Метод и алгоритмы сегментации контуров форменных элементов крови на медицинских изображениях тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Батищев Денис Сергеевич

• Батищев Денис Сергеевич
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Батищев Денис Сергеевич

ВВЕДЕНИЕ

ГЛАВА 1 ПРОБЛЕМЫ И ОСНОВНЫЕ МЕТОДЫ СЕГМЕНТИРОВАНИЯ КОНТУРОВ ФОРМЕННЫХ ЭЛЕМЕНТОВ КРОВИ

1.1 Обзор задач распознавания форменных элементов клеток крови

1.1.1 Обзор задач эритроцитометрии

1.1.1 Обоснование необходимости разработки методов и средств сегментирования клеток крови, как основы автоматизированных медицинских систем диагностики

1.2 Анализ существующих методов и алгоритмов классификации медицинских изображений

1.2.1 Методы предварительной обработки изображений

1.2.2 Обзор существующих методов сегментации форменных элементов крови

1.3 Обзор существующих методов сегментация перекрывающихся объектов

1.4 Обзор необходимых требований для создания информационной компьютерной системы реализации облачных вычислений сегментирования

форменных элементов крови

1. 5 Задачи исследования

ГЛАВА 2 ОСНОВЫ СЕГМЕНТАЦИИ ПЕРЕКРЫВАЮЩИХСЯ ОБЪЕКТОВ НА МЕДИЦИНСКИХ ИЗОБРАЖЕНИЯХ КЛЕТОК КРОВИ

2.1 Контурная сегментация

2.2 Группировка сегментов

2.3 Оценка контура

ГЛАВА 3 РАЗРАБОТКА МЕТОДОВ И АЛГОРИТМОВ СЕГМЕНТАЦИИ ФОРМЕННЫХ ЭЛЕМЕНТОВ КРОВИ НА МЕДИЦИНСКИХ ИЗОБРАЖЕНИЯХ

3.1 Разработка метода предобработки и сегментации медицинских изображений

3.1.1 Смена цветового пространства

3.1.2 Фильтрация шумов и восстановление контраста изображения

3.1.3 Бинаризация изображения

3.1.4 Определение контуров объектов на бинарном изображении

3.2 Разработка метода сегментации частично перекрывающихся форменных элементов клеток на микроскопических медицинских изображениях

3.2.1 Аппроксимация контуров

3.2.2 Сегментация контура по краям путем выделения вогнутых точек

3.2.3 Группировка сегментов для объединения их в один объект

3.2.4 Оценка полного контура объекта с помощью подбора эллипса

3.3 Метод построение эритроцитометрической кривой Прайс-Джонса

3.3.1 Выделение каждой клетки в свой класс

3.3.2 Построение кривой Прайс-Джонса

ГЛАВА 4 РАЗРАБОТКА КОМПЬЮТЕРНОЙ СИСТЕМЫ ДЛЯ РЕАЛИЗАЦИИ ОБЛАЧНЫХ ВЫЧИСЛЕНИЙ, ПРЕДНАЗНАЧЕННЫХ ДЛЯ ХРАНЕНИЯ, АНАЛИЗА И ОБРАБОТКИ МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ

4.1 Разработка архитектуры программного обеспечения

4.2 Разработка пользовательского интерфейса

4.2.1 Интерфейс сегментации пересекающихся объектов

4.2.2 Интерфейс вычисления кривой Прайс-Джонса

ГЛАВА 5 ИССЛЕДОВАНИЕ РАБОТОСПОСОБНОСТИ МЕТОДОВ И АЛГОРИТМОВ СЕГМЕНТИРОВАНИЯ ФОРМЕННЫХ ЭЛЕМЕНТОВ КРОВИ

5.1 Апробация метода сегментации перекрывающих друг друга объектов

5.2 Апробация метода сегментации перекрывающих друг друга

эритроцитов на микроскопических изображениях

5.3 Апробация метода сегментации изображения пробы крови для

определения эритроцитометрической кривой Прайс -Джонса

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

ПРИЛОЖЕНИЕ В

ПРИЛОЖЕНИЕ Г

Введение диссертации (часть автореферата) на тему «Метод и алгоритмы сегментации контуров форменных элементов крови на медицинских изображениях»

ВВЕДЕНИЕ

Актуальность темы исследования. В настоящее время одним из актуальных направлений развития компьютерных технологий является их широкое применение в медицине с целью обработки цифровых изображений, в частности, для улучшения качества изображения, детектирования ключевых областей и распознавания отдельных элементов. При решении задач распознавания всё чаще используются компьютерные системы диагностики, которые, как правило, включают в себя улучшение качества изображения, сегментацию изображения, выделение исследуемых объектов, их анализ, параметрическое описание и классификацию.

С использованием современных информационных технологий в медицине появились возможности для повышения эффективности обнаружения объектов интереса на изображениях. Для этого разработаны специализированные системы анализа и обработки медицинских изображений. Зачастую, при выборе метода обработки медицинских изображений исследователь руководствуется лишь своими знаниями и опытом, и, следовательно, этот выбор может быть недостаточным для достижения поставленной цели. В связи с этим, возникла необходимость разработки автоматизированных методов анализа биомедицинских изображений. Методы компьютерного зрения, используемые для обработки и анализа медицинских микроскопических изображений, приобретают все большее значение в современной медицинской диагностике.

В задачах сегментирования изображений клеток крови, полученных с помощью оптического микроскопа, в рамках цитологических исследований часто возникает необходимость подсчета количества клеток определенного типа. При исследовании препаратов крови важной задачей является подсчет количества эритроцитов, исходя из этого показателя, можно диагностировать нарушения в кровообразовании или повреждения эритроцитов вследствие

различных факторов. Одним из важных диагностических исследований для установления правильного и точного диагноза является измерение диаметра эритроцитов - эритроцитометрия. Графическое изображение соотношения содержания в крови эритроцитов с различными диаметрами называют эритроцитометрической кривой Прайс-Джонса, которая у практически здоровых людей носит характер нормального распределения. При этом ключевым этапом диагностики любого вида анемии является оценка морфологии эритроцитов. Основная проблема при подсчете площадей эритроцитов заключается в том, что они могут перекрываться друг другом, а также изменять свою форму в некотором диапазоне, кроме того зачастую построение кривой Прайс-Джонса носит полуавтоматический характер, при котором необходимо участие человека на одном или нескольких этапах.

В настоящее время построить кривую Прайс-Джонса возможно с использованием достаточно дорогостоящих программно-аппаратных гематологических анализаторов. Однако существующие программно-аппаратные комплексы являются дорогостоящим оборудованием, которое может приобрести не каждая лаборатория и исследователь крови. Решение данной задачи может быть менее затратным и легко тиражируемым с использованием технологий компьютерного зрения и реализованной в виде облачного сервиса с возможностью портативного использования.

Также, целесообразно предположить, что каждый исследователь должен иметь возможность получить предварительные результаты качества форменных элементов крови на имеющемся у него оборудовании.

Для решения описанных проблем очевидно, что актуальна разработка методов сегментации контуров форменных элементов крови на медицинских изображениях, а также их программно-алгоритмическая реализация на основе технологий облачных вычислений и компьютерного зрения.

Степень разработанности проблемы.

В настоящее время построить кривую Прайс-Джонса возможно с использованием достаточно дорогостоящих программно-аппаратных

гематологических анализаторов. А доступные программные комплексы, например, Видео-Тест не учитывают особенность наложения эритроцитов друг на друга, к тому же, требуют привлечения специалиста для более точной ручной корректировке сегментированных контуров.

Однако решение данной задачи может быть менее затратным и легко тиражируемым с использованием технологий компьютерного зрения и реализованной в виде облачного сервиса с возможностью портативного использования.

Решению проблемы анализа и распознавания объектов на изображениях посвящены работы отечественных и зарубежных ученых, среди которых следует выделить труды [41,45,17,20,29,32,38,14,46,19,25,18,42] Д. А. Форсайта, Г. Брадски, P.C. Гонсалеса, Ю.И. Журавлева, А. Каехлера, Д. Марра, Ю.П. Пытьева, В.А. Сойфера, Я.А. Фурмана, Л.П. Ярославского, Е. Г. Жилякова, Н. Н. Красильникова, Филиста С.А.

За последние десятилетия создано множество различных систем компьютерного зрения, в которых в тех или иных сочетаниях используются новые парадигмы и подходы для решения задач в данной области. Тем не менее, существует ряд проблем, связанных с распознаванием медицинских изображений [12,39,41,22,13,40] (Р. А Томакова, Н. Ю. Ильясова, С.А. Борисовский, Б.З. Соколинский), которые не решены до настоящего времени. Следует отметить, что при анализе форменных элементов крови в основе существующих методов эритроцитометрии при подсчете клеток не решена проблема точного расчёта площадей эритроцитов, частично перекрывающих друг друга на изображениях клеток крови.

Таким образом, задача разработки метода и алгоритмов сегментации форменных элементов крови на медицинских изображениях, является актуальной.

