»

Клинический анализ крови и особенно подсчет лейкоцитарной формулы является тестом, позволяющим оценить состояние здоровья человека. Так как лейкоциты являются главными агентами иммунной системы, их относительные концентрации и степень зрелости отражают ответ организма на инфекции [2, 9, 15,33,36].

В норме формула белой крови состоит из лейкоцитов пяти классов, то есть лимфоциты (от 18 до 40%), моноциты (от 2 до 9%), нейтрофилы (от 45 до 70%), эозинофилы (до 5%) и базофилы (до 1%). При этом нейтрофилы делятся на два класса, палочкоядерные и сегментоядерные, в зависимости от их степени зрелости [2, 33]. Нахождение не зрелых клеток, так же как изменения концентрации различных типов и общее число лейкоцитов, сообщают об адаптации человека к стрессовой ситуации или к инфекционному агенту [2, 4, 9, 33]. Соответственно формула белой крови имеет высокую диагностическую ценность и поэтому часто применяется в клинической практике.

Изменения, наблюдаемые при определении формулы белой крови, заключаются в изменениях концентрации и в морфологии лейкоцитов. В свою очередь Изменения морфологии лейкоцитов заключаются в регулярностях внешних и ядерных контуров, цвете цитоплазмы и ядра, в наличии ядерных проекции или зернистость цитоплазмы. Совокупная информация, полученная при анализе концентрации и морфологии, позволяет ориентироваться на определенное заболевание [33, 40, 49].

Для классификации в настоящее время применяются два основных метода.

Метод проточной цитометрии основывается на анализе электродинамических характеристик лейкоцитов. По мере прохождения лейкоцита через капиллярную трубку измеряется его импеданс на различных частотах. Таким образцом получается информация об объеме и о составе лейкоцита. Для классификации по содержанию лейкоцитов используется лазерное излучение. По совокупности результатов электродинамического анализа и анализа фигуры рассеяния определяется класс анализируемого лейкоцита. Этот метод анализа позволяет быстро исследовать большое число лейкоцитов, и получить статистически достоверную оценку числа и концентрации лейкоцитов различных классов. Однако метод проточной цитометрии не позволяет оценить морфологию лейкоцитов. Также результаты, выходящие за пределами гематологических норм, автоматически отбрасываются аппаратом и передаются оператору для визуального исследования. При этом необходимо заметить, что в клинической практике большинство результатов автоматических анализов превышают нормы принятые в гематологии [33, 49, 61, 63, 76].

Визуальный метод определения лейкоцитарной формулы проводится путем анализа мазка крови под микроскопом. Чтобы увеличивать контраст между различными элементами, присутствующими на мазке, используется окраска, например, по Романовскому-Гимзе. Так как распределение лейкоцитов на мазке неравномерное, для получения значимых результатов исследуются. Однако, в связи с высокими временными затратами, присущими исчерпывающему исследованию мазка, и также с высокой трудоемкостью задачи анализируются только 100 лейкоцитов. Соответственно результаты, полученные визуальным анализом, не имеют статистической достоверности [33,36, 43,62].

Метод визуального анализа, который проводится непосредственно врачом под микроскопом, позволяет установить морфологические особенности лейкоцитов. Визуальная классификация лейкоцитов базируется на таких характеристиках, как ширина ядра, число долей, кривизна ядра, размер лейкоцита, цвет цитоплазмы и включения цитоплазмы. Все перечисленные характеристики и морфологических особенностей являются признаками как для классификации так для диагностики болезней [9, 33, 40, 51].

При рассмотрении метода проточной цитометрии установляются недостатки методов определения лейкоцитарной формулы. Проточная цитометрия - неустойчива к отклонениям от норм, не учитывает морфологию лейкоцитов и осуществляется с помощью большего объема крови. Визуальное исследование - трудоемкое и не имеет статистической достоверности.

Таким образцом целыо диссертационной работы является создание БТС, обеспечивающей автоматическое определение лейкоцитарной формулы на основе статистически достоверных результатов исследования мазков крови.

