Разработка алгоритмов автоматизированной системы распознавания клеток крови тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Панов, Степан Александрович

• Панов, Степан Александрович
• кандидат наук
• 2017

Оглавление диссертации кандидат наук Панов, Степан Александрович

Оглавление Стр.

Вводимые сокращения и обозначения

Введение

Глава 1. Анализ современных методик микроскопического анализа

биоматериалов

1.1. Исследуемые объекты

1.2. Сравнение характеристик цитологических анализаторов

1.3. Современное состояние отрасли

Глава 2. Разработка системы распознавания клеток крови

2.1. Постановка задачи 3

2.2. Требования к алгоритму обнаружения

2.3. Исследование и выбор критериев для обнаружения

2.3.1. Основные принципы, положенные в основу алгоритма обнаружения

2.3.2. Характерискики, используемые при обнаружении ядер

2.3.3. Гистограмма яркости поля зрения исследумого препарата

2.3.4. Выбор цветовых характеристик, используемых при обнаружении ядер лейкоцитов

2.3.5. Возникающие проблемы и пути решения

2.4. Алгоритм обнаружения и классификации клеток

2.4.1. Модель цветовых характеристик односвязного объекта

2.4.2. Модель цветовых характеристик группы однородных объектов

2.4.3. Общая схема алгоритма обнаружения лейкоцитов

2.4.4. Алгоритм обнаружения, основанный на гистограмме яркости

2.4.5. Алгоритм обнаружения первичных объектов

2.4.6. Алгоритм обнаружения вторичных объектов

2.4.7. Примеры обнаружения ядер, артефактов и эритроцитов на плоскости относительных цветов

2.4.8. Автоматическая сегментация границ клеток крови

2.4.9. Распознавание клеток 77 2.5. Алгоритм автоматической фокусировки

2.5.1. Критерии оценки фокуса

2.5.2. Фокусировка при скрининге мазка крови

2.5.3. Общая характеристика методов оценки качества фокуса

2.5.4. Спектральная оценка фокуса

2.5.5. Алгоритм оценки фокуса, основанный на исследовании перепадов гистограммы яркости

2.5.6. Значимость изменения оценки фокуса

2.5.7. Алгоритмы оценки фокуса полного кадра

2.5.8. Алгоритмы оценки фокуса изображения лейкоцита

2.5.9. Выводы

Глава 3. Разработка оптимальной сканирующей системы

3.1. Уровень техники. Аналоги 101 3.2 Область исследований при определении оптимальной конструкции

СКАМ

3.3. Аналитический критерий качества СКАМ

3.3.1. Зависимость увеличения и площади препарата от характеристик адаптера камеры

3.3.2. Условия сканирования без потери разрешения цифрового изображения

3.3.3. Скорость перемещения препарата, соответствующая максимальной скорости передачи цифрового изображения

3.3.4. Допустимое время экспозиции при съемке на максимальной скорости передачи цифрового изображения

3.3.5. Допустимые скорости перемещения препарата при заданном времени экспозиции

3.3.6. Увеличение в адаптере, максимизирующее скорость сканирования

3.3.7. Зависимость времени сканирования от параметров объективов, адаптеров и камер

3.3.8. Скорость сканирования при оптимальном времени экспозиции

3.3.9. Скорость сканирования при заданном времени экспозиции

3.3.10. Сканирование с заданной выдержкой при неравномерном перемещении препарата

3.4. Зависимость фокусной поверхности от глубины фокуса и плоскостных характеристик препарата и оборудования

3.4.1. Выбор размеров области сканирования и кусочно-линейная аппроксимация поверхности оптимального фокуса с использованием значений глубины фокуса и плоскостных характеристик

о борудования

3.4.2. Измерение фокусной поверхности в опорных точках с помощью дополнительного объектива

