Методы и алгоритмы обработки растровых изображений для решения задач автоматизированной микроскопии медико-биологических препаратов тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Привалов, Олег Олегович

  • Привалов, Олег Олегович
  • кандидат технических науккандидат технических наук
  • 2007, Волгоград
  • Специальность ВАК РФ05.13.01
  • Количество страниц 146
Привалов, Олег Олегович. Методы и алгоритмы обработки растровых изображений для решения задач автоматизированной микроскопии медико-биологических препаратов: дис. кандидат технических наук: 05.13.01 - Системный анализ, управление и обработка информации (по отраслям). Волгоград. 2007. 146 с.

Оглавление диссертации кандидат технических наук Привалов, Олег Олегович

ВВЕДЕНИЕ;.

1. ОБЗОР ЗАДАЧ СИСТЕМ АВТОМАТИЗИРОВАННОЙ МИКРОСКОПИИ

И МЕТОДОВ ИХ РЕШЕНИЯ.

1.1 Микроскопия в медицинских исследованиях.

1.2 Задачи микроскопии, подлежащие автоматизации.

1.3 Анализ функций систем автоматизированной микроскопии.

1.4. Методы получения растровых изображений микрообъектов.

1.4.1 Ввод графического изображения полученного при микроскопическом увеличении в компьютер.

1.4.2 Управление траекторией сканирования препарата.

1.5 Алгоритмы повышения качества анализируемых изображений.

1.5.1 Входные данные рассматриваемых алгоритмов.

1.5.2 Выравнивание яркости фона.

1.5.3 Повышение контраста.

1.5.4 Фильтрация.

1.5.5 Повышение резкости.

1.6 Алгоритмы выделения объектов интереса на цифровых изображениях.

1.6.1 Выделение границ.

1.6.2 Выделение областей (сегментация) цифровых изображений.

1.7 Методы классификации объектов интереса.

1.8 Выводы.

2. РАЗРАБОТКА И МОДЕРНИЗАЦИЯ АЛГОРИТМОВ ПОИСКА И ВЫДЕЛЕНИЯ ОБЪЕКТОВ ИНТЕРЕСА НА РАСТРОВЫХ ИЗОБРАЖЕНИЯХ МЕДИКО-БИОЛОГИЧЕСКИХ ПРЕПАРАТОВ ДЛЯ РЕШЕНИЯ ЗАДАЧ АВТОМАТИЗИРОВАННОГО АНАЛИЗА

2.1 Этапы преобразования входной информации.

2.2 Алгоритм редукции исследуемого цифрового изображения.

-32.2.1 Оценка среднеквадратической ошибки дисперсии в пределах скользящего окна исходного и редуцированного изображений.

2.2.2 Гистограммная оценка.

2.3 Постановка задачи кластерного анализа для сегментации цветных изображений.

2.4 Критерии количественной оценки качества сегментации.

2.5 Выбор пространства признаков.

2.6 Алгоритм статистического контрастирования.

2.7 Сегментация в одномерном пространстве признаков.

2.8 Сегментация в многомерном пространстве признаков.

2.8.1 Метод однокомпонентного поиска центроидов.

2.8.2 Метод многокомпонентного поиска центроидов.

2.9 Устойчивый алгоритм поиска объектов на основе комбинированной сегментации.

2.10 Выводы.

3. АВТОМАТИЗИРОВАННЫЙ АНАЛИЗ МОРФОЛОГИЧЕСКИХ ПРИЗНАКОВ ЛЕЙКОЦИТОВ ПЕРИФЕРИЧЕСКОЙ КРОВИ.

3.1 Формализованное описание модели лейкоцитов.

3.2 Алгоритмы получения и оценки второстепенных морфологических признаков.

3.2.1 Определение количества сегментов ядра.

3.2.2 Оценка перинуклеарной зоны клетки.

3.2.3 Оценка зернистость гранулоцитов.

3.2.4 Определение степени сферичности.

3.3 Алгоритм автоматической классификации.

3.4 Выводы.

4. ОПИСАНИЕ ПРОГРАММНОГО КОМПЛЕКСА АВТОМАТИЗИРОВАННОГО АНАЛИЗА МЕДИКО-БИОЛОГИЧЕСКИХ ПРЕПАРАТОВ ПО ИХ РАСТРОВОМУ ИЗОБРАЖЕНИЮ.

-44.1 Автоматизированная система фазового анализа и расчёта объёмной доли, исследуемых объектов на растровых изображениях медико-биологических препаратов.

4.2 Автоматизированная система поиска и выделения объектов интереса из массива растровых изображений, полученных в результате автоматического сканирования окрашенного мазка.

4.3 Автоматизированная система классификации выделенных клеток крови по их растровому изображению.

4.4 Выводы.

