Исследование и разработка программного обеспечения автоматической микроскопии биоматериалов тема диссертации и автореферата по ВАК РФ 05.13.11, доктор технических наук Медовый, Владимир Семенович

• Медовый, Владимир Семенович
• доктор технических наук
• 2007

Оглавление диссертации доктор технических наук Медовый, Владимир Семенович

Список сокращений.

Введение.

Глава 1. Анализ современных методик медицинского микроскопического анализа биоматериалов.

1.1. Объекты анализа.

1.2. Сравнительный анализ функциональных возможностей анализаторов различных типов.

1.3 Состояние отрасли.

Глава 2. Задачи автоматизации группы методик микроскопического анализа биоматериалов.

2.1. Интерфейсы задач автоматизации медико-биологических методик микроскопии биоматериалов.

2.2. Декомпозиции группы известных задач автоматизации.

2.3. Критерии актуальности автоматизации.

Глава 3. Комплектации оборудования и системное программное обеспечение (платформа) модульного KAM МЕКОС-Ц2 [Медовый, 2007-1].

3.1. Требования к оборудованию и характеристики современных аппаратных комплектующих.

3.2. Системная платоформа KAM МЕКОС-Ц2.

Глава 4. Испытательная база разработки и аттестации KAM. Структура ФПО KAM

МЕКОС-Ц2 и поэтапная схема испытаний.

4.1. Проблема базы медицинских данных для разработки и испытаний. Влияние технологии испытаний на структуру KAM.

4.2. Выбор структуры ФПО KAM МЕКОС-Ц2.

4.3. Технология испытаний МЕКОС-Ц2.

Глава 5. Структура и алгоритмы функционального программного обеспечения KAM МЕКОС-Ц2.

5.1. Системы съемки и информатизации.

5.2. Системы навигации и сбора выборки.

5.3. Система сортировки.

5.3.1. Автоматическая сегментация границ клеток крови.

5.3.1.1. Метод слияния контуров.

5.3.1.2. «Глобально-локальный» метод минимизации функции эмпирического риска в классе кусочно-линейных решающих правил.

5.3.1.3. Результаты экспериментов с программами сегментации изображений клеток крови

5.3.2. Функции измерения для сортировки.

5.4. Система измерений.

5.5. Система диагностики.

5.7. Система контроля качества.

Глава 6. Результаты испытаний KAM МЕКОС-Ц2.

6.1. Материалы и методы.

6.3. Результаты испытаний методик анализа лейкоцитов.

6.4. Испытания анализа эритроцитов.

6.5. Результаты испытаний методик анализа ретикулоцитов.

6.6. Обсуждение.

Введение диссертации (часть автореферата) на тему «Исследование и разработка программного обеспечения автоматической микроскопии биоматериалов»

Актуальность проблемы

Одним из основных современных методов диагностики при лечении множества заболеваний является анализ изображений клеток и тканей с помощью микроскопа. На протяжении более чем 200-летней истории и до настоящего времени микроскопическая диагностика биоматериалов выполняется главным образом вручную с визуальной качественной или полуколичественной оценкой объектов диагностики. Такая диагностика требует высокой квалификации врача, часто изнурительна по трудоемкости, связана с высоким напряжением и психологическим дискомфортом.

Проведенные многочисленные исследования точности ручных микроскопических анализов показывают, что из-за высокой вариабельности клеток и тканей, сложности морфологии, нечеткости критериев визуальной классификации, субъективности восприятия, недостатка квалифицированных врачей и других факторов визуальная микроскопия в среднем реально способна обеспечить точность диагностики, существенно более низкую, чем потенциально достижимую при объективном использовании всей информации метода.

За последние сорок лет предприняты многочисленные попытки автоматизировать микроскопию биоматериалов с целью получения приемлемой трудоемкости и точности анализа. Накопленный опыт показал, что задача разработки комплексов автоматизированной микроскопии (KAM) требует решения большого числа разнообразных математических, программных, аппаратных, методических проблем. Несколько упрощая картину, можно следующим образом охарактеризовать задачи медицинского микроскопического анализа биоматериала:

- разнообразие концентраций объектов анализа, от 100 до 1/10000 в поле зрения;

- возможна сложная форма области поиска объектов в препарате;

-до 100 типов подлежащих распознаванию объектов в препарате, определенных в нечетких качественных терминах;

- высокая вариабельность размеров, формы, цвета, плотности объектов;

- возможны нечеткие, тонкие, прерывистые контура объектов;

- возможно наличие помех - сходных мешающих объектов.

В настоящее время применяется главным образом ручная микроскопия. При этом:

- в случае высокой квалификации врача достигается высокая точность распознавания типов объектов при, как правило, недостаточном объеме и затрудненном контроле качестве сбора выборки;

- высока трудоемкость, низка производительность труда;

- результаты анализа субъективны;

- затруднен сбор представительной выборки препаратов для научно-исследовательских целей и обучения, особенно в случаях редких патологий;

- весьма ограничены возможности количественных оценок объектов анализа;

- результаты анализа основаны на качественных определениях объектов, что принципиально ограничивает состав определяемых типов, фиксирует значительный уровень вариабельности типов и, как следствие, ограничивает диагностическую значимость анализа.

Преодоление указанных недостатков ручной микроскопии может быть достигнуто прежде всего за счет автоматизации наиболее трудоемкого этапа сбора выборки объектов анализа и за счет использования современных технологий обработки, хранения и передачи изображений. При этом ключевое значение имеют программные роботизирующие компоненты KAM, заменяющие врача в процессе микроскопии и обеспечивающие навигацию, выбор маршрута просмотра препарата и сбор выборки объектов анализа.

Применение KAM могло бы не только улучшить качество и объем выполнения существующих методик анализа. По-видимому, революционное значение предстоящего массового применения KAM связано с формированием принципиально новых типов анализов и диагностик на базе измерений меток, клеток и тканей, то есть с переходом от описательных к количественным определениям понятий цито- и гисто- патологии.

Попытки заменить описательные качественные определения цитологических и гистологических образов на количественные в процессе медицинской диагностики заболеваний были еще более многочисленными, чем попытки автоматизации микроскопии. Тем не менее в целом количественная диагностика до сих пор не получила распространения из-за низкой надежности количественных решающих правил, полученных, как правило, на недостаточно представительном материале конкретной исследовательской лаборатории. Можно надеяться, что массовое применение KAM, способных формировать «виртуальные» препараты, пригодные для передачи по линиям связи, позволит преодолеть «проклятие размерности» и решить проблему накопления представительных обучающих и экзаменационных выборок препаратов в задачах количественной диагностики.

Состояние и изученность проблемы

Начиная примерно с 2000 года количество работ, демонстрирующих эффективные автоматические методики медицинского микроскопического анализа роботизирующего уровня неуклонно возрастает и достигло в 2006 году нескольких десятков (всего существует несколько сотен методик микроскопии биоматериалов). Это связано с бурным прогрессом в области видео и компьютерной техники, внедрением моторизованных управляемых компьютером микроскопов, применением новых математических и информационных методов анализа изображений. В начавшемся десятилетии впервые аппаратная часть комплекса автоматической микроскопии может быть представлена в основном серийными комплектующими. Основную тяжесть решения проблем автоматизации принимает на себя программное обеспечение, что значительно ускоряет разработку новых методик.

В нашей стране начиная с 90-х годов кроме возглавляемого автором ЗАО «Медицинские компьютерные системы (МЕКОС)» разработки KAM или элементов KAM ведут небольшие группы исследователей в нескольких учреждениях, среди которых ОАО Радиотехнический институт им. Минца, МГТУ им. Баумана, МИФИ, Институт системного анализа РАН, ЗАО «Видеотест». В США, Европе, Японии разработки KAM роботизирующего уровня ведутся несколькими крупными фирмами (Leitz, Microx, Hitachi, Cellavision, IRIS, Applied Spectral Imaging, Media Cybernetics и др.).

Имеющаяся литература, относящаяся к разработке KAM, связана, главным образом, с алгоритмами распознавания конкретных цитологических образов. Имеется, обширная литература и значительное число хорошо отработанных алгоритмов, относящихся к теории и практике общего анализа изображений, главным образом для индустриальных приложений.

Существующие отраслевые стандарты испытаний систем, подобных KAM, требуют весьма трудоемких и дорогостоящих прямых сравнений с ручной микроскопией, что приводит в ряде случаев к практической нереализуемости испытаний на представительных выборках препаратов. В целом в настоящее время не определена возможность применения современных информационных технологий при создании и испытании систем, для которых референтные методики оперируют с качественными критериями.

