Диссертация (Автоматизированная бактериоскопическая диагностика туберкулеза), страница 38

Wu // Magn. Reson. Imaging. – 2018.– № 54. – P. 15–31.371. Zhang, H. Image segmentation evaluation: A survey of unsupervisedmethods / H. Zhang, J. E. Fritts, S. A. Goldman // Computer Vision and ImageUnderstanding. – 2008. – Vol. 110, № 2. – P. 260–280.372. Zhang, Y.

J. Segmentation evaluation using ultimate measurement accuracy/ Y. J. Zhang, J. J. Gerbrands // In Proceedings CVPR. – 1992. – Vol. 1657. – P. 449–460.255373. Zhang, Y. J. A survey on evaluation methods for image segmentation /Y. J. Zhang // Pattern Recognition. – 1996. – Vol. 29, № 8. – P. 1335–1346.374. Zhang, Y. J. Image segmentation evaluation in this century / Y. J. Zhang //In Encyclopedia of Information Science and Technology, ed. M. Khosrow-Pour, 2nd ed.– IGI Global, 2009.

– P.1812–1817.375. Zhang, Y. J. Objective and quantitative segmentation evaluation andcomparison / Y. J. Zhang, J. J. Gerbrands // Signal Processing. – 1994. – Vol. 39, № 1-2.– P. 43–54.376. Ziehl-Neelsen sputum smear microscopy image database: a resource tofacilitate automated bacilli detection for tuberculosis diagnosis / M. I. Shah, S. Mishra,V. K. Yadav [et al.] // J. Med. Imaging (Bellingham). – 2017. – Vol.

4, № 2. – e027503.256СПИСОК ИЛЛЮСТРАТИВНОГО МАТЕРИАЛА1.Рисунок1–Окнопрограммы«Разметкацифровыхмикроскопических изображений мокроты»582.Рисунок 2 – Структурная единица нейронной сети – нейрон663.Рисунок 3 – Общая структура трехслойной нейронной сети664.Рисунок4–Оригинальноецифровоемикроскопическоеизображение мокроты, окрашенной по методу Циля-Нильсена5.72Рисунок 5 – Бинаризованные изображения: а – с применениемпороговой бинаризации с выбранным в качестве порога среднимкоэффициентом яркости изображения, б – с применением методабинаризации Оцу6.72Рисунок 6 – Преобразованные изображения с применением: а –оператора Робертса, б – оператора Собеля, в – оператора Превитта,г – оператора Робинсона, д – оператора Кенни7.74Рисунок 7 – Преобразованное изображение с применением: а –детектора углов Харриса, б – FAST-алгоритма, в – функции поискаконтуров библиотеки OpenCV8.75Рисунок 8 – Определение порогового значения коэффициентаяркости на основании гистограммы распределения коэффициентаяркости изображения9.79Рисунок 9 – Гистограмма распределения коэффициента яркостиизображения с одним пиком8010.

Рисунок 10 – Гистограмма распределения коэффициента яркостиизображения с одним пиком8011. Рисунок 11 – Схема модифицированного алгоритма пороговойбинаризации для сегментации цифровых микроскопическихизображений мокроты, окрашенной по методу Циля-Нильсена8225712. Рисунок 12 – Бинаризованные изображения с применениемпороговой бинаризации с выбранной в качестве порога разностьюмеждусреднимкоэффициентомяркостиизображенияистандартным отклонением коэффициента яркости изображения8313.

Рисунок 13 – Окно программы «Компьютерная система выделенияобъектовнацифровыхизображенияхмикроскопическихпрепаратов»8414. Рисунок 14 – Гистограмма абсолютных отклонений вручнуюподобранных нижних границ H от подобранных нижних границ Hнейронной сетью на обучающей выборке8915. Рисунок 15 – Гистограмма абсолютных отклонений вручнуюподобранных нижних границ H от подобранных нижних границ Hнейронной сетью на тестовой выборке9016. Рисунок 16 – Гистограмма абсолютных отклонений вручнуюподобранных нижних границ H от подобранных нижних границ Hнейронной сетью на контрольной выборке9117. Рисунок 17 – Гистограмма абсолютных отклонений вручнуюподобранных нижних границ S от подобранных нижних границ Sнейронной сетью на обучающей выборке9318.

Рисунок 18 – Гистограмма абсолютных отклонений вручнуюподобранных нижних границ S от подобранных нижних границ Sнейронной сетью на тестовой выборке9419. Рисунок 19 – Гистограмма абсолютных отклонений вручнуюподобранных нижних границ S от подобранных нижних границ Sнейронной сетью на контрольной выборке20. Рисунок20–Общаясхемаалгоритма95сегментациимикроскопического изображения мокроты, окрашенной по методуЦиля-Нильсена, с использованием искусственной нейронной сети9725821.

Рисунок 21 – Пример первоначального микроскопическогоцифрового изображения мокроты, окрашенной по методу ЦиляНильсена9822. Рисунок 22 – Сегментированное микроскопическое цифровоеизображение мокроты, окрашенной по методу Циля-Нильсена23. Рисунок 23 – Окно программы «NeuroSegment»9910124. Рисунок 24 – Визуализация весов нейронов самоорганизующейсякарты Кохонена, инициализированных случайными значениями изотрезка от 0 до 25510225.

