Диссертация (Автоматизированная бактериоскопическая диагностика туберкулеза), страница 6

Как показывают результатыисследