Диссертация (Автоматизированная бактериоскопическая диагностика туберкулеза), страница 10

Однако, согласно результатам, полученным R.Khutlang для полного анализа одного изображения с применением предложенныхалгоритмов и методов, затрачивается 53,39 секунды, что составляет довольносущественные временные затраты и не позволяет применять данные алгоритмы иметодики в практическом здравоохранении.Резюмируя результаты проведенного литературного обзора можно отметить,что существующая эпидемиологическая обстановка по туберкулезу, кадровоесостояние лабораторной службы и качество бактериоскопической диагностикитуберкулезатребуетбактериоскопическойсовершенствованиядиагностикиподходовтуберкулезасредикпроведениюнаселенияпутем46автоматизации процесса анализа мазков мокроты, окрашенной по методу ЦиляНильсена.Существующийопытприменениякомпьютерных,математическихтехнологий и технологий анализа медицинских изображений показывает, чтоданные технологии позволяют существенно повысить качество и скоростьоказания медицинской помощи.

На текущий момент существует значительноечисло алгоритмов и методов автоматического анализа медицинских изображений,но каждая медицинская задача по анализу медицинских изображений требуетиндивидуального подхода. При этом существует большое число решений, которыемогутбытьиспользованыдляавтоматизированнойбактериоскопическойдиагностики туберкулеза, но их применение в силу различных недостатков насегодняшний день не представляется возможным.Таким образом, необходима разработка системы автоматизированнойбактериоскопической диагностики туберкулеза на основе анализа цифровыхмикроскопических изображений мокроты.

При этом данная система должнанивелировать недостатки уже существующих решений, таких как возможностьиспользованиялишьприприменениилюминесцентноймикроскопиисущественные временные затраты на проведение анализа одного изображения.и47ГЛАВА 2 МАТЕРИАЛЫ И МЕТОДЫ2.1. Материалы исследованияИсследование проводилось путем реализации 4 этапов.Напервомэтапеосуществлялсяанализвозможностиприменениясуществующих алгоритмов для сегментации цифровых изображений мокроты,окрашенной по методу Циля-Нильсена. После проведения данного анализапроизводилась модификация одного из алгоритмов, а также разработкасобственных алгоритмов сегментации, после чего осуществлялось сравнениерезультатов применения описанных выше алгоритмов.На данном этапе исследования в качестве материала исследованияиспользовалась 1000 цифровых изображений, полученных при микроскопиимазков мокроты, окрашенной по методу Циля-Нильсена.

Мазки изготавливались измокроты пациентов больных туберкулезом легких и не имеющих туберкулеза лиц.Метод простой световой микроскопии с окраской мокроты по методу ЦиляНильсена наряду с посевом мокроты на питательные среды и люминесцентноймикроскопией является одним из методов микробиологической диагностикитуберкулеза [55, 56] и несмотря на то, что пациенты, выявленные при наличиибактериовыделения,какправило,имеютболеетяжелуюклинико-рентгенологическую картину специфического процесса [57, 58], данный методостается наиболее распространенным в учреждениях общей лечебной сети.Обработка мокроты методом Циля-Нильсена подразумевает обработку мокротыкарболовым фуксином с дальнейшим обесцвечиванием 5% раствором сернойкислоты или 3% солянокислым спиртом и докрашиванием 0,25% растворомметиленовогосинего[92].Такойметодокрашиваеткислотоустойчивыемикобактерии в цвета красного оттенка, а иные элементы, имеющиеся в мокроте, вцвета синего оттенка.48Микроскопия производилась с помощью тринокулярного микроскопаМикромед 1 вар.

3-20 при увеличении 10×60 с установленной цифровой камеройToupCam UCMOS01300KPA с разрешением 0,3 мегапикселя (MP). Каждоеизображение имело разрешение 572х422 пикселей.Несмотрянато,чтометодомЦиля-Нильсенакислотоустойчивыемикобактерии окрашиваются в цвета красного оттенка, а иные элементы мокротыв цвета синего оттенка, данная информация не позволяет осуществлятьсегментацию изображения только лишь выделяя красные участки изображения.Это обусловлено тем, что красный цвет в системах компьютерного зрения имеетдовольно широкие и неоднозначные границы.

Каждое изображение просмотреновручную на наличие кислотоустойчивых микобактерий с подсчетом их количества.Анализ времени выполнения алгоритмов на данном этапе осуществлялся наперсональном компьютере со следующими характеристиками: процессор Intel®Core™ i5-3330S 2,70 GHz, оперативная память 4,00 ГБ, 32-разрядная операционнаясистема Microsoft Windows 7 Корпоративная Service Pack 1.На втором этапе осуществлялось изучение параметров объектов, выделенныхс помощью одного из разработанных на предыдущем этапе алгоритмовсегментации.

