Диссертация (Автоматизированная бактериоскопическая диагностика туберкулеза), страница 13
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 13 страницы из PDF
Припостроении деревьев классификации использовались следующие условия:минимальное число объектов в родительском узле – 500, в дочернем узле – 100.Структурнойединицейискусственнойнейроннойсетиявляетсяискусственный нейрон, представляющий собой набор математических операций(рисунок 2).66Входной синапсФункция активации∑Вес синапсаСумматорf(x)Выходной синапсРисунок 2 – Схема искусственного нейронаОбщая структура трехслойной нейронной сети представлена на рисунке 3.Скрытый слойВыходной слойВходной слойРисунок 3 – Общая структура трехслойной нейронной сети67Все количественные параметры объектов нормировались с применениемследующей формулы: =2∗(− − ) − 1,(24)где, y – нормированное значение параметра объекта, x – исходное значениепараметра объекта, min – минимальное значение диапазона параметров всехобъектов, max – максимальное значение диапазона параметров всех объектов.Построение математических моделей трехслойной и четырехслойнойискусственной нейронной сети осуществлялось по следующему принципу.
Напервой итерации в качестве входных параметров искусственной нейронной сетииспользовались все 235 измеряемых у объектов признаков. После построениянейронной сети и оценки качества классификации проводился анализ важностивходных параметров искусственной нейронной сети, результатом которогоявлялась важность каждого входного параметра для решения поставленнойклассификационной задачи. На следующей итерации построения искусственнойнейронной сети использовались уже 234 признака с исключением из перечнявходного параметра, который имел наименьшую важность на предыдущейитерации построения искусственной нейронной сети. Таким образом, последняяитерацияпостроенияискусственнойнейроннойсетиосуществляласьсприменением одного входного признака, не исключенного на предыдущихитерациях [88].Припостроенииискусственныхнейронныхсетейиспользовалсяавтоматический выбор архитектуры с минимальным числом нейронов в скрытыхслоях – 1, максимальным – 50.Для построения приведенных математических моделей использовалось 70%объектов, а для тестирования – 30%.
Оценка качества классификации полученнымимоделями осуществлялась на основании ошибки классификации, как наобучающей, так и на тестовой выборке, а также с использованием показателейчувствительности(Se),специфичности(Sp),прогностическойценностиположительного (PPV) и отрицательного результата (PNV), а также отношения68правдоподобия положительного (LR+) и отрицательного результата (LR-). Длякаждого из используемых показателей рассчитывался 95% доверительныйинтервал.Построение моделей осуществлялось на персональном компьютере соследующими характеристиками: процессор Intel® Core™ i5-3330S 2,70 GHz,оперативная память 4,00 ГБ, 32-разрядная операционная система MicrosoftWindows 7 Корпоративная Service Pack 1.2.3.4.
Этап 4На четвертом этапе осуществлялась разработка схемы работы и требований,предъявляемых к программно-аппаратному комплексу автоматизированнойбактериоскопической диагностики туберкулеза, а также разработка прототиповаппаратной и программной частей системы.
Для реализации данного этапаиспользовались методы декомпозиции и формализованного представления систем(структурно-логического моделирования, логический и графический), являющиесяметодами системного анализа.Ввидутого,чтоокончательнаяразработкаиприменениеавтоматизированных систем бактериоскопической диагностики туберкулеза можетосуществляться в различных условиях, зависящих от типа осветителя, различныхпараметров резкости цифровой камеры, дефектов окраски, для повышениявоспроизводимости результатов предложенных методов были сформированыдопустимые характеристики параметров цифровых изображений, которые могутанализироваться с применением разработанных методов.В качестве таких параметров использовались: средний коэффициент яркости,яркостная контрастность, тоновая контрастность, тоновая насыщенность [52],размытость изображения [7] и цветовая температура [193, 279].
Яркостная69контрастностьрассчитываласькакдисперсиякоэффициентаяркостиYизображения.Для определения тоновой контрастности изображения для каждого пикселяпроизводился расчет расстояния между его цветовыми составляющими (R, G, B) исредним тоном: = √(( ) − )2 + (( ) − )2 + (( ) − )2 ,(25)где mean(R) – среднее значение R изображения, mean(G) – среднее значение Gизображения, mean(B) – среднее значение B изображения.После этого тоновая контрастность определялась как среднее значение dpвсего изображения.Размытость изображения оценивалась как средняя по изображению величинаградиента пикселей полученного на основе приближенных значений производныхдвумерной свертки оператором Собеля.Определение производных осуществлялось на основании:−1 −2 −1=[ 000 ] ∗ ,121−1 0 1 = [−2 0 2] ∗ ,−1 0 1(26)(27)где Gyi – приближенное значение производной по оси y изображения пикселя i, Gxi– приближенное значение производной по оси x изображения пикселя i, A –сворачиваемая часть изображения.Величина градиента пикселя i определялась как: = √( )2 + ( )2 ,(28)где Gi – градиент пикселя i.Цветовая температура изображения рассчитывалась как средняя цветоваятемпература пикселей изображения.