Рекомендованный список диссертаций по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы обработки растровых изображений для решения задач автоматизированной микроскопии медико-биологических препаратов»

Актуальность темы. По мере расширения и углубления знаний об интимных механизмах жизнедеятельности, процессах возникновения и развития патологических изменений в организме все большее значение для медико-биологических исследований, диагностики и лечения приобретают технические средства. Общеизвестна роль микроскопии в возникновении и развитии гистологии, патологической анатомии, бактериологии и в других основополагающих медико-биологических науках.

На текущем этапе развития микроскопии как метода медико-биологического анализа преобладает неавтоматизированный метод исследования, требующий непосредственного участия лаборанта или врача во всех операциях, определённых стадиями процесса.

Широкий круг возможностей даёт автоматизированная микроскопия, использование которой стало возможным благодаря развитию вычислительной техники и периферийных устройств «захвата» исследуемого изображения [35,53,54,54,64,67].

Современные диагностические комплексы включают в себя аппаратные и программные модули для управления сканированием мазков [62], предобработки изображения, расчёта морфологических признаков исследуемых объектов и их классификации [11,19,22,33,40,55]. Некоторые комплексы также оснащены экспертно-советующими системами для отслеживания динамики течения биологических процессов на микроуровне [51].

На текущем этапе развития систем подобного типа их эффективное использование возможно только при соответствии входной информации жёстким требованиям, а именно, выдерживании высокого качества исследуемых препаратов для обеспечения стабильной наблюдаемой цвето-яркостной картины. Данное требование накладывает ряд ограничений на применение подобных систем из-за трудностей, связанных с получением стабильных по цвето-яркостным характеристикам изображений исследуемых препаратов [78].

Недостатки систем автоматизированной микроскопии как инструментария для решения задач в данной предметной области медицинских исследований могут быть устранены за счёт разработки методов и алгоритмов обработки растровых изображений медико-биологических препаратов, отличающихся повышенной устойчивостью к качеству последних.

Существует множество методов обработки растровых изображений, которые описаны в работах В.А. Сойфера, Р. Вудса, У. Прэтта и других авторов [24,29,31,47,74,79]. Сущность приведенных в их работах методов заключается в общих алгоритмах, результат работы которых не зависит от специфики обрабатываемых изображений. Однако мы считаем, что решение задач, обусловленных предметной областью микроскопии медико-биологических препаратов, обязательно должно учитывать особенности изображений и цели исследований.

Актуальность данной работы состоит:

- в необходимости разработки алгоритмов автоматической сегментации изображений медико-биологических препаратов, позволяющих выделить объекты исследования на совокупном изображении даже при смещении их цвето-яркостных характеристик. Кроме того, алгоритмы должны обеспечивать надлежащее качество сегментации, обладая повышенной по сравнению с аналогами автоматической составляющей;

- в повышении надёжности и качества распознавания объектов препарата за счёт замены таких параметров классификации, как цвет и оптическая плотность, на признаки, не зависящие от общих параметров растрового изображения (яркость, цвет, оттенок и др.);

- в определении новых границ функциональности универсальных автоматизированных диагностических комплексов, решающих задачи микроскопии медико-биологических препаратов;

Актуальность темы для решения прикладных задач подтверждается потребностью в разработке систем автоматизированной диагностики, обладающих достаточными возможностями для классификации «сложных» микрообъектов, патологий на клеточном уровне, а также классификации юных форм клеток костного мозга и других объектов исследования, отличающихся слабовы-раженными признаками классификации.

Целью диссертационной работы является разработка новых методик и алгоритмов обработки растровых изображений медико-биологических препаратов, полученных в результате микроскопии, обеспечивающих решение задач «машинного» зрения в данной предметной области.

Для достижения цели необходимо решцть следующие задачи:

- исследовать цели, задачи и методы, а также особенности предметной области микроскопии в клиническом и лабораторном медицинском анализе;

- проанализировать функциональную составляющую существующих систем автоматизированной микроскопии. На основе закономерностей сис-темогенеза выявить потребность в функциях, расширяющих их возможности для поддержки состоявшихся и разработки уникальных медико-биологических исследований;

- выполнить обзор существующих методов выделения (поиска) объектов интереса на совокупных изображениях, в том числе применяемых в реализованных автоматизированных системах микроскопического анализа медико-биологических препаратов. Определить пути их усовершенствования;

- апробировать полученные результаты, решив задачу получения количественных оценок второстепенных морфологических признаков лейкоцитов с целью повышения надежности их классификации;

- разработать программный комплекс для автоматизации решения общих и частных задач анализа медико-биологических препаратов по их растровому изображению.

Методы исследований. Решение поставленных задач потребовало привлечения подходов и методов в следующих направлениях научной деятельности: медико-биологическая морфометрия, стереометрическая морфометрия, алгоритмы обработки цифровых изображений, статистическая обработка данных, системный анализ, распознавание образов. Программное обеспечение разрабатывалось с учётом объектно-ориентированного подхода и теории проектирования реляционных баз данных.