3.5. Применение теоретических исследований конструкции СКАМ

Глава 4. Результаты исследований

4.1. Методика испытаний комплекса автоматизированной микроскопии

4.1.1. Испытания системы съемки

4.1.2. Испытания системы навигации

4.1.3. Испытания системы сбора выборки

4.1.4. Испытания системы классификации лейкоцитов

4.1.5. Испытания системы контроля качества препарата

4.1.6. Испытания системы измерения

4.1.7. Испытания системы диагностики

4.1.8. Испытания системы информатизации

4.2. Результаты экспериментов с программами сегментации изображений клеток крови

4.2.1. Материалы и методы исследования

4.2.1. Результаты исследований

4.3. Теоретические оценки скоростей сканирования СКАМ

Выводы и заключение

Список литературы

160

Вводимые сокращения и обозначения

СКАМ - сканирующий комплекс автоматизированной микроскопии КАМ - комплекс автоматизированной микроскопии ДКАМ - диалоговый комплекс автоматизированной микроскопии САИ - система анализа изображений

ИКАМ - интеллектуальный комплекс автоматизированной микроскопии АКАМ - автономный комплекс автоматизированной микроскопии ССМ - специализированный сканирующий микроскоп

Введение диссертации (часть автореферата) на тему «Разработка алгоритмов автоматизированной системы распознавания клеток крови»

Введение

Актуальность темы

В настоящее время одним из ведущих современных методов диагностики разного рода заболеваний является микроскопический анализ клеток и тканей. При этом, как известно, кровь является зеркалом организма, поскольку это связующее звено между всеми органами и системами. На протяжении более 200 лет и до настоящего времени диагностика микроскопических биоматериалов выполняется вручную с визуальной качественной или полуколичественной оценкой объектов исследования. Такая диагностика требует высокой квалификации врача, трудоемка, а также связана с высоким физическим напряжением и психологическим дискомфортом.

Техника подсчета, измерения и сортировки клеточных частиц, в том числе крови, называется цитометрией. В отличие от визуальной микроскопии методы цитометрии позволяют описывать клеточную популяцию с помощью объективно измеряемых количественных показателей. Наиболее широкое распространение получила проточная цитометрия (flow cytometry) благодаря автоматизации, высокой скорости работы и безопасности для персонала. Однако эта методика имеет ряд существенных недостатков, а именно, ограниченный набор измеряемых параметров, отсутствие возможности контроля, высокая стоимость оборудования и расходных материалов.

Поэтому, альтернативный метод - автоматизированная компьютерная микроскопия всегда останется актуальным. В последнее время предпринимаются многочисленные попытки автоматизировать микроскопические исследования для достижения приемлемой трудоемкости и качества анализа. Накопленный опыт показывает, что разработка комплексов автоматизированной микроскопии (КАМ) требует решения разнообразных программных, математических, аппаратных, методических

задач. В итоге, можно следующим образом охарактеризовать задачи анализа мазка крови:

- переменная концентрация анализируемых объектов, от 100 до 0,0001 в одном поле зрения;

- сложная форма области расположения объектов в препарате;

- более 20 типов объектов в препарате, определяемых качественными параметрами;

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

- возможны нечеткие, прерывистые контуры объектов;

- возможно наличие помех (грязь).

На сегодня существует несколько исследовательских систем для анализа мазков крови, недоступных для рутинных анализов по своей цене либо по скорости работы.

В связи с этим, тема данной диссертационной работы, посвященная разработке системы и алгоритмов для автоматического анализа крови, является актуальной. Цель и задачи диссертации

Целью диссертации является разработка автоматизированной системы и алгоритмов для обнаружения, сегментации и классификации форменных элементов крови.

В диссертации решаются следующие задачи:

1. Разработка алгоритмов обнаружения клеточных элементов крови с учетом вариабельности окраски препарата и наличия артефактов.

2. Разработка алгоритма сегментации обнаруженных клеток, с целью классификации объектов на предварительно заданные типы.

3. Разработка алгоритма распознавания обнаруженных клеток.

4. Рациональный выбор элементов сканирующего микроскопа анализатора для проведения микроскопических исследований с целью минимизации времени сканирования.

5. Разработка метода автоматической фокусировки и оценки качества фокуса на эритроцитах и лейкоцитах.

