Метод і алгоритми сегментації біомедичних зображень на основі попередніх розміток

У статті розглянуто задачу автоматизованого виділення мікрооб’єктів на біомедичних зображеннях та визначення кількісних оцінок якості алгоритмів сегментації. Запропоновано метод сегментації зображень на основі попередніх розміток. Розроблено алгоритми автоматизованого виділення мікрооб’єктів на біом...

Повний опис

Збережено в:

Бібліографічні деталі
Опубліковано в: :	Штучний інтелект
Дата:	2010
Автор:	Батько, Ю.М.
Формат:	Стаття
Мова:	Українська
Опубліковано:	Інститут проблем штучного інтелекту МОН України та НАН України 2010
Теми:	Интеллектуальные интерфейсы и распознавание образов. Системы цифровой обработки изображений
Онлайн доступ:	https://nasplib.isofts.kiev.ua/handle/123456789/58375
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Метод і алгоритми сегментації біомедичних зображень на основі попередніх розміток / Ю.М. Батько // Штучний інтелект. — 2010. — № 4. — С. 140-149. — Бібліогр.: 18 назв. — укр.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

_version_	1860105988275699712
author	Батько, Ю.М.
author_facet	Батько, Ю.М.
citation_txt	Метод і алгоритми сегментації біомедичних зображень на основі попередніх розміток / Ю.М. Батько // Штучний інтелект. — 2010. — № 4. — С. 140-149. — Бібліогр.: 18 назв. — укр.
collection	DSpace DC
container_title	Штучний інтелект
description	У статті розглянуто задачу автоматизованого виділення мікрооб’єктів на біомедичних зображеннях та визначення кількісних оцінок якості алгоритмів сегментації. Запропоновано метод сегментації зображень на основі попередніх розміток. Розроблено алгоритми автоматизованого виділення мікрооб’єктів на біомедичних зображеннях на основі попередніх розміток та критерій оцінювання результатів роботи алгоритмів сегментації. В статье рассматривается задача автоматизированного выделения объектов на биомедицинских изображениях и определения количественных оценок качества алгоритмов сегментации. Предлагается метод сегментации изображений на основании предварительных разметок. Разработаны алгоритмы автоматизированного выделения объектов на биомедицинских изображениях на основе предварительных разметок, а также критерий оценивания результатов работы алгоритмов сегментации. In the article the problem of automated objects selection on biomedical images and determination of quantitative evaluation of segmentation algorithms quality is considered. It’s proposed a method of images segmentation on the basis of previous labeling. It is developed the algorithm of the automated objects selection on biomedical images on the basis of previous labeling and also evaluation criterion of operation of segmentation algorithms.
first_indexed	2025-12-07T17:31:05Z
format	Article
fulltext	«Искусственный интеллект» 4’2010 140 4Б УДК 004.932.2 Ю.М. Батько Тернопільський національний економічний університет, м. Тернопіль, Україна programer_tang@ukr.net Метод і алгоритми сегментації біомедичних зображень на основі попередніх розміток У статті розглянуто задачу автоматизованого виділення мікрооб’єктів на біомедичних зображеннях та визначення кількісних оцінок якості алгоритмів сегментації. Запропоновано метод сегментації зображень на основі попередніх розміток. Розроблено алгоритми автоматизованого виділення мікрооб’єктів на біомедичних зображеннях на основі попередніх розміток та критерій оцінювання результатів роботи алгоритмів сегментації. Вступ Мікроскопічне дослідження біомедичних зображень є одним з найстарших і перевірених часом методів діагностики злоякісних новоутворень [1]. Для автоматизації процесу аналізу зображень використовуються інформаційно-аналітичні системи (ІАС). ІАС – це особливий клас інформаційних систем, призначених для аналітичного оброб- лення даних. Проте у більшості вітчизняних біомедичних лабораторій дослідження медико-біологічних препаратів проводиться у ручному режимі. Для автоматизації про- цесу мікроскопії, а саме, розпізнавання і вимірювання мікрооб’єктів аналізу, застосо- вується підклас ІАС – системи автоматизованої мікроскопії (САМ). САМ – це апаратно- програмна система, до складу якої входять моторизований керований мікроскоп, відео- камера, комп’ютер, функціональні програми-методики [2]. В цілому використання си- стем автоматизованої мікроскопії дозволяє прискорити діагностику захворювань, сприяє зменшенню суб’єктивності та збільшенню якості опису біомедичних зображень. Біомедичними зображеннями будемо називати зображення, отримані за допомо- гою будь-якої біомедичної техніки, що використовуються для візуального та автомати- зованого аналізу у медицині та біології [2], [3]. Цитологічні зображення – це мікроскопічні зображення препаратів, що містять клітини та їхні складові частини (ядро, вакуолі і т.ін.) [1]. Гістологічні зображення – це мікроскопічні зображення препаратів тонких зрізів біологічної тканини [1]. Гістологія і цитологія відносяться до морфології людини. Сукупність прийомів для кількісної оцінки параметрів клітинних і тканинних структур на гістологічних або цитологічних препаратах (або їх зображеннях) називають морфометричними мето- дами [1]. Шляхом використання цих методів визначають такі параметри, як, наприк- лад, діаметр, висоту, товщину, площу перетину, кількість мікрооб’єктів на одиниці площі, їх форму та ін. В залежності від типу вхідних мікрооб’єктів складемо таблицю використання відповідних методів сегментації (табл. 1). Весь процес аналізу можна розділити на такі етапи: отримання зображення (заван- таження, вибір поля зору тощо) [2-10], попередня обробка (зменшення шумів, пере- кодування тощо) [3-7], [9-12], аналіз (сегментація) зображення [3-15] та опис (виділення характеристичних ознак) [1], [3-5], [9], [12] мікрооб’єктів. Метод і алгоритми сегментації біомедичних зображень... «Штучний інтелект» 4’2010 141 4Б Таблиця 1 – Класифікація мікрооб’єктів та методів їх сегментації № п/п Тип зображень Алгоритм 1 Мікрооб’єкти одного типу, що розташовані окремо Порогова сегментація, високочастотна фільтрація 2 Мікрооб’єкти одного типу, що розташовані окремо (нечіткі границі) Водоподіл, кластеризація 3 Мікрооб’єкти різних типів, що розташовані окремо Порогова сегментація, кластеризація, нарощування областей 4 Мікрооб’єкти різних типів, що розташовані окремо (нечіткі границі) Порогова сегментація, кластеризація 5 Мікрооб’єкти одного типу, що розташовані разом Кластеризація, високочастотна фільтрація 6 Мікрооб’єкти одного типу, що розташовані разом (нечіткі границі) Порогова сегментація, кластеризація 7 Мікрооб’єкти різних типів, що розташовані разом Кластеризація, нарощування областей, водоподіл 8 Мікрооб’єкти різних типів, що розташовані разом (нечіткі границі) Водоподіл, кластеризація Одним із важливих етапів автоматизації процесу аналізу біомедичних препаратів є виділення мікрооб’єктів (сегментація біомедичного зображення) [1]. Дана задача вирі- шується за допомогою методів і засобів цифрового аналізу зображень [3-15]. Основ- ною причиною складності автоматизації досліджень у гістології є висока варіабельність і слабка контрастність більшості гістологічних структур. Одним з найбільш широко використовуваних підходів до сегментації біомедичних зображень є виділення границь мікрооб’єктів. Даний підхід використовується для зобра- жень з чітко видимими границями мікрооб’єктів. У дану групу входять такі алгоритми, як: порогова сегментація, алгоритм активних контурів, високочастотна фільтрація тощо. Алгоритми даної групи, як правило, використовуються в сполученні з морфологічними операціями дилатації і ерозії [3], замикання і відімкнення по різним структурних еле- ментах [3]. Вибір порогів сегментації ґрунтується на апріорній інформації про мікро- об’єкти, що виділяються, та на аналізі гістограм розподілу яскравості [3], [8], [10]. Перевагами даних алгоритмів є: висока швидкодія та простота реалізації. Недоліка- ми – низька ефективність роботи з слабоконтрастованими зображеннями, при великій щільності (накладанні) мікрооб’єктів, при нерівномірному (слабо відмінному від мікро- об’єктів) фоні. Іншим підходом до розв’язання задачі виділення мікрооб’єктів на біомедичних зображеннях є виділення за шаблоном форми мікрооб’єкта. Задача зводиться до пошуку частини зображення (контуру мікрооб’єкта), що найкраще відповідав би формі шуканого мікрооб’єкта. Перевагою даного підходу є можливість роботи з довільними зображен- нями, для яких є множина шаблонів мікрооб’єктів, розміщених на них. Серед недоліків даного підходу є: велика кількість помилкових рішень, залежність результату роботи від точності шаблону мікрооб’єктів, висока складність і, як наслідок, низька швидкодія. Для високої точності виділення мікрооб’єктів необхідна постійна взаємодія з оператором. Третій підхід ґрунтується на визначенні областей, що відповідають мікрооб’єк- там. Серед алгоритмів даної групи є: кластеризація зображення [3], [7], [9], блокова сегментація [13], нарощування областей [3], [6], [7], розмітка зображень тощо. Виділення областей знайшло своє широке застосування в морфометричних дослідженнях, оскільки часто структура тканини є фоном і не дозволяє виділити клітину, тому що її елементи мають яскравість і рівні перепадів яскравості, що збігаються з яскравістю фону. Труд- нощі при виборі стартових точок сегментації (випадково, або за допомогою оператора на підставі визначеної апріорної інформації) є недоліком алгоритмів даної групи. Батько Ю.