На данном этапе также осуществлялся отбор признаков длядальнейшейклассификацииобъектовсприменениемметодовоценкиинформативности и разработанного метода «пересечений».Материалом на данном этапе исследования явились 343 687 объекта. Средивыделенныхобъектов6 708объектовявлялиськислотоустойчивымимикобактериями, а 336 979 объектов – иными объектами (артефакты, скоплениямокроты, части клеток и т.д.).Изучение объектов производилось по 240 цветовым и морфометрическимпризнакам. Данные признаки разделены на 3 группы, которые подразделяется наподгруппы. Для анализа использована следующая классификация признаков:1.Основные морфометрические признаки объектов:а)попиксельная площадь объектов (в пикселях);б)размер объектов по оси X (в пикселях);49в)2.размер объектов по оси Y (в пикселях).Радиальные размеры объектов и их соотношения:а)размеры от центра объекта до его края (всего 72 параметра);б)соотношения противолежащих размеров от центра объекта до егокрая (всего 36 параметров);в)соотношения перпендикулярных размеров от центра объекта доего края (всего 72 параметра);г)соотношения перпендикулярных размеров от одного краяобъекта до его противоположного края (всего 36 параметров).3.Цветовые признаки объектов:а)характеристики цвета объектов в цветовой схеме RGB (всего 9параметров);б)характеристики цвета объектов в цветовой схеме HSV (всего 9параметров);в)характеристики цвета объектов в оттенках серого (всего 3параметра).Основные морфометрические признаки объектов, радиальные размерыобъектов и их соотношения измерялись в пикселях.

Измерение цветовых признаковосуществлялось в безразмерных единицах, однако интервал возможных значенийотличался в зависимости от цветовой схемы. Так, цвета объектов в цветовой схемеRGB и в оттенках серого измерялись в интервале от 0 до 255; параметры,отражающие составляющее H в цветовой схеме HSV, измерялись в интервале от 0до 359, а параметры, характеризующие составляющие S и V, измерялись винтервале от 0 до 100.Проанализированы диапазоны, в которых изменялись параметры у объектовкислотоустойчивых микобактерий, по всем 240 параметрам.На третьем этапе исследования осуществлялось построение моделейклассификации объектов на два класса: кислотоустойчивые микобактерии и иныеобъекты.50На данном этапе исследования использовались объекты, параметры которыхвходили в диапазон значений у объектов кислотоустойчивых микобактерий, аобъекты, параметры которых выходили за данный диапазон, то есть те объекты,которые могли быть отнесены к классу иных объектов без применения моделейклассификации, исключались из множества используемых далее объектов.Таким образом, для разработки классификационных моделей использовалисьданные о 177 393 объектах по 235 признакам, изученным на втором этапеисследования.

Таким образом, входными данными для разрабатываемыхклассификационных моделей сети являлись 235 морфометрических признака, авыходными – класс объекта (кислотоустойчивые микобактерии или иные объекты).Часть измеряемых признаков не использовалась ввиду того, что у всеханализируемых объектов, 5 признаков были константами, то есть имели одно и тоже значение.Для уравновешивания априорной вероятности и важности объектов обоихклассов при построении моделей классификации производилось случайноеразмножение объектов, являющихся кислотоустойчивыми микобактериями, чтоявляется одним из стандартных подходов ресемплинга для построенияклассификационных моделей при существенно различающихся объемах классов[239, 280].

Таким образом, построение моделей осуществлялось на данных о341 370 объектах: 170 685 – случайных образом размноженных из 6 708кислотоустойчивых микобактерий и 170 685 – иных объектов.Назаключительномчетвертомэтапеисследованияосуществляласьразработка схемы работы и требования к программно-аппаратной системе,автоматизированной бактериоскопической диагностики туберкулеза, а такжеразработка прототипов аппаратной и программной частей системы. На данномэтапе исследования материалом служили нормативные требования к процессубактериоскопическойдиагностикитуберкулеза,установленныеприказомМинистерства здравоохранения Российской Федерации от 21.03.2003 №109 «ОсовершенствованиипротивотуберкулезныхмероприятийвРоссийскойФедерации», в том числе установленные в приложении 10 «Инструкция по51унифицированным методам микроскопических исследований для выявлениякислотоустойчивых микобактерий в клинико-диагностических лабораторияхлечебно-профилактических учреждений» [92], регламентирующим на текущиймомент деятельность клинико-диагностических лабораторий учреждений общейлечебной сети по выявлению туберкулеза, а также возможности разработанных напредыдущем этапе алгоритмов и математических моделей.Тестированиепрототипапрограммнойчастипрограммно-аппаратнойсистемы осуществлялось на 10 459 цифровых микроскопических изображенияхмокроты, окрашенной по методу Циля-Нильсена, полученных с использованием 80микроскопических препаратов мокроты пациентов с подозрением на туберкулезлегких.

Из 80 микроскопических препаратов при проведении простой световоймикроскопии в 40 препаратах было установлено наличие кислотоустойчивыхмикобактерий, в 40 препаратах – наличие кислотоустойчивых микобактерий неустановлено.2.2. Методы исследованияНа каждом из четырех этапов исследования также использовались различныеметоды.2.2.1. Этап 1На первом этапе исследования при анализе возможностей существующихметодов для сегментации цифровых изображений мокроты, окрашенной по методуЦиля-Нильсена применялись следующие алгоритмы сегментации:1.пороговая бинаризация со средним коэффициентом яркости в качествепорога [103];522.метод бинаризации Оцу [299];3.детектор границ Робертса [317];4.детектор границ Собеля [361];5.детектор границ Превитта [183];6.детектор границ Робинсона [315];7.детектор границ Кенни [174];8.детектор углов Харриса [236];9.Features from Accelerated Segment Test (FAST-алгоритм) [318];10.функция поиска контуров библиотеки OpenCV [4, 117, 256].Все алгоритмы были реализованы в среде Matlab, ImageJ или в собственныхпрограммах для ЭВМ, разработанных на языке программирования Object Pascal.