Целью диссертационной работы является совершенствование методов сегментации перекрывающихся объектов на медицинских изображениях клеток крови с последующим вычислением кривой Прайс -

Джонса, а также программно-алгоритмическая реализация данных методов в виде облачного сервиса персональной медицины с возможностью портативного использования.

Для достижения поставленной цели сформулированы и решены следующие задачи исследования:

1. Анализ существующих методов и алгоритмов анализа медицинских изображений с позиции сегментации эритроцитов.

2. Разработка метода сегментации перекрывающихся форменных элементов клеток на микроскопических изображениях с учетом вариабельности качества изображения и наличия артефактов.

3. Разработка метода классификации обнаруженных объектов на предварительно заданные типы и измерения распределения диаметров эритроцитов;

4. Исследование работоспособности методов сегментации форменных элементов крови на медицинских изображениях на основе вычислительных экспериментов.

Научную новизну работы составляет следующее:

1. Метод сегментации форменных элементов клеток, которые могут перекрываться друг другом, метод разделения контура по краевым точкам вогнутых отрезков контура, метод объединения отрезков контура;

2. Результаты вычислительных экспериментов, иллюстрирующие работоспособность разработанных методов и алгоритмов сегментации форменных элементов крови на медицинских изображениях;

3. Архитектура программно-аппаратного комплекса для выполнения сегментации медицинских изображений крови и построения кривой Прайс-Джонса, реализованного в виде облачного сервиса с возможностью портативного использования.

Теоретическая значимость работы определяется предложенным принципом использования теории компьютерного зрения для

автоматической предварительной обработки снимков клеток крови с последующей сегментацией их на отдельные форменные элементы и определения эритроцитометрической кривой Прайс -Джонса.

Практическая значимость работы определяется возможностью создания на основе разработанных методов программных систем, предназначенных для предварительной диагностики здоровья человека по состоянию форменных элементов пробы его крови. Компьютерной система для реализации облачных вычислений, предназначенных для хранения, анализа и обработки медицинских изображений персональной медицины большого объема может применяются при решении исследовательских задач по лабораторной диагностике в рамках гистологии, как средство автоматизации и упрощения труда исследователей. Полученные в ходе диссертационного исследования результаты используются в клинико-диагностической лаборатории Белгородской областной клинической больнице им. Святителя Иоасафа, а также в учебном процессе при подготовке бакалавров НИУ «БелГУ» по направлению подготовки 02.03.03 Математическое обеспечение и администрирование информационных систем.

Объект исследований: методы и алгоритмы сегментирования форменных элементов крови на медицинских изображениях.

Предмет исследований: методы сегментации перекрывающихся объектов на медицинских изображениях клеток крови и методы сегментирования форменных элементов крови.

Методы диссертационного исследования. В работе использованы методы статистического анализа, линейной алгебры, компьютерного зрения, цифровой обработки изображений и вычислительных экспериментов.

Область исследований. Содержание диссертации соответствует следующим пунктам паспорта специальности 05.13.17 «Теоретические основы информатики» (технические науки): п.5. Разработка и исследование моделей и алгоритмов анализа данных, обнаружения закономерностей в данных и их извлечениях, разработка и исследование методов и алгоритмов

анализа текста, устной речи и изображений; п.7. Разработка методов распознавания образов, фильтрации, распознавания и синтеза изображений, решающих правил. Моделирование формирования эмпирического знания. Положения, выносимые на защиту:

1. Метод сегментации перекрывающихся объектов на медицинских изображениях клеток крови;

2. Разработанные алгоритмы, реализующие предложенные методы;

3. Архитектура программно-аппаратного комплекса, реализованного в виде облачного сервиса с возможностью портативного использования;

4. Результаты вычислительных экспериментов, иллюстрирующие работоспособность методов и алгоритмов сегментации форменных элементов крови на медицинских изображениях.

Достоверность результатов обусловлена корректностью применяемых математических преобразований, отсутствием противоречий с известными фактами теории и практики, обработки цифровых изображений и сегментирования образов и иллюстрируется результатами вычислительных экспериментов с реальными медицинскими изображениями клеток крови. Связь с научными и инновационными программами. Результаты диссертационного исследования были использованы при выполнении следующих проектов РФФИ: 16-07-00435 «Разработка высокопроизводительных методов анализа и обработки медицинских изображений для извлечения знаний на основе технологий искусственного интеллекта»; 19-07-00133 «Разработка интеллектуальных

высокопроизводительных методов распознавания медицинских изображений и создание компьютерной системы поддержки принятия решений в виде облачного сервиса для прогнозирования и диагностики в персональной медицине».

Апробация результатов диссертационного исследования.

Результаты диссертационного исследования обсуждались на следующих научно-практических конференциях: Юбилейная

международная научно-практическая конференция, посвященная 60-летию БГТУ им. В.Г. Шухова (XXI научные чтения) «Наукоемкие технологии и инновации», Белгород 09-10 октября 2014 г.; Международная научно-практическая конференция «Приоритетные направления развития науки, техники и технологий», Кемерово, 29 февраля 2016 г.; XV I, XVII, XVIII, XIX, XX, XXI международных научно-методических конференциях «Информатика: проблемы, методология, технологии» (г. Воронеж, 11 -12 февраля 2016 г., 9-10 февраля 2017 г., 8-9 февраля 2018 г., 14-15 февраля 2019 г., 13-14 февраля 2020 г., 11-12 февраля 2021); VII Международная научно-практическая конференция «Фундаментальные и прикладные научные исследования: актуальные вопросы, достижения и инновации», г. Пенза, 15 ноября 2017 г.; XXXI Международная научно -практическая конференция «Достижения вузовской науки», г. Новосибирск 10-13 июля 2017 г.; XI международная научная конференция «Научные тенденции: вопросы точных и технических наук», г. Санкт-Петербург, 12 ноября 2017 г.; 2nd International Conference on Mathematical Modelling in Applied Sciences, ICMMAS'19, Belgorod-Russia, August 20-24, 2019; VIII Международная научно-техническая конференция «Информационные технологии в науке, образовании и производстве» (ИТНОП-2020), Белгород, 24-25 сентября 2020 г; Международная конференция, Академгородок, Новосибирск 19-23 октября 2020 г.

Публикации. По теме диссертационного исследования опубликовано 20 печатных работ, из них 4 в журналах из списка ВАК РФ, 2 работы в журналах, входящих в список SCOPUS/WoS, получено 2 свидетельства о государственной регистрации программ для ЭВМ.

Личный вклад соискателя. Все изложенные в диссертации результаты исследования получены либо соискателем лично, либо при его непосредственном участии.

Структура и объем диссертации. Диссертационная работа состоит из введения, 5 глав, заключения, списка использованных источников из 129

наименования и приложений, в которых приведены документы, подтверждающие новизну результатов, полученных в работе и программный код основных функций. Диссертационная работа изложена на 107 страницах основного текста, включающего 35 рисунков и 4 таблицы.

ГЛАВА 1 ПРОБЛЕМЫ И ОСНОВНЫЕ МЕТОДЫ СЕГМЕНТИРОВАНИЯ КОНТУРОВ ФОРМЕННЫХ ЭЛЕМЕНТОВ

КРОВИ

1.1 Обзор задач распознавания форменных элементов клеток крови

Исторически идентификация и подсчет клеток крови производились с использованием микроскопа в «ручном» режиме, при этом исследуемый образец крови находился в статическом состоянии.

В последние годы интенсивно развивается иной подход к идентификации и распознаванию форменных элементов крови - это метод цифровой микроскопии. В настоящее время это перспективное направление находится в стадии проработки, поиска соответствующих оптимальных алгоритмов и программ для минимизации ошибок при подсчете форменных элементов крови.

Кровь состоит из жидкой части, известной как плазма, и форменных элементов, таких как красные кровяные тельца (эритроциты), лейкоциты и тромбоциты [40]. Исследование крови называется гемограмма, при проведении которого подсчитывается количество форменных элементов в определенном объеме крови. Специалисты могут использовать гемограмму для подтверждения или предположения наличия различных заболеваний, на основе полученных данных [41].

В настоящее время этот тест выполняется автоматически с использованием специализированного оборудования, которое откалибровано по установленным производителем диапазонам [42,43]. Когда количественные показатели выходят за пределы этого диапазона, специалисты вручную анализируют состояние, характеристику окраски, содержание, включений и непосредственно форм клеток. Наблюдение за клетками в мазке крови приходится делать с помощью микроскопа — это является утомительным процессом для человека [44].

Чтобы облегчить такую исследовательскую работу и сделать ее более эффективной, разработан ряд алгоритмов цифровой обработки изображений для захвата, представления, анализа и классификации объектов в микроскопических изображениях. Более того, в задачах автоматизации, таких как сегментация или классификации элементов изображения, было выявлено, что распространенной проблемой является наличие перекрывающихся клеток [45].

Расшифровка общего анализа крови предполагает подсчёт форменных элементов и расчёт некоторых косвенных показателей. Так, отношение объёма форменных элементов к плазме называется гематокритом. Изменение этого показателя характеризует степень «разжижения» или «сгущения» крови, что является одним из важнейших показателей состояния здоровья.