М. «Искусственный интеллект» 4’2010 142 4Б Відсутність спеціалізованих або недостатня ефективність існуючих методів та алгоритмів обробки біомедичних зображень сповільнює розвиток САМ. Тому розробка нових методів та алгоритмів аналізу біомедичних зображень, зокрема алгоритмів виді- лення мікрооб’єктів на гістологічних зображеннях, є актуальною задачею. Метою роботи є розробка методу та алгоритмів виділення клітин на біомедичних зображеннях на основі адаптованого методу сегментації з використанням попередніх розміток. Критерії якості сегментації зображень У більшості практичних завдань якість сегментації розглядається як міра близь- кості двох зображень: сегментованого експертом та сегментованого відповідними алгоритмами. Якість сегментації зображення може визначатися як на суб’єктивному (якісному) так і на об’єктивному (кількісному) рівні. Суб’єктивні критерії – це критерії візуального сприйняття, отримувані в процесі експертизи деякою групою експертів. Найбільшого поширення набув метод оцінок. Який дозволяє оцінити такі характеристики зображення, як правильність виділення контурів, областей, кольорів тощо [16]. Об’єктивні критерії – це критерії, що отримані внаслідок порівняння (знахо- дження різниці) кількісних ознак сегментованого та еталонного (сегментованого експер- том) зображень. Критерії даного типу часто використовуються в системах автомати- зованого аналізу зображень, для визначення кількісного еквівалента якості сегмен- тації [6], [17]. Недоліком вищезазначених критеріїв є отримання значення якості сегментації на основі характеристичних ознак відповідних пікселів, проте без урахування зв’язків між ними. Тому для визначення якості сегментації пропонується використовувати критерій рівня зв’язності сусідніх пікселів. Даний критерій визначається за наступними формулами: 1 1 1 2 2 2 * * * * * * * * * * _ 1 1 1 _ _ 2 2 2 _ 1 1 1 2 2 2 * * * * * * * * _ 1 1 1 _ _ 2 2 1, ( ( , , ) ( ) ( , , ) ( ) ( , , ) ( ) ( , , ) ( )); ( , , ) 1, ( ( , , ) ( ) ( , , ) ( ) ( , , ) ( ) ( , s i s s i s s e i s e s e i s e зв s i s s i s s e i s e s e I x y z P I I x y z P I I x y z P I I x y z P I M x y z I x y z P I I x y z P I I x y z P I I x y ∈ ∧ ∈ ∧ ∧ ∈ ∧ ∈ = ∈ ∧ ∉ ∧ ∧ ∈ ∧ * * 2 _, ) ( )); 0, i s ez P I else       ∉  2 2 8 1 1 1 ( , , ) 100% 8 H W зв x y z зв M x y z N ε − − = = == ⋅ ⋅ ∑ ∑∑ , z – ідентифікаційний номер для сусіднього піксела; Is – зображення, сегментоване за допомогою алгоритма сегментації; _Is e – зображення, сегментоване експертом; H – висота вхідного зображення; W – ширина вхідного зображення; N – кількість точок, що формують зображення. Даний критерій враховує не тільки характеристичні ознаки окремих пар сусід- ніх пікселів чи груп пікселів, але і зв’язки між сусідніми пікселами. Тому викорис- тання даного критерію визначення якості сегментації дозволяє точніше кількісно ви- значити якість роботи алгоритмів сегментації. Метод і алгоритми сегментації біомедичних зображень... «Штучний інтелект» 4’2010 143 4Б Метод сегментації біомедичних зображень на основі методу попередніх розміток Існуючі алгоритми сегментації мають свої переваги та недоліки, проте жоден з них не задовольняє повною мірою вимоги до якості сегментації біомедичних зображень. Тому пропонується для процесу сегментації використовувати не характеристики окре- мих точок зображення, а взаємозв’язки між ними [3]. Введемо позначення: I – вхідне зображення; ijR – j-та однорідна область на вхід- ному зображенні розмічена за допомогою і-го типу розмітки; ( , , ), 1... , 1... , 1...8kM x y z x H y W z= = = – масив коефіцієнтів взаємозв’язків для k-ї розмітки, z – кількість сусідніх пікселів. sumM – масив сумарних коефіцієнтів взаємозв’язків. 