Актуальна разработка новых алгоритмов сегментации границ изображений клеток крови, учитывающих специфику класса объектов и имеющих определяющее значение в эффективности автоматической сортировки лейкоцитов и других типов клеток.

Цель работы

Создать научно обоснованную методику разработки и испытаний программного обеспечения KAM, оцениваемого (при работе в составе комплекса) по качественным критериям, позволяющую применять современные информационные технологии для радикального удешевления и повышения представительности базы разработки и испытаний.

Разработать алгоритмы программного обеспечения KAM, обеспечивающие преимущество KAM в точности и трудоемкости методик анализа клеток крови по сравнению с ручной микроскопией.

Основные идеи исследования

Применить функциональные информационные продукты, формируемые KAM роботизирующего уровня для потребительских медицинских целей а) для разработки (обучения) алгоритмов ПО KAM; б) для моделирования внешней среды, позволяющего радикально сократить объем дорогостоящих натурных испытаний и расширить базу испытаний ПО KAM.

Применить морфометрическую модель клетки и методы обучения для выбора параметров модели при построении алгоритма распознавания изображений клеток крови.

Задачи исследования

1. Провести анализ многообразия задач медицинской микроскопии биоматериалов с целью выявления базовых функций роботизирующего KAM, покрывающих многообразие известных методик и допускающих независимую проверку референтными методами.

2. Исследовать и создать схему функционирования программного обеспечения (ПО) KAM, отвечающую реализации базовых функций и допускающую поэтапную разработку и испытания с применением виртуальных препаратов для существенного снижения стоимости испытаний по сравнению с традиционной схемой испытаний.

3. Провести анализ характеристик покупных аппаратных и программных комплектующих с целью создания системной платформы KAM, допускающей применение многообразия комплектаций с различными характеристиками автоматизации, производительности, состава специализированных программ-методик.

4. Исследовать и разработать технологию созданий виртуальной (цифровой) базы обучающей и экзаменационной выборок препаратов в задачах: а) настройки большого числа параметров специализированных программ-методик; б) обеспечения медицинских испытаний с применением средств дистанционного доступа.

5. Провести исследования и разработать алгоритм сегментации границ изображений клеток крови с применением модели класса цитологических объектов.

6. Провести эксперименты (технические и медицинские испытания) для определения эффективности аппаратно-программного KAM в сравнении с ручной микроскопией для группы методик анализа клеток крови.

7. Разработать предложения по новому отраслевому стандарту разработки и испытаний ПО KAM роботизирующего уровня с использованием информационных технологий.

8. Разработать методики создания и применения представительных архивов виртуальных препаратов биоматериалов для научно-исследовательских анализов и обучения.

Объекты исследования

Объектами исследования в данной работе являлись: технологии и алгоритмы автоматизации микроскопических анализов биоматериалов; методы и средства разработки и испытаний сложных модульных аппаратно-программных комплексов; микроскопические изображения цитологических препаратов; характеристики покупных аппаратных и программных комплектующих KAM; технологии создания представительных выборок препаратов.

Методы исследования

В работе использовались положения и методы следующих областей знания: теория и методы обработки и анализа изображений; системный анализ; информатика; робототехника; теория программирования; математический анализ; теория микроскопии; теория цитологических исследований; теория испытаний медицинских приборов.

Научная новизна

1. Исследованы и сформулированы типы задач, уровни автоматизации, структура KAM, покрывающие основное множество методик микроскопического анализа биоматериалов. Определена ключевая роль роботизирующей компоненты, связанной с навигацией и просмотром значительных плохоизмеряемых пространств препарата и сбором выборки объектов анализа.

2. Исследована и разработана новая методика поэтапной разработки и испытаний сложного программного комплекса, качество функционирования которого определяется качественными и полуколичественными критериями. В основе методики лежит последовательное применение виртуальных препаратов, аттестованных на последовательных этапах разработки и испытаний. Методика может являться основой для разработки нового отраслевого стандарта разработки и испытаний подобных систем с применением современных информационных технологий.

3. Исследован и разработан метод «слияния контуров» для сегментации (выделения границ) изображений клеток, основанный на последовательном слиянии первичных фрагментов (зерен) образа с использованием геометрических свойств класса объектов.

4. Исследован и разработан метод настройки параметров алгоритма сегментации, основанный на сведении задачи выбора параметров к задаче минимизации функции эмпирического риска в классе кусочно-линейных решающих правил.

Практическое значение исследования

1. В результате исследования решена важная народнохозяйственная задача создания медицинского роботизирующего микроскопического анализатора. Разработанные и внедренные в медицинскую практику под руководством и при участии автора аппаратно-программные комплексы микроскопии МЕКОС-Ц1 и МЕКОС-Ц2 позволяют автоматизировать группу трудоемких рутинных операции микроскопии, повысить точность и надежность традиционных анализов, внедрить группу ранее не применявшихся количественных анализов.

2.Разработаны и реализованы методы распознавания изображений клеток системы крови, позволяющие автоматически сортировать клетки заданных типов.

3. Уникальными свойствами ПО комплекса МЕКОС-Ц2 являются дистанционный сбор и аттестация обучающих и экзаменационных выборок объектов анализа и модульная структура, позволяющая применять экономные поэтапные испытания подсистем комплекса с увеличенной представительностью базы испытаний по сравнению с традиционной схемой медицинских испытаний подобных систем.

4. Предложенные информационные технологии создания и верификации виртуальных препаратов биоматериалов создают новый уровень проведения научных количественных микроскопических исследований биоматериалов, новый уровень обучения персонала и доступа к медицинским знаниям.

Внедрение в практику

Проведены технические (в ВНИИИМТ) и медицинские (в Российской детской клинической больнице, в НИИ неотложной детской хирургии и травматологии, в 23 ГКБ г. Москвы) испытания:

- комплекса компьютерной микроскопии МЕКОС-Ц (1995,1997);

- комплекса автоматизированной микроскопии МЕКОС-Ц 1 (1998);

- комплекса автоматизированной микроскопии МЕКОС-Ц2 (2005).

Утверждены Технические условия и получены Регистрационные свидетельства МЗ РФ (МЗСР РФ) на комплексы МЕКОС-Ц и МЕКОС-Ц 1 ((ТУ 9443-001-27543786-97, Рег.уд. МЗ РФ № 29/10010198/1282-01, 1998) и МЕКОС-Ц2 (ТУ 9443-002-27543786-2005, Per. уд. ФСНЗСР РФ № ФС 02012006/2935-06, 2006, рис. Bl, В2, ВЗ).

Комплексы МЕКОС-Ц/Ц1/Ц2 эксплуатируются в более чем 100 медицинских, санитарно-эпидемиологических, научно-исследовательских, производственных и учебных учреждениях России, включая РДКБ, ГНЦ РАМН, РОНЦ РАМН, МНИОИ им. Герцена, 1 ГКБ, 23 ГКБ, РГСУ, НИИ фармакологии, Центр экстремальной медицины, НИИ НДХТ, РГМУ, НИИДГ, ИХ РАМН, НИИ ФХМ, МИФИ, МТУ им. Баумана, ВНИИЭФ, санаторий «Россия» и др.

Рис. В1. Комплекс микроскопии МЕКОС-Ц2 с оборудованием автоматизации МЕКОС-МБ2, программной системной платформой МЕКОС-Ц2ос, программами методиками МЕКОС-Ц2софт для гематологии, цитологии, гистологии, паразитологии. Регистрационное удостоверение изделия медицинского назначения МЗСР РФ ФСНЗСР РФ № ФС 02012006/2935-06.

Рис, В2. Примеры операций МЕКОС-Ц2 с полями зрения

Коктрояь качества мазка

И]1110И!ф. а 1!1111>Ш11Н М!1рЦ1рУ 1!1. ПОИСК ЩНИи\ 011111]>!1И«Я1Не И кпнцт.И. КНЧСС НС) МИрЩру III

1Н*Ч>ОК НЧ1 |||НИ.'МЧ|р.|

И «мереные 1>м5о|)ки

1чнтр[1||, ¡шчестш) ш.ишрк'л

Г 1)Н)1ТуА1|Ы1ЫН МНК|10СНО1|] иаиорамирошшнс црЙтр1Г1Ч! и ранее огмечеиние шда фОИ им

13 |СМ1!Крс1СКи1Ш )|

Область просмотра или качество съемки Необычный цвет эритроцитов? Ёг(В=0.31

Масштаб, %

Слой

Препараты Отчеты Выход ?

Рис.ВЗ. Примеры операций МЕКОС-Ц2 с препаратами

Положения, выносимые на защиту

1. Структура программного обеспечения KAM с выделением систем съемки, информатизации, навигации, сбора выборки, сортировки, измерения, диагностики и контроля качества позволяет реализовывать основные известные типы автоматизированных методик с возможностью поэтапного дистанционного испытания систем.

2. Технология разработки и испытаний МЕКОС-Ц2 может являться основой для нового отраслевого стандарта испытаний распознающих роботизированных систем анализа, использующего современные информационные технологии.

3. Применение системной программной платформы МЕКОС-Ц2ос позволяет использовать множество оптимизированных комплектаций оборудования и широкий круг функциональных программ-методик.

4. Методы «слияния контуров» и настройки параметров алгоритма сегментации в сочетании с известными алгоритмами фильтрации и формирования первичных зерен образа обеспечивают эффективное выделение границ изображений клеток крови.

Апробация работы

Работа была представлена на конкурсе корпорации Hewlett-Packard по методам распознавания образов (Бристол, Англия, 1992, Основной приз), на Научном совете РАН по комплексной проблеме "Кибернетика" и ГНТП "Распознавание образов, обработка изображений, интеллектуальный интерфейс" (1992), на конференции "Автоматизация гематологических лабораторных исследований", Москва, ГНЦ РАМН (1994), на симпозиуме IEEE IWIT (Москва, 1994), на комиссиях Комитета по новой медицинской технике МЗ РФ (1993, 1994, 1995, 1996), на выставке "Российские технологии" (Вашингтон, США,1994), на симпозиуме IS&SPIE (Сан-Хосе, США,1995), на 4-й международной конференции по компьютерной цитологии (Чикаго, США, 1996), на выставках российской (московской) медицинской техники в Пекине (2004, 2006), Лиссабоне (2005), на выставке "Medica" в Дюссельдорфе (2006), на выставках и конференциях «Национальные дни клинической лабораторной диагностики», «Интерлабдиагностика» (Москва, 2003, 2006), Здравоохранение 2006 (Москва).

Публикации

Разработка защищена Публикация результатов: 29 статей в центральных и зарубежных научных журналах, 5 патентов на изобретение, более 20 тезисов докладов на конференциях.

Аннотация

В 1-й главе представлен обзор литературы и дан сравнительный анализ характеристик автоматизированных цитоанализаторов различных типов. Подробно рассмотрены комплексы автоматизированной микроскопии различного уровня автоматизации и назначения, дан сравнительный анализ характеристик различных известных анализаторов клеток крови.

Во 2-й главе представлены постановки задачи и дано медико-технико-экономическое обоснование целесообразности и принципиальной реализуемости автоматизации группы методик микроскопического гематологического, цитологического, паразитологического и некоторых других видов анализа биоматериалов. Выявлено, что при разработке KAM известных типов необходимо решать до 8 базовых задач съемки препарата, информатизации анализа, выбора маршрута просмотра препарата, Обнаружения и сбора выборки объектов анализа, Контроля качества препарата, Измерения выборки, Сортировки выборки по качественным критериям, Диагностики препарата медицинской.

В 3-й главе рассмотрены характеристики представленного на современном рынке оборудования, применение которого в качестве комплектующих в составе KAM может обеспечить необходимые для медицинского применения параметры группы актуальных автоматизированных методик анализа. Обоснована целесообразность разработки системного программного обеспечения - платформы автоматизированной микроскопии МЕКОС-Ц2ос для KAM модульной структуры МЕКОС-Ц2. МЕКОС-Ц2ос позволяет использовать многожество комплектаций KAM с постоянно обновляющимся составом оборудования и сделать относительно независимой разработку специализированного функционального программного обеспечения конкретных методик микроскопического анализа. Сформулированы требования к оборудованию автоматизации ряда актуальных методик анализа.

В 4-й главе рассмотрены вопросы создания базы разработки и медицинских испытаний группы специализированных методик микроскопического анализа, поддержанных платформой МЕКОС-Ц2ос. Рассмотрены возможности многоцелевого использования средств удаленного доступа, включая формирование базы испытаний. Рассмотрена реализованная в KAM МЕКОС-Ц2 схема поэтапных испытаний и связанная с ней структура модулей функциональных программ-методик автоматизированной микроскопии, оптимизирующая объем и качество медицинских испытаний. Структура модулей функциональных программ МЕКОС-Ц2 соответствует 8 выявленным в главе 2 естественным задачам автоматизации, качество решения которых в KAM может быть проверено последовательно (поэтапно), что дает преимущества по сравнению с традиционной схемой испытаний.

В 5-й главе рассмотрены алгоритмы группы функциональных программ-методик KAM МЕКОС-Ц2 для гематологии, цитологии, гистологии, паразитологии, телемедицины. Некоторые алгоритмы МЕКОС-Ц2 является оригинальными, другие разработаны на базе известных методов (программ). Среди оригинальных алгоритмов основное внимание уделено алгоритмам сегментации границ изображений клеток крови. В результате экспериментов с рядом алгоритмов выбрана схема "seeded region growing" с применением нелинейной диффузной фильтрации в качестве предобработки, метода watershed для формирования зерен и оригинального алгоритма «слияния контуров» для формирования границ ядер и цитоплазм клеток. В методе слияния контуров используется модель цитологического объекта и технология выбора параметров с применением методов минимизации функции эмпирического риска в классе кусочно-линейных решающих правил. Рассматривается оригинальная вычислительная схема решения системы соответствующих линейных неравенств с применением элементов целочисленного программирования.

В 6-й главе представлены результаты испытаний созданных на основе рассмотренных в предыдущих главах технологий и алгоритмов методик анализа клеток крови KAM МЕКОС-Ц2. Оцениваются показатели точности, производительности, трудоемкости применения различных методик, делается вывод о целесообразности применения МЕКОС-Ц2 в медицинской практике.

В заключении формулируются полученные результаты, оценивается их вклад в теорию и практику разработки KAM.

В приложениях представлены документы внедрения, литературные и аналитические обзоры по реализованным программно-аппаратным системам автоматической микроскопии, по оборудованию KAM, определены требования к оборудованию со стороны ряда программ автоматизации, представлены аннотации программ МЕКОС-Ц2, приведены примеры применения ПО комплексов МЕКОС для формирования решающих правил количественной диагностики в онкологии.

Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Медовый, Владимир Семенович

7.1 Выводы.

1. Исследованы характеристики объектов микроскопического анализа биоматериалов с точки зрения возможностей зрительного анализатора врача и современных возможностей технического анализа изображений. Выявлены возможности и ограничения ручных (визуальных) методик и соответствующих автоматизированных методик анализа сложных изменчивых образов, идентифицируемых в качественных терминах. Сделан вывод о том, что доминирующие до настоящего времени ручные научно-исследовательские и медицинские методики являются основным тормозом развития отрасли из-за проблем сбора представительных выборок препаратов и, как следствие, отсутствия базы для перехода к количественным идентификациям цитологических объектов.

2. Исследованы постановки задач автоматизации микроскопических исследований биоматериалов. Выявлены основные типы задач и соответствующие функциональные модули комплексов автоматизированной микроскопии (8 систем: съемки, информатизации, навигации, обнаружения и сбора выборки, измерения, сортировки, медицинской диагностики, контроля качества), комбинации которых покрывают множество известных методик анализа.

3. Определена необходимость применения всех 8 указанных систем комплексов автоматизированной микроскопии для реализации различных высокоспециализированных методик KAM роботизирующего уровня. В связи с этим сделан вывод о целесообразности разработки многофункционального семейства KAM (KAM МЕКОС-Ц2).

4. Исследованы характеристики представленных на рынке аппаратных комплектующих KAM (микроскопы, видеокамеры, электромеханическое оборудование перемещения и фокусировки препарата, компьютеры). Выявлены возможности применения семейств комплектаций, обеспечивающих разнообразие медико-технических характеристик KAM модульной структуры. Выявлено, что современный уровень развития оборудования создает возможность перенести разработку KAM главным образом в область разработки программного обеспечения.

5. Выявлена целесообразность разработки программной системной платформы для работы с множеством комплектаций оборудования KAM, для создания среды для функциональных программ-методик и для реализации информационного уровня автоматизации методик.

6. Исследованы стандарты испытаний KAM роботизирующего уровня. Выявлено, что существующие стандарты ориентированы на традиционные референтные методики, принципиально несовместимые с современными информационными технологиями.