Рисунок 25 – Визуализация весов самоорганизующейся картыКохонена после предварительного сглаживания в течение 1 эпохисо сглаживающим ядром, имеющим ширину окрестности равной2/3 размера карты10326. Рисунок 26 – Визуализация весов самоорганизующейся картыКохонена после обучения в течение 5 эпох со сглаживающимядром, имеющим ширину окрестности равной 1/5 размера карты cпостепенным уменьшением до 010527. Рисунок 27 – Гистограмма количества положительных откликовпосле вычитания из количества откликов нейронов на фрагментах,содержащихкислотоустойчивыемикобактерии,количестваоткликов на фрагментах, содержащих только элементы фона10528. Рисунок 28 – Визуализация весов самоорганизующейся картыКохонена с выделенными нейронами, откликающимися нафрагменты, содержащие кислотоустойчивые микобактерий10629.

Рисунок 29 – Результат применения алгоритма: а – фрагментмикроскопическогоизображениямокротысвыделеннымикислотоустойчивыми микобактериями вручную, б – сегментацияданного фрагмента разработанным алгоритмом10725930. Рисунок 30 – Схема алгоритма сегментации микроскопическогоизображения мокроты, окрашенной по методу Циля-Нильсена сиспользованием самоорганизующейся карты Кохонена10831. Рисунок 31 – Коэффициенты вейвлета Mexican Hat10932. Рисунок 32 – Первоначальное микроскопическое изображениемокроты, окрашенной по методу Циля-Нильсена33. Рисунок33–Микроскопическое111изображениемокроты,окрашенной по методу Циля-Нильсена, после Mexican Hatпреобразования34. Рисунок34112–Микроскопическоеизображениемокроты,окрашенной по методу Циля-Нильсена, после Mexican Hatпреобразованияиисключенияобъектов,неявляющихсякислотоустойчивыми микобактериями35.

Рисунок35–Общаясхема112алгоритмасегментациимикроскопического изображения мокроты, окрашенной по методуЦиля-Нильсенасиспользованиемвейвлет-преобразованияMexican Hat11336. Рисунок 36 – Окно модуля простой сегментации программногокомплекса«MexicanHatSegmentation»сзагруженнымизображением для сегментации11437. Рисунок 37 – Окно модуля простой сегментации программногокомплексаизображением«MexicanHatSegmentation»иналоженныминанегосзагруженнымобъектамипослесегментации вейвлет-преобразованием Mexican Hat11538. Рисунок 38 – Изменение среднего числа объектов на изображенияхв зависимости от параметра σ вейвлета Mexican Hat11639.

Рисунок 39 – Изменение средних значений критерия однородностикачества сегментации изображений в зависимости от параметра σвейвлета Mexican Hat11726040. Рисунок 40 – Изменение средних значений комплексных критериевоценки качества сегментации изображений в зависимости отпараметра σ вейвлета Mexican Hat41. Рисунок41–Доля118пропущенныхкислотоустойчивыхмикобактерий в зависимости от параметра σ вейвлета Mexican Hat 11942. Рисунок 42 – Примеры выделенных объектов12743. Рисунок 43 – Повернутый относительно оси X объект12844.

Рисунок 44 – Среднее арифметическое и стандартное отклонениерадиальных размеров кислотоустойчивых микобактерий13245. Рисунок 45 – Максимальные значения радиальных размеровкислотоустойчивых микобактерий13346. Рисунок 46 – Результаты оценки различий групп объектов сиспользованиемминимальныхимаксимальныхзначенийпараметров объектов кислотоустойчивых микобактерий13947.

Рисунок 47 – Признаки, имеющие наибольшую информативностьпо методу накопленных частот14248. Рисунок 48 – Признаки, имеющие наибольшую информативностьпо методу Шеннона14349. Рисунок 49 – Признаки, имеющие наибольшую информативностьпо методу Кульбака14450. Рисунок 50 – Признаки, имеющие наибольшую информативностьпо методу Фишера14551. Рисунок 51 – Признаки, имеющие наибольшую информативностьпо ранговому методу14652.

Рисунок 52 – Результаты классификации с использованиемлогистической регрессии14753. Рисунок 53 – Результаты классификации с использованием дереваклассификации14954. Рисунок 54 – Результаты классификации с использованиемдискриминантного анализа15026155. Рисунок 55 – Окно «Компьютерной системы для определенияхарактеристик объектов в больших объемах данных»15256. Рисунок 56 – Ошибка классификации трехслойной нейроннойсетью на обучающей и тестовой выборках16157. Рисунок 57 – Ошибка классификации четырехслойной нейроннойсетью на обучающей и тестовой выборках16658. Рисунок 58 – Схема модернизированного микроскопа Микромед Р1 LED17559. Рисунок 59 – Схема программной части автоматизированнойсистемы бактериоскопической диагностики туберкулеза17760. Рисунок 60 – Пример первоначального микроскопическоеизображение мокроты, окрашенной по методу Циля-Нильсена17861.

Рисунок 61 – Пример сегментированного вейвлетом Mexican Hatизображения мокроты, окрашенной по методу Циля-Нильсена62. Рисунок62–Этапыработырекурсивного179алгоритманепосредственного выделения объектов на сегментированномизображении18063. Рисунок 63 – Рабочее окно программы «МикроТуб-Авто»18564. Рисунок 64 – Упрощенная структура данных о пациентах и иханализах18665. Рисунок 65 – Окно добавления анализа18766. Рисунок 66 – Окно добавления анализа с выводом изображенияпосле преобразования вейвлетом Mexican Hat и исключениепикселей, составляющее R которых равно 018867. Рисунок 67 – Окно добавления анализа с выводом оригинальногоизображенияпреобразованиясобъектами,MexicanоставшимисяHatипослеисключениявейвлетпикселей,составляющее R которых равно 018968. Рисунок 68 – Окно добавления анализа в режиме оригинальногоизображения с выделенными объектами19026269. Рисунок 69 – Окно редактирования, сохранения и загрузкидиапазонов значений цветовых и морфометрических параметров укислотоустойчивых микобактерий19170.