1.1.1 Обзор задач эритроцитометрии

Эритроцитометрия как направление в гематологической науке появилась довольно давно. Единой точки зрения о величине среднего диаметра эритроцитов, проценте микроцитов, макроцитов и нормоцитов у здоровых людей не существует. Существуют три основных метода определения диаметра эритроцитов.

Первый - это метод измерения диаметра эритроцитов в сухом мазке крови под микроскопом с помощью окулярных микрометров, точность у которых зависит от градуировки объект-микрометра и может оказаться разной у разных авторов [16,26,27,31].

Второй - это кондуктометрический метод измерения объема частиц, принцип действия которого заключается в том, что взвесь эритроцитов пропускается через капиллярное отверстие, включенное в электрическую цепь. Степень точности результатов зависит от различных артефактов,

связанных с недостаточным разрешением электронных схем и изменения формы эритроцитов под действием градиента давления [33,102,91,65].

Третий -это метод обработки микроизображений, в основе действия которого лежит сканирование поля препарата с последующей обработкой сигналов на ЭВМ [100,24,23].

В работах [15,16,17] рассмотрена задача подсчета эритроцитов на изображениях препаратов крови, полученных с помощью цифрового микроскопа. Достигнутая точность счета эритроцитов по отношению к «ручному» способу составляет 96-98 %.

Одним из видов эритроцитометрической диагностики является кривая Прайс-Джонса (см. Рисунок 1). Это графическое изображение соотношения содержания в крови эритроцитов с различными диаметрами, где по оси абсцисс откладывают величину диаметра эритроцитов (в мкм), а по оси ординат - процентное содержание эритроцитов соответствующей величины. В процентном отношении диаметры эритроцитов у здоровых людей распределяются следующим образом: 5 мкм -0,4% всех эритроцитов; 6 мкм -4%; 7 мкм -39%; 8 мкм -54%; 9 мкм -2,5%. У здоровых людей эритроцитометрическая кривая имеет правильную, с довольно узким основанием, почти симметричную форму [ 1].

1.1.1 Обоснование необходимости разработки методов и средств сегментирования клеток крови, как основы автоматизированных медицинских систем диагностики

Биомедицинская обработка изображений - одно из основных направлений исследований в текущее время, а построение автоматизированной медицинской системы распознавания крови, которая может помочь врачу, является важным вкладом в этой области. Создание автоматизированной системы медицинской диагностики, которая может помочь врачу, является значительным вкладом в эту область. Построение

такой автоматизированной системы требует объединения множества разнообразных научно-исследовательских работ, в которых обработка изображений играет важную роль.

5,5 6 6,5 7 7,5 8 8,5 9

мкм

Рисунок 1 - Эритроцитометрическая кривая Прайс-Джонса

Одна из первоочередных задач врача при обследовании пациента -провести анализ крови. Кровь выполняет множество жизненно важных функций: переносит кислород из легких в другие ткани организма и уносит углекислый газ; переносит питательные вещества из пищеварительной системы в клетки тела, и уносит продукты жизнедеятельности. Врачи принимают решения для диагностики и мониторинга болезни на основе анализов крови. Обычно тесты определяют компоненты самой крови; кроме этого, существуют тесты для исследования веществ, обнаруженных в крови. Такое тестирование позволяет идентифицировать нарушения работы различных органов.

Анализ крови дает количественную информацию, полезную для изучения жизни и ранней оценки состояния здоровья пациента. Традиционно гематолог подсчитывал количество лейкоцитов (лейкоцитов) на предметном стекле, смазанном периферической кровью или костным мозгом, с целью диагностики и скрининга. Гематолог вручную подсчитает 100 лейкоцитов с помощью микроскопа, а затем вычислит общее количество каждого типа клеток. Это называется дифференциальным анализом крови (DBC) - это трудоемкая, сложная и утомительная задача [21,22,23]. Также точность распознавания во многом зависит от субъективных факторов, таких как опыт и утомляемость исследователя.

При проведении анализов крови наряду с необходимостью получения качественных результатов возникла необходимость автоматизации всего процесса. Это не только снизит нагрузку на гематологов, но и позволит за довольно короткий период времени получить точные результаты. Кроме этого автоматизированная система диагностики снизит нагрузку на пациента и уменьшит влияние субъективных факторов [24,25].

Автоматическое обнаружение эритроцитов предполагает удаление красных кровяных телец и тромбоцитов с фона. Основным недостатком существующих методов является их неэффективность при обработке изображений клеток, полученных из разных источников их формирования и различных условий окружающей среды. Неравномерность освещения и объединение клеток являются основными причинами, затрудняющими сегментацию клеток [18,19].

Классификация клеток представляет большой интерес, особенно для клиник и лабораторий. Так, подсчет клеток крови пациента используется для извлечения информации о других клетках, которые обычно не присутствуют в периферической крови, но могут высвобождается при определенных заболеваниях [87].

Как правило подсчет клеток крови производится вручную под микроскопом медицинским работником, который анализирует слайд с

образцом крови пациента. Кроме того, ручной подсчет может предоставить информацию о других клетках, которые не присутствуют в периферической крови, но могут быть выявлены при определенных заболеваниях [62].

К сожалению, в этом случае на точность классификации клеток и их подсчет сильно влияет индивидуальные возможности человека. В частности, идентификационный и дифференциальный подсчет клеток крови - задача, требующая много времени и повторяющаяся многократно [128]. В попытке преодолеть утомительную и временно трудоемкую задачу специалистами были предложены многие автоматизированные системы [85,84].

Автоматическая система диагностики также может снизить нагрузку и влияние субъективных факторов [83,89]. Однако, главный недостаток существующих систем - их неэффективность в обработке изображений клеток с наличием артефактов и топологических особенностей.

Таким образом, становится ясно, что необходимо разработать методы и алгоритмы сегментирования форменных элементов клеток крови, которые будут являться основой построения автоматизированной системы диагностики, предназначенной для определения причин заболевания.

1.2 Анализ существующих методов и алгоритмов классификации медицинских изображений

Классификация клеток крови на микроскопическом изображении представляет собой, в терминах компьютерного зрения, задачу распознавания объектов. Стандартный подход к решению этой задачи предусматривает следующие два этапа:

- разделение (сегментация) изображения на области, соответствующие объектам и фону;

- непосредственно распознавание объектов, включающее в себя выделение характерных признаков объектов и распределение объектов в соответствии с их признаками по классам.

Примерно за пять десятилетий развития компьютерного зрения как науки предложено множество методов сегментации изображений. Такое разнообразие подходов к проблеме сегментации объектов [13] ставит перед исследователем непростую задачу выбора методов, наиболее адекватных специфике конкретной задачи.

Специфика задачи распознавания сказывается на формировании векторов признаков объектов, на выборе метода сегментации, а также на формировании классификатора.

Таким образом, при выборе стратегии решения данной задачи особое внимание должно быть уделено изучению опыта применения различных методов сегментации микроскопических изображений и их характерным признакам, которые используются для классификации клеток крови.

Основным результатом сегментации микроскопического изображения мазка крови является выделение объектов интереса (клеток крови) с целью их дальнейшей классификации. Качество сегментации - ключевой фактор для получения адекватных значений характерных признаков объекта. Так, в работе [14] отмечено, что более половины ошибок классификации лейкоцитов были обусловлены неправильной сегментацией.

Установлено, что основными причинами, ведущими к ошибкам сегментации микроскопических изображений являются: перекрывание одной клетки другой, сильная вариация клеток по форме и размеру, воздействие разных факторов на внешний вид клетки, слабая контрастность изображений, зашумленность и артефакты на снимке препарата, а также окраска препаратов крови.

При проведении исследования клеток крови часто после окраски клетки, контрастность контуров структурных элементов внутри клетки превышает контрастность границ самой клетки. Такое обстоятельство

может вызвать либо пересегментацию изображения, либо потерю части пикселей внутри объекта клетки.

Сегментация клеток крови - одна из сложных проблем видео микроскопии. Сложность эта заключается в различных формах самих клеток крови, наличия зашумленности и плохого качества цифровых снимков. Существующие ручные методы для сегментации неточны и очень субъективны, в связи с этим возникает необходимость создания автоматизированных методов, которые выполняют эту задачу объективно, качественно и оптимально по времени.

1.2.1 Методы предварительной обработки изображений

Задача анализа изображения клеток крови обычно разделяется на два этапа; один - улучшение изображения с целью снижение шума, а другой -обнаружение характеристик клеток крови. При этом фильтрация изображений и улучшение всегда выполняется раньше, чем сегментация. Оператор фильтрации сверткой часто используется для уменьшения эффекта шумов на изображениях или для повышения резкости деталей в размытых изображениях. Количество клеток вычисляется с помощью сканирования изображения и обнаружения границ объектов. Оригинальное изображение крови показано на рисунке 2.

Список литературы диссертационного исследования кандидат наук Батищев Денис Сергеевич, 2021 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Анализ для точной диагностики разных видов анемий: Кривая Прайс-Джонса [Электронный ресурс]. - Режим доступа: https://www.klinikakrovi.ru/services/analiz-dlya-tochnoy-diagnostiki-raznyh-vidov-anemiy-krivaya-prays-dzhonsa(дата обращения: 30.05.2017).