1 , nl sum k k M M = = ∑ nl – кількість попередніх розміток, що використовується в процесі сегментації. Визначення. Розміткою назвемо процес розбиття вхідного зображення I на ма- сив однорідних областей { }R на основі критерію однорідності KO . Критерій одно- рідності визначається попередньо на основі аналізу вхідного зображення I { }KOI R→ . Даний підхід полягає в аналізі попередньо розміченого зображення та встанов- ленні прив’язки точок не до певної області, а до сусідніх точок. Алгоритми попередньої розмітки можуть обиратись відносно типу вхідного зображення. Область зображення зі стабільними зв’язками буде визнаватись однорідною. Алгоритм сегментації: 1) Проводимо розмітку вхідного зображення I за допомогою nl розміток; 2) Формуємо масив коефіцієнтів взаємозв’язків kM між сусідніми точками для кожної з nl розміток вхідного зображення; 3) Формуємо масив сумарних коефіцієнтів взаємозв’язків sumM між сусідніми точками для nl розміток вхідного зображення; 4) Проводимо групування точок вхідного зображення I в однорідні області на основі масиву сумарних коефіцієнтів зв’язків sumM . Для завершення процесу сегментації необхідно згрупувати точки вхідного зобра- ження в однорідні області, на основі взаємозв’язків між сусідніми точками. Для цього використовуються наступні правила: − якщо взаємозв’язок між двома сусідніми точками 1 1( , )I x y та 2 2( , )I x y є макси- мальний maxsumM → для вхідного зображення, то дані точки об’єднуються в однорід- ну область iR ; − якщо взаємозв’язок точки 1 1( , )I x y з сусідньою точкою 2 2( , )I x y більший за взаємозв’язки з іншими сусідніми точками, то такі точки об’єднуються в однорідну область iR ; − якщо точка 1 1( , )I x y має однакові зв’язки з двома (чи більше) сусідніми точ- ками 1 1 2 2 3 3( , , ) ( , , ) ( , , )sum sum sumM x y z M x y z M x y z= = , які об’єднані в однорідну область Батько Ю.М. «Искусственный интеллект» 4’2010 144 4Б 2 2 3 3( , ) , ( , )i iI x y R I x y R∈ ∈ , то дана точка приєднується до відповідної однорідної області 1 1( , ) iI x y R∈ ; − якщо точка 1 1( , )I x y має однакові зв’язки з двома (чи більше) сусідніми точ- ками 1 1 2 2 3 3( , , ) ( , , ) ( , , )sum sum sumM x y z M x y z M x y z= = , які не належать до одної однорід- ної області 2 2 3 3( , ) , ( , ) ,i jI x y R I x y R i j∈ ∈ ≠ , то точка приєднується в область, до якої належить більше сусідів. Результатом роботи алгоритму є набір однорідних областей. Оскільки об’єкти на зображенні, як правило, складаються з групи однорідних областей, то для виділення об’єктів на зображенні потрібно провести процедуру додаткового об’єднання одно- рідних областей. Алгоритм сегментації біомедичних зображень на основі методу попередніх розміток Для виділення клітин на зображенні необхідно провести процес об’єднання окремих однорідних областей. Проаналізувавши будову клітини, можна зробити наступні висновки: − ядро клітини має овальну форму та темне, відносно всієї клітини, забарвлення; − зміна яскравості ядра клітини відсутня або відбувається поступово; − на границях ядра клітини спостерігається різкий перепад яскравості; − зміна яскравості в цитоплазмі клітини відбувається поступово; − на границях клітини також спостерігається різкий перепад яскравості, проте не такий значний, як у ядрі. Введемо позначення: Nec – ядро клітини. RNec – однорідна область на зображенні, що може бути визнана ядром клітини. Cell – клітина на вхідному зображенні. RCell – область зображення, що може бути визнана клітиною. Визначення. Сусідніми областями 1R та 2R будемо вважати області, контури яких дотикаються, на рис. 1 контури, що дотикаються, відмічені пунктиром. Рисунок 1 – Приклади сусідніх областей На основі отриманої моделі клітини та масиву ядер клітин, запропоновано наступ- ний алгоритм виділення клітин: 1) знаходимо множину однорідних областей { }RNec , які можуть відповідати ядрам клітин вхідного зображення; 2) перевіряємо всі елементи множини { }RNec відносно критеріїв відповідності однорідних областей ядрам клітин для знаходження множини ядер клітин { }Nec ; 3) приєднуємо всі сусідні однорідні області, що межують з iNec -м ядром, утво- рюючи iRCell -у область клітини; 4) нарощуємо iRCell області клітини, для знаходження країв iCell -ї клітини; R1 R2 R1 R2 Метод і алгоритми сегментації біомедичних зображень... «Штучний інтелект» 4’2010 145 4Б 5) якщо перевірено весь масив ядер клітин, то алгоритм завершує роботу, інакше перехід на етап 3 та перевірка 1iNec + ядра. Для знаходження точок, що можуть належати ядрам клітин, проводимо порогову сегментацію монохромного вхідного зображення. 