Для достижения подставленной цели были сформулированы и решены следующие задачи

1. Анализ существующих методов классификации лейкоцитов;

2. Разработка, исследование и автоматизации процесса определения формулы белой крови;

3. Разработка комплекса характеристик лейкоцитов для автоматической классификации;

4. Создание прототипа СПО и макета БТС автоматического определения формулы белой крови;

5. Апробация метода определения лейкоцитарной формулы.

Практическая ценность диссертационной работы заключается в разработке требований к регистрации изображений мазков крови, к алгоритмам обнаружения лейкоцитов на изображениях, к алгоритмам сегментации ядра и цитоплазмы и к классификатору, применяемому для определения лейкоцитарной формулы.

Для решения поставленных задач были разработаны специальные программные модули обнаружения, сегментации и выделения характеристик лейкоцитов. В результате обнаружения были получены изображения постоянного размера (17х17мкм), с единственным лейкоцитом.

Целю сегментации является отделение областей ядра и цитоплазмы от области межклеточного пространства.

Характеристики, использованные для классификации, были выбраны в соответствии с характеристиками, использованными при визуальном исследовании мазка. Их информативность была подтверждена с помощью статистических классификаторов.

Апробация программного модуля классификации показала, что предложенный набор характеристик обеспечивает классификацию лейкоцитов с вероятностью не хуже 0,9.

Апробация работы проведена на макете БТС для автоматического определения формулы белой крови. Обучающие и контрольные группы были сформированы из базы данных, верифицированной специалистом. В базе данных концентрации различных классов соответствуют соотношениям, наблюдаемых в крови человека. Результаты апробации подтвердили предлагаемый метод классификации лейкоцитов.

Положения, выносимые на защиту.

1. Для автоматического обнаружения лейкоцитов на мазках крови, окрашенных по методу Романовского-Гимзы, необходимо в каналах красного цвета (ПЗС МоИСат 2300) и цветовой насыщенности сравнить текущее среднее значение, вычисленное по области, соответствующей максимальному размеру лейкоцита, со средними значениями, вычисленными по аналогичным областям обучающей выборки, содержащей не менее 500 лейкоцитов.

2. На изображениях мазков крови

- окрашенных по методу Романовского-Гимзы;

- зарегистрированных с масштабом 0.039 мкм/пиксель;

- зарегистрированных в иммерсионном масле;

- зарегистрированных в области монослоя;

- информативной емкость, которых не менее 598КБ; для автоматической сегментации ядер необходимо сравнить цветовую насыщенность каждого пикселя с пороговым значением, составляющим не менее 40% насыщенности данного изображения. для автоматической сегментации цитоплазм необходимо разбить изображения на области, содержащие не четное число пикселей, и сравнить энтропию выделенных областей с пороговым значением, составляющим не менее 1,25 средней энтропии изображения.

3. Для автоматической классификации лейкоцитов необходимо сформировать пространство признаков, состоящее из

- характеристик текстуры ядра;

- топологии ядра;

- площади и периметра ядра;

- характеристик текстуры цитоплазмы;

- цветовых характеристик цитоплазмы;

- числа Эйлера цитоплазмы.

4. В результате апробации показано, что предложенная БТС для автоматического определения формулы белой крови определяет лейкоцитарную формулу с вероятностью не менее 0,92 для двух наиболее часто встречаемых классов лейкоцитов, совместно составляющих не менее 65% общей лейкоцитарной популяции здорового человека.

Основные положения работы докладывались на семинаре факультета БМТ МГТУ им. Н.Э. Баумана (г. Москва, 13.06.2012) и на конференциях Студенческая Весна (г. Москва, 2010 и 2012), Медико-технические технологии на страже здоровья (остр. Кипр, 2010, остр. Майорка, 2011), Российско-Баварская Конференция (г. Москва, 2010, г. Эрланген, 2011, г. Санкт-Петербург, 2012), Всероссийская конференция с элементами научной школы для молодежи «Биометрические технологии» (г. Москва, 2011) и Физика и Радиоэлектроника в Медицине и Экологии (г. Суздаль, 2010, 2012).