2. Батищев Д.С. Инфраструктура облачной системы для обработки медицинских данных [Текст] // Информационно-телекоммуникационные системы и технологии Материалы Всероссийской научно -практической конференции. Кемерово. 2014. - С. 328-329.

3. Батищев Д.С. Инфраструктура облачной системы для обработки медицинских данных [Текст] // Информатика: проблемы, методология, технологии материалы XV международной научно-методической конференции. Воронеж. 2015. - С. 246-250.

4. Батищев Д.С. Использование облачных систем для обработки медицинских данных [Текст] // Перспективы развития информационных технологий Труды Всероссийской молодежной научно-практической конференции. Кемерово: Кузбасский государственный технический университет имени Т.Ф. Горбачева, Международный научно -образовательный центр КузГТУ-Arena Multimedia. 2014. - С. 189-190.

5. Батищев Д.С. Метрики качества медицинских изображений [Текст] // Научный результат. Информационные технологии. 2019. Т. 4. № 3. С. 25-30.

6. Батищев Д.С., Выгоняйло В.Р., Михелев В.М. Облачный вычислительный сервис гематологического анализа на основе медицинских изображений [Текст] // Информатика: проблемы, методология, технологии сборник материалов XVII международной научно-методической конференции: в 5 т. Воронеж. 2017. - С. 187-190.

7. Батищев Д.С., Михелев В.М. Инфраструктура высокопроизводительной компьютерной системы для реализации облачных

сервисов хранения и анализа данных персональной медицины [Текст] // Научные ведомости белгородского государственного университета. Серия: Экономика. Информатика. - Белгород: Федеральное государственное автономное образовательное учреждение высшего профессионального образования "Белгородский государственный национальный исследовательский университет [Текст] // 2016. - №2 (223) - С. 88-92.

8. Батищев Д.С., Михелев В.М. Инфраструктура облачной системы для обработки медицинских данных [Текст] // Наукоемкие технологии и инновации. Белгород: Белгородский государственный технологический университет им. В.Г. Шухова. 2014. - С. 8-12.

9. Батищев Д.С., Михелев В.М., Утянский А.А. Метод сегментации перекрывающихся форменных элементов крови на микроскопических медицинских изображениях // Экономика. Информатика. - Белгород: Федеральное государственное автономное образовательное учреждение высшего профессионального образования "Белгородский государственный национальный исследовательский университет" - 2020. - Т. 47. № 4. С. 803815.

10. Батищев Д.С., Сойникова Е.С., Михелев В.М., Синюк В.Г. Использование алгоритмов компьютерного зрения для выполнения гематологического анализа на основе кривой Прайс-Джонса [Текст] // научные ведомости белгородского государственного университета. Серия: экономика. Информатика. - 2018. - Т. 45. № 3. С. 537-546.

11. Беляков В.К., Сухенко Е.П., Захаров А.В., Кольцов П.П., Котович Н.В., Кравченко A.A., Куцаев А.С., Осипов А.С., Кузнецов А.Б. Об одной методике классификации клеток крови и ее программной реализации [Текст] // Программные продукты и системы. - 2014. -№ 4 (108). - С. 46-56.

12. Борисовский С.А. Гибридные модели и алгоритмы для анализа сложно структурированных изображений в интеллектуальных системах медицинского назначения [Текст] / дис. канд. т.н. наук: 05.13.01. - Курск, 2012.

13. Борисовский, С.А. Исследование дескрипторов Фурье при частотной селекции масштабных преобразований [Текст] / С.А. Борисовский, Р.А. Томакова, С.А. Филист // Интегративные процессы в науке - 2010: матер. Междунар. науч.-практ. конф. - М., 2011. - С. 11-14.

14. Введение в контурный анализ и его приложения к обработке изображений и сигналов. Под ред. А. Я. Фурмана. [Текст] / ФИЗМАТЛИТ. 2005. - С.592.

15. Выгоняйло В.Р., Батищев Д.С., Михелев В.М. Микросервисная архитектура сервиса персональной медицины анализа [Текст] // В сборнике: Информатика: проблемы, методология, технологии. материалы XVIII Международной научно-методической конференции: в 7 т. Воронежский государственный университет. 2018. С. 21 -25.

16. Гольдберг Д.И., Левина Г.Д. Диаметр эритроцитов в норме и патологии. [Текст] / Томск: Изд-во ТГУ, 1969.

17. Гонсалес Р., Вудс Р. Цифровая обработка изображений: практические советы. [Текст] / М: Техносфера, 2012. 1104 с.

18. Дабагов А.Р., Малютина И.А., Филист С.А. СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ РЕНТГЕНОЛОГИЧЕСКИХ ИССЛЕДОВАНИЙ В ЦИФРОВОЙ МЕДИЦИНЕ. [Текст] / Курск: 2019, 238 с.

19. Жиляков Е.Г. Вариационные методы анализа и построения функций по эмпирическим данным на основе частотных представлений [Текст] / Е.Г. Жиляков. - Белгород: Изд-во БелГУ, 2007. - 160 с.

20. Журавлев Ю.И. Распознавание. Математические методы. Программная система. Практические применения [Текст] / Ю.И. Журавлев, В. В. Рязанов, О.В. Сенько. М.: Фазис, 2006. 159 с.

21. Забенков А.А., Батищев Д.С., Михелев В.М. Разработка информационной инфраструктуры облачной системы с пользовательским интерфейсом для загрузки, хранения и обработки медицинских данных [Текст] // Информатика: проблемы, методология, технологии Материалы

XVI Международной научно-методической конференции. Под редакцией Тюкачева Н.А. Воронеж. 2016. - С. 147-150.

22. Ильясова Н. Ю., Куприянов А. В., Храмов А. Г. Информационные технологии анализа изображений в задачах медицинской диагностики. [Текст] / Медицина. 2018. 424 с.

23. Козинец Г.И., Котельников В.М., Погорелов В.М. Автоматизация цитологических исследований [Текст] / Пущино: ОНТИ НЦБИ АН СССР, 1985.

24. Косых В.П., В.Г. Леонова, А.И. Пустовских. Изв. СО АН СССР, Сер. Биол. 3(5),158(1981).

25. Красильников Н.Н. Цифровая обработка изображений [Текст] / Н.Н. Красильников. - М.: Вузовская книга, 2001. - 320 с.

26. Левина. Г.Д. Вопросы теоретической и клинической гематологии. [Текст] / Томск, Изд-во ТГУ, 1967.

27. Леонова В.Г. Анализ эритроцитарных популяций в онтогенезе человека [Текст] / Наука, Новосибирск. - 1987.

28. Липунова Е.А. Система красной крови [Текст] / под ред. Скоркиной М.Ю. - Белгород: Федеральное государственное автономное образовательное учреждение высшего профессионального образования «Белгородский государственный национальный исследовательский университет». -215 с.

29. Марр Дейвид Зрение. Информационный подход к изучению представления и обработки зрительных образов. [Текст] / Радио и связь, 1987. 400 с.

30. Методическое руководство: Общий анализ крови (трактовка результатов исследований, выполненных на гематологических анализаторах) // Ставропольский государственный медицинский университет [Электронный ресурс] режим доступа: stgmu.ru/userfiles/depts/clinical_lab_diagnosis_pe/Obschij_analiz_krovi.rtf

31. Наджимитдинов С.Т. Основные лабораторные методы исследования морфологии клеток крови. [Текст] / Ташкент :Медицина, 1970.

32. Пытьев Ю.П., Чуличков А.И. Методы морфологического анализа изображений. [Текст] / ФИЗМАТЛИТ. 2010, 342 с.

33. Рабинович Ф.М. Кондуктометрические счетчики частиц и их применение в медицине. [Текст] / М: Медицина, 1972.

34. Рииз Дж. Облачные вычисления [Текст] / СПб. БХВ-Петербург: 2011. 288 с.

35. Рябых М.С., Сойникова Е.С., Батищев Д.С., Синюк В.Г., Михелев В.М. Высокопроизводительный метод анализа и морфологической обработки изображений [Текст] // Научный результат. Информационные технологии. Белгород. 2016. - Т. 1. № 3. - С. 16-23.

36. Сойникова Е.С., Батищев Д.С., Михелев В.М. О распознавании форменных объектов крови на основе медицинских изображений [Текст] // Научный результат. Информационные технологии. 2018. Т. 3. №2 3. С. 54-65.

37. Сойникова Е.С., Рябых М.С., Батищев Д.С., Синюк В.Г., Михелев В.М. Высокопроизводительный метод обнаружения границ на медицинских изображениях [Текст] // Научный результат. Информационные технологии. Белгород. 2016. - Т. 1. № 3. - С. 4-9.

38. Сойфер В.А. Методы компьютерной обработки изображений. [Текст] / Физматлит, 2001, 2003 гг. 784 с.