1, ( , ) ( , ) 0, ( , ) .мон Імон x y t Іb x y Імон x y tперекодуванняI І Іb < = ≥→ → Значення параметра яскравості порогової сегментації 90=t (встановлене по замовчуванню) може корегуватись користувачем. Після операції порогової обробки отримуємо бінаризоване зображення, на якому виділено окремі однорідні групи пік- селів, що можуть відповідати областям ядер клітин { }RNec . Для відсіювання хибних областей ядер клітин проводимо перевірку інформативних характеристик виділених однорідних областей: площа ( )iA RNec та колоподібність ( )iCircl RNec : 0,9 ( ) ( ) 1,1 ( )etal i etalA R A RNec A R⋅ ≤ ≤ ⋅ , де )( etalRA – значення площі еталонної області ядра, яке визначається експертом для відповідного типу мікрооб’єктів. 0,8 ( ) 1,2iCircl RNec≤ ≤ , де 2( )( ) . ( ) i i i P RNecCircl RNec A RNec = Результатом даного етапу є множина областей ядер клітин { }RNec . Знаходження однорідних областей вхідного зображення, що відповідають областям ядрам клітин. Для цього порівнюємо множину однорідних областей { }R та множину ядер клітин, отриманих на попередньому етапі { }RNec . Під час зіставлення є наступні випадки: Випадок 1. Область ядра RNec повністю збігається з однорідною областю RNec R= . В даному випадку однорідна область R визнається ядром клітини Nec . Випадок 2. Область ядра RNec повністю включається в однорідну область R RNec∈ та площа області ядра займає не менше 50% площі однорідної області ( ) 0,5 ( )A RNec A R≥ ⋅ . У даному випадку область ядра RNec визнається неповною, а одно- рідна область R визнається ядром клітини Nec , приклад об’єднання наведено на рис. 2a. a b c d e Рисунок 2 – Приклади об’єднання однорідних областей R1 RkRNec R1 RkRNec RNec R R RNec R RN Батько Ю.М. «Искусственный интеллект» 4’2010 146 4Б Випадок 3. Область ядра RNec повністю включається в однорідну область R RNec∈ та площа області ядра займає менше 50% площі однорідної області ( ) 0,5 ( )A RNec A R< ⋅ . У даному випадку область ядра RNec визнається невірно визна- ченою та видаляєтсья з подальшого розгляду, приклад об’єднання наведено на рис. 2b. Випадок 4. Однорідна область R повністю включається в область ядра RNec R∈ та площа однорідної області займає не менше 90% площі області ядра ( ) 0.9 ( )A R A RNec≥ ⋅ . У даному випадку область ядра RNec , а однорідна область R визнається ядром кліти- ни Nec , приклад об’єднання наведено на рис. 2c. Випадок 5. Область ядра iRNec повністю включається в декілька однорідних областей 1 2, ,...,i i k iR RNec R RNec R RNec∈ ∈ ∈ та площа області ядра займає не менше 50% площ кожної з однорідних областей: 1 2( ) 0.5 ( ), ( ) 0.5 ( ),..., ( ) 0.5 ( )i i i kA RNec A R A RNec A R A RNec A R≥ ⋅ ≥ ⋅ ≥ ⋅ . У даному випадку область ядра iRNec визнається визначеною не повністю. Ядру клі- тини N відповідає область утворення об’єднанням однорідних областей 1 2 ... kR R R∪ ∪ ∪ , приклад об’єднання наведено на рис. 2d. Випадок 6. Область ядра iRNec повністю включається в декілька однорідних обла- стей 1 2, ,...,i i k iR RNec R RNec R RNec∈ ∈ ∈ . Площа області ядра займає не менше 50% площ деякої множини з однорідних областей, а в інших площах перетину є меншою 1 2( ) 0.5 ( ), ( ) 0.5 ( ),..., ( ) 0.5 ( )i i i kA RNec A R A RNec A R A RNec A R≥ ⋅ ≥ ⋅ < ⋅ . У даному випад- ку область ядра iRNec визнається визначеною некоректно. Область утворена об’єднан- ням однорідних областей, для яких виконується умова 50%, визнається ядром кліти- ни ,N приклад об’єднання наведено на рис. 2e. Результатом даного етапу є масив ядер клітин { }N . Приєднання сусідніх однорідних областей, що межують з iN -м ядром, утворюючи iRCell -у область клітини. Базуючись на апріорній інформації про те, що навколо ядра в недеформованих клітинах розміщена цитоплазма, приєднуємо всі однорідні області що є сусідніми до ядра клітини. При приєднанні однорідних областей проводиться перевірка на дві умови: − однорідна область є сусідньою до областей, які відповідають ядру клітини; − яскравість однорідної області є вищою за яскравість ядра, в іншому випадку дана клітина визнається деформованою і дане ядро виключається з подальшого аналізу. Результатом роботи даного етапу є множина ядер клітин { }RCell з частково визна- ченою цитоплазмою. Для формування повної клітини проводимо нарощування iRCell області для зна- ходження країв iCell -ї клітини. Нарощення відбувається шляхом послідовної перевірки областей, що є сусідніми до iRCell , та на основі наступних правил: − однорідна область є сусідньою до областей, які відповідають області iRCell ; − яскравість однорідної області відрізняється від яскравості граничної однорідної області iRCell не більше, ніж поріг 5∆ = . Якщо різниця яскравостей більша за заданий поріг, то дана область визнається граничною, приєднується до області клітини, але виключається з подальшої перевірки на нарощування області клітини iRCell . Результатом даного етапу є масив клітин { }Cell . Для відсіювання хибно виділених клітин проводимо додаткові дослідження ма- сиву { }Cell – перевірка відповідності площі клітини. Площа еталонної клітини може виз- Метод і алгоритми сегментації біомедичних зображень... «Штучний інтелект» 4’2010 147 4Б начатись експертом на основі апріорної інформації або шляхом аналізу масиву }{ iCell . 0,9 ( ) ( ) 1,1 ( )etal i etalA Cell A Cell A Cell⋅ ≤ ≤ ⋅ , де )( etalRA – значення площі еталонної клітини, яке визначається експертом для від- повідного типу мікрооб’єктів. 2,1)(8,0 ≤≤ iCellCircl , де )( )()( 2 i i i CellA CellPCellCircl = Результатом даного етапу є уточнений масив клітин { }Cell . Тестування алгоритму При написанні програмного засобу для проведення тестування запропонованих ал- горитмів використовувалось середовище розробки програмних засобів Borland Delphi 7.0 та елементи теорії об’єктно-орієнтованого програмування. Тестування проводилось на цитологічних зображеннях багатошарового плоского незроговілого епітелію за різних видів дисплазії епітелію шийки матки у жінок репродуктивного віку (рис. 3.). Під час тестування алгоритму сегментації кольорових зображень було проведено порівняння отриманих результатів з результатами сегментації відомими алгоритмами. Як критерій порівняння було обрано критерій рівня зв’язності сусідніх пікселів (рис. 4). Для визначення якості алгоритму виділення мікрооб’єктів було проведено порів- няння результатів роботи з результатами роботи відомих програмних засобів опису та аналізу гістологічних та цитологічних зображень. Як критерії порівняння було обрано кількість коректно виділених мікрооб’єктів та кількість коректно виділених точок. За еталонне виділення прийнято результат сегментації, зробленої експертом (рис. 5, 6). Рисунок 3 – Приклади виділення клітин на біомедичних зображеннях Рисунок 4 – Порівняння результатів роботи алгоритмів сегментації Батько Ю.М. «Искусственный интеллект» 4’2010 148 4Б 0 2 4 6 8 10 12 M ot ic Im ag es A dv an ce d 3. 2 B io V is io n В ид ео Те сТ - М ор ф ол ог ия 5 .0 За пр оп он ов ан ий ал го ри тм Е кс пе рт на оц ін ка Програми аналізу біомедичних зображень Кі ль кі ст ь ви ді ле ни х кл іт ин 0 20 40 60 80 100 120 140 M ot ic Im ag es A dv an ce d 3. 2 B io V is io n В ид ео Те сТ - М ор ф ол ог ия 5 .0 За пр оп он ов ан ий ал го ри тм Програми аналізу біомедичних зображеь Кі ль кі ст ь то чо к ви ді ле ни х на зо бр аж ен ні (% ) Рисунок 5 – Порівняння результатів роботи алгоритму виділення клітин з відомими програмними засобами Рисунок 6 – Порівняння результатів роботи алгоритму виділення клітин з відомими програмними засобами Дослідження проводились в рамках наукового-дослідного проекту «Інформа- ційно-аналітична система для дослідження та діагностування пухлинних (ракових) клітин людини на основі аналізу їх зображень», державний реєстраційний номер 0108U002109, наказ МОН України від 27.11.07 № 1044. Висновки Використання взаємозв’язків пікселів у деякому околі має ряд переваг в порівнянні з використанням характеристик окремих точок: – можливість використання для зображень довільного типу; – збільшена стійкість до сегментації зображень, мікрооб’єкти на яких знаходяться в безпосередній близькості один від одного. Кількість коректно роз’єднаних сусідніх обла- стей більша на 15 – 20% на відміну від інших алгоритмів сегментації. Дана перевага дозволяє використовувати даний алгоритм для сегментації гістологічних зображень; – зменшення впливу шумів та спотворень вхідного зображення на загальний резуль- тат сегментації за рахунок проведення попередньої розмітки на основі декількох критеріїв (алгоритмів сегментації); – на 30 – 35% зменшено кількість «невизначених» точок, які знаходяться на грани- цях областей і з однаковою вірогідністю можуть належати двом областям. Серед недоліків: – складність процесу сегментації більша у 1,5 – 3 рази, на відміну від аналогів; – вплив точності попередніх розміток на результати роботи