Достоверность и обоснованность результатов. Обоснованность и адекватность разработанных алгоритмов поиска и выделения объектов на изображении определялась сравнением результатов работы общеизвестных алгоритмов с предлагаемыми в работе. Основным критерием выступала визуальная оценка, определяющая точность выделения объектов интереса на изображении. Для обоснования выбора предлагаемого цветового пространства проводилась количественная оценка результатов сегментации. Адекватность предлагаемой формализованной модели объектов исследования («белых» клеток крови - лейкоцитов) оценивалось медиком - экспертом.

Научная новизна.

1. Предложен новый метод оценки редукции растровых изображений, отличающийся тем, что, с целью сокращения размерности обрабатываемых данных, введены процедуры оценки степени масштабирования по заданному порогу потери «информативности», выполняемые в автоматическом режиме.

2. Предложен новый алгоритм контрастирования, отличающийся от аналогов возможностью модификаций цвето-яркостных параметров объектов на изображении на основе статистической информации. Данный подход позволил повысить результативность последующего анализа изображения алгоритмами «машинного» зрения.

3. Разработаны методы стабилизации выходной информации алгоритмов кластерного анализа за счёт определения начальных значений центроидов. Также предложено модернизированное пространство признаков, позволяющее повысить качество сегментации цветных растровых изображений.

-94. Предложено формальное описание «белых» клеток крови (лейкоцитов), в котором, с целью повышения надёжности работы алгоритмов распознавания, цвето-яркостные параметры классификации заменены на второстепенные морфологические признаки. Разработаны алгоритмы для их определения.

Практическая значимость работы

1. На основе предложенных алгоритмов и методов автоматизированного определения морфометрических признаков объектов исследования медико-биологических препаратов открывается возможность разработки универсальных диагностических комплексов, главным отличием, которых будет повышенная функциональная составляющая, обеспечивающая возможность автоматизации существующих и создание уникальных методик анализа, ориентированных на широкий круг измерений морфометрических признаков объектов исследования.

2. Модернизированные и разработанные в работе алгоритмы могут быть применены для решения задач «машинного» зрения в различных областях как микроскопического анализа (металловедение, материаловедение и др.), так и в системах обработки изображений, полученных не на микроуровне (картографии, зрение роботов и др.).

3. Создан программный комплекс, который может быть использован для автоматизации частных задач микроскопии медико-биологических препаратов.

Основные положения и результаты, выносимые на защиту:

1. Методы и алгоритмы обработки растровых изображений медико-биологических препаратов для решения задач автоматизированной микроскопии.

2. Формализованное описание модели «белых» клеток периферической крови.

-103. Методика последовательного вычисления численных значений морфологических признаков выделенных для классификации «белых» клеток крови.

4. Реализованный на основе разработанных методов и алгоритмов программный комплекс.

Внедрение.

1. Автоматизированная система «Фазовый анализ растровых изображений медико-биологических препаратов» внедрена на кафедре патологической анатомии Волгоградского государственного медицинского университета.

2. Автоматизированная система «Поиск и выделение объектов интереса из массива растровых изображений полученных в результате автоматического сканирования исследуемого препарата» внедрена на кафедре оперативной хирургии Волгоградского государственного медицинского университета.

3. Работа получила грант от фонда содействия развитию малых форм предприятий в научно-технической сфере по программе «Участник молодежного научно-инновационного конкурса (У.М.Н.И.К)»

Апробация работы. Основные положения диссертации докладывались на научных семинарах кафедры САПР и ПК ВолгГТУ, а также на всероссийских научных и научно-практических конференциях: на всероссийской конференции «Информационные и управленческие технологии в медицине» (Пенза 2007), «Инновационные технологии в управлении, образовании, промышленности "АСИНТЕХ-2007"», а также в электронных конференциях: «Современные наукоемкие технологии» (2007).

Публикации. По теме диссертации опубликовано 6 печатных работ, в том числе 2 из них в журнале, рекомендованном ВАК [68-73].

Объем и структура работы.

Работа состоит из введения, четырёх глав с выводами, заключения, трёх приложений, списка литературы. Общий объем работы: страниц - 146, иллюстраций - 49, таблиц - 5. В списке литературы 115 наименований.

В первой главе рассмотрены основные задачи микроскопии медико-биологических препаратов, приведены этапы приготовления препаратов, особенности методик анализа, определены факторы, влияющие на качество наблюдаемой микроскопической картины и адекватность результатов исследования. Выполнен обзор задач медико-биологической микроскопии, анализируются возможные пути их автоматизации. Отдельное внимание уделено функциям системы автоматизированной микроскопии (САМ), покрывающим большую часть задач рассматриваемой предметной области. Производится сравнительный анализ существующих САМ по их функциональным характеристикам, рассматриваются пути возможного повышения их производительности, а также качества результатов автоматизированного анализа. Далее рассматриваются этапы получения «цифровых» изображений медико-биологических препаратов, отображающих наблюдаемую микроскопическую картину, обосновывается необходимость применения алгоритмов подготовки изображения к распознаванию, перечислены существующие алгоритмические решения. Выполнен обзор известных алгоритмов выделения (поиска) объектов на растровых изображениях, проанализированы их достоинства и недостатки.