39. Соколинский Б.З., Демьянов В.Л., Медный В.С., Парпара А.А., Пятницкий А.М. Автоматическая сортировка лейкоцитов мазка крови с использованием методов обучаемых нейронных сетей и watershed [Текст] //. В сб.: Методы микроскопического анализа. М.: Медицинские компьютерные системы, 2009. С. 128-132.

40. Соколинский Б.З., Пятницкий А.М., Бетрозова М.В., Дягилева О.А., Погорелов В.М. Количественная морфология эритроцитов периферической крови и эритрокариоцитов костного мозга при острых

лейкозах и депрессиях кроветворения. [Текст] // Клиническая лабораторная диагностика, 1999, №2, C.39-41.

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

42. Томакова, Р.А. Интеллектуальные технологии сегментации и классификации биомедицинских изображений [Текст] / монография: Р.А. Томакова, С.Г. Емельянов, С.А. Филист. - Курск: Юго-Зап. гос. ун-т, 2012. - 222 с.

43. Торопчин Д.А., Батищев Д.С., Медведев A.C., Михелев В.М. Архитектура программно-аппаратной поддержки распознавания нечетких дубликатов изображений [Текст] // Вопросы радиоэлектроники. - Москва: Центральный научно-исследовательский институт экономики, систем управления и информации «Электроника», 2014. - Т. 4. № 2. - С. 78-88.

44. Утянский A.A., Батищев Д.С., Михелев В.М. Программная реализация алгоритма сегментации пересекающихся объектов на медицинских изображениях крови [Текст] // В сборнике: Информатика: проблемы, методы, технологии. Материалы XX Международной научно -методической конференции. Под редакцией A.A. Зацаринного, Д.Н. Борисова. 2020. С. 1212-1221.

45. Форсайт ДА., Джин Понс Дж. Компьютерное зрение. Современный подход [Текст] / Издательство: Вильямс, 2018, 928 с.

46. Ярославский Л.П. Цифровая обработка сигналов в оптике и голографии. [Текст] / Введение в цифровую оптику. Радио и связь. 1987, 296 с.

47. A. Diaspro, F. Beltrame, M. Fato, P. Ramoino / Characterizing Biostructures and Cellular Events in 2D/3D (Using wide-field and Confcoal Optical Sectioning Microscopy) // IEEE Engineering in Medicine and Biology. EMB-M, 1996, pp. 92-100.

48. A. Fitzgibbon, M. Pilu, R.B. Fisher / Direct least square fitting of ellipses // IEEE Transactions on Pattern Analysis and Machine Intelligence 21, 1999, pp. 476-480.

49. A. Hamouda, A. Y. Khedr, and R. A. Ramadan / Automated red blood cell counting // Int. J. Comput. Sci, vol. 1, 2012.

50. A.Z. Chitade, S.K. Katiyar / Colour based image segmentation using k-means clustering // International Journal of Engineering Science and Technology vol. 2(10), 2010, pp. 5319-5325,

51. Artem A. Utyansky, Denis S. Batishchev, Ekaterina S. Soynikova, Vladimir M. Mikhelev / An erythrocytes cell segmentation algorithm in medical images // Тезисы Международной конференции, посвященной 95-летию со дня рождения акад. Г. И. Марчука Академгородок, Новосибирск. 19-23 октября 2020 г. С. 170.

52. B. Estridge / Basic Medical Laboratory Techniques // Clifton Park: Cengage Learning, 2000.

53. B. Nilson, A. Heyden / Model-based Segmentation of Leukocytes Clusters // 16th International Conference on Pattern Recognition, vol 1, 2002, pp. 727-730.

54. C. Di Ruberto, A. Dempster, S. Khan, B. Jarra / Analysis of infected blood cell images using morphological operators // Image and Vision Computing, vol 20, 2000, pp. 133-146.

55. C. Di Ruberto, A. Dempster, S. Khan, B. Jarra / Segmentation of blood images using morphological operators // Pattern Recognition, Proceedings. 15th International Conference vol.3, 2000, pp. 397-400.

56. Darya A .Chernomorets, Vladimir M. Mikhelev, Denis S. Batishchev, Evgeniya V. Bolgova, Andrey A. Chernomorets / Analysis of thick and thin vessel pixel clustering for retinal blood vessel image segmentation // Drug Invention Today. Vol. 10, No 7, 2018, pp. 1106-1111.

57. Denis S. Batishchev, Ekaterina S. Sojnikova, Koba K. Samkharadze, Yana B. Eroshenko, Vladimir M. Mikhelev / A computer vision algorithm for

implementation of hematological analysis based on price-jones curve // Drug Invention Today, 2019, vol. 12, No 9, pp. 2109-2113.

58. Dwi Anoragaingrum / Cell Segmentation with median Filter and Mathematical morphology Operation // Proceedings of the IEEE 10 th International Conference on Image Analysis and Processing (ICIAP), 1999, pp. 1043-1046.

59. E. Montseny, P. Sobrevilla, S. Romani / A Fuzzy approach to White Blood Cells Segmentation in Color Bone Marrow Images // IEEE International Conference on Fuzzy Systems, vol. 1, July 2004, pp. 173-178.

60. F. Buggenthin / An automatic method for robust and fast cell detection in bright field images from high-throughput microscopy // BMC Bioinformatics, vol. 14(297), 2013, pp. 1-12.

61. F. Cloppet, A. Boucher / Segmentation of complex nucleus configurations in biological images // Pattern Recognition Letters, vol. 31(8), 2010, pp. 755-761.

62. G. Fernandez, M. Kunt, J-P. Zryd / Multi-spectral Based Cell Segmentation and Analysis // Physics-Based Modeling in Computer Vision, 1995: pp. 166-173.

63. G. Fernandez, Murat Kunt, Jean-Pierre Zryd / A New Plant Cell Image Segmentation Algorithm // In Proc of the 8th Int. Conference on Image Analyze and Processing, San Remo Italy. 1995, pp. 229-224.

64. H. Berge, / Improved red blood cell counting in thin blood smears // Biomedical Imaging: From Nano to Macro, 2011. pp. 204- 207

65. H.C. Mel, J.P. Yee / Blood Cells. vol. 1, 1975, pp. 391.

66. He, X., Yung, N / Curvature scale space corner detector with adaptive threshold and dynamic region of support // Proceedings of the 17th International Conference on Pattern Recognition. ICPR, vol. 2, 2004. pp. 791-794.

67. Ian Foster, Carl Kesselman / The Grid: Blueprint for a New Computing Infrastructure Second Edition // San Francisco. Morgan Kaufmann Publishers. 2004. pp. 748.

68. Istv an Cseke / A fast segmentation scheme for white blood cell images // Pattern Recognition, 11th International Conference on Image, Speech and Signal Analysis, Proceedings, Sep 1992, pp. 530-533.

69. J. Angulo, G. Flandrin / Automated detection of working area of peripheral blood smears using mathematical morphology // Analytical cellular pathology, vol. 25, 2003, pp. 37-49.

70. J. Huang / An improved algorithm of overlapping cell division // Intelligent Computing and Integrated Systems (ICISS), 2010, pp. 687- 691.

71. J. M. Sharif, M. Miswan, M. Ngadi, M. S. H. Salam, M. Mahadi bin Abdul Jamil / Red blood cell segmentation using masking and watershed algorithm: A preliminary study // Biomedical Engineering (ICoBE), 2012 International Conference on, 2012, pp. 258-262.

72. Jayaraman. Digital image processing. Image segmentation. Nueva Delhi: Tata McGraw-Hill Education, 2011.

73. Jianhua Wu, Pingping Zeng, Yuan Zhou, C. Olivier / A Novel Color Segmentation Method and Its Application to White Blood Cell Image Analysis // ICSP 2006 IEEE Proceeding.

74. K.Kim / Automatic Cell Classification in Human's Peripheral Blood Images Based on Morphological Image Processing // AI 2001: Advances in Artificial Intelligence, M. Stumptner, D. Corbett, and M. Brooks, Editors. 2001, Springer Berlin Heidelberg. p. 225-236.

75. Kaehler A., Bradski G. / Learning OpenCV 3: Computer Vision in C++ with the OpenCV // eBook. O'Reilly Media. 2017, р. 1024.

76. Kaehler A., Bradski G. / Learning OpenCV: Computer Vision with the OpenCV Library // Издательство: O'Reilly Media. 2008. р. 556

77. Keng Wu / Live Cell image Segmentation // IEEE Trans On Biomedical Engineering. 1995, vol. 42(1), pp. 1-12.

78. Khoo Boon How, Alex See Kok Bin, Alex See Kok Bin, Ng Teck Siong, Khoo Kong Soo / Red Blood Cell Segmentation Utilizing Various Image

Segmentation Techniques // Proceeding of International Conference on Man-Machine Systems 2006, September 15-16 2006, Langkawi, Malaysia.

79. Kothari, S., Chaudry, Q., Wang, M. / Automated cell counting and cluster segmentation using concavity detection and ellipse fitting techniques, // Biomedical Imaging: From Nano to Macro, 2009. pp. 795-798.