По материалам диссертации опубликованы 3 научных статьи и 10 тезисов докладов на научных конференциях.

Диссертационная работа состоит из введения, четырех глав и приложений. Текст диссертации изложен на 96 страницах. Список использованной литературы включает в себе 80 библиографических источников.

Заключение диссертации по теме «Приборы, системы и изделия медицинского назначения», Штадельманн, Жоэль Валентин

Основные результаты и выводы

1. В результате анализа научно-технических данных и современного состояния проблемы показана актуальность, практическая значимость разработки биотехнической системы для автоматического определения формулы белой крови по изображениям мазков крови.

2. В результате рассмотрения метода визуального анализа мазка разработан метод автоматического определения формулы белой крови, заключающийся в оценке качества препарата, обнаружении лейкоцитов, их сегментации, расчете их характеристик и их классификации.

3. На основе исследований верифицированных изображений лейкоцитов доказана целесообразность использования цветовых характеристик для автоматического обнаружения лейкоцитов.

4. Разработан программный модуль обнаружения лейкоцитов на изображениях мазков крови, обеспечивающий оперативное выделение без пропуска лейкоцитов.

5. При проведении исследований' верифицированных изображений лейкоцитов установлено, что критерий цветовой насыщенности обеспечивает автоматическую сегментацию ядра.

6. В ходе исследований верифицированных изображений лейкоцитов эмпирически установлено, что критерий локальной энтропии обеспечивает автоматическую сегментацию цитоплазм в совокупности с алгоритмами выделения границ Собеля и Кэнни.

7. Разработан программный модуль сегментации лейкоцитов по изображениям мазков крови, обеспечивающий выделения ядер и цитоплазм лейкоцитов устойчиво к окружающим эритроцитам.

8. В результате исследований верифицированных изображений лейкоцитов установлено, что пространство признаков, соответствующих признакам, использованным при визуальной классификации, обеспечивает автоматическую классификацию лейкоцитов.

9. Разработан программный модуль классификации лейкоцитов по изображениям мазков крови

10. Проведена экспериментальная апробация макета БТС для автоматического определения формулы белой крови, и подтверждена работоспособность предложенного метода автоматического определения формулы белой крови.

11. Результаты диссертационной работы целесообразно применять для автоматической классификации клеток в цитологии, биологии и ветеринарии.

Список литературы диссертационного исследования кандидат технических наук Штадельманн, Жоэль Валентин, 2012 год

1. Артюхова O.A., Самородов A.B. Сравнительное исследование характеристик резкости микроскопических изображений медико-биологических препаратов // Медицинская Техника. 2011. №1. С. 15-22.

2. Атлас клеток крови и костного мозга / Т. Г. Сарычева, и др.; Под ред. Г. ИКозинца. М.: Триада-X, 1998. 160 с.

3. Воробьев А.И. Клинико-диагностическое значение лабораторных показателей в гематологии // РАМН ГНЦ. 2001. 17 с.

4. Гаркави Л. X., Квакина Е. Б., Уколова М. А. Адаптационные реакции и резистентность организма. Ростов н/Д.: Изд-во Ростовского ун-та, 1990. 224 с.

5. А. с. 1171819 (СССР). Способ селекции признаков объектов при распознавания образцов / С.А. Герасимов, И.Н. Спиридонов, В.М. Захарченко, С.А. Земляков, A.C. Прибыловский // Б. и. 1985. - N 21.

6. Ершов Ю. А., Щукин С. И. Основы анализа биотехнических систем // Москва: Изд-во МГТУ им. Н. Э. Баумана, 2011. 526 с.

7. Г.С. Ландсберг. Оптика. Москва: изд-во «Наука», 1976. 926 с.

8. Исследование системы крови в клинической практике/ Под ред. Г. И. Козинца и В. А. Макарова. М.: Триада-Х, 1997. 480 с.

9. Основы клинической гематологии / С. Ю. Ермолов, Фи др.; Под ред. В. Г. Радченко. Санкт-Петерсбург.: Диалект, 2003. 304 с.

10. Самородов A.B. Биотехническая система для анализа морфологии эритроцитов: Дис. .канд. техн. наук. (5.11.17) М. 2002. 168 с.

11. Самородов A.B. Автоматизированный морфологический анализ цитологических препаратов // Биомедицинская радиоэлектроника. Биомедицинские технологии и радиоэлектроника. 2009. № 10. С. 35-41.

12. Самородов A.B. Оценка качества цитологических препаратов // Биомедицинская радиоэлектроника. Биомедицинские технологии и радиоэлектроника. 2008. № 10. С. 39-45.

13. Самородов А. В., Спиридонов И. Н. Анализ гемоизображений вавтоматизированных системах оценки функционального состояния человека// Биомедицинские технологии и радиоэлектроника. 2001. - №9. - С. 11-17.

14. Самородов А. В., Спиридонов И. Н. Статистические свойства гемоизображений // Медико-технические технологии на страже здоровья: Тез. докл. IIIМНТК, г. Анталия (Турция), 30 сентября 7 октября 2001 г. - М., 2001. -С.78.

15. Сафонова Л. П. Пространственно частотный анализ форменных элементов крови: Дис. .канд. техн. наук. (5.11.17) М. 1998. 166 с.

16. Сафонова Л.П., Спиридонов И.Н. Перспективы автоматизации гематологического анализа // Актуальные проблемы создания биотехнических систем: Сб. науч. трудов. М.: МГТУ 1997. - Вып. 2. - С. 232-242.

17. Спиридонов И. Н. Методы традиционной функциональной диагностики : Учеб. Пособие // Москва: Изд-во МГТУ им. Н. Э. Баумана, 1993. -46 с.

18. Спиридонов И. Н., Самородов А. В. Методы и алгоритмы вычислительной диагностики : Учеб. Пособие // Москва: Изд-во МГТУ им. Н. Э. Баумана, 2006. 50 с.

19. Спиридонов И. Н. Автоматизированная обработка экспериментальных данных : Учеб. Пособие // Москва: Изд-во МГТУ им. Н. Э. Баумана, 2009. 40 с.

20. Спиридонов И. Н., Аполлонова И. А., Сафонова Л. П. Основные принципы создания лазерных анализатором медицинских сложноструктурированных изображений// Конверсия. 1997. - № 10. - С.55 -57.

21. Штадельманн Ж. В., Спиридонов И.Н. Автоматическая классификация лейкоцитов на изображениях мазков крови // Медицинской

22. Техники. 2012. №2. С. 43 47.

23. Штадельманн Ж.В., Самородов А.В., Спиридонов И.Н. Автоматизированное обнаружение лейкоцитов на изображениях мазков крови на основе бустинга // Медицинская Техника. 2012. №4. С. 35 38.

24. Штадельманн Ж.В., Спиридонов И.Н. Метод определения формулы белой крови // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон, журн. 2012 №10. Режим доступа: http://technomag.edu.ru/doc/465287.html (дата обращения 01.10.2012)

25. Штадельманн Ж.В., Самородов А.В, Спиридонов И.Н. Обнаружение лейкоцитов с использованием алгоритма AdaBoost // Науч.-тех. конф. «Студенческая Весна», (Москва 1-30 апреля 2010): Москва. 2010. С. 82-83.

26. Шталельманн Ж.В., Спиридонов И.Н. Сегментация цитоплазмы лейкоцитов на основе локальной энтропии // Науч.-тех. конф. «Студенческая Весна», (Москва 2-29 апреля 2012) : Москва. 2012. С. 303 -305.

27. Acton S., Nilanjan R. Biomedical Image Analysis: Segmentation. Austin: Morgan & Claypool, 2009. 108 p.

28. Bain B.J. Blood Cells A Practical Guide. Maiden: Blackwell Publishing Ltd, 2006. 476 p.

29. Bishop C.M. Pattern Recognition and Machine Learning. Singapore: Springer, 2006. 738 p.

30. Buttarello M., Plebani M. Automated Blood Cell Counts State of the Art // American Journal of Clinical Pathology. 2008. №130. P. 104 116.