алгоритму. Запропонований алгоритм виділення клітин на біомедичних зображеннях має ряд наступних переваг: – поєднання інформації про форму клітини та однорідні області, розташовані на зображенні, дозволяє виділяти до 90% клітин при автоматичній сегментації біомедичного зображення; – підвищено стійкість до впливу шумів та інших дефектів вхідного зображення. Кількість правильно виділених клітин більша на 10 – 15% відносно систем аналізу біоме- дичних зображень з можливістю автоматичного виділення мікрооб’єктів; – проводиться автоматичне відсікання хибно виділених клітин. Під час додаткової перевірки на основі запропонованих критеріїв відсікається до 70% хибно виділених клітин. До недоліків слід віднести: – складність процесу визначення порогів для автоматичного виділення клітин. Метод і алгоритми сегментації біомедичних зображень... «Штучний інтелект» 4’2010 149 4Б Література 1. Автандилов Г.Г. Медицинская морфометрия. Руководство / Автандилов Г.Г. – М. : Медицина, 1990. – 384 с. 2. Егорова О.В. Компьютерная микроскопия / Егорова О.В., Клыкова Е.И., Пантелеев В.Г. – М. : Техно- сфера, 2005. – 300 с. 3. Батько Ю.М. Метод сегментації зображень на основі попередніх розміток зображення / Ю.М. Батько, О.М. Березький, Г.М. Мельник // Матеріали 4-ї Міжнародної науково-технічної конференції : Комп’ютерні науки та інформаційні технології 2009, (15 – 17 жовтня, 2009, Львів, Україна). – Львів, 2009. – С. 48-51. 4. William K. Pratt. Digital Image Processing: PIKS Inside, 4-th Edition / K. Pratt William. – New York : John Wiley and Sons, Inc., 2007. – 736 p. 5. Филатов К.В. Введение в цифровую обработку изображений: основы компьютерной видеографики / Филатов К.В. – Таганрог : Изд-во ТРТУ, 2002. – 89 с. 6. Гонсалес Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. – М. : Техносфера, 2005. – 1072 с. 7. Дуда Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт. – М. : Мир, 1976. – 511 с. 8. Сойфер В.А. Методы компьютерной обработки изображений / Сойфер В.А. – М. : Физмат, 2003. – 784 с. 9. Форсайт Д. Компьютерное зрение. Современный подход / Дэвид А. Форсайт, Джин Понс. – М. : Вильямс, 2004. – 928 с. 10. Введение в контурный анализ; приложения к обработке изображений и сигналов / [Фурман Я.А., Кревецкий А.В., Передреев А.К. и др.] ; под ред. Я.А. Фурмана. – [2-е изд., испр.]. – М. : ФИЗ- МАТЛИТ, 2003. – 592 с. 11. Шапиро Дж. Компьютерное зрение / Дж. Шапиро, Дж. Стокман. – М. : Бином. Лаборатория знаний, 2006. – 752 с. 12. Яне Б. Цифровая обработка изображений / Яне Б. – М. : Техносфера, 2007. – 584 с. 13. Ярославский Л.П. Введение в цифровую обработку изображений / Ярославский Л.П. – М. : Сов. радио, 1979. – 312 с. 14. Техническое зрение роботов / [Мошкин В.И., Петров А.А., Титов В.С., Якушенков Ю.Г.]. – М. : Машинное зрение, 1990. – 272 с. 15. Чен К. МAТLAВ в математических исследованиях / Чен К., Джиблин П., Ирвинг А. ; пер. с англ. – М. : Мир, 2001. – 346 c. 16. Глушков Г.А. Компьютерная графика / Глушков Г.А. – Харьков : Фолио, 2000. – 500 с. 17. Фисенко В.Т. Компьютерная обработка и распознавание изображений / В.Т. Фисенко, Т.Ю. Фисенко. – СПб. : СПбГУ ИТМО, 2008. – 192 с. 18. Ричардсон Я. Видеокодирование. H.264 и MPEG-4 – стандарты нового поколения / Ричардсон Я. – М. : Техносфера, 2005. – 368 с. Ю.М. Батько Метод и алгоритмы сегментации биомедицинских изображений на основе предварительных разметок В статье рассматривается задача автоматизированного выделения объектов на биомедицинских изображениях и определения количественных оценок качества алгоритмов сегментации. Предлагается метод сегментации изображений на основании предварительных разметок. Разработаны алгоритмы автоматизированного выделения объектов на биомедицинских изображениях на основе предвари- тельных разметок, а также критерий оценивания результатов работы алгоритмов сегментации. Yu.M. Batko Method and Algorithms of Segmentation of Biomedical Images on the Basis of Previous Labeling In the article the problem of automated objects selection on biomedical images and determination of quantitative evaluation of segmentation algorithms quality is considered. It’s proposed a method of images segmentation on the basis of previous labeling. It is developed the algorithm of the automated objects selection on biomedical images on the basis of previous labeling and also evaluation criterion of operation of segmentation algorithms. Стаття надійшла до редакції 30.06.2010.