80. Kumar, S. / A rule-based approach for robust clump splitting // Pattern Recognition, vol. 39(6), 2006, pp. 1088-1098.

81. Latorre, A. / Segmentation of neuronal nuclei based on clump splitting and a two-step binarization of images // Expert Systems with Applications, vol. 40(16), 2013, pp. 6521-6530.

82. M. Hamghalam, A. Ayatollahi / Automatic counting of leukocytes in giemsa-stained images of peripheral blood smear // Digital Image Processing, 2009 International Conference on, 2009, pp. 13-16.

83. M. Veluchamy, K. Perumal, T. Ponuchamy / Feature extraction and classification of blood cells using artificial neural network // American Journal of Applied Sciences, vol. 9, p. 615, 2013.

84. Ma Yide, Shi FeiLi Lian / A New Kind of Impulse Noise Filer Based on PCNN // IEEE ICNNSP, 2003.

85. Ma, Yide Dai, Rolan; Li, Lian / A counting and segmentation method of blood cell image with logical and morphological feature of cell // Chinese Journal of Electronics, No 1, January, 2002, p. 53-55.

86. Mahmood, N. / Blood cells extraction using color based segmentation technique // An International Journal IJLBPR, vol. 2(2), 2013.

87. Mark B. Jeacocke, Brian C. Lovell / A Multi-resolution Algorithm for Cytological Image Segmentation // The Second Australian and New Zealand conference on intelligent information systems, 1994, pp. 322-326.

88. Micheli-Tzanakou, H. Sheikh, B. Zhu / Neural Networks and Blood Cell Identification // Journal of Med. Systems, 1997, vol. 21(4) pp. 201-210.

89. N. D. Jambhekar / Red blood cells classification using image processing // Science Research Reporter, vol. 1, 2011, pp. 151-154.

90. N. Otsu / A threshold selection method from gray-level histograms // Automatica, vol. 11, 1975, pp. 23-27.

91. N.B. Gorver, J. Naaman, S. Ben-Sasson, Poljanski. Biophys J., 9, 1398 (1969).

92. P. Amit-Kunar, P. Tembhare, C. Pote / Enhanced identification of malarial infected objects using otsu algorithm from thin smear digital images // International Journal of Latest Research in Science and Technology. No 1, 2012, pp. 159-163.

93. P. Karvelis, A. Likas, D. Fotiadis / Identifying touching and overlapping chromosomes using the watershed transform and gradient paths // Pattern Recognition Letters, vol. 31(16), 2010, pp. 2474-2488.

94. P.P. Guan, Y. Hong / Blood cell image segmentation based on the Hough transform and fuzzy curve tracing // Machine Learning and Cybernetics (ICMLC), 2011. pp. 1696-1701.

95. Prasad, D.K., Leung, M.K., Cho, S.Y / Edge curvature and convexity-based ellipse detection method // Pattern Recognition, vol. 45(9), 2012, pp. 32043221.

96. Prasad, K. / Image analysis approach for development of a decision support system for detection of malaria parasites in thin blood smear images // Journal of digital imaging, vol. 25, 2012, pp. 542-549.

97. Priyankara, G.P.M. / An extensible computer vision application for blood cell recognition and analysis // Thesis, Department of Computer Science and Engineering, University of Moratuwa, Sri Lanka, 2006.

98. Qingmin Liao, Yingying Deng / An accurate segmentation method for white blood cell images // IEEE International Symposium in Biomedical Imaging, Washington DC, Jul 7-10, 2002, pp. 245-248.

99. R. Bijlani, / Fundamentals physiology a textbook for nursing students // New Delhi: Jaypee Brothers Publishers, 2001.

100. R. Inre, T. Petro, E. Vermes. Z. Versuchstierk, 82, 230 (1980).

101. R. Sukesh Kumar, Abhisek Verma, Jasprit Singh / Color Image Segmentation and Multi-Level Thresholding by Maximization of Conditional Entrophy // International Journal of Signal Processing, vol 3, No. 1, 2006.

102. R.W. de Blois, C.P. Bean. Rev. Sci. Instr., 41, 909 (1970).

103. Rafael C. Gonzalez, Richard E. Woods / Digital Image Processing, Second Edition, Prentice- Hall Inc., 2002.

104. Ramesh, N., Salama, M., Tasdizen, T. / Segmentation of haematopoeitic cells in bone marrow using circle detection and splitting techniques // 9th IEEE International Symposium on Biomedical Imaging (ISBI), 2012. pp. 206-209.

105. Razali Tomari / Computer Aided System for Red Blood Cell Classification // Blood Smear Image Procedia Computer Science. vol 42, 2014, pp. 206 - 213.

106. Rodak, B. / Hematology: Clinical principles and applications // Missouri: Elsevier Health Sciences, 2007.

107. Rogers, K. / Blood: Physiology and Circulation // New York: Britannica Educational, 2010.

108. Rolf Adams, Leanne Bischof / Seeded Region Growing // IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 16, no. 6, June 1994.

109. Romero-Rondón, M.F.; Sanabria-Rosas, L.M.; Bautista-Rozo, L.X., Mendoza-Castellanos. A / Algorithm for detection of overlapped red blood cells in microscopic images of blood smears // DYNA vol. 83 (198), 2016, pp. 187194.

110. Ruiz, G. / Fundamentos de hematología // Buenos Aires: Ed. Médica Panamericana, 1994.

111. Ryabikh M.S., Batishchev D.S., Mikhelev V.M / Blood cell image analysis and processing method for leukemia typing // Prag: Global Science Center LP. American Scientific Journal. No 16. 2017. pp. 14-19.

112. S. Di Cataldo / Automated segmentation of tissue images for computerized IHC analysi //. Computer Methods and Programs in Biomedicine, vol. 100(1), 2010, pp. 1-15.

113. S. S. Adagale and S. S. Pawar / Image segmentation using PCNN and template matching for blood cell counting // Computational Intelligence and Comp uting Research (ICCIC), 2013 IEEE International Conference on, 2013, pp. 1-5.

114. Samir K. Bandyopadhyay / Method for blood cell segmentation // Journal of Global Research in Computer Science, vol. 2 (4), April 2011, pp. 130134.

115. Sharif, J. / Red blood cell segmentation using masking and watershed algorithm //A preliminary study, Biomedical Engineering (ICoBE), 2012. pp. 258-262.

116. Shu, J., Fu, H., Qiu, G., Kaye, P., Ilyas, M. / Segmenting overlapping cell nuclei in digital histopathology images // 35th International Conference on Medicine and Biology Society (EMBC). 2013. pp. 5445-5448.

117. Soinikova E.S., Ryabihk M.S., Batishchev D.S., Mikhelev V.M. / High-performance method for boundary detection in medical images // Академическая наука - проблемы и достижения материалы IX международной научно-практической конференции. North Charleston, США. 2016. pp. 93-95.

118. V. Chandrasekaran, M. Palaniswami and Terry M. Caelli / Temporal Feature Extraction by Sparse Decomposition of Range Images using Gated Neurons // IEEE World Congress on Computational Intelligence, vol. 6, Jul 2002, pp. 4033-4037.

119. Veta, M. / Marker-controlled watershed segmentation of nuclei in H&E stained breast cancer biopsy images // Biomedical Imaging: From Nano to Macro, 2011. pp. 618-621.

120. W. Gomez, L. Leija, A. Alvarenga, A. Infantosi, W. Pereira / Computerized lesion segmentation of breast ultrasound based on marker-controlled watershed transformation // Med Phys, vol. 37, 2010, pp. 82- 95.

121. Wang Tianfu Zheng Changqiong Li Deyu / Neural Network Based Ultrasonic Medical Image Automatic Segmentation // Journal of UEST of China, vol. 26(4). 1997. pp. 366-368.

122. Wang, H., Zhang, H., Ray, N. / Clump splitting via bottleneck detection and shape classification. Pattern Recognition, vol. 45(7), 2012. pp. 2780-2787.

123. Wen, Q., Chang, H., Parvin, B. / A Delaunay triangulation approach for segmenting clumps of nuclei // Biomedical Imaging: From Nano to Macro, 2009. pp. 9-12.

124. X. Bai, C. Sun, F. Zhou / Splitting touching cells based on concave points and ellipse fitting // Pattern Recognition No 42, 2009, pp. 2434 - 2446.

125. Xiaolin Wu, Adaptive Split-and-Merge Segmentation Based on Piecewise Least-Square Approximation, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 15, no. 8, August 1993.

126. Xu, S., Liu, H. and Song, E., Marker-controlled watershed for lesion segmentation in mammograms. Journal of Digital Imaging, 24(5), pp. 754-763, 2011.

127. Zhang, W.H., Jiang, X., Liu, Y.M. / A method for recognizing overlapping elliptical bubbles in bubble image // Pattern Recognition Letters. vol. 33, 2012, pp. 1543 - 1548.

128. Zhao Zhiqin Wang Jianguo Huang Shunji / Research on Edge Detection of SAR Image // Journal of UEST of China, vol. 29(3), 2000, pp .225228.

