Диссертация (Разработка и реализация алгоритмов классификации изображений биомедицинских препаратов)

САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТНа правах рукописиБатюковАлександр МихайловичРАЗРАБОТКА И РЕАЛИЗАЦИЯ АЛГОРИТМОВ КЛАССИФИКАЦИИИЗОБРАЖЕНИЙ БИОМЕДИЦИНСКИХ ПРЕПАРАТОВ05.13.11 — Математическое и программное обеспечениевычислительных машин, комплексов и компьютерных сетейДиссертация на соискание ученой степени кандидатафизико-математических наукНаучный руководитель – кандидатфизико-математических наук, доцентАМПИЛОВА Наталья БорисовнаСанкт-Петербург — 20152ОглавлениеВведение51 Текстурные статистические методы анализа изображений201.1 Понятие текстуры . .

. . . . . . . . . . . . . . . . . . . . . . . . .201.2 Статистические признаки Харалика . . . . . . . . . . . . . . . . .211.3 Классификация с помощью статистических признаков . . . . . . .261.4 Классификация изображений биомедицинских препаратов . . . .281.5 Использование цветовых пространств . . . .

. . . . . . . . . . . .301.6 Численный эксперимент . . . . . . . . . . . . . . . . . . . . . . . .331.7 Результаты . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .342 Использование диффузионных моделей описания поведения сложных систем362.1 Понятие диффузионной модели . . . . .

. . . . . . . . . . . . . . .362.2 Использование диффузионных моделей для классификации изображений . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .382.3 Модель Diffusion-limited aggregation (DLA) для плоского случая .382.4 Оптимизация модели DLA для плоскогослучая . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .402.4.1Априорная оценка коэффициентов выбора . . . . . . . . .412.4.2Определение точки присоединения новой частицы . . . . .422.4.3Особенности реализации . . . . . . . . . . . . . . . . . . . .432.4.4Оценка вычислительной сложности . . . . . . . . . . . .

.4332.4.5Численный эксперимент . . . . . . . . . . . . . . . . . . . .442.4.6Оценка достоверности результатов . . . . . . . . . . . . . .452.5 Модель DLA для поверхности . . . . . . . . . . . . . . . . . . . . .472.6 Оптимизация модели DLA для поверхности . . . . . . . . . . . . .482.6.1Априорная оценка коэффициентов присоединения .

. . . .482.6.2Определение точки присоединения новой частицы . . . . .492.6.3Оценка вычислительной сложности . . . . . . . . . . . . .502.6.4Численный эксперимент . . . . . . . . . . . . . . . . . . . .512.7 Результаты . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . .513 Метод построения модели с использованием стационарного потока на графе533.1 Основные определения . . . . . . . . . . . . . . . . . . . . . . . . .533.2 Построение стационарного потока на графе . . . . . . . . . . . . .543.2.1Описание базового алгоритма . . . . . . . . . . . . . . . . .553.3 Модификация алгоритма построениястационарного потока на графе .

. . . . . . . . . . . . . . . . . . .563.4 Оценка вычислительной сложности . . . . . . . . . . . . . . . . .583.5 Численный эксперимент . . . . . . . . . . . . . . . . . . . . . . . .593.6 Результаты . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . .624 Особенности реализации комплекса программ64Заключение68Литература69Список иллюстраций83Список таблиц844Приложение A. Результаты вычисления статистических характеристик Харалика второго порядка855ВведениеАктуальность темы исследованияВопрос создания компьютерных алгоритмов, способных разделить множество изображений на классы в зависимости от типа иллюстрируемой ими информации (решить задачу классификации), часто возникает при решении задачиз совершенно различных прикладных областей знаний, таких как анализ аэрофотографий местности, дефектоскопия материалов по изображениям, исследование фотоснимков областей звездного неба. Необходимость автоматизации втаких задачах обусловливается чрезвычайно большим числом анализируемыхизображений, настолько большим, что ручной анализ их занял бы месяцы игоды.

Поэтому важными качествами используемых алгоритмов должны бытькак высокая точность классификации, так и высокая скорость работы. Кроме того, алгоритмы анализа и классификации изображений всегда проблемноориентированы.Биология и медицина — активно развивающиеся области современной науки, в которых анализ и классификация изображений играют особую роль:фактически это единственный способ наблюдения за той или иной исследуемой в их рамках органической системой, начиная с наблюдаемой в микроскопклетки и заканчивая изображениями органов и тканей [45, 62, 85].