В заключении обобщены основные проблемы автоматизации задач предметной области, определены направление дальнейших исследований.

Во второй главе рассмотрены алгоритмы обработки цифровых изображений разработанные или модифицированные лично автором. Цель рассматриваемых алгоритмов обеспечить поиск, выделение и детализацию объектов интереса на растровом изображении медико-биологического препарата, полученного в результате микроскопии.

В третьей главе предлагается формализованное описание модели клеток крови, на примере лейкоцитов, и алгоритмы для получения выделенных признаков классификации.

-12В четвёртой главе описана архитектура созданного программного комплекса для решения частных задач автоматизированной микроскопии медико-биологических препаратов, состоящего из трёх автоматизированных систем. Цель реализации автоматизированных систем - проверить на практике эффективность работы алгоритмов для дальнейшего проектирования и создания универсального диагностического комплекса, обладающего значительными конкурентными преимуществами в сравнении с аналогами.

В приложениях рассмотрены основные функции систем автоматизированной микроскопии занимающих лидирующее место на рынке программных продуктов подобного типа (приложение 1). Описаны основные морфологические характеристики клеток костного мозга и периферической крови (приложение 2). Представлены результаты тестирования разработанных алгоритмов на растровых изображениях медико-биологических препаратов, приведено сравнение результатов их работы с результатами, произведёнными САМ, рассмотренными в приложении 1 (приложение 3).

Похожие диссертационные работы по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Привалов, Олег Олегович

Основные результаты работы состоят в следующем:

1. На основе анализа предметной области микроскопии медико-биологических препаратов, методов клинической и лабораторной диагностики были разработаны новые методы и алгоритмы, позволяющие повысить эффективность автоматизированного распознавание микрообъектов на растровых изображениях, полученных в результат* «оцифровки» наблюдаемой при микроскопическом исследовании кар тины. Показано, что повышение эффективности возможно за счёт бо лее точного (по сравнению с подобными алгоритмами) поиска, выде ления и детализации объектов интереса на изображении.

2. Предложен новый подход к увеличению производительности алгорит мов «машинного» зрения за счёт сокращения размерности анализи руемых данных при контролируемом автоматическом масштабирова нии растрового изображения.

3. Разработан алгоритм статистического контрастирования, улучшающие цвето-яркостную картину исходного растрового изображения как дхи визуальной оценки экспертом, так и для последующей автоматизиро ванной обработки алгоритмами «машинного» зрения.

4. Для обеспечения стабильности и повышения качества картины сег ментации растровых изображений методами кластерного анализ; предложены методы и алгоритмы модификации пространства призна ков и нахождения стартовых точек (центроидов) кластеризации.

5. Предложена новая формализованная модель «белой» клетки крови че ловека, отличающаяся от аналогов добавлением к пространству при знаков классификации количественных параметров, определяющи) второстепенные морфологические признаки (зернистость, перинукле арная зона, количество сегментов ядра). Такой подход позволил ис ключить из пространства признаков цвето-яркостные характеристике

116 — объектов, что повышает устойчивость автоматизированного распознавания нестабильных препаратов по их растровому изображению.

6. Разработана методика и алгоритмы последовательного преобразование растрового изображения анализируемой клетки для вычисления выделенных признаков классификации.

7. Для верификации предлагаемых в работе методов и алгоритмов бьи спроектирован и реализован комплекс автоматизированных систем.

8. Данный комплекс был использован для автоматизации типовых и ин новационных микроскопических исследований на кафедрах оператив ной хирургии и патологической анатомии в ВолгГМУ, о чём свиде тельствуют соответствующие акты внедрения.

- 117 —

115 — ЗАКЛЮЧЕНИЕ

Список литературы диссертационного исследования кандидат технических наук Привалов, Олег Олегович, 2007 год

1. Автандилов, Г.Г. Перспективы развития диагностической медицинской морфометрии / Г.Г. Автандилов // Клинико-лабораторный Консилиум, -2004. №2. - С. 39-42.

2. Автандилов, Г. Г. Системная стереометрия в изучении патологического процесса / Г.Г. Автандилов, Н.И. Яблучанскии, В.Г. Губенко. М. : Медицина, 1981,-192 с.

3. Абрамов, М.Г. Гематологический атлас / М.Г. Абрамов. М. : Медицина, 1979.- 280 с.