Для определения цветовой температурыпикселя осуществлялся перевод цвета пикселя из цветового пространства RGB вXYZ, а с использованием составляющих X и Y рассчитывалась цветоваятемпература:70=−0.33200.1858−, = 437 ∗ 3 + 3601 ∗ 2 + 6861 ∗ + 5517,(29)(30)где n – промежуточный индекс для расчета цветовой температуры, CCT – цветоваятемпература.Для каждого параметра рассчитывались: среднее арифметическое (M),среднеквадратическое отклонение (σ), коэффициент вариации (V), медиана (Me),первый (Q1) и третий (Q3) квартили.71ГЛАВА 3 СЕГМЕНТАЦИЯ ЦИФРОВЫХ МИКРОСКОПИЧЕСКИХИЗОБРАЖЕНИЙ МОКРОТЫ, ОКРАШЕННОЙ ПО МЕТОДУ ЦИЛЯНИЛЬСЕНА3.1 Применение существующих методов для сегментации цифровыхмикроскопических изображений мокроты, окрашенной по методу ЦиляНильсенаВданномразделепроанализированавозможностьприменениясуществующих методов для сегментации цифровых изображений мокроты,окрашенной по методу Циля-Нильсена.
В анализе использовались следующиеметоды: пороговая бинаризация, метод бинаризации Оцу, детекторы границ(операторы Робертса, Собеля, Превитта, Робинсона и Кенни), детекторы угловХарриса и FAST (Features from Accelerated Segment Test) алгоритм, а такжефункция поиска контуров библиотеки OpenCV.Для оценки качества сегментации изображений оценивались возможностьиспользования сегментированных на изображении объектов для дальнейшегораспознавания. На рисунке 4 приведено оригинальное цифровое микроскопическоеизображение мокроты, окрашенной по методу Циля-Нильсена, на котором будутиллюстрироваться примеры применения методов сегментации.При использовании методов пороговой бинаризации с выбранным в качествепорога бинаризации средним коэффициентом яркости изображения и методабинаризации Оцу были получены изображения, приведенные на рисунок 5.На рисунке 5а видно, что в результате пороговой бинаризации с выбраннымв качестве порога средним коэффициентом яркости изображения исключаетсязначительная часть изображения.
При этом мелкие объекты на цифровомизображениипослеиспользованияданнойбинаризациинеотделимыот72оставшегося фона, что не позволяет использовать результаты такой сегментациидля дальнейшего распознавания объектов.Рисунок 4 – Оригинальное цифровое микроскопическое изображение мокроты,окрашенной по методу Циля-НильсенабабРисунок 5 – Бинаризованные изображения: а – с применением пороговойбинаризации с выбранным в качестве порога средним коэффициентом яркостиизображения, б – с применением метода бинаризации Оцу73Это не позволяет использовать данный алгоритм для сегментации бездополнительногодальнейшегопреобразованияизображения.Применениеалгоритма бинаризации Оцу (рисунок 5б) дает визуально более лучший результатс более четкими границами сегментированных объектов, но его использование длясегментации цифровых изображений мокроты, окрашенной по методу ЦиляНильсена также не представляется возможным ввиду представленных недостатковалгоритма простой пороговой бинаризации.Использование детекторов границ, таких как: операторы Робертса, Собеля,Превитта, Робинсона и Кенни (рисунок 6) дают результаты, использованиекоторыхвкачествесегментированногоизображениядлядальнейшегораспознавания объектов также не представляется возможным.
Объекты нацифровых микроскопических изображениях мокроты, окрашенных по методуЦиля-Нильсена,имеютдовольномаленькиеразмерыииспользованиеприведенных выше детекторов границ приводит к слиянию выделенных границобъектов, что не позволяет выделить объекты для дальнейшего распознавания.Кроме того, у многих объектов границы выделяются не полностью, что требуетдополнительного применения алгоритмов, замыкающих данные границы длявыделения целого объекта, а не его части.Применение операторов Собеля, Превитта и Робинсона (рисунок 6б-г) даетвизуально практически один и тот же результат, использование которого, ввидуслияния большого числа границ, не представляется возможным.
Довольно четкиеи однообразные по яркости границы позволяет получить применение оператораКенни (рисунок 6д). Однако, как уже было сказано выше, также многие границыимеют незавершенный характер, что затрудняет использование получаемыхрезультатов для дальнейшего распознавания объектов.Использование детектора углов Харриса, FAST-алгоритма и функции поискаконтуров также дает неудовлетворительный результат при визуальной оценкеполученных изображений (рисунок 7). Так детектор углов Харриса (рисунок 7а)позволяет выделить только довольно четко очерченные границы, которые как74правило на цифровых микроскопических изображениях мокроты, окрашенной пометоду Циля-Нильсена отсутствуют.абвгдРисунок 6 – Преобразованные изображения с применением: а – оператораРобертса, б – оператора Собеля, в – оператора Превитта, г – оператора Робинсона,д – оператора Кенни75FAST-алгоритм (рисунок 7б) позволил получить лишь более контрастноеизображение представленное в оттенках серого, а функция поиска контуровбиблиотеки OpenCV (рисунок 7в) позволила оставить на изображении лишьдовольно четкие объекты, имеющиеся на цифровом изображении, и зачастуюнезавершенныеконтуры,которыетребуютдополнительногопримененияалгоритмов их замыкания.абвРисунок 7 – Преобразованное изображение с применением: а – детектора угловХарриса, б – FAST-алгоритма, в – функции поиска контуров библиотеки OpenCVНеобходимо отметить, что использование приведенных в данном разделеалгоритмов сегментации цифровых изображений предполагает совершение одногопрохода по изображению, что несомненно является преимуществом ввидуминимального времени их выполнения.76Таким образом, простая визуальная оценка качества сегментации цифровыхмикроскопических изображений мокроты, окрашенной по методу Циля-Нильсенапозволила оценить несоответствие результатов существующих алгоритмовсегментации для решения поставленных в исследовании задач.