31. Cornbleet J. Clinical Utility of the Band Count // Clinics in Laboratory Medecine. 2002. Vol. 22, № 1. P. 101 136.

32. Dallai G.E., The Little Handbook of Statistical Practice. On-line ressource (http://www.jerrydallal.com/LHSP/LHSP.htm) (дата обращения 08.05.2012).

33. Dalang R.C, Chaabouni A. Algèbre linéaire Aide-mémoire, exercices et applications. Lausanne: Presses Polytechniques et Universitaires Romandes, 2002. 348 p.

34. Davidson E. The Distribution of Cells in Peripheral Blood Smears // Journal of Clinical Pathology. 1958. №11. P. 410 -411.

35. Fischbach F.T., Dunning M.B. A Manual of Laboratory and Diagnostic Tests. (8th edition). Philadelphia: Lippincott Williams & Wilkins, 2009. 1282 p.

36. Forsyth D.A., Ponce J. Computer Vision: A Modern Approach. Upper Saddle River: Prentice Hall, 2002. 693p.

37. Foskey M., Lin M.C., Manocha D. Efficient Computation of a Simplified Medial Axis // Journal of Computing and Information Science in Engineering. 2003.3. P. 274-284.

38. Froom P, Havis R., Barak M. The rate of manual peripheral blood smear reviews in Outpatients // Clinical Chemistry and Laboratory Medicine. 2009. №47. P. 1401 1405.

39. Hassouna M.S., Farag A.A. Variational Curve Skeletons Using Gradient Vector Flow // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2009. №31. P. 2257-2274.

40. Robust Autofocusing in Microscopy / J.M. Geusebroek et al. // Cytometry. 2000. №39. P. 1-9.

41. Gurstelle E.B., de Oliveira J.L. Daytime parahypnagogia: a state of consciousness that occurs when we almost fall asleep // Medical Hypotheses. 2004. №62. P. 166- 168.

42. Horowitz M.J., Hallucinations: An information-processing approach // Hallucinations / (R.K. Siegel, L.J. West). New York: Wiley, 1975. Chap. 5. P. 163 -195.

43. Efficient Multiclass Boosting Classification with Active Learning / J. Huang et al. // Proceedings of the "7th SIAM International Conference", (Minneapolis, 26-28 April 2007): Minneapolis. 2007. P. 297 308.

44. Hyun B.H., Gulati G.L., Ashton J.K. Differential Leukocyte Count: Manual or Automated, What Should It Be? // Yonsei Medical Jounal. 1991. Vol. 32. №. P. 283-291.

45. Multi-Class Adaboost: Technical report. Jan. 2006. Department of Statistics. University of Michigan. Ann Arbor, 2006. 21p.

46. V. Kumar et al. Robbins Basic Patholog. (8th edition). Philadelphia. Elsevier, 2007. 902 p.

47. Experience-dependent induction of hypnagogic images during daytime naps: a combined behavioural and EEG study / K. Kusse et al. // Journal of Sleep Research. 2012. №21. P. 10-20.

48. Lindeberg T. Edge detection and ridge detection with automatic scale selection // International Journal of Computer Vision. №30. 1998. P. 117 154.

49. Löffler H., Rastetter J., Haferlach T. Atlas of Clinical Hematology. (6th edition). Berlin: Springer-Verlag, 2005. 429 p.

50. A review of classification algorithms for EEG-based brain-computer interfaces / F. Lotte et al. // Journal of neural engineering. 2007. №4. P. Rl R13.

51. Mavromatis A. Hypnagogia: the unique state of consciousness between wakefulness and sleep. London: Routledge & Kegan Paul. 1987, 363p.

52. Meir R., Ratsch G. An Introduction to Boosting and Leveraging // Advanced lectures on machine learning. 2003. №3. P. 463 482.

53. R. Munker et al. Hematology Biology and Clinical Management. Second Edition. Totowa Humana Press. 2007. 498p.

54. Laboratory Productivity and the Rate of Manual Peripheral Blood Smear Review / D.A.Novis et al. // Archives of Pathology and Laboratory Medicine. 2006. №130. 596-601.