4. Адаптивные методы обработки изображений: Сб. науч. тр. / Под ред В.И. Сифорова, Л.П. Ярославского. М.: Наука, 1988. - 244с.

5. Айвазян, С.А. Классификация многомерных наблюдений / С.А. Айвазян, З.И. Бежаева, О.В. Староверов. М.: Статистика, 1974. - 240 с.

6. Александров, В.В. Анализ данных на ЭВМ. (На примере системы СИТО) / В.В. Александров, А.И. Алексеев, Н.Д. Горский М. : Финансы и статистика, 1990. - 192 с.

7. Александров, В.В. Алгоритмы и программы структурного метода обработки данных / В.В. Александров, Н.Д. Горский. Л.: Наука, 1983. - 208 с.

8. Александров, В.В. Представление и обработка изображений. Рекурсивный подход / В.В. Александров. Л : Наука, 1985. - 192 с.

9. Анисимов, Б.В. Распознавание и цифровая обработка изображений , Б.В. Анисимов, В.Д. Курганов, В.К. Злобин. М.: Высшая школа, 1983. - 295 с.

10. Афонин, В.Л. Интеллектуальные робототехнические системы / В.Л Афонин, В.А. Макушкин // Распознавание образов. Электронный ресурс. • Режим доступа: http://www.intuit.rU/department/human/isrob/4/.

11. Байдун, Л.В. Автоматическая эритроцитометрия в роботизированной микроскопе МЕКОС-Ц1 / Л.В. Байдун, С.А. Кашпор, А.А. Парпара, и др. /, Клиническая лабораторная диагностика. 2003. - №6. - С. 39-42.

12. Баринова, О. Методы сегментации изображений: автоматическая сегментация / О. Баринова, А. Вежневец // Графика и мультимедия. 2006. Электронный ресурс. Режим доступа: http://cgm.graphicon.ru/content/view/147/62/.

13. Белявцев, В.Г. Алгоритмы фильтрации изображений с адаптацией размеров апертуры / В.Г. Белявцев, Ю.Е. Воскобойников // Автометрия. 1998 -№3.-С. 18-25.

14. Бутенко, Л.Н. Объектно-ориентированный банк физических эффектоЕ / Л.Н. Бутенко, 0.0. Привалов // Математика. Компьютер, образование, Тезись: 11 международной конференции, 11, МОО "Женщины в науке и образовании" Ижевск, 2004. - С. 88

15. Бутенко, Л.Н. Автоматизированный банк технических функций физических эффектов / Л.Н. Бутенко, 0.0. Привалов // Математика. Компьютер. Образование, Тезисы 12 международной конференции, 12, МОО "Женщниы i науке и образовании", М. - Ижевск, 2005. - С. 53.

16. Вапник, В.Н. Теория распознавания образов / В.Н. Вапник, А.Я. Чер-воненкис М.: Наука, 1973.-416 с.

17. Васильев, В.И. Формирование и опознавание образов / В.И. Васильев А.И. Шевченко. Изд-во: ДонГИИИ, 2000. - 359 с.

18. Вежневец, А. Выделение связных областей в цветных и полутоновы> изображениях / А. Вежнвец // Графика и мультимедия. 2003. Электронный ресурс. Режим доступа: http://cgm.graphicon.ru/content/view/53/62.

19. Видеотест, Универсальный анализатор изображений для медицины и биологии ВидеоТесТ-Морфология / Видеотест // Системы анализа изображений Электронный ресурс. Режим доступа http://www.videotest.ru/

20. Власов, Т.Д. Программная обработка телевизионного изображение микрососудов / Т.Д. Власов, В.Г Пантелеев // Физиологический журнал. 1995 -№6.-С. 148-150.

21. Волченко, Н.Н. Цитоморфометрическая диагностика дисплазий при дисгормонально-гиперпастических процессах молочной железы / Н.Н. Волченко, В.С.Медовый, Н.В.Климова, и др. // Клиническая лабораторная диагностика. 2006. - №5. - С. 52-54.

22. Востокмедсервис, Программно-технический комплекс «Морфология» / Востокмедсервис // Электронный ресурс. Режим доступа: http://vostokmedkom.m/products/soft/show.php?show=6

23. Воробьев, Н. Одномерный цифровой медианный фильтр с трехотсчет-ным окном / Н. Воробьёв // 2003. Электронный ресурс. Режим доступа: http://www.chipnews.ru/html.cgi/arhiv/9908/stat29.htm.

24. Вудс, Р. Цифровая обработка изображений / Р. Вудс, Р. Гонсалес. М, : Техносфера, 2006 г. - 1072 с.

25. Гаврилова, Т.А. Базы знаний интеллектуальных систем / Т.А. Гаврило-ва, В.Ф. Хорошевский. С-Пб.: Питер, 2001.-384 с.

26. Галушкин, А.И. Теория нейронных сетей. Кн. 1. / А.И. Галушкин. М, : ИПРРЖР, 2000.