6. Разработка алгоритма построения аппроксимированной плоскости фокуса для минимизации количества фокусировок и времени сканирования препарата.

7. Анализ временных диаграмм сканирования различных мазков крови для оптимизации алгоритмов сканирования.

Общая методика исследований

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

Для решения поставленных задач использовано компьютерное моделирование. Также собрана представительная выборка мазков крови с различным качеством приготовления препаратов от различных пациентов лечебных учреждений города Москвы.

Разработанные в диссертации методы и алгоритмы ориентированы на использование стандартных персональных компьютеров среднего ценового диапазона. Научная новизна

1. Предложены разработанные критерии и итерационный алгоритм обнаружения, сегментации и распознавания лейкоцитов в мазке крови

2. Разработана математическая модель аппроксимированной плоскости фокусировки для сканирования мазков крови

3. Разработан метод автоматической фокусировки и оценки её эффективности на мазке крови для достоверного определения сфокусированного изображения.

4. Предложен метод рационального выбора оптимальной сканирующей системы с точки зрения разрешения, скорости сканирования и цены.

5. Представлены результаты исследований временных характеристик комплекса на основе собранной представительной выборки препаратов.

Практическая ценность диссертации

1. Разработанная система повышает информативность, объективность и точность анализов мазков крови.

2. Разработанные методики повышают эффективность работы и обеспечивают интеллектуальную поддержку при принятии решений при анализе мазков крови.

3. Разработанная система может быть использована для сканирования различных выделяемых биоматериалов.

4. Разработанные алгоритмы могут быть использованы при решении трудоемких исследовательских задач по лабораторной диагностике. (Паразитология, гистология, иммуногистохимия и пр).

Положения, выносимые на защиту

1. Требования к системе и алгоритму обнаружения при определении лейкоцитарной формулы.

2. Алгоритм обнаружения клеток крови с учетом вероятности пропуска и ложного срабатывания.

3. Алгоритм сегментации и распознавания обнаруженных клеток.

4. Алгоритм оценки качества фокуса, а также построение аппроксимированной плоскости фокусировки и ее применимость.

5. Результаты рационального выбора элементов сканирующей системы с целью оптимизации разрешения и минимизации времени сканирования.

6. Результаты моделирования аппроксимированной плоскости фокусировки для различных увеличений микроскопа.

Достоверность полученных результатов

Достоверность полученных результатов подтверждается проведенными

испытаниями алгоритмов на реальных препаратах в различных лечебных

учреждениях, которые показали идентичность результатов работы системы и ручной микроскопии для одних и тех же пациентов. Внедрение результатов работы:

Результаты исследований использованы:

1. При создании Комплекса автоматизированной микроскопии МЕКОС-Ц2. Производитель ООО МЕКОС, ФСР 2011/10003

2. НИОКР: Разработка импортозамещающей технологии производства семейства сканирующих микроскопов с программным комплексом для цитологических, гистологических, иммуногистохимических анализов при диагностике онкологических заболеваний

Апробация работы

Материалы диссертации апробированы на международной научной конференции (Физика и радиоэлектроника в медицине и экологии, г. Суздаль, 2016 г). Публикации

Основные результаты диссертации изложены в 8 научных работах, включая 1 отчет по НИОКР, 1 заявку на изобретение. Из них 5 -опубликованы в рецензируемых журналах по Перечню ВАК РФ общим объемом 2.7 п.л. Аннотация

В первой главе определены объекты анализа. Рассмотрены отечественные и зарубежные стандарты, применяемые при анализе мазков крови. Определены такие измеряемые параметры клеток, как: форма, размер, цвет, текстура, оптическая плотность. Обозначена проблема вариабельности окраски препарата идентичными методами. Проведен сравнительный анализ функциональных возможностей анализаторов различных типов и текущее состояние отрасли.