7. Исследована и разработана схема последовательных испытаний 8 функциональных систем KAM МЕКОС-Ц2 с применением формируемых методами KAM виртуальных (цифровых) аналогов физических препаратов биоматериалов. При этом в случае положительной аттестации выходная база испытаний предыдущих систем может быть использована в качестве входной базы испытаний следующих систем. Показана возможность применения информационных технологий, в том числе средств удаленного доступа, для сбора представительных обучающих и экзаменационных выборок виртуальных препаратов для разработки и испытаний ПО KAM.

8. Показано, что схема испытаний МЕКОС-Ц2 имеет преимущества над известными схемами по представительности базы испытаний, по их стоимости и реализуемости, что позволяет рекомендовать ее в качестве прототипа нового стандарта испытаний KAM и других систем, для которых заданы качественные идентификации объектов анализа.

9. Показана перспективность применения виртуальных препаратов для разработки количественных диагностических решающих правил. Определено революционное значение предстоящего массового применения KAM, формирующих виртуальные препараты, в исследовании принципиально новых типов анализов и диагностик на базе измерений меток, клеток и тканей, то есть в переходе от описательных к количественным идентификациям цитологических объектов.

10. Рассмотрены функциональные системы ПО МЕКОС-Ц2. Определено, что создание сложных программных комплексов, таких как ПО KAM роботизирующего уровня, требует применения значительного числа покупных программных комплектующих в сочетании с собственными оригинальными алгоритмами. В связи с этим центр тяжести разработки переносится на настройку (обучение) параметров программ (алгоритмов), что в свою очередь увеличивает роль средств создания и обслуживания баз обучающих и экзаменационных выборок идентифицированных объектов анализа (виртуальных препаратов).

11. Подробно рассмотрены алгоритмы сегментации границ изображений клеток крови в методике клинического анализа мазка крови. В результате экспериментов с рядом алгоритмов выбрана схема "seeded region growing" с применением нелинейной фильтрации в качестве предобработки, метода watershed для формирования зерен и оригинального алгоритма «слияния контуров» для формирования границ ядер и цитоплазм клеток. В методе слияния контуров используется модель цитологического объекта и технология выбора параметров с применением методов минимизации функции эмпирического риска в классе кусочно-линейных решающих правил. Рассматривается оригинальная вычислительная схема решения системы соответствующих линейных неравенств с применением элементов целочисленного программирования.

12. Проведены медицинские испытания KAM МЕКОС-Ц2 по стандартной схеме испытаний с дополнительными этапами, соответствующими структуре и схеме испытаний МЕКОС-Ц2, на базе 3-х медицинских учреждений Москвы. Результаты испытаний показали, что KAM МЕКОС-Ц2 в составе модульного покупного оборудования и оригинального программного обеспечения выполняет автоматический сбор выборки клеток мазков крови для анализа с качеством, не уступающим качеству выполнения соответствующего анализа опытным врачом при ручной микроскопии при значительном росте производительности труда врача и новом уровне контроля качества и информатизации.

7. 2. Практические рекомендации

1. Предложенные технологии разработки KAM МЕКОС-Ц2 являются методически достаточно общими и могут применяться для разработки других медицинских, научно-исследовательских и технических систем автоматического анализа изображений, связанных со сложным сбором выборки и сортировкой объектов анализа (контроль качества в формацевтике и пищевой промышленности, применение других типов микроскопии и др.).

2. Целесообразно провести аналогичные разработки с группой перспективных медицинских методик анализа биоматериалов, таких как паразитогический анализ, анализ спермы и др.

3. Для увеличения конкурентоспособности разработанных методик необходимы дальнейшие исследования по увеличению скорости анализа, поиск новых алгоритмических решений прежде всего для ускорения просмотра препарата (просмотра изображений весьма большого объема) и сбора выборки.

4. Целесообразно объединение усилий разрозненных групп разработчиков KAM на общих стандартов, интерфейсов, алгоритмических решений. В качестве такой базы может использоваться системная платформа МЕКОС=Ц2ос.

Список литературы диссертационного исследования доктор технических наук Медовый, Владимир Семенович, 2007 год

1. Abercrombie E.W. Automation in cytology // Anal. Quant. Cytol. Histol. Vol. 18. - N 1. -1996.-P. 44.

2. Adams R. and L. Bischof, "Seeded Region Growing", IEEE Trans, on Pattern Analysis and Machine Intelligence, vol 16, no. 6, pp. 641-647, June 1994

3. Albertini Maria C., Laura Teodori, Elena Piatti, Maria P. Piacentini, Augusto Accorsi, Marco B. L. Rocchi Automated analysis of morphometric parameters for accurate definition of erythrocyte cell shape Cytometry Part A 52A:12-18, 2003.

4. Alpert N.L. Automated differential counters: Part 2. Lark Classifire, Hematrak // Lab World. June 1976. - P. 22, 25, 28, 47, 48.

5. Angulo J, Flandrin G. Automated detection of working area of peripheral blood smears using mathematical morphology. Anal Cell Pathol. 2003;25(l):37-49.

6. Applied Imaging Co.: www.aii.co.uk

7. Applied Scientific Instrumentation, www.asiimaging.com

8. Applied Spectral imaging, www.asi.com

9. Astafeva N M, "Wavelet analysis: basic theory and some applications", PHYS-USP, 1996, 39(11), 1085-1108.

10. Auer G, Steinbeck R, Zetterberg A, Molecular markers in diagnostic pathology // Histometry Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology, Chicago, USA, 1994, p. 129.

11. Bacus J.W. (1977) The development of automated differential systems. In: Differential Leukocyte Counting (ed. J.A.Koepke), College of American Pathologist, Aspen, 95-117.

12. Bacus J.W. Leukocite Recognition. IEEE Trans, on SMC2,No.4,1972.

13. Bacus J.W; Cell Analysis Systems, Inc., Elmhurst, 111. Заявл. 10.10.90; опубл. 10.08.93. Method and apparatus for automated analysis of biological specimens: Пат. CILIA 5,235,522: МКИ G 06 К 9/00, G 06 F 15/00; НКИ 364/497

14. Bacus S, Chin D. et al, Application of image analysis in the evaluation of cellular prognostic factors in breast cancer // Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology, Chicago, USA, 1994, p. 143.

15. Barnett R.N. Medical significance of labaratory results // Amer. J. Clin. Pathol. 1968 . -Vol. 50. - P. 671 - 676.

16. Barrow H.G, Popplestone R.J, Relational descriptions in picture processing // Machine Intelligence 6 / ed. by Meltzer B, Michie D. Edinburg: Edinburg University Press. -1971. - P. 377 - 396.

17. Bartels P.H, Thomson D. Histometry. Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology, Chicago, USA, 1994, p. 71.

18. Bartels P.H. Videophotometry: Sources of errors // Manual of Quant. Pathology in Cancer Diagnisis and Prognosis / ed. by Baak J.P.A. New York: Springer-Verlag. - 1991. - P. 182 - 188.

19. Bas B.M., Catsberg M.J., Kamp L.K. A short evaluation of a new hematological analyser: the Cobas Argos 5 Diff. // Eur. J. Clin. Chem. Clin. Biochem.- 1993.- V.31.- P. 603.

20. Beckman Coulter Inc., Coulter LH700 Series System. Reference. PN 4277248C (October 2003), Fullerton, CA, 92835.

21. Bedini L., Tonazzini A. Image restoration preserving discontinuités: the Bayessian approach and neural networks. Image and Vision Computting, 1992,10, p. 108-118.

22. Bentley S.A, Johnson A, Bishop C.A. A parallel evaluation of four automated hematology analyzers // Amer. J. Clin. Path. 1993. - Vol. 100. - N 6. - P. 626 - 632.

23. Bentley S.A. et al. An evaluation of the Cobas Helios analyser. // Am. J. Clin. Pathol.-1994.- V. 102.- P. 223.

24. Bibbo M, Minimo C, Xiao J, Christen R, A workstation for objective grading of tumors // Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology, Chicago, USA, 1994, p. 89.

25. Bocking A, Striepecke E, Auer H, Fuzesi L, Static DNA cytometry: Biological background, technique, and diagnostic interpretation // Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology, Chicago, USA, 1994, p. 107.

26. Bol MG, Baak JP, Diermen B, Janssen EA, Buhr-Wildhagen SB, Kjellevold KH. Correlation of grade of urothelial cell carcinomas and DNA histogram features assessed by flow cytometry and automated image cytometry. Anal Cell Pathol. 2003;25(3):147-153.

27. Bradbury S. Commercial image analysers and the characterization of microscopical images//J. Microsc. 1983,-Vol. 131.-P. 203.

28. Brugal G. , Interpretation of Priliferation Markers. Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology. Chicago. - 1994. - P. 234-240.

