Диссертация (Автоматизированная бактериоскопическая диагностика туберкулеза), страница 11
Описание файла
Файл "Диссертация" внутри архива находится в папке "Автоматизированная бактериоскопическая диагностика туберкулеза". PDF-файл из архива "Автоматизированная бактериоскопическая диагностика туберкулеза", который расположен в категории "". Всё это находится в предмете "медицина" из Аспирантура и докторантура, которые можно найти в файловом архиве РНИМУ им. Пирогова. Не смотря на прямую связь этого архива с РНИМУ им. Пирогова, его также можно найти и в других разделах. , а ещё этот архив представляет собой докторскую диссертацию, поэтому ещё представлен в разделе всех диссертаций на соискание учёной степени доктора медицинских наук.
Просмотр PDF-файла онлайн
Текст 11 страницы из PDF
Наданномэтапеосуществляласьвизуальнаяоценкакачествасегментацииизображений.Дляразработкисобственныхалгоритмовсегментациицифровыхизображений мокроты, окрашенной по методу Циля-Нильсена использовалсяматематически аппарат искусственной нейронной сети, самоорганизующейсякарты Кохонена и вейвлет-преобразования Mexican Hat (Мексиканская шляпа).
Дляэтого использовались цветовые модели RGB и HSV. Исходя из значений цветакаждогопикселякаждогоанализируемогоизображениярассчитывалисьследующие параметры пикселей: значение красного цвета пикселя согласноцветовой модели RGB (R), значение зеленого цвета пикселя согласно цветовоймодели RGB (G), значение синего цвета пикселя согласно цветовой модели RGB(B), значение коэффициента яркости пикселя (Y), значение оттенка пикселясогласно цветовой модели HSV (H), значение насыщенности цвета пикселясогласно цветовой модели HSV (S), значение яркости пикселя согласно цветовоймодели HSV (V).Определение значений R, G и B осуществлялось стандартными средствамиоперационной системы.
Определение значения предлагаемого коэффициентаяркости (Y) осуществлялось на основе формулы яркости системы NTSC (NationalTelevision System Committee) [90, 103]:53(1) = 0,299 ∗ + 0,587 ∗ + 0,114 ∗ ,где, Y – значение коэффициента яркости пикселя, R, G, B – значения,соответствующих составляющих цвета пикселя.Определение значений H, S и V осуществлялось по следующему алгоритму[144]:1.Из трех значений пикселя R, G и B определялось максимальноезначение (Max).2.Из трех значений пикселя R, G и B определялось минимальноезначение (Min).3.Значение H рассчитывалось согласно следующей формуле:0, если = 60 ∗−+ 0, если = и ≥ −− = 60 ∗ − + 360, если = и < .−60 ∗+ 120, если = {4.60 ∗−−−(2)+ 240, если = Значение S:={5.0, если = 01−.(3), если ≠ 0Значение V: = .(4)Построение искусственной нейронной сети для сегментации цифровыхизображений производилось с использованием статистического пакета StatSoftStatisticav.6путемнесколькихитерацийобученияметодомобратногораспространения ошибки.Метод сегментации основанный на самоорганизующейся карте Кохонена[60], реализован на графическом процессоре по технологии CUDA [12] и обучен нафрагментахизображенийразмером10x10пикселей,вырезанныхмикроскопических снимков, полученных на первом этапе исследования.из54Для формирования набора обучающих фрагментов изображений выполнялсяпроход окном размером 10x10 пикселей с шагом 5 пикселей по 30микроскопическим снимкам мокроты.
Таким образом, было получено 4 596 480обучающих образцов. Так как кислотоустойчивые микобактерии на снимках имеютмалый размер и занимают малую долю площади относительно площади фона, топри описанном выше подходе создания обучающих образцов фрагментымикобактерий встречаются редко. Для увеличения доли обучающих образцов,содержащих фрагменты микобактерий, на всех снимках в ручном режиме быливыделеныивырезаны1 649изображений,содержащихтолько1кислотоустойчивую микобактерию. Полученные 1 649 изображений вращались на90°, 180° и 270°, тем самым было увеличено количество изображений, содержащихмикобактерии, до 6 596.
По каждому из 6 596 изображений, содержащихкислотоустойчивые микобактерии, выполнялся проход окном размером 10x10пикселей с шагом 1 пиксель. Таким способом было получено дополнительно3 718 472 обучающих образцов, на большинстве которых содержатся фрагментымикобактерий. Всего набор обучающих фрагментов состоял из 8 314 952 образцов.ОбучениесамоорганизующейсякартыКохоненаисегментациямикроскопических изображений выполнялись на персональном компьютере соследующими характеристиками: процессор Intel® Core™ i5-7500 3,40 GHz,оперативная память 16 ГБ, видеокарта GeForce GTX 1050Ti, твердотельныйнакопитель Intel 545s объемом 256Гб, 64-разрядная операционная системаUbuntu Server 17.10.Для автоматизированной сегментации изображений также использовалосьследующее двумерное вейвлет-преобразование (Mexican Hat Wavelet):(, ) =1 21 2 +222∗ (1 − ∗)∗1 2 +222 ,− ∗(5)где x – координата пикселя по оси X, y – координата пикселя по оси Y, φ (x, y) –значение цвета преобразованного пикселя с координатами x и y, π – число Пи (≈3,142…), e – число Эйлера (≈ 2,718…), σ – стандартное отклонение.55Как видно из представленной формулы вейвлет-преобразования пикселей,единственным параметром, который может изменяться в зависимости от задачиприменения данного преобразования, является параметр σ.