Во второй главе представлены разработанные алгоритмы распознавания клеток крови. Определены промежуточные задачи. Сформулированы требования к оборудованию, которое используется при автоматическом

анализе мазков крови. Исследованы и выбраны критерии для обнаружения ядросодержащих клеток, а также разработан итерационный алгоритм обнаружения и предварительной классификации клеток. Рассмотрены алгоритмы относительной спектральной оценки фокуса и абсолютной оценки, основанной на исследовании гистограммы яркости изображения. В третьей главе рассмотрен рациональный выбор элементов комплекса автоматизированной микроскопии и представлена модель сканирующей системы для оптимизации таких параметров как разрешение, скорость сканирования и доступность элементов. Для оптимизации исследуются такие параметры, как: размер пикселя камеры, размер матрицы камеры, увеличение адаптера микроскопа, увеличение объектива микроскопа, апертура объектива, освещенность, чувствительность сенсора, минимальное время экспозиции, скорость обработки, возможность съемки в движении, допустимые скорости перемещения препарата.

В четвертой главе представлены результаты испытаний разработанных алгоритмов и гипотез на реальных препаратах и реальном оборудовании. Рассматриваются перспективы развития системы и применимость данных алгоритмов для различных биоматериалов - моча, смывы, фекалии, урогенитальные выделения. Проверяется применимость плоскости предсказанной фокусировки, используемой для минимизации количества фокусировок.

В выводах и заключении формулируются полученные результаты, оценивается их вклад в теорию и практику разработки сканирующих автоматизированных систем.

Глава 1. Анализ современных методик микроскопического анализа биоматериалов

1.1. Исследуемые объекты

В настоящее время одной из областей лабораторной диагностики, где преобладает субъективный качественный анализ, является микроскопия. Автоматическая микроскопия предназначена для замены трудоемких ручных методик анализа клеток крови, основанных на визуальных оценках изображения. Ручные методики регламентированы указаниями и рекомендациями медицинских стандартов [1, 2]. Данные стандарты носят качественный характер. При этом обучение врачей производится рассмотрением ограниченного количества характерных изображений клеток крови различных типов, размещенных в атласах. Практически отсутствуют количественные характеристики (за исключением весьма широких диапазонов размеров клеток). Это связано с высокой естественной изменчивостью биологических объектов, со слабо контролируемой технологией приготовления препаратов и с ограниченными возможностями их визуального измерения. Визуальная классификация не всегда однозначна, поскольку критериями одновременно являются и форма, и цвет, и текстура клеток. На Рисунке 1.1 представлены примеры клеток крови различных типов при различных технологиях приготовления препаратов [3].

Использование в качестве основного инструмента зрительного анализатора человека соответствует характеру стандартизованных форм результатов анализа - это либо качественное описание препарата (преобладают/встречаются/одиночные клетки типов...), либо полуколичественное (подсчитываются проценты подтипов клеток некоторого типа в выборке небольшого заданного объема, например, лейкоцитарная формула; по баллам оцениваются характеристики морфологии и т.п.).

Препарат 1

Нейтрофил

I

О

Эозинофил

Препарат 2 V Ж Ж ^Н .

Рисунок 1.1. Вариации окраски и формы клеток крови. Цвет цитоплазмы нейтрофила в первом препарате практически неразличим с цветом цитоплазмы эозинофила во втором, хотя внутри каждого препарата цвета заметно отличаются

Описательный качественный характер параметров клеток крови не является единственно возможным и связан не только с природой клетки, но и с возможностями зрительного анализатора врача (глаза). Ключевым ограничением визуальной микроскопии является также низкая представительность собираемых выборок объектов. Применение технологии КАМ может принципиально изменить определение объектов анализа, переведя их в область количественного анализа, принципиально увеличить представительность анализируемых выборок.

Автоматизация методики анализа мазков крови сводится к полному или частичному исключению врача из процесса микроскопии, включая идентификацию препарата, управление микроскопом (перемещение, фокусировка препарата, контроль качества условий наблюдения), выбор в препарате пригодных областей (обеспечение представительности выборки), распознавание заданных объектов анализа (клеток), их подсчет. Важными

параметрами комплекса при этом являются время автоматического анализа и устойчивость к различного рода отклонениям характеристик препаратов от нормальных.