55. Olariu S., Zomaya A.Y. Handbook of Bioinspired Algorithms and Applications. New York: Chapman & Hall, 2006. 663p.

56. Performance Evaluation of the Complete Blood Count and White Blood Cell Differential Parameters on the AcT 5diff Hematology Analyzer / P. O'Neil et al. // Laboratory Hematology. 2001. №7. P. 116 124.

57. Pierre R.V. Peripheral Blood Film Review // Clinics in Laboratory Medecine. 2002. №7. P. 279 297.

58. Critical Comparison of 31 Commercially Available Digital Slide Systems in Pathology / M.G. Rojo et al. // International Journal of Surgical Pathology. 2006. №4. P. 285 305.

59. Rosset S., Zhu J., Hastie T. Boosting as a Regularized Path to a Maximum Margin Classifier//Journal of Machine Learning Research. 2004. №5. P. 941 973.

60. Schiffman F.J. Hematologic Pathophysiology. Philadelphia: Lippincott Williams & Wilkins, 1998. 140p.

61. Semmlow J.L. Biosignal and Biomedical Image Processing MATLAB-Based applications. New York. Marcel Dekker. 2004. 424p.

62. Shannon C.E. A Mathematical Theory of Communication // The Bell

63. System Technical Journal. 1948. №27.P. 379 423.

64. Stadelmann J.V., Samorodov A.V., Spiridonov I.N. Leukocyte Classification Based on Nucleus Skeletization // Proceedings of the 6th «Russian-Bavarian Conference on Biomedical Engineering» (Moscow, 8-11 November 2010). W/P. 3 p.

65. Stadelmann J.V., Spiridonov I.N. Leukocyte Classification using a machine learning algorithm // Proceedings of the 7th «Russian-Bavarian Conference on Biomedical Engineering» (Erlangen, 10-14 October 2011) : Erlangen. 2011. P. 35 -37.

66. Stadelmann J.V., Spiridonov I.N. Leukocyte Segmentation Using Edge Detection // Proceedings of the 8th «Russian-Bavarian Conference on Biomedical Engineering» (Saint Petersbourg, 29-31 may 2012): Saint Petersbourg. 2012. P. 86 -88.

67. Suri J.S., Wilson D.L., Laxminarayan S. Handbook of Biomedical Image Analysis. New York: Kluwer Academic (Plenum Publishers), 2005. V.I. 648p.

68. Suri J.S., Wilson D.L., Laxminarayan S. Handbook of Biomedical Image Analysis. New York: Kluwer Academic (Plenum Publishers), 2005. V.II. 816p.

69. Tuceryan M., Jain A.K. Texture Analysis // The Handbook of Pattern Recognition and Computer Vision / C.H. Chen, L.F. Pau, P.S.P. Wang. (2nd edition). Singapore. World Scientific Publishing Company, 1998. P. 207 248.

70. Vezhnevets A. GML AdaBoost Matlab Toolbox. On-line ressource (http://graphics.cs.msu.ru/ru/science/research/machinelearning/adaboosttoolbox) (дата обращения 01.05.2009).

71. Viola P., Jones M.J. Robust Real-Time Face Detection // International Journal of Computer Vision. 2004. №57. P. 137 154.

72. Webster J.G. ed. Medical instrumentation : Application and design. (4th edition). New York: Wiley and Sons, 2009. 713 p.

73. Wu Q., Merchant F.A., Castleman K.R. Microscope Image Processing. London. Elsevier. 2008. 585p.

74. Entropy-Based Texture Analysis of Chromatin Structure in Advanced

75. Prostate Cancer / K. Yogesan et al. // Cytometry. 1996. №. 24. P. 268 276.

76. Multi-class AdaBoost. / J. Zhu et al. // Statistics and Its Interface. 2009. №2. P. 349 360.

77. Zuppiroli L., Bussac M.N., Grimm C. Traité des couleurs // Lausanne: Presses Polytéchniques et Universitaires Romandes, 2011. 460p.