29. Bull B, Korpman R.A. The logistics of the leukocyte differential count (implications for automation) // Aspen Conference on WBC Differential Counts / ed. by Koepke J. et al.- 1979.-P. 217-224.

30. Bull B.S. The use of patient values, calibrator, and control material in the laboratory // Advances in Hematological Methods: The Blood Count / ed. by Assendelft O.W, England J.M. 1982. - Boca Raton: CRC Press. - P. 217.

31. Bunton Instrument company, www.buntgrp.com

32. Cell Image Retrieval and Evaluation System / SIRES User's Manual. Release 2.0 August 1993.

33. Cellavision, www.cellavision.com

34. Chamgoulov R, Lane P, MacAulay C. Optical computed-tomographic microscope for three-dimensional quantitative histology. Cell Oncol. 2004;26(5-6):319-27

35. Clarient, www.clarientinc.com

36. Cohen L.D., Cohen I. Finite-Element Methods for Active Contour Models and Balloons for 2-D and 3-D Images // IEEE Trans. Pattern Anal. Mach. Intel., 1993. - Vol. 15. - N 11.-P. 1131 - 1147.

37. College E. Roche Image Analysis System // Compendium on the Computerized Cytology and Histology / ed. Wied G.L, Bartels P.H, Rosenthal D.L, Schenck U. Chicago. - 1994. -P. 353 -359.

38. Coulter W.H. High speed automatic blood cell counter and cell size analyser. // Proc. Natl. Electron. Conf.- 1956,- V.12.- P. 1034.

39. Crocker J, Macartny J, Smith P, Correlation between DNA flow cytometric and nucleolar organizer regions data in non-Hodkin's lymphomas // J. Pathol. 1988. - Vol. 154. - P. 151 -156.

40. Cunnigham MT, iMoreland D, Meyer R, Elbert G, Dick FR, Olson JD. Effect of normalization on the intermethod variability of reticulocyte counting. Lab. Haematol 1996; 2:94-98.

41. Dacie J.V., Lewis S.M. Practical Haematology, 7 ed. 1991. - 556 P.49. Dalsa, www.dalsa.com

42. Daoust P.R. The clinical detection in variations in the concentrations of normal leucocyte types // Blood Cells. 1980. - Vol. 6. - P. 489 - 495.

43. Davis B.H., Lafferty J. The Automated Reticulocyte Count: is it a Better Test? Balancing Accuracy, Precision and Clinical Need. LPTP Newsletter, No.286, 2000.

44. DeltaPix, www.deltapix.com53. DiaSys, www.DiaSys.com

45. Duncan K.L, Gottfried E.L. Utility of the three part leukocyte differential count // Amer. J. Clin. Pathol. 1987. - Vol. 88. - P. 308 - 312.

46. Elion-Gerritzen W.E. Analytic precision and medical decision//Amer. J. Clin. Pathol. 1980.-Vol. 73.-P. 183 - 195.

47. England J.M, Bain B.J. Total and differential leucocyte count // Brit. J. Haemat. 1976. -Vol. 33.-P. 1-7.

48. Franzini C. Relevance of analytical and biological variations to quality and interpretation of test rezults: examples of application to haematology. Ann. 1st. Super. Sanita, vol 31, n 1 (1995), pp 9-13.

49. Galera-Ruiz H. and others. Value of Ploidy Pattern and Nuclear Texture in tne Diagnosis of Primery Hyperparathyroidism. AQCH.vol 18, N1, 1996, p35-42.

50. Gerger A, Bergthaler P, Smolle J. An automated method for the quantification and fractal analysis of immunostaining. Cell Oncol. 2004;26(3): 125-34.

51. Gimenez-Mas J. et al. AgNOR evaluation by image processing methods: Staining modifications and rezults in 126 invasive ductal breast carcinomas // Anal. Quant. Cytol. Histol. 1996. -Vol. 18. - N 1. - P. 9.

52. GlobalMedia, wvAv.globalmedia.com

53. Grace J., Stankovic R., Gupta L. Detection of Aneuploidy and Polyploidy in Non-Hodgkin's Lymphoma by Computer Video Image Analysis. AQCH, vol 15, N 4, p 265, 1993.

54. Graham M.D, Norgren P.E. The diff 3 analyser: A parallel serial image processor // RealTime Medical Image Processing / ed. by Onoe M, Preston K, Rosenfeld A. 1980. - NY: Plenum Press. - P. 163 - 182.

55. Graham M.D.The diff 4: A second generation slide analyser // Computing Structures for Image Processing / ed. by Duff M.J.B. London: Academic Press. - 1983. - P. 179 - 194.

56. Green J.E. A practical application of computer pattern recognition research: The Abbott ADC-500 differential classifire // J. Histocem. Cytochem. 1979. - Vol. 27. - N 1. - P. 160 - 173.

57. Hamamatsu, www.hamamatsu.com

58. Hillman R.S., Finch C.A. Erythropoiesis: normal and abnormal. Semin.Hematol. 1967,4, p.327.

59. Hitachi, www.hitachi-denshi-uk.com

60. Hoppin JW, KupinskiA, KastisA, ClarksonE, HarrisonHB. Objective comparison of quantitative imaging modalities without the use of a gold standard. IEEE Trans Med Imaging 21,N5,2002, p.441.

61. Hruska A, Bollmann R, Kovacs RB, Bollmann M, Bodo M, Sapi Z. DNA ploidy and chromosome (FISH) pattern analysis of peripheral nerve sheath tumors. Cell Oncol. 2004;26(5-6):335-45.

62. I&M Series: Basics of light microscopy and imaging. Digital resolution, part 1. G.I.T. Imaging&Microscopy No 4 2003, pp59-62

63. Improvision, www.improvision.com

64. IRIS, www.irisdiagnostics.com

65. Jackway P.T. Morphological Multiscale Gradient Watershed Image Analysis. 9th SCIA Scandinavian Conference on Image Analysis. 6-7 June 1995, p. 87-94, Uppsala, Sweden.

66. Jakic-Razumovic J., Petrovecki M., Dominis M. AG-NORs Predictive Value of Prognosis in Non-Hodgkin's Lymphoma According to the Kiel Classification. Modern Pathology, vol 8,No2,p 143,1995.

67. Jiang K., Liao Q., Dai S. A novel white blood cell segmentation scheme using scale-space filtering and watershed clustering. Proc. Of the Second Intern. Conf. on Machine Learning and Cybernetics. Xi'an, November 2003, 2-5.81. JVC, www.jvc.com

68. Kai Yu, Liang Ji. Karyotyping of comparative genomic hybridization human metaphases using kernel nearest-neighbor algorithm. Cytometry 48:202-208, 2002.

69. Kalir T., Chan K.S., Liu Z., Strauchen J., Gil J. Semi-automatic Quantitation of Nucleolar Organizer Regions in Non-Hodgkin's Lymphomas. Path. Res. Pract. 190,124-128 (1994).

70. Kamentsky L.A. CompuCyte Corporation: Pathfinder System: Computerazing The Microscope to Improve Cytology Quality Assurance // Acta Cytol. 1996. - Vol 40. - N 1. -P. 31 -36.

71. Karl Zeiss Co.: www.zeiss.com

72. Kass M., A.Witkin, and D.Terzopoulos, "Snakes: Active contour models" Int. J. Computer Vision vol.1 pp.321-331,1998.

73. Kim NT, Elie N, Plancoulaine B, Herlin P, Coster M.

74. An original approach for quantification of blood vessels on the whole tumour section. Anal Cell Pathol. 2003;25(2):63-75.

75. Knesel E.A, Roche image analysis systems, Inc // Acta Cytologica. 1996. - Vol. 40. - N 1. - P. 60.

76. Korpman R.A, Bull B. Whither the WBC differential? Some alternatives // Blood Cells. -1980. - Vol. 6. -N 3. - P. 421 -429.

77. Koss L. and others. Application of a Neural Net-Based Automated Microscopic System to Nongynecologic Cytologic Samples. AQCH, vol 18, N1,1996, p74.

78. Kozinetz G., Medovy V., Pyatnitsky A., Sokolinsky B., Gusev A., Pogorelov V. MECOS-C: return to image analysis in microscope examination of blood smears. Proc. SPIE "Optical Diagnostic of Living Cell". 1998, v.3.

79. Krause J.R. The automated white blood cell differential. A current perspective. Hematol.Oncol.Clin.North.Am. 1994 Aug; 8(4) 605-16.

80. Kubota F. Analysis of red cell and platelet morphology using an imaging-combined flow cytometer. Clin Lab Haematol. 2003 Apr; 25(2):71-6.