ПРИЛОЖЕНИЕ А

Копии свидетельств о регистрации ПО для ЭВМ

Рисунок А.1 - Свидетельство о регистрации программы для гематологического анализа цифровых изображений крови

Рисунок А.2 - Свидетельство о регистрации программы для гематологического анализа цифровых изображений эритроцитов на основе кривой Прайс-Джонса

ПРИЛОЖЕНИЕ Б

Копии актов о внедрении и экспертной оценки результатов проведенных исследований.

УТВЕРЖДАЮ

Проректор по образовательной деятельности ФГАОУ ВО «Б.^гораддкий государственный . национальный.исследовательский

у 11 и перс нтстлг^гнгг^оцент А * "'"" J /У/ \

A.B. Маматов

¿вг/ г.

Акт о внедрении результатов исследований, полученных в диссертации Батищева Дениса Сергеевича «Методы и алгоритмы распознавания контуров форменных элементов крови на медицинских изображениях»

Мы, нижеподписавшиеся, директор Института инженерных и цифровых О «Белгородский государственный национальный исследовательский университет», д. т. н., доцент Полыциков К.А., заведующий кафедрой Математического и программного обеспечения информационных систем к.т.н., доцент Муромцев В.В., составили настоящий акт о внедрении результатов научных исследований, полученных Батищевым Д.С., в образовательном процессе при подготовке бакалавров НИУ «БелГУ» по направлению подготовки 02.03.03 Математическое обеспечение и администрирование информационных систем.

В учебном процессе делаются акценты на необходимость овладения современными методами предобработки и методов распознавания контуров перекрывающихся объектов на медицинских изображениях:

№ Разработанная в диссертации базовая процедура Решаемые задачи в области обработки изображений

1 Метод предобработки медицинских изображений Изучение и исследование алгоритмов предобработки изображении (дисциплина «Классификация объектов и распознавание образов»)

2 Метод распознавания контуров перекрывающихся Изучение и исследование алгоритмов распознавания объектов на изображениях с использованием технологий

Рисунок Б.1 - Акт о внедрении результатов исследований в учебный

процесс. 1-я страница

Рисунок Б.2 - Акт о внедрении результатов исследований в учебный

процесс. 2-я страница

УТВЕРЖДАЮ

Зам. главного врача по хирургической помощи ОГБУЗ «Белгородская областная клиническая больница Святителя Иоасафа» Томников М.А.

« 7^» , ?о?1 г.

Щ

Акт экспертной оценки результатов исследований, полученных в диссертации Батищева Дениса Сергеевича «Методы и алгоритмы распознавания контуров форменных элементов крови на медицинских изображениях»

Я, нижеподписавшаяся заведующая клинико-диагностической лабораторией ОГБУЗ «Белгородская областная клиническая больница Святителя Иоасафа» Стаценко Л.В., составила настоящий акт о внедрении результатов научных исследований, полученных Батищевым Д.С. как результат выполнения диссертационного исследования.

Объектом анализа для составления экспертного мнения является разработка Батищева Д.С., а именно результат алгоритма выделения эритроцитов на снимке мазка крови, а также построенная кривая Прайс-Джонса по диаметрам выделенных эритроцитов.

№ Разработанная в диссертации базовая процедура Объективная оценка Замечания

1 Алгоритм выделения эритроцитов на снимке Визуально выделяются практически все эритроциты без явного нарушения действительных границ клеток на исходном снимке. Выделяются не все эритроциты. Присутствуют достаточно редкие ложные выделения нескольких клеток, как единой; ложные выделения наложенных друг на друга клеток

2 Построение кривой Прайс-Джонса Кривая имеет адекватную исходным данным форму, Присутствуют единичные значения столбцов, явно превышающие

Рисунок Б.3 - Акт экспертной оценки результатов, полученных в ходе

исследований. 1-я страница

Рисунок Б.4 - Акт экспертной оценки результатов, полученных в ходе

исследований. 2-я страница

ПРИЛОЖЕНИЕ В

Програмный код конфигурации этапов предобработки # -*- coding: utf-8 -*-

import importlib import time import json

import cv2

from enum import Enum from Layers import LAYERS from Layers.Pipelnput import Pipelnput from Layers.BaseLayer import BaseLayer

class Pipeline(object): !! !! !!

exec through all config !! !! !!

def_init_(self, **kwargs):

self._config = kwargs.get("config", {}) if self._config != {}: self.validateLayers()

self._layers = {}

self._input = kwargs.get("input", None) self._output = None

self._prevlayer = "" self._layerorder = 0

@property

def config(self): return self._config

@config.setter

def config(self, value):

assert isinstance(value, dict) self._config = value self.validateLayers()

@property

def config2json(self): config = {}

for k, v in self._config.iteritems(): vv = v.copy() vv["cls"] = v["cls"].name config[k] = vv return j son. dumps(config)

def json2config(self, jsc): self._prevlayer = "" self._layerorder = 0 d = json.loads(jsc) for n, cfg in d.iteritems():

cfg["cls"] = LAYERS[cfg["cls"]] if "input" not in cfg: if self._prevlayer == "":

cfg["input"] = "pipe" else:

cfg["input"] = self._prevlayer cfg["order"] = self._layerorder self._prevlayer = n self._layerorder += 1 self.config = d.copy() # use setter as a trigger for necessary checks/validations

@property def layers(self): return self._layers

@layers.setter def layers(self, value):

raise ValueError("layers property is read-only")

@property def input(self): return self._input

@input.setter def input(self, value): if isinstance(value, str):

value_ = cv2.imread(value) else:

value_ = value.copy() self._layers["pipe"] = PipeInput(input=value_) self._input = value_

@property def output(self):

layer = max(self._config.keys(), key=lambda item: self._config[item] ['order'])

return self._layers[layer].output

@output.setter def output(self, value):

raise RuntimeError("output is readonly property")

def addLayer(self, layer):

assert "name" in layer # just because of head tear away a few lines

below

assert self.validateLayer(layer)

config = layer.copy() name = config.pop("name") if "input" not in config: if self._prevlayer == "":

config["input"] = "pipe" else:

config["input"] = self._prevlayer self._prevlayer = name

config["order"] = self._layerorder self._layerorder += 1

self._config[name] = config

def validateLayer(self, layer):

assert "cls" in layer

assert isinstance(layer["cls"], Enum)

assert issubclass(layer["cls"].value, BaseLayer)

return True

def validateLayers(self):

map(lambda v: self.validateLayer(v), self._config.itervalues())

def run(self): # one more time self.validateLayers()

olayers = sorted(self._config.keys(), key=lambda item: self._config[item] ['order'])

for lname in olayers:

lconfig = self._config[lname]

inKey = lconfig["input"] if type(inKey) is dict: input = {}

for k,v in inKey.items():

input[k] = self.layers[v].output

else:

input = self._layers[inKey].output params = lconfig.get("params", {}) cls = lconfig["cls"].value layer = cls(input=input, params=params)

print("name:{}\n\t"

"cls:{}\n\t" "input\n\t\t" "key:{}\n\t\t" "type:{}\n\t"

"params:{}".format(lname, cls, inKey, type(input), params))

print("\tprocess...") st = time.time() layer.process() et = time.time() elt = (et - st) * 1000.0

print("\t\ttakes: {t} milliseconds".format(t=elt)) print("")

self._layers[lname] = layer

# -*- coding: utf-8 -*-import os

import numpy as np import cv2 import math

import matplotlib.pyplot as plt import seaborn import time

import json

from rbc_segmentation_lib.image_preproc import image_preprocessing, remove_grayscale_image_background

from rbc_segmentation_lib.segment_grouping_func import

group_segments_sets

from rbc_segmentation_lib import contours_proc as cp

class App:

def_init_(self, imgFileName):

self.sourcelmg = cv2.imread(imgFileName) if self.sourcelmg is None:

assert isinstance(imgFileName, str)

raise Exception(u'Failed to load image file: {0:s}'. format(imgFileName))

_imgH, _imgW = self.sourceImg.shape[:2] self.intermediatelmg = self.sourceImg.copy() self.distTransformlmg = np.zeros((_imgH, _imgW), np.float32) self.markers = np.zeros((_imgH, _imgW), np.int32) self.contours = list() self.currentMarker = 1

self.colors = np.int32(np.random.randint(100, 254, size=(255, 3))) self.cs = [] self.d = []

# self.auto_update = True

# self.sketch = Sketcher('img', [self.markers_vis, self.markers], self.get_colors)

def removeBackground(self):

cvtYUVSourcelmg

cv2. cvtColor(self. intermediatelmg,

cv2.COLOR_BGR2YUV)

_yChannel, _uChannel, _vChannel = cv2.split(_cvtYUVSourceImg)

# like noise filter

_blurredYChannel = cv2.GaussianBlur(_yChannel, (3, 3), 0)

# contrast

_CLAHE = cv2.createCLAHE(clipLimit=1.0, tileGridSize=(5, 5)) _clahedYChannel = _CLAHE.apply(_blurredYChannel) #cv2.imshow('clahe', _clahedYChannel)

# _clahedYChannel = _blurredYChannel

# bg remove

# like blanking pixels with luminance more than 90% of mean value _clahedYChannel[_clahedYChannel >= _clahedYChannel.mean() *