27. Гиренко, А.В. Методы корреляционного обнаружения объектов / А. В, Гиренко, В.В. Ляшенко, В.П Машталир, Е.П. Путятин. Харьков : АО «Бизне-сИнформ», 1996.- 112 с.

28. Горелик, А.П. Методы распознавания / А.П. Горелик, В.А. Скрипкин, М.: Высшая школа, 1989. 216 с.

29. Грузман, И.С. Цифровая обработка изображений в информационных системах / И.С. Грузман, B.C. Киричук, и др. Новосибирск, 2000.

30. Даджион, Д. Цифровая обработка многомерных сигналов / Д. Даджи-он, Р. Мерсеро.; Под ред. Л.П. Ярославского. М.: Мир, 1988. - 488 с.

31. Дворкович, А.В. Цифровая обработка телевизионных и компьютерных изображений / А.В. Дворкович, В.П. Дворкович, Ю.Б. Зубарев и др. М. : Радио и связь, 1997. - 212 с.

32. Электронный ресурс. Режим доступа: http://www.diamorph.ru/aboutprog.html

33. Дуда, Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт. М.: Мир, 1976.-230 с.

34. Дюк, В.А. Информационные технологии в медико-биологических исследованиях / В.А. Дюк. СПб.: Питер, 2003. - 528 с.

35. Дюран, Б. Кластерный анализ / Б. Дюран, П. Одел. М. : Статистика. 1977.- 128 с.

36. Егоров, М.Ю. Использование компьютерных систем анализа изображений для автоматизации анализа спермы человека / М.Ю. Егоров, А.В. Струй. С.А. Шлыкова и др. // Клинико-лабораторный Консилиум. 2004. - №3. - С. 2728.

37. Егорова, О.В. Комплектация современных лабораторий медико-биологической направленности / О.В. Егорова // Клинико-лабораторный Консилиум. 2004. - №2. - С. 43-44.

38. Журавель, И.М. Краткий курс теории обработки изображений / И.М, Журавель // MatLab. 2003. Электронный ресурс. Режим доступа: http://matlab.krasu.ru/imageprocess/book2/index.asp.htm.

39. Зенина, М.Н. Морфометрические исследования эритроцитов в диагностике анемий / М.Н. Зенина, Е.И. Клыкова, Т.А. Карнилова, и др. // Клинико-лабораторный Консилиум. 2004. - №3. - С. 18-19.

40. Калинкина, Д. Проблема подавления шума на изображениях и видео и различные подходы к ее решению / Д. Калинкина, Д. Ватолин // Графика и мультимедия. 2005. Электронный ресурс. Режим доступа: http://cgm.graphicon.ru/content/view/74/64/2005.

41. Ким, О. Факторный, дискриминантный и кластерный анализ / О.Ким, Ч.У. Мьюллер, У.Р. Клекка и др.; Под ред. И.С. Енюкова. - М.: Финансы и статистика, 1989.-215 с.

42. Классификация и кластер. Сб. ст. / Под ред. Дж. Вэн Райзина. М. : Мир, 1980.-390 с.

43. Климов, А.С. Форматы графических файлов / А.С. Климов. СПб. : ДиаСофт, 1995.-480 с.

44. Козловская, JI.B. Учебное пособие по клиническим лабораторным методам исследованиям. 2-е изд. / J1.B. Козловская, А.Ю. Николаев,- М. : Медицина, 1984.- 288 с.

45. Красильников, Н.Н. Цифровая обработка изображений / Н.Н. Красиль-ников. Изд-во: Вузовская книга, 2001. 320 с.

46. Любина, А .Я. Клинические лабораторные исследования / А.Я. Люби-на, Л.П. Ильичева. М.: Медицина, 1984. - 288 с.

47. Мандель, И.Д. Кластерный анализ / И.Д. Мандаль. М. : Финансы и статистика, 1988. - 176 с.

48. Мариничев, К. Алгоритмы выделения параметрических кривых на основе преобразование Хафа / К. Мариничев, В. Вежневец // Графика и мульти-медия. 2006. Электронный ресурс. Режим доступа: http://cgm.graphicon.ru/content/view/107/62/.

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

50. B.C. Медовый, А.А. Парпара, A.M. Пятницкий и др. // Здравоохранение и медицинская техника. -2005. №4(18). - С. 42-43.

51. Медовый, B.C. Обзор методик автоматизированной микроскопии биоматериалов / B.C. Медовый, А.А. Парпара, A.M. Пятницкий и др. // Клиническая лабораторная диагностика. 2006. - № 7. - С. 15-20.

52. Мекос, Типы анализов и методик / Мекос // Медицинские компьютерные системы Электронный ресурс. Режим доступа: http://www.mecos.ru/mecosweb/techniquesrus.htm

53. Мюррей, Д.Д. Энциклопедия форматов графических файлов / Д.Д. Мюррей, У. Райнер. Киев : BHV, 1997. - 535 с.