На этапе сравненияразличных алгоритмов сегментации цифровых изображений использованоэмпирически подобранное значение 3,05.В последующем осуществлялся подбор оптимального значения параметра σ.Для чего произведено преобразование всех изображений вейвлетом Mexican Hat сиспользованием различных значений σ в диапазоне от 2,0 до 4,0 с шагом 0,01. Дляоценки оптимальности подбора значения параметра σ использовались: среднеечисло объектов, выделенных на изображениях после преобразования, доляпропущенных кислотоустойчивых микобактерий на изображениях от имеющихсяна них кислотоустойчивых микобактерий и следующие критерии оценки качествасегментации изображений [63]:1.величиныКритерий однородности, который основан на вычислении дисперсиисоответствующегопризнакаизображения,используемогодлясегментации.
Данный критерий рассчитывался для признаков R, G, B пикселей вцветовой схеме RGB; H, S, V – в цветовой схеме HSV и коэффициента яркости (Y)пикселя. Значение критерия измеряется в диапазоне от 0 до 1. Чем ближе к 1, темвыше качество сегментации изображения [262]. Общая формула расчета критерияоднородности для изучаемых признаков: = 1 − ∑=1( ∗ 2 )/,(6)где n – количество объектов на изображении, wi – вес объекта, определяемый какотношение площади объекта i к площади изображения, σi2 – дисперсия отдельновзятого цветового признака (R, G, B, H, S, V или Y) у объекта i, N – нормировочныймножитель, определяемый по формуле:2 = ∗ ∑=1 ,(7)где σ2max – максимальная дисперсия отдельно взятого цветового признака (R, G, B,H, S, V или Y) среди всех объектов изображения, n – количество объектов наизображении, wi – вес объекта, определяемый как отношение площади объекта i кплощади изображения.562.Комплексный критерий F, учитывающий, как однородность объектов,так и их количество.
Минимальное значение данного критерия 0, а максимальноезначение не ограничено. Чем меньше значение критерия, тем выше качествосегментации изображения [266]. Формула расчета критерия F для изучаемыхпризнаков:21=∗ √ ∗ ∑=1 ,1000∗√(8)где N – площадь изображения, n – количество объектов на изображении, Ai –площадь объекта i, ei – величина, характеризующая степень однородности объектаi, рассчитываемая по формуле: 2 = ∑=1√ ∑=1( − () ) ,(9)где K – размерность вектора признаков, которые учитываются при расчетекритерия (R, G, B, H, S, V, Y)=7, xjk – значение компоненты k вектора K пикселя jобъекта i, mean(x)k – среднее значение компоненты k вектора K пикселей объектаi.3.Комплексный критерий F’ – модифицированный критерий F свключением «штрафа» за большое количество мелких областей.
Диапазонизменений значения критерия и его интерпретация не отличаются от критерия F[170]. Формула расчета критерия F’ для изучаемых признаков:′ =11000∗1+1/ ∗ ∑∗ √∑=1=1 (())2√,(10)где max – максимальная площадь объекта на изображении, R(A) – количествообъектов, имеющих площадь A.4.Комплексный критерий Q. Диапазон изменений значения критерия иего интерпретация не отличаются от критерия F и F’ [170]. Формула расчетакритерия Q для изучаемых признаков:=110000∗∗ √ ∗2∑=1∗ (1+( ) 2+() ),(11)Критерии оценки качества сегментации изображения рассчитывались длякаждого изображения после его преобразования, после чего определялось среднее57значение критериев для всего набора изображений преобразованных вейвлетомMexican Hat с определенным параметром σ. Оптимальными значениями параметраσ считались значения, при которых получаемые изображения имели наименьшеесреднее число объектов после преобразования, наименьшую долю пропущенныхкислотоустойчивых микобактерий на всех изображениях от имеющихся на нихкислотоустойчивых микобактерий, наибольшее среднее значение критерияоднородности для анализируемых цветовых признаков и наименьшие средниезначения критериев F, F’ и Q.Для реализации данного этапа разметка (определение кислотоустойчивыхмикобактерий на изображениях) цифровых микроскопических изображениймокроты,окрашеннойпометодуЦиля-Нильсена,осуществляласьсиспользованием программы (рисунок 1) «Разметка цифровых микроскопическихизображений мокроты» (свидетельство о регистрации программы для ЭВМ вФедеральной службе по интеллектуальной собственности №2018664451 от16.11.2018г.).Даннаяпрограммапозволяетвыделятьместонахождениекислотоустойчивых микобактерий на цифровых микроскопических изображенияхи сохранять фрагменты, содержащие данные объекты в базу данных.