Стандартные медицинские методики микроскопического анализа используют свойства глаз человека мгновенно распознавать соотношения формы, оттенков, текстуры сложных изменчивых объектов. При подсчете лейкоцитарной формулы исследуемых клеток много, а требования к точности анализа невелики (выборка в 100-200 объектов). Такой анализ, при наличии достаточного числа опытных врачей-лаборантов, может выполняться в массовом порядке. Значительно хуже справляются глаза человека с задачей дифференциального подсчета более представительных выборок клеток (500) и тем более с большим количеством измерений (например, такие недоступные проточным гемоанализаторам анализы, как определение индекса овалоцитоза эритроцитов, подсчет Ag-NOR меток лимфоцитов). Психологически и физически для человека трудны также задачи поиска редких клеток, подсчета сложных дифференциальных формул, аккуратного просмотра больших пространств препарата (например, подсчет формул при лейкопении, подсчет патологических типов эритроцитов). Порядок просмотра препаратов врачом в обычном микроскопе субъективен из-за отсутствия количественных критериев выбора маршрута. Поиск объектов, как правило, требует длительного высокого напряжения. Эти факторы отрицательно сказываются на представительности выборки клеток для анализа. Поэтому доминировавшая до последнего времени ручная микроскопия даже при высокой квалификации врача-лаборанта тяжела, субъективна и ограничена по своим реальным возможностям. Далеко не вся присутствующая в цитологическом препарате диагностическая информация может быть извлечена глазами врача [4, 5, 6, 7].

1.2. Сравнение характеристик цитологических анализаторов

Представленные на рынке комплексы микроскопии весьма разнообразны по уровню автоматизации. По этому критерию современные системы можно разделить на несколько групп:

1. Применение информационных технологий (база данных, документация, телемедицина).

2. Анализ отдельных изображений для определения характеристик популяции объектов препарата.

3. Автоматизация процесса работы с микроскопом. (автоматическое перемещение и фокусировка, поиск объектов).

Большинство микроскопов относится к группе стандартных микроскопов с ручным управлением и отсутствием автоматического анализа. При использовании микроскопов этого типа ответственность за выбор объектов, условий наблюдения и за результаты анализа ложится на лаборантов.

Ко второй группе можно отнести диалоговые КАМ (ДКАМ), online microscopy, в которых изображение поля зрения с помощью видеокамеры передается в компьютер и обрабатывается системами анализа изображений (САИ). В такой системе лаборант несет ответственность за выбор объектов и за условия наблюдения, управляя процессом микроскопии.

В случае объектов с четкими границами САИ может автоматически выполнять измерение и количественный анализ выбранных или всех объектов поля зрения. В случае нечетких границ размеры или границы определяются в диалоге. Степень автоматизации анализа введенного кадра зависит от специализации САИ под конкретный анализ или биоматериал. На рынке представлены сотни универсальных и специализированных ДКАМ и САИ производства различных фирм [8, 9, 10, 11]. Среди отечественных САИ представлены программы фирм МЕКО^ ВИДЕОТЕСТ, ДИАМОРФ и др.

Следующую группу представляют микроскопы, встроенные моторизованные элементы которых выполняют вспомогательные операции

микроскопии: упрощают выбор условий наблюдения, облегчают и контролируют перемещение и фокусировку препарата, смену объективов, фильтров, освещения и др. К таким микроскопам, как и к системам ДКАМ, обычно подключаются видеокамера и компьютер, через который они могут управляться. КАМ этой группы называются интеллектуальными (ИКАМ), smart microscopy.

Рисунок 1.2. Схема оборудования ИКАМ и АКАМ

Производители ИКАМ снабжают их программным обеспечением общего назначения для выполнения таких функций, как сканирование заданных траекторий, возврат в заданные точки, визуализация траектории просмотра, фиксация изображения поля зрения в базе данных, автофокусировка, удаленное управление микроскопом. ИКАМ комплектуются либо на базе обычных ручных микроскопов с заменой штатного предметного стола на моторизованный и с добавлением узлов моторизованной фокусировки, смены объективов, фильтров и блока управления [12, 13, 14, 15], либо ИКАМ разрабатывается как отдельный полностью интегрированный тип микроскопа [8, 9, 10, 11]. Первый путь позволяет выпускать широкую линейку ИКАМ на базе ручных микроскопов разных типов.