54. Назарова, Е.К. Возможности применения систем анализа изображения для обнаружения и регистрации хламидийной инфекции при использовании метода иммунофлуоресценции / Е.К. Назарова, О.В. Егорова, М.Н. Зенина // Лаборатория. 2002. - №4, - С. 8-9.

55. Неймарк, Ю.И. Многомерная геометрия и распознавание образов / Ю.И. Нейрмарк // МАТЕМАТИКА. 1996. . Электронный ресурс. Режим доступа: http://visionai.ksu.m/index.php?m=6&a=4&n=9.

56. Новиков, К.В. Повышение эффективности лабораторных цитоморфо-логических исследований крови / К.В. Новиков // Микроэлектроника и информатика 98. Тез. Докл. всерос. межвуз. науч.-тех. конф. студентов и аспирантов: В 2 ч. Ч.1.- М : МИЭТ, 1998. - С. 199.

57. Павлидис, Т. Алгоритмы машинной графики и обработки изображений / Т. Павлидис. М.: Радио и связь, 1986. - 399 с.

58. Пантелеев, В.Г. Применение современных аппаратно-программных комплексов в цитологической практике / В.Г. Пантелеев // Атлас "Цитологическая диагностика заболеваний легких". 2005. - 199 с.

59. Парпара, А.А, Навигация по мазку крови при автоматическом подсчёте лейкоцитарной формулы и эритроцитометрии / А.А. Парпапра, A.M. Пятницкий, Б.З. Соколинский, и др. // Здравоохранение и медицинская техника. -2005.-№7(21).-С. 37-38.

60. Перегудов, Ф.И. Основы системного анализа / Ф.И. Перегудов, Ф.П Тарасенко. Томск : Изд-во HTJ1,1997. - 396 с.

61. Поваркова, А.В. Компьютерный анализ изображений вгмедицине' А.В. Поваркова // Морфология. 1997. - №5. С. 103-106.

62. Привалов, О.О. Автоматическая сегментация цифровых изображена медико-биологических препаратов методом кластерного анализа / О.О. Привг лов, JI.H. Бутенко // Современные наукоёмкие технологии: науч. теорети* журнал/-М. - 2007. - №10. - С. 79-80.

63. Прэтт, У. Цифровая обработка изображений. Кн.2. / У. Прэтт. М. Мир, 1982. -784 с.

64. Путятин, Е.П. Обработка изображений в робототехнике / Е.П. Пут* тин, С.И. Аверин. М : Машиностроение, 1990. - 320 с.

65. Пытьев, Ю.П. Морфологический анализ формы изображений / Ю.Г Пытьев // Электронный ресурс. Режим доступ; http://www.butovo.com/~zss/bwmorf.html

66. Садыков, С.С. Методы выделения структурных признаков изображ< ний / С.С. Садыков, В.Н. Кан, И.Р. Самандаров. Ташкент: Фан, 1990.- 104 с.

67. Соколинский, Б.З. Классификация лейкоцитов с использованием мет< дов обучающихся нейронных сетей и Watershed / Б.З. Соколинский, B.JI. Дем.янов, B.C. Медовый др. // Здравоохранение и медицинская техника. 2005. №4(18).-С. 35.

68. Сойфер, В.А. Методы компьютерной обработки изображений / В.А Сойфер. Физматлит, 2003. - 784 с.

69. Фор, А. Восприятие и распознавание образов/ А. Фор, под ред. Г.П Катыса. М.: Машиностроение, 1989.- 272 с.

70. Форсайт, Д. Компьютерное зрение. Современный подход / Д. Форсайт Д. Понс. Изд-во Вильяме, 2004. - 928 с.

71. Хорн, Б.К.П. Зрение роботов / Б.К.П. Хорн. М.: Мир, 1989. - 484 с.

72. Хуанг, Т.С. Обработка изображения и цифровая фильтрация / Т.С. Ху анг.-М. :Мир, 1979.-274 с.

73. Штейн, Г.И. Возможности анализатора изображений "ВидеоТесТ" дл проведения микрофотометрических исследований в цитологии / Г.И. Штейг В.Г. Пантелеев, А.В. Поваркова и др. // Цитология. 1998. - Том 40, № 10, С 913-916.

74. Яншин, В. Обработка изображений на языке СИ для IBM PC. Алгс ритмы и программы / В. Яншин, Г. Калинин. М.: Мир, 1994 - 245 с.

75. Ярославский, Л.П. Цифровая обработка сигналов в оптике и гологр< фии: Введение в цифровую оптику / Л.П. Ярославский М. : Радио и связ. 1987.-296 с.

76. Beaudet, P. Rationally Invariant Image Operations / P. Beaudet // in Inte. national Joint Conference on Pattern Recognition, Kyoto, Japan. 1978. - pp. 57< 583.