# build intermediate image back. BGR colorspace self.intermediatelmg = cv2.cvtColor(cv2.merge((_clahedYChannel,

cv2.COLOR_BGR2YUV)

_yChannel, _uChannel, _vChannel = cv2.split(_cvtYUVSourceImg)

# laplacian filter kernel _sharpenKernel = np.array([[1, 1, 1],

0.9] = 255

uChannel, _vChannel)), cv2.COLOR_YUV2BGR) return self.intermediatelmg

def sharpenlmage(self): _cvtYUVSourceImg

cv2. cvtColor(self. intermediatelmg,

[1,-8, 1],

[1, 1, 1]], dtype=np.float32)

# type casting for more accuracy _yChannel = np.float32(_yChannel)

# filtering

_sharpenMask = cv2.filter2D(_yChannel, ddepth=-1, kernel=_sharpenKernel)

# subtract and convert to uint8 for merging back _yChannel -= _sharpenMask

_yChannel = np.uint8(_yChannel)

# build intermediintermediatelmgate image back. BGR colorspace self.intermediatelmg = cv2.cvtColor(cv2.merge((_yChannel, uChannel, _vChannel)), cv2.COLOR_YUV2BGR) return self.intermediatelmg

def thresholdlmage(self):

_cvtYUVSourceImg = cv2.cvtColor(self.intermediateImg, cv2.COLOR_BGR2YUV)

_yChannel, _uChannel, _vChannel = cv2.split(_cvtYUVSourceImg)

# thresholding image, thus values greater then mean of yChannel became 255, smaller - 0

_ret, _threshYChannel = cv2.threshold(_yChannel, _yChannel.mean(), 255, cv2.THRESH_OTSU | cv2.THRESH_BINARY_INV) #cv2.imshow('th', _threshYChannel)

self.intermediateImg = cv2.cvtColor(cv2.merge((_threshYChannel, uChannel, _vChannel)), cv2.COLOR_YUV2BGR) return self.intermediateImg

def distTransformlmage(self):

_cvtYUVSourceImg = cv2.cvtColor(self.intermediateImg, cv2.COLOR_BGR2YUV)

_yChannel, _uChannel, _vChannel = cv2.split(_cvtYUVSourceImg)

# Distance Tranform on the binary image

# normalize distance transform in order to visualise result _distTransYChannel = cv2.distanceTransform(_yChannel,

cv2.DIST_L2, 3)

_distTransYChannel = cv2.normalize(_distTransYChannel, _distTransYChannel, alpha=0., beta=1.,

norm_type=cv2.NORM_MINMAX)

# second threshold for peaks obtaining

_ret, _threshYChannel = cv2.threshold(_distTransYChannel, _distTransYChannel.mean(), 1., cv2. THRESH_BINARY)

# dilate a bit the dist image _dilateKernel = np.ones((3, 3), np.uint8) _dilatedImage = cv2.dilate(_threshYChannel, _dilateKernel)

self.distTransformImg = _dilatedImage return self.distTransformImg

def findCountours(self):

_distTransImg = np.uint8(self.distTransformImg)

# find countours from binary image from previous step

_contours, _hierarchy = cv2.findContours(_distTransImg, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

_markersImg = np.zeros(_distTransImg.shape, dtype=np.uint8)

for i in range(0, len(_contours)): contour = _contours[i]

area = cv2.contourArea(contour) if area > 100 and area < 8000: self.cs.append(area)

# draw each cont2our with different color for i in range(0, len(_contours)): #if cs >= 2000:

cv2.drawContours(_markersImg, _contours, i, i + 1) self.markers = np.int32(_markersImg)

return self.markers

def hist(self): self.d=[0.154*0.154*x/3.14 for x in self.cs] plY = np.linspace(min(self.d), max(self.d), num=len(self.d))

seaborn.distplot(self.d,hist=True,kde=True) #plt.plot(plY, self.d) plt.ylabel(uмПлотность вероятности") plt.xlabel(u'^MMeTp(MKM)") #plt.ylabel(u"% эритроцитов")

plt.show()

return self.d

def watershed(self):

_watershedImage = cv2.watershed(self.intermediateImg, self.markers)

_markedImage = self.sourceImg.copy()

for i in range(0, self.markers.max()):

_markedImage[self.markers == i] = self.colors[i]

return _markedImage

def writeSubImg(image, path, rectSize=228): outI = image[112:167, 262:353] # x 353 y 167 cv2.imwrite(path, outI) # cv2.imshow('1', outI)

def crop(image, s=192): return image[0:s, 0:s]

if name == ' main ':

import sys

try:

imgFileName = sys.argv[1] except:

imgFileName = 'dataset/Ma3KH/1/4.JPG' print(__doc__ )

resimg, diams = App(imgFileName).run()

dir = os.path.dirname(imgFileName) basename = os.path.basename(imgFileName) fname, _ = os.path.splitext(basename)

cv2.imwrite(os.path.join(dir, f"{fname} -processed.png"), resimg) with open(os.path.join(dir, f"{fname}-processed.json"), "w") as fh: fh. write(j son. dumps(diams))

ПРИЛОЖЕНИЕ Г

Программный код реализующих фукнции сегментации, проверки и объединения сегментов

# расстояние между точками def pdist(point_a, point_b):

return np.sqrt(np.power((point_b[0] - point_a[0]), 2) + np.power((point_b[1] - point_a[1]), 2))

def cvcont(cont):

return [c.ravel() for c in cont]

def findcont(bimg):

def cvcont2(cont):

return [np.array(cvcont(cnt)) for cnt in cont]

cont, hier = cv.findContours(bimg,cv.RETR_CCOMP, cv. CHAIN_APPROX_S IMPLE) externals = []

for i, ihier in enumerate(hier[0]): if ihier[3] == -1:

externals.append(cont[i]) cvcontr = cvcont2(externals) return cvcontr

# аппроксимация контура def approx(cont, e=1):

return cvcont(cv.approxPolyDP(cont, e, True))

# аппроксимация контуров def approxcts(cont, c):

return [np.array(approx(contour, c)) for contour in cont]

def checkp(p, sz):

return 0 in p or p[0] == sz[1] - 1 or p[1] == sz[0] - 1

def checks(seg, sz): brd = True if len(seg) <= 4: for point in seg:

if not checkp(point, sz): brd = False break

else:

brd = False return brd

def delbrdseg(segg, sz): new = [] for grp in segg: ngrp = [] for seg in grp:

if not checks(seg, sz): ngrp.append(seg)

else:

new.append(grp) return new

def divcp(cnts, bimg):

def divp(cnt, img): divp = []

t = np.concatenate((cnt, cnt[:2]), 0) for c_ind in range(1, len(t) - 1):

coord = int(rnd((t[c_ind + 1] + t[c_ind - 1]) / 2)) if img[coord[1]][coord[0]] == 0 or checkp(t[c_ind], img.shape): divp. append(t[c_ind]) return divp

return [divp(cnt, bimg) for cnt in cnts]

def segbyp(cnt, p):

def splc(cnt, p):

def nearest(src, seq): cur = 0

mdist = pdist(src, seq[0])

for pid, point in enumerate(seq): dist = pdist(src, point) if dist < mdist:

mdist = dist cur = pid return cur

seg = []

if len(p) > 1:

p = np.concatenate((p, p[:1]))

for c_pnt_a, c_pnt_b in zip(p[:-1], p[1:]):

sp = nearest(c_pnt_a, cnt) ep = nearest(c_pnt_b, cnt)

if sp < ep:

seg = cnt[sp:ep + 1] else:

seg = np.concatenate((cnt[sp:], cnt[:ep + 1]), axis=0) seg.append(seg)

elif len(p) == 1:

pid = nearest(p[0], cnt)

seg = np.concatenate((cnt[pd:], cnt[:pd]), axis=0) seg.append(seg)

else:

seg.append(cnt)

return seg

return [np.array(splc(c, p22)) for c, p22 in zip(cnt, p)]

def fit(points): if len(points) > 5:

poly = cv.ellipse2Poly((int(cv.fitEllipse(p) [0][0]), int(cv.fitEllipse(p)

[0][1])),

(int(cv.fitEllipse(p) [1][0] / 2), int(cv.fitEllipse(p) [1][1] / 2)), int(box[-1]), 0, 360, 15) else:

poly = cv.convexHull(p) return poly

def finc(gseg, carr, mlen):

def maxlen(cont):

mar = cv.minAreaRect(cont) box = cv.boxPoints(mar) return pdist(box[0], box[2])

def grptoset(seggrp): points = seggrp[0] for segment in seggrp[1:]:

points = np.concatenate((points, segment), axis=0) return points

t = []

for i, g in enumerate(gseg): for segments in g:

if len(segments) == 1 and pdist(segments[0][0], segments[0][-1]) <

20:

t.append(segments[0]) else:

contour = fit(grptoset(segments)) if maxlen(contour) < mlen[i] * 1.5 if cv.contourArea(contour) < carr[i] * 2: t.append(contour)

return t