Основное назначение ИКАМ - автоматизация рутинных повторяющихся операций микроскопии. Примером является виртуальная микроскопия, когда формируется и сохраняется сплошное расширенное сфокусированное изображение препарата, состоящее из множетсва соседних

полей зрения. ИКАМ могут автоматизировать операции по выбору условий наблюдения, но сохраняют за врачом ответственность за сбор выборки объектов анализа. Таким образом, ИКАМ относятся к информационному уровню автоматизации микроскопии. В перспективе ИКАМ способны в ближайшие 5-10 лет вытеснить ручные микроскопы.

Последний класс образуют КАМ, позволяющие снять с лаборанта ответственность за сбор выборки объектов и за выбор условий их наблюдения. Такие системы микроскопии называются автономными (АКАМ), offline microscopy. АКАМ могут решать все основные задачи медицинской микроскопии: съемка препарата, сбор выборки объектов анализа, сортировка и/или измерение популяции, информатизация. Наибольшие отличия АКАМ от ранее рассмотренных систем микроскопии состоят в самостоятельном решении задачи сбора представительной выборки объектов препарата. АКАМ автоматически перемещает препарат и фокусируется, выбирает траекторию просмотра в зависимости от распределения биоматериала, контролирует качество освещения и окраски, обнаруживает и записывает в базу данных изображения объектов заданных типов. Выполняется измерение и анализ автоматически собранной выборки объектов. Кроме автоматизированного микроскопа и системы анализа изображений в состав АКАМ входит система управления моторизованным оборудованием. АКАМ зависит от уровня стандартизации подготовки биоматериала. Поэтому система подготовки препарата является либо его частью, либо АКАМ имеет средства контроля качества препарата. Таким образом, АКАМ создает все 3 уровня автоматизации микроскопии (информатизация, анализ отдельных изображений, автоматизация микроскопа).

Главное назначение АКАМ - анализ препаратов с невысокой и низкой концентрацией анализируемых объектов, когда поиск и обнаружение выборки объектов для анализа является наиболее трудоемкой операцией.

Обслуживание АКАМ может осуществляться младшим медицинским персоналом. При этом врач-лаборант рассматривает отобранные галереи объектов на экране компьютера, что значительно повышает информативность и качество анализа, а также повышает производительность труда. Концентрированность и наглядность информации, защита данных, система подсказок, контроль качества, ретроспективный анализ дополнительно уменьшают вероятность диагностических ошибок. Появляется реальная возможность массового применения углубленных количественных анализов, увеличивается диагностическая значимость анализа.

В настоящее время на рынке гемоанализаторов наиболее широко представлены автоматические проточные системы, основанные на измерениях электромагнитных свойств отдельных клеток [16], и ручные микроскопы для визуальных исследований мазков крови. Доля последних постепенно снижается, уступая часть рынка комплексам автоматизированной микроскопии (КАМ), выполняющим функции автоматического гемоанализатора с диалоговой поддержкой визуальных и количественных анализов. К методикам ручной микроскопии относятся такие, в которых не применяются компьютерные информационные средства, отсутствуют функции автоматического сбора и количественного анализа выборки объектов.

Морфологические свойства клеток, в соответствии с современными представлениями, имеют весьма значительную диагностическую значимость, идентифицируя функциональные типы клеток [16, 17]. Морфологические свойства выявляются при применении разнообразных методик приготовления препарата. Морфология клеток при постановке задачи цитоанализа представлена основанными на визуальной микроскопии качественными понятиями, такими как округлость, зернистость, гомогенность и т.п. Почти полное отсутствие в справочниках по медицинской цитологии количественных характеристик морфологии (за