77. Borgefors, G. Distance Transformations in Digital mages / G. Borgefors Computer Vision, Graphics, and Image Processing. 1986. - №34. - pp. 344-371.

78. Bow, S.T. Pattern Recognition and Image Preprocessing / S.T. Bow, A Dekker.-New York, 1992.

79. Canny, J. A computational approach to edge detection / J. Canny // IEE Transactions on Pattern Analysis and Machine Intelligence. 1986. - № 8(6). - pp, 679-698.

80. Celenk, M. Hierarchical Color Clustering for Segmentation of Textured Im ages // Proc. of the 29th Southeastern Symposium on system Theory. 1997.

81. Cross, G.R. Markov Random Field Texture Models / G.R. Cross, A.K. Jail // IEEE Trans, on Pattern Analysis and Machine Intelligence. 1983.

82. Davis, E. Machine Vision: Theory, Algorithms, Practicalities / E. Davis. Academic Press, 1996.

83. Field, D.J. Relations between the Statistics and Natural Images and the Re sponses Properties of Cortical Cells / D.J. Field // Optical Soc. Am. 1987. -№4. pp. 2379-2394.

84. Forstner, W. A feature based correspondence algorithm for image matchinj / W. Forstner // Intl. Arch. Photogramm. Reemote Sensing. 1986. - №26. - pp. 150 166.

85. Haralick, R. M. Image Segmentation Techniques / R.M. Haralick, L. G Shapiro // Computer Vision, Graphics, and Image Processing. 1985. - №29.

86. Hueckel, M.H. An operator which Locates Edges in Digitized Pictures M.H. Hueckel //JACM. -1971. №1. - pp. 113-125.

87. Illingworth, J. A Survey of the Hough Transform / J. Illingworth, J. Kittle // CVGIP. 1988, - №44. - pp. 87-116.

88. Jain, R. Machine Vision / R. Jain, R. Kasturi, B.G. Schunck, 1995.

89. Jacob. M. Design of Steerable Filters for Feature Detection Using Canny Like Criteria /М. Jacob, M. Unser // IEEE Transactions on Pattern Analysis and Ma chine Intelligence. 1998. - №8. - pp. 1007-1019.

90. Konishi, S. A Statistical Approach to MultiScale Edge Detection / S. Kon ishi, A.L. Yuille, J.M. Coughlan // Proc. Workshop Generative-Model-Based Vision GMBV. 2002.-№2.

91. Koschan, A. Colour Image Segmentation a survey / A. Koschan, W. Skar bek // Graphics and media lab. 1994. Электронный ресурс. Режим доступа http://citeseer.nj.nec.com/78729.html.

92. Liu, J. Multiresolution Color Image Segmentation / J. Liu, Y-H. Yang / IEEE Trans, on Image Processing. 1994. -№ 16. - pp. 689-700.

93. Luo, J. Perceptual grouping ofsegmented regions in color images / J. Luc C. Guo // Graphics and media lab. 2003. Электронный ресурс. Режим доступа http: http://www.cs.ucla.edu/~cguo/publications.htm.

94. Lucchese, L. Color Image Segmentation / L, Lucchese, S.K. Mitra // i State-of-the-Art Survey. 2001.

95. Nayar, K. Parametric feature detection / K. Nayar, S. Baker, H. Murase / IEEE Transactions on Pattern Analysis and Machine Intelligence. 1996.

96. Meer, P. Smoothed differentiation filters for images / P. Meer, I. Weiss / Journal of Visual Communication and Image Representation. 1992. -№3(1). - pp 58-72.

97. Martin, D. Learning Affinity Functions for Image Segmentations / D. Mai tin // Pattern Recognition. 2003. - №9. - pp. 26.

98. Torre, V. On edge detection / V. Torre, T.A. Poggio // IEEE Transaction о Pattern Analysis and Machine Intelligence. 1986. - №8(2). - pp. 147-163.

99. Trajkovich, M. Fast corner detection / M. Trajkovich, M. Handley // Imag and Vision Computing. 1998. - №16. - pp. 75-87.

100. Tremeau, I. A Region growing and Merging Algorithm to color segment; tion /1. Tremeau, N. Borel // Pattern Recognition. 1997.

101. Weiss, I. High-order differential filters that work /1. Weiss // IEEE Tran action on Pattern Analysis an Machine Intelligence. 1994. - №16(7). - pp. 734-73S-128

102. СПИСОК ИСПОЛЬЗУЕМЫХ СОКРАЩЕНИЙ

103. АС автоматизированная система

104. САМ система автоматизированной микроскопии

105. ЦЯХ цвето-яркостные характеристики

106. RGB цветовое пространство red, green, blue (красный, зелёный, синий) HSV - цветовое пространство hue, saturations, brightness (цвет, насыщенность, яркость)

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.