Точные ибыстрые алгоритмы компьютерной классификации изображений по определенным признакам могут сильно облегчить задачу врача или ученого, работающегов указанных областях.Несмотря на взрывной рост числа новых работ в исследуемой области запоследние 15 лет, достаточно очевидно, что объем и разнообразие доступной для6анализа информации чрезвычайно велики, и существующие методы не всегдамогут дать приемлемый результат.Актуальность темы исследования обусловлена необходимостью использования новых идей и создания на их основе алгоритмов для анализа и классификации биомедицинских изображений, что позволит исследователям получитьболее полное представление о процессах, происходящих в объектах естественного происхождения.Степень разработанности темы исследованияВ последнее время растет число работ, посвященных анализу и классификации биомедицинских изображений.

Наиболее часто используется морфологический анализ [1, 2, 26, 32, 67], текстурный анализ [18, 21, 29, 39, 72, 84], фрактальный и мультифрактальный анализ [35, 40, 41, 61, 91], анализ c помощьюнейронных сетей [23, 87], многомерный анализ изображений [14, 25], исследования изображений с помощью теории графов [3] и при помощи кластерного анализа [37]. Для повышения точности и скорости классификации применяются методы поля направлений, вейвлет-преобразования, дискриминантный и факторный анализ. Достаточно подробный обзор используемых методов можно найти в[14, 21, 25]. Большое число различных применяемых методов обусловлено большой вариативностью исследуемых изображений.

Так в перечисленных вышеработах классификация изображений применяется для распознавания мочекаменной болезни, заболеваний крови, исследования препаратов тканей различных органов, определения наличия герпеса, определения наличия заболеванийнервной системы и сердечных заболеваний. Для решения перечисленных задачавторы анализируют снимки внутренних органов и тканей, образцы кристаллизированных (дегидратированных) капель биологических жидкостей, снимкимикрообъектов (клетки, нервные окончания), изображения кровеносных сосудов глазного дна, рентгеновские изображения коронарных сосудов. Множествоисследуемых данных расширяется еще и за счет того, что снимки объектов естественного происхождения могут отличаться большой вариабельностью форм7даже в рамках одного класса.Особое внимание в работах [1, 14, 37, 72, 84] уделено вопросам исследования цветных изображений и вопросам их предварительной обработки дляповышения точности работы классифицирующих алгоритмов.Стоит отметить работы [23, 29, 32, 57, 75, 80], в которых авторы исследуютвопросы оптимизации, распараллеливания и организации вычислений с помощью графических карт для применяемых ими алгоритмов с целью повышениябыстродействия.Объектом исследования являются модели, методы, алгоритмы и программные средства обработки изображений.

Предметом исследования являются разработка и реализация алгоритмов решения задачи классификацииизображений биомедицинских препаратов.Исследуемое изображение при решении задачи классификации биомедицинских изображений полезно рассматривать как фазовый портрет некоторойсложной динамической системы [27].

Математическое описание такой системыредко бывает возможным, поскольку моделирование процессов, происходящихв живых тканях требует учета огромного числа параметров и связей между ними. Анализ фазовых портретов позволяет охарактеризовать состояние системыв определенный момент времени, а также промоделировать развитие процесса,например, достижения системой некоторого стационарного состояния.Цифровые изображения представляются в виде решетки пикселей с заданными параметрами, поэтому их характеристики формулируются в этих терминах.

Так характеристики Харалика описывают взаимное расположение пикселей различной интенсивности. Методы фрактального и мультифрактальногоанализа используют разбиение изображения на ячейки и вычисление их мерс последующим определением размерности (или набора размерностей). С точки зрения динамики фазовый портрет системы характеризует распределениетраекторий по фазовому пространству в некоторый момент времени, а распределение меры характеризует частоту попадания траекторий в ячейки разбиения8[27].Такой подход к анализу изображений позволяет:- охарактеризовать текущее состояние процесса с помощью вычислениястатистических и фрактальных характеристик;- для широкого класса диффузионных процессов реализовать модель ихразвития от начального состояния;- охарактеризовать стационарные состояния процесса с помощью построения стационарного потока на связанном с изображением графе.Целью работы является разработка алгоритмов классификации изображений биомедицинских препаратов, основанных на анализе фазовых портретовдинамических систем, и реализация на их основе комплекса программ.Для достижения поставленной цели решаются следующие задачи:- исследовать влияние выбора цветовых координат в качестве начальныхданных для классификации биомедицинских изображений с помощью вычисления статистических признаков Харалика второго порядка;- разработать модификацию алгоритма построения агрегатов по математической модели DLA (Diffusion Limited Aggregation) с помощью априорнойоценки коэффициентов присоединения;- разработать модификацию алгоритма построения стационарного потокана графе путем построения стационарных потоков на подграфах;- разработать комплекс программ, реализующих все перечисленные алгоритмы.Методология и методы исследованияМетодология работы основана на методах индукции и дедукции, обобщения, математического моделирования, анализа и синтеза теоретического и практического материала.