исключением простейших оценок площади или диаметра) связано со сложностью пространственной структуры клеток и с отсутствием до последнего времени приемлемых по трудоемкости и точности средств количественного анализа. В существующих руководствах [18, 17] до сих пор отсутствуют диапазоны норм для морфологических характеристик эритроцитов. Качественные описания морфологии клеток принципиально не позволяют провести между морфологическими типами клеток четких границ, поэтому наличие или отсутствие промежуточных форм, их доля, соответствие функции, остаются открытыми вопросами. Количество фактически различаемых морфологических типов ограничено возможностями зрительного анализатора среднестатистического врача. Высокая вариабельность представительности известных визуальных типов клеток в исследуемых препаратах приводит к широким диапазонам нормы, что ограничивает диагностическую значимость анализа. Вместе с тем эта вариабельность вызвана не только естественной биологической изменчивостью, но и вынужденной расплывчатостью определений и связанной с этим ограниченностью состава различаемых морфологических типов. Для увеличения состава различаемых типов функций клеток во все возрастающей степени применяются неморфологические признаки (цитохимические, иммуноцитохимические и другие типы меток). Наибольшей диагностической значимостью (по крайней мере, потенциально) обладают методики, позволяющие определять как морфологические, так и неморфологические признаки одной и той же клетки. Реализация таких комплексных методик вызывает значительные технические трудности. В настоящее время число таких методик невелико, но, по-видимому, будет нарастать по мере развития лабораторной техники.

Каждый из указанных 4-х типов методик (проточный анализатор, ручная микроскопия, диалоговый КАМ, автоматический КАМ) имеет принципиальные преимущества и ограничения. В частности, разные типы

цитоанализаторов обладают различными возможностями реализации простых (по однородности состава признаков) и комплексных методик.

На основе литературных данных в таблице 1 представлены сравнительные характеристики цитоанализаторов различных типов.

Таблица 1. Характеристики анализаторов различных типов

Тип анализатора Проточный Ручной Диалоговый Автоматическ

микроскоп + КАМ + врач ий КАМ +

врач врач

1 2 3 4 5

Максимальный 100 000 и до 500 обычно до до 10000

объем выборки более 1000; макс.

анализируемых 10 000

объектов

Скорость 100000 до 30/мин 30-100/мин до 500/мин

измерений /мин

(определения)

объектов

Состав Простые Сложные Сложные Сложные

измеряемых количеств. качеств. качеств.и количеств.

(определяемых) количеств.

признаков

Минимальный Большой Малый, Малый, Малый,

объем >1 мл, определяется определяется определяется

биоматериала >10000 только только только

для анализа объектов пробоподг. пробоподг. пробоподг.

Таблица 2. Продолжение

1 2 3 4 5

Возможность обнаружения объектов с низкой концентрацией ограничена Возможно Возможно Возможно

Разнообразие состояний биоматериала только суспензия Большое Большое Большое

Точность количеств. (полуколич). анализа высокая низкая Средняя/ высокая Средняя/высока я

Наличие визуального контроля Нет Есть Есть Ограничен

Основное диагностич. применение Обнаруж. патологии Дифференц. диагностик а Дифференц. диагностика Обнаруж. Патологии; Дифференц. диагностика

Цена прибора 5-100 тысяч $ 1-15 тысяч $ 5-25 тысяч $ 15-100 тысяч $

Трудоемкость анализа Низкая Высокая средняя Низкая

Требуемая квалификация при эксплуатации Низкая высокая высокая низкая

Основные преимущества проточной цитометрии связаны с:

- большими объемами выборки и высокой воспроизводимостью результатов;

- высокой точностью определения концентраций (за исключением весьма низких) объектов в объеме препарата;

- применением количественных оценок объектов анализа (измерений);

Список литературы диссертационного исследования кандидат наук Панов, Степан Александрович, 2017 год

Список литературы

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

2. Воробьев А.И. Руководство по гематологии. Москва, Медицина. 1985.

3. Медовый Вл.С., Медовый Вит.С., Иванов А.В. Патент РФ на изобретение 2121714, 1998. Способ автоматизированной сегментации изображения цитологического препарата.