81. Lamchiagdhase P., Pattanapanyasat K., Muangsup W. Reticulocyte Counting in Thalassemia Using Different Automated Technologies. Laboratory Hematology, 2000, 6, p.73-78.

82. Leica, www.leica-microsystems.com

83. Leyssen M.N.J. Verwilghen R.L, Koboyashi T, Tomoaki T. Microx, a new fully automated blood cell analyser // Abstracts of Sixth Meeting of the International Society of Haematology, European and African Division. Athens. - 1981.

84. Lezoray O., Cardot H., Cooperation of color pixel classification schemes and color watershed: a study for microscopic images. Image Processing, IEEE Transactions on. Volume 11, Issue 7, July 2002, p. 783 789.

85. Lindblad Joakim, Carolina Wahlby, Ewert Bengtsson, Alia Zaltsman Image analysis for automatic segmentation of cytoplasms and classification of Racl activation Cytometry Part A 57A:22-33,2004.

86. Linder J. Automation in cytopathology. // Amer. J. Clin. Pathol. 1992, - Vol. 98. - N 4. Suppl. 1 - p. S47-S51.

87. Linder J. Considerations in automated cytology // Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology. Chicago. - 1994. - P. 25.

88. Loukas Constantinos G., George D. Wilson, Borivoj Vojnovic, Alf Linney An image analysis-based approach for automated counting of cancer cell nuclei in tissue sections Cytometry Part A 55A:30-42, 2003

89. Ludl Electronic products, www.ludl.com

90. Malladi R, Sethian J.A, Vemuri B.C. Shape modiling with front propagation: A level set approach // IEEE Trans. Pattern Anal. Mach. Intell. 1995. - Vol. 17. - N 2. - P. 158 - 175.

91. Mariuzzi G, Mariuzzi L, Mombello A, Santinelli A, Grading and prognosis of tumors // Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology, Chicago, USA, 1994, p. 78.

92. Martin W. A. Sorting. Comp. Surv., 1971, vol. 3, No. 4.

93. MARZHAUSER, www.marzhauser.com

94. MarzhAuser, www.marzhauser.com,111. Matrox, www.matrox.com

95. McGoogan E, Reith A, Would monolayers provide more representative samples and improved preparations for cervical screening? // Acta Cytologica. 1996. - Vol. 40. - N 1. -P. 107.

96. McKenzie S.B.,Gauger C.A. Analysis of reticulocyte counts using various methods. Clin Lab Sci., 1991 Jan-Feb; 4(1): 37-41.

97. Media Cybernetics, www.mediacy.com

98. Medovy VI. S., A.V.Ivanov, Vit.S.Medovy. Contextual clustering method in cytological image recognition. IEEE IWIP, Moscow, July 1994, p 61.

99. Medovy VI. S., A.V.Ivanov, I.A.Ivanova, Vit.S.Medovy, N.V.Verdenskaya. Active contour model in cytological image recognition. IS&T/SPIE Proc. Vol. 2421, (San-Joce, USA, Fenruary 1995).

100. Megla G.K. The LARC automatic white blood cell analyzer // Acta Cytol. 1973. - Vol. 17. N1,-P. 3-14.

101. Mengert P. H. Solution of Linear Inequalities. IEEE Trans. Comput., 1970, vol. C-19, No. 2.

102. Miles C.P., Jagard D.L. The use of optical Fourier transforms to diagnose pleomorphism, size and chromatine clumping in nuclear models // Anal. Quant. Cytol. -1981.-Vol.3-N 2.-P. 149-156.

103. Miller M.M. Design and clinical results of Hematrak an automated differential counter // IEEE Trans. Biomed. Eng.- 1976. - Vol. 23. - N 5. - P. 400 - 405.

104. Mohandas N., Kim Y.R., Tycko D.H., Orlik J., Wyatt J., Groner W. Accurate and independent measurement of volume and hemoglobin concentration of individual red cell by laser light scattering // Blood. 1986. - Vol. 68. - N 2. - P. 506 - 513.

105. Motherby H, Pomjanski N, Kube M, Boros A, Heiden T, Tribukait B, Bocking A. Diagnostic DNA-flow- vs. -image-cytometry in effusion cytology. Anal Cell Pathol. 2002;24(l):l-4.123. Motic, www.motic.com

106. NCCLS H20. National Committee for Clinical Laboratory Standards (1992). Reference Leukocyte Differential Count and Evaluation of Instrumental Methods: Approved Standards. NCCLS H20-A Villanova, PA.

107. NCCLS H44. National Committee for Clinical Laboratory Standards. Methods for Reticulocyte Counting (Flow Cytometry and Supravital Dyes); Approved Guideline/ Villanova, NCCLS document H44-A, 1997.126. Nicon, www.nikon.com

108. Nikolaladias and I. Pitas. Region-Based Image Watermarking. IEEE Trans. On Image processing vol.10 No 11, November 2001, pp. 1726-1740.

109. Nikonenko A. The cell sectioning model // Anal. Quant. Cytol. Histol. 1996. - Vol. 18. -N 1. - P. 23.

110. Oberholzer M. and others. Can the Ki-67 Index Automatically Be Determined by Tools of Digital Image Analysis?: Some problem Hordles in Quantitative Immunohistochemistry. AQCH, vol 18, N 1 1996, p87.130. Olympus, www.olympus.com

111. Palcic B, MacAulay C, Malignancy associated changes: Can they be emploid clinically? // Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology, Chicago, USA, 1994, p. 157.

112. Perona P. and J. Malik, Scale space and edge detection using anisotropic diffusion. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 12, pp. 629-639,1990.

113. Pong T.C, Shapiro L.G, Watson L.T, Haralick R.M, Experiments in segmentation using a facet model region grower, Comput. Vision Graphics Image Process, - 1984. - Vol. 25. -N 1. - P. 1 -23.

114. Poulin N, Frost A, Carraro A, Mommers E, Guillaud M, Van Diest PJ, Grizzle W, Beenken S. Risk biomarker assessment for breast cancer progression: replication precision of nuclear morphometry. Anal Cell Pathol. 2003;25(3):129-38.

115. Pressman N.J. Markovian analisis of cervical cell images // J. Histochem. Cytochem. -1976.-Vol. 24.-N 1,-P. 138- 144.

116. Prior Scientific, www.prior.com141. Pulnix, www.pulnix.com

117. Raatz, Bocking A, Hauptmann S. Prognostic impact of DNA-image-cytometry in neuroendocrine (carcinoid) tumours. Cell Oncol. 2004;26(l-2):81-8.

118. Rabinovitch A., Combleet P.J. Body fluid microscopy in US laboratories. // Arch. Pathol. Lab. Med. 1994 vol 118 N1, pl3-17.

119. Ray N., Acton S.T., Ley K.Tracking leukocytes in vivo with shape and size constrained active contours. IEEE Transactions on Medical Imaging, Volume: 21, Issue: 10, 12221235, Oct 2002

120. Reith A, Danielsen H, Assessment of DNA ploidy in tumor material: Preparation and measurement by image sytometry // Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology, Chicago, USA, 1994, p. 185.

121. Rodenacker K, Bengtsson E. A feature set for cytometry on digitized microscopic images. Anal Cell Pathol. 2003;25(l):l-36.

122. Rogers C.H. Blood sample preparation for automated differential systems // Amer. J. Med. Technol. 1973. - Vol. 39. - P. 435 - 441.

123. Rosenthal D.L, Mango L.J, Application of nural networks for interactive diagnosis of anatomic pathology specimens // Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology, Chicago, USA, 1994, p. 173.

124. Rowan R.M. Automated examination of the peripheral blood smear // Automation and Quality Assurance in Haematology / ed. by Rowan R.M, England J.M. Blackwell Scientific Publications. - 1986. - P. 129 - 177.

125. Rowan R.N. Reference method, quality control and automation of reticulocyte count. Pure&Appl.Chem., 1991, v.63, №8, p.l 141-1145.

126. Ruberto S., Dempster A., Khan S., Jarra B. Segmentation of blood images using morphological operators. Pattern Recognition, 2000. Proceedings 15 International Conference, Barselona, Spain, September 2000, p397-400, vol.3.

127. S. Beucher and F. Meyer, "The Morphological Approach to Segmentation: The Watershed Transformation", in: Mathematical Morphology in Image Processing, E.R.Doughertty (Ed.), Marcel Dekker, NY, 1993.

128. Savage R, Skoog D, Rabinovitch A. Analytical inaccuracy and imprecision in reticulocyte counting. A preliminary report from the College of American Pathology Reticulocyte Project.Blood Cells, 1985,11, 97-112.