id	nasplib_isofts_kiev_ua-123456789-58375
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
issn	1561-5359
language	Ukrainian
last_indexed	2025-12-07T17:31:05Z
publishDate	2010
publisher	Інститут проблем штучного інтелекту МОН України та НАН України
record_format	dspace
spelling	Батько, Ю.М. 2014-03-23T10:07:42Z 2014-03-23T10:07:42Z 2010 Метод і алгоритми сегментації біомедичних зображень на основі попередніх розміток / Ю.М. Батько // Штучний інтелект. — 2010. — № 4. — С. 140-149. — Бібліогр.: 18 назв. — укр. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/58375 004.932.2 У статті розглянуто задачу автоматизованого виділення мікрооб’єктів на біомедичних зображеннях та визначення кількісних оцінок якості алгоритмів сегментації. Запропоновано метод сегментації зображень на основі попередніх розміток. Розроблено алгоритми автоматизованого виділення мікрооб’єктів на біомедичних зображеннях на основі попередніх розміток та критерій оцінювання результатів роботи алгоритмів сегментації. В статье рассматривается задача автоматизированного выделения объектов на биомедицинских изображениях и определения количественных оценок качества алгоритмов сегментации. Предлагается метод сегментации изображений на основании предварительных разметок. Разработаны алгоритмы автоматизированного выделения объектов на биомедицинских изображениях на основе предварительных разметок, а также критерий оценивания результатов работы алгоритмов сегментации. In the article the problem of automated objects selection on biomedical images and determination of quantitative evaluation of segmentation algorithms quality is considered. It’s proposed a method of images segmentation on the basis of previous labeling. It is developed the algorithm of the automated objects selection on biomedical images on the basis of previous labeling and also evaluation criterion of operation of segmentation algorithms. uk Інститут проблем штучного інтелекту МОН України та НАН України Штучний інтелект Интеллектуальные интерфейсы и распознавание образов. Системы цифровой обработки изображений Метод і алгоритми сегментації біомедичних зображень на основі попередніх розміток Метод и алгоритмы сегментации биомедицинских изображений на основе предварительных разметок Method and Algorithms of Segmentation of Biomedical Images on the Basis of Previous Labeling Article published earlier
spellingShingle	Метод і алгоритми сегментації біомедичних зображень на основі попередніх розміток Батько, Ю.М. Интеллектуальные интерфейсы и распознавание образов. Системы цифровой обработки изображений
title	Метод і алгоритми сегментації біомедичних зображень на основі попередніх розміток
title_alt	Метод и алгоритмы сегментации биомедицинских изображений на основе предварительных разметок Method and Algorithms of Segmentation of Biomedical Images on the Basis of Previous Labeling
title_full	Метод і алгоритми сегментації біомедичних зображень на основі попередніх розміток
title_fullStr	Метод і алгоритми сегментації біомедичних зображень на основі попередніх розміток
title_full_unstemmed	Метод і алгоритми сегментації біомедичних зображень на основі попередніх розміток
title_short	Метод і алгоритми сегментації біомедичних зображень на основі попередніх розміток
title_sort	метод і алгоритми сегментації біомедичних зображень на основі попередніх розміток
topic	Интеллектуальные интерфейсы и распознавание образов. Системы цифровой обработки изображений
topic_facet	Интеллектуальные интерфейсы и распознавание образов. Системы цифровой обработки изображений
url	https://nasplib.isofts.kiev.ua/handle/123456789/58375
work_keys_str_mv	AT batʹkoûm metodíalgoritmisegmentacííbíomedičnihzobraženʹnaosnovípoperedníhrozmítok AT batʹkoûm metodialgoritmysegmentaciibiomedicinskihizobraženiinaosnovepredvaritelʹnyhrazmetok AT batʹkoûm methodandalgorithmsofsegmentationofbiomedicalimagesonthebasisofpreviouslabeling

Метод і алгоритми сегментації біомедичних зображень на основі попередніх розміток

Репозитарії

Схожі ресурси