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

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

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

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

8. Karl Zeiss Co.: www.zeiss.com 25.11.2016

9. Leica, www.leica-microsystems.com 25.11.2016

10.Nicon, www.nikon.com 25.11.2016

11.Olympus, www.olympus.com 25.11.2016

12.Ludl Electronic products. www.ludl.com 15.10.2016

13.MARZHAUSER, www.marzhauser.com 15.10.2016

14.Prior Scientific, www.prior.com 15.10.2016

15.МЕКОС, www.mecos.ru 22.10.2016

16.Wintrobe's clinical hematology, 11th Ed. Lippincot Williams&Wilkins Publisher, 11th edition (December 2003).

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

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

19.Байдун Л.В., С.А.Кашпор, А.А.Парпара, С.А.Плясунова, А.М.Пятницкий, Б. З. Соколинский. Автоматическая эритроцитометрия в роботизированном микроскопе МЕКОС-Ц1. Клиническая лабораторная диагностика №6, 2003 г, стр.39-42.

20.Плясунова С.А., Р.Ш. Балугян, К.Е. Хмельницкий, В.С. Медовый, А.А. Парпара, А.М. Пятницкий, Б.З. Соколинский, В.Л. Демьянов, Д.С. Николаенко. Автоматизированные методики микроскопических анализов мазков крови - медицинские испытания комплекса МЕКОС-Ц2. Клиническая лабораторная диагностика, №10, 2006, стр. 22-24, 33-39.

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

22.Cellavision, www.cellavision.com 12.10.2016

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

24.Angulo J, Flandrin G. Automated detection of working area of peripheral blood smears using mathematical morphology. Anal Cell Pathol. 2003;25(1):37-49.

25.Bacus J.W; Rush-Presbyterian-St. Luke's Medical Center, Chicago, 1ll. - Заявл. 3.02.78; опубл. 22.04.80. Automated method and apparatus for classification of cells with application to the diagnosis of anemia: Пат. 4,199,748 США: МКИ G 06 K 9/00; НКИ 340/146.3

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

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

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

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

30.Парпара А.А., Пятницкий А.М.,Соколинский Б.З., Медовый В.С., Демьянов В. Л. Навигация по мазку крови при автоматическом подсчёте лейкоцитарной формулы и эритроцитометрии. Здравоохранение и медицинская техника, №7, 2005 г., стр. 37-38.

31.Погорелов В.М.,Медовый В.С., Соколинский Б. З.,Пятницкий А.М., Козинец Г.И. Методы компьютерной цитологии в гематологических исследованиях. Клиническая лабораторная диагностика, 1997, N 11, стр. 40-44.

32.Вапник. В. Н. Машины, обучающиеся распознаванию образов. - В сб.: Алгоритмы обучения распознавания образов. М., Сов. Радио, 1973.

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

34.Пратт У. Цифровая обработка изоображений. М.Мир 1982

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

36.Пратт У. Цифровая обработка изоображений. М.Мир 1982

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

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

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

40.Microscopy slide scanner with variable magnification. Huron Technologies International Inc. US Patent 20160004062

41.Electronic mosaic imaging process US Patent 4760385 A (Jannson et al.)

42.METHOD FOR MAINTAINING HIGH-QUALITY FOCUS DURING HIGH-THROUGHPUT, MICROSCOPIC DIGITAL MONTAGE IMAGING, Arthur W. Wetzel and other, US Patent 20020114497A1

43.OPTIMIZING VIRTUAL SLIDE IMAGE QUALITY, Allen Olson and other, APERIO TECHNOLOGIES INC., US Patent 20120114204A1

44.Dirk G. Soenksen, FULLY AUTOMATIC RAPID MICROSCOPE SLIDE SCANNER. Patent US 2012/0075457 A1, Mar. 29, 2012 U.S. Patent 6,711,283

45.Dirk G. Soenksen, FULLY AUTOMATIC RAPID MICROSCOPE SLIDE SCANNER. Patent US 2012/0075457 A1, Mar. 29, 2012 U.S. Patent 6,711,283

46.Бахолдин А.В. Оптические микроскопы. Учебное пособие. СПб: НИУ ИТМО, 2012. - 68 с.

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

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

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