129. Schenk U. et al. Cell image morphology and hormone receptor analysis in brest carcinoma // Compendium on the Computerized Cytology and Histology. Tutorials of Cytology. -Chicago.-1994.-P. 211.

130. Schoentag R.A, Pedersen J.T. Evaluation of an automated blood smear analyser // Amer. J. Clin. Pathol. 1979. - Vol. 71. - P. 684 - 694.

131. Semprex Corporation, www.semprex.com

132. Serra J. Examples of structuring functions and their uses // Image Analysis and Mathematical Morphology. Vol. 2 / ed. by Serra S. - New York: Springer Verlag. - 1988. - P. 71 - 99.

133. Shitong W, Min W. A new detection algorithm (NDA) based on fuzzy cellular neural networks for white blood cell detection. IEEE Trans. On information technology in biomedicine. Vol.10, No 1, 2006, pp5-10.

134. Sigma-Aldrich, Reticulocyte stain package insert (Procedure No.R 4132) инструкция no применению окраски для выявления ретикулоцитов.

135. Simmons A. Hematology 2-nd ed, Butterworth-Heinemann, 1997.

136. SIRES: Cell Image Retrieval and Evaluation System / SIRES User's Manual. Release 2.0 August 1993.

137. Sony, www.sony.com/videocameras

138. Strand J., Taxt T. Local frequency features for texture classification // Pattern Recognition. 1994. - Vol. 27. - No. 10. - P. 1397 - 1406.

139. Stroop D.M. and others. Comparison of the Abbot Cell Dyn 3000 SL and Coulter STKS hematology analyzers. Ann. Clin. Lab. Sci. 1994 May-Jun. 24(3) p 250-8.

140. Sun XR, Wang J, Garner D, Palcic B Detection of cervical cancer and high grade neoplastic lesions by a combination of liquid-based sampling preparation and DNA measurements using automated image cytometry. Cell Oncol. 2005; 27(1):33-41.

141. Suzuki R. et al. Cell classification method. US patent 4,129,854 Dec. 12,1978, MKH G 06 K 9/00, G 01 N33/16; HKH 340/146.3

142. Swartz R, West L, Boiko I, Malpica A, MacAulay C, Carraro A, Guillaud M, Cox D, Follen M. Use of nuclear morphometry characteristics to distinguish between normal and abnormal cervical glandular histologies. Anal Cell Pathol. 2003;25(4):193-200.

143. Haem. Vol. 25,2003, p. 139-147.

144. Tamura H., Mori S., Yamawaki T. Textural features corresponding to visual perception // IEEE Trans, on Syst. Man Cybern. 1978, - Vol. SMC-8, - P.460 - 473.

145. Tatsumi N, Pierre R.V. (2002). Automated image processing. Past, present and future of blood cell morphometry identification. Clinics in Laboratory Medicine 22, 299-315.

146. Tenenbaum J.M, Barrow H.G. Experiments in interpretation-guided segmentation // Artif. Intell. 1977. - Vol. 8. - N 3. - P. 241 - 274.

147. Thirion J.-P, Gourdon A. Computing the differential characteristics of isointensivity surfaces // Comput. Vision Image Underst. 1995. - Vol. 62. - N 2. - P. 190 - 202.

148. Tin Kam Ho; Hull, J.J.; Srihari, S.N. Decision combination in multiple classifier systems. IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol. 16, no. 1, 1994, p.66-75

149. Tofra Incorporated, www.tofrainc.com

150. TopStar 01 44-09, 2001. Reticulocyte count with a Miller disk. New operational instruction.

151. Tuceryan M., Jain A.K. Texture analysis // The Handbook of Pattern Recognition and Computer Vision / Chen C.H., Pan L.F., Wang P.S.P., eds. World Scientific Publishing Co. - 1992.

152. Tucker J.H., Dye R., Sprey J., Souter C., Gray E., Brugal G., Relocation accuracy on HOME computerized microscopes // J. Microsc. 1994 - Vol. 176. - N 1.- p.75-82.

153. Turgeon M.L., Clinical Hematology Theories and Procedures. 2000.

154. Unger K.W., Johnson D.Jr. Red blood cell MCV: a potential indicator of alcohol usage in a working population // Am. J. Med. Sci. Vol. 267. - 1974. - P. 28.

155. Vincent L., Soille P. Watersheds in digital spaces: an efficient algorithm based on immersion simulations. IEEE Trans. Patt. Anal. Mach. Intell. Vol. 13, no. 6, 1991, p. 583598.

156. Vooijs G.P, Path F, The changing role of cytopathology // Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology, Chicago, USA, 1994, p. 17.

157. Weickert J., В. M. ter Haar Romeny, and M. A. Viergever, Efficient and reliable schemes for nonlinear diffusion filtering. IEEE Transactions on Image processing, Vol. 7, No. 3, March 1998.

158. Wied G.L, Bartels P.H. et al. Computer-assisted quality assurence // Acta Cytol. 1996. -Vol. 40,- Nl.-P. 1.

159. Wied G.L, The inevitable and mandatory computerization of our laboratories // Compendium on the Computerized Cytology and Histology Laboratory. Tutorials of Cytology, Chicago, USA, 1994, p. 1.

160. Wilding P, Leboy E.L. Use of pattern recognition technology for determination of the human differential leukocyte count // Blood Cells. 1985. - Vol. 11. - N 2. - P. 187 - 201.

161. Wintrobe's clinical hematology, 11th Ed. Lippincot Williams&Wilkins Publisher, lllh edition (December 2003).191. www.sekk/cz/EQA/2005/2005all.htm List of surveys 2005, Reticulocyte Count RC2/05

162. Yakimovsky Y, Feldman J. A semantic-based descision theory region analyzer // Proc. Third Int. Joint Conf. Artificial Intelligence. 1973. - P. 580 - 588.

163. Yu-Jin Zhang. Advances in Image and Video Segmentation. IRM Press, 2006.194. Zeiss, www.zeiss.com

164. Автандилов Г.Г. Компьютерная микротелефотометрия в диагностической гистоцитопатологии. Москва, 1996.

165. Агроскин Л. С, Папаян Г.В, Цитофотометрия. Аппаратура и методы анализа клеток по светопропусканию. Л: Наука. 1977.

166. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д., Прикладная статистика. Классификация и снижение размерности. М.: Финансы и Статистика. -1989.-607 с.

167. Байдун J1.B., С.А.Кашпор, А.А.Парпара, С.А.Плясунова, А.М.Пятницкий, Б.З.Соколинский. Автоматическая эритроцитометрия в роботизированном микроскопе МЕКОС-Ц1. Клиническая лабораторная диагностика №6, 2003 г, стр.3 942.

168. Балаховский И.С. К вопросу о страховой стоимости клинико-лабораторных исследований. Клиническая лабораторная диагностика, 1995, N6. стр 64-69.

169. Вапник В.Н, Червоненкис А.Я. Теория распознавания образов. Статистические проблемы обучения. Москва: Наука. - 1974.

170. Вапник. В. Н. Машины, обучающиеся распознаванию образов. В сб.: Алгоритмы обучения распознавания образов. М., «Сов. Радио», 1973.

171. Верденская H.A., Иванова И.М., Медовый B.C. и др. , Патент РФ на изобретение 2132060, 1999. Способ оценки фотоморфометрической неоднородности популяции клеток цитологических препаратов. Патентообладатель ЗАО МЕКОС.

172. Видеотест, www.videotest.ru

173. Волченко H.H., Медовый B.C., Бладунова З.Д., Славнова E.H., Савостикова М.В. Цитологическая диагностика долькового рака. Новости клинической цитологии, №34,2002 г

174. Волченко H.H., В.С.Медовый, Н.В.Климова, М.В.Савостикова, Е.Н.Славнова. Цитоморфометрическая диагностика дисплазий при дисгормонально-гиперпастических процессах молочной железы. Клиническая лабораторная диагностика, №5,2006, стр. 52-54.

175. Воробьев А.И. Руководство по гематологии. Москва, «Медицина». 1985.

176. Ворошилов H.A. Автоматический анализ мочи зачем он нужен? Лаборатория, №3, 2004

177. Трибунов Ю.П., Ю.Л.Перов, Л.С.Ходасевич, О.И.Орлов. Морфологические и организационные аспекты использования телепатологии. Фонд «Телемедицина», серия «Практическая телемедицина», выпуск 5, Москва 2006.211. Диаморф, www.diamorph.ru

178. Егисапетов Э. Г. Обучение распознавания образов с помощью линейных решающих функций. Изв. АН СССР. Техн. киб., 1969, №5.

179. Кендалл М., Моран П., Геометрические вероятности. Пер. с англ. М.: «Наука», 1972, 192 с.

180. Клиорин А.И., Тиунов Л.А. Функциональная неравнозначность эритроцитов. Л. -1974.

181. Козинец Г., Погорелов В.М., Каюмова Д.Ф., Сарычева Т.Г., Дягилева O.A., Наумова И.Н. Нужны ли мазки крови? // Клин. лаб. диагн. 1994. - N 2. - С. 37 - 40.

182. Козинец Г., Симоварт Ю. Поверхностная архитектоника клеток периферической крови в норме и при заболеваниях системы крови. Таллин: "Валгус". - 1984. - 116 С.

183. Козинец Г.И., ., Медовый B.C. и др. Исследование системы крови в клинической практике. Под ред. Г.И.Козинца и В.А.Макарова. Москва, Триада-Х, 1997 г.

184. Коленкин С.М. Автоматизированный анализ ретикулоцитов. Клиническая лабораторная диагностика №3 2003, стр.36-38

185. Коленкин С.М. Референтные величины параметров автоматизированного анализа ретикулоцитов. Клиническая лабораторная диагностика №1 2003, стр.40-41.

186. Крокер Дж. Показатели клеточной пролиферации при злокачественных лимфомах с особым рассмотрением ядрышкообразующих районов. Гематол.трансфуз. -1990,t35,N1 1, с28-34.221. JIOMO, www.lomo.ru

187. Луговская С.А., Почтарь М.Е. Гематологический атлас. М. 2004.

188. Медовый B.C. Метод минимизации величины эмпирического риска в классе кусочно-линейных решающих правил. ВИМИ СРДР, вып 12, 1973.

189. Медовый B.C. О поиске глобального экстремума в задачах распознавания. Вопросы радиоэлектроники, ЭВТ, вып 5,1972.

190. Медовый B.C. Об уменьшении размерности линейных решающих правил в задаче распознавания. ВИМИ СРДР, вып 12,1973.

191. Медовый B.C. Метод минимизации функционала эмпирического риска для многопроцессорных ЦВМ. Вопросы радиоэлектроники, ЭВТ, вып 6, 1973.

192. Медовый B.C. Метод построения кусочно-линейного решающего правила для многопроцессорной ЦВМ. Вопросы радиоэлектроники, ЭВТ, вып 7,1974., стр. 44-47.

193. Медовый B.C., Труш В.Д. О распараллеливании быстрого преобразования Фурье в спектральном анализе энцефалограммы. Программирование, №1, стр. 34-35, 1975.

194. Медовый B.C. О распараллеливании алгоритма обучения распознаванию для задач с нефиксированным временем счета. Программирование №2, стр. 45-49, 1975.

195. Медовый Вл.С., А.В.Иванов, Вит.С.Медовый, В.М.Погорелов. Способ распознавания и измерения диагностических характеристик цитологическихпрепаратов. Патент РФ на изобретение N 2088922. Опубл. 27.08.1997, Бюлл. изобр. РФ N24.

196. Медовый B.C., В.А.Балабуткии, Н.В.Всрденская и др. Автоматизированные цитофотоморфометрические тесты мазков крови для общей клиники и скрининговых обследований населения. Клиническая лабораторная диагностика, N 10,1997, стр 6-8.

197. Медовый Вл.С., Медовый Вит.С., Иванов A.B. Патент РФ на изобретение 2121714,1998. Способ автоматизированной сегментации изображения цитологического препарата.

198. Медовый Вл.С., Медовый Вит.С., Иванов A.B. Патент РФ на изобретение 2132061,1999. Способ адаптивной автоматической сегментации и распознавания клеток на изображениях цитологических препаратов. Патентообладатель ЗАО МЕКОС.

199. Медовый B.C. Информационные автоматизированные системы микроскопии для анализа биоматериалов. Врач и информационные технологии, № 6,2004 , стр.32-37.

200. Медовый B.C., Пятницкий А.М.,Соколинский Б.З., Демьянов B.JL, Парпара A.A. Автоматизированная микроскопия биоматериалов. Здравоохранение и медицинская техника, №4,2005 г. стр. 42-43.

201. Медовый B.C., Парпара A.A., Пятницкий A.M., Соколинский Б.З., Демьянов B.JL. Обзор методик автоматизированной микроскопии биоматериалов. Клиническая лабораторная диагностика, №7, 2006, стр. 15-19.

202. Медовый B.C., Парпара A.A., Пятницкий A.M., Соколинский Б.З., Демьянов B.J1. Структура системы автоматической микроскопии МЕКОС-Ц2 и методики ее испытаний. Медицинская техника, 2006 г., №4, стр.36-40.

203. Медовый B.C. Структура комплекса компьютерной микроскопии, оптимизированная для медицинских испытаний. Вопросы радиоэлектроники, серия ЭВТ, выпуск 1, 2007 г., стр. 52-64.

204. Медовый B.C., Парпара A.A., Соколинский Б.З., Демьянов B.JI. Комплектации оборудования и системная платформа комплексов автоматизированной микроскопии. Медицинская техника, 2007, №2, стр. 29-36.241. МЕКОС, www.mecos.ru

205. МЗ СССР. Приказ 21 ноября 1979 г. №1175. Об унификации клинических лабораторных методов исследования.

206. Пантелеев И., Егорова О., Клыкова Е. Мир материалов и технологий. Компьютерная микроскопия. Техносфера, Москва, 2005 г.

207. Парпара A.A., Пятницкий A.M.,Соколинский Б.З., Медовый B.C., Демьянов B.JI. Навигация по мазку крови при автоматическом подсчёте лейкоцитарной формулы и эритроцитометрии. Здравоохранение и медицинская техника, №7, 2005 г., стр. 37-38.

208. Погорелов В.М, Медовый В.С, Хазен Г.М, Козинец Г.И. Анализ клеточного изображения // Клин, лаборат. диагн. 1995. - N 3. - С. 40 - 43.

209. Погорелов В.М.,Медовый B.C., Соколинский Б.З.,Пятницкий A.M., Козинец Г.И. Методы компьютерной цитологии в гематологических исследованиях. Клиническая лабораторная диагностика, 1997, N11, стр. 40-44.

210. ПраттУ. Цифровая обработка изоображений. М.Мир 1982

211. Пятницкий A.M., Б.И. Соколинский, В.М.Бетрозова, В.С.Медовый, Г.И.Козинец. Анализ эритроцитов в системе МЕКОС-Ц. Клиническая лабораторная диагностика, N 10,1997, стр 8-10.

212. Пятницкий А.М, В.С.Медовый, А.А.Парпара. Анализ ретикулоцитов: ручная микроскопия, проточные анализаторы или анализаторы изображений? Клиническая лабораторная диагностика, 2007, №1.

213. Расчетные нормы времени на клинические лабораторные исследования Приказ МЗ РФ №380 от 25 декабря 1997г. Приложение 12.

214. Руководство по медицине. Диагностика и терапия. Том 1. М. Мир, 1997 стр 774. 774.

215. Сехам С. Цитоморфометрическая характеристика эритроцитов и лимфоцитов при апластической анемии. Автореф. дисс. к.м.н. Москва, ГНЦ РАМН 1991.

216. Соколинский Б.З., Демьянов B.JT. , Медовый B.C., Парпара A.A., Пятницкий A.M. Автоматическая сортировка лейкоцитов мазка крови с использованием методов обучаемых нейронных сетей и watershed. Здравоохранение и медицинская техника, №4, 2005., стр.35.

217. Тодоров И. Клинические лабораторные исследования в педиатрии. София 1961

218. Ушаков В.Г., Ушаков Н.Г. Об одном методе восстановления контурных изображений. Вестник московского университета, серия 15, Выч.мат. и киб. , 2006, №2 стр. 20024.

219. Феллер В. Введение в теорию вероятностей и её приложения. Том 1. М.: «Мир», 1964, 500 с.

220. Фукунага К. Введение в статистическую теорию распознавания образов / Пер. с англ. М.: Наука. - 1979 - 367 с.

221. Хайлимен В. X. Линейные решающие функции и их применение для распознавания образов. Proc. IRE, 1962, vol. 50, №6.

222. Харалик P.M. Статистический и структурный подходы к описанию текстур // ТИИЭР. 1979. - Т. 67. - N 5. - С. 98 - 120.

223. Шиффман X. "Ощущение и восприятие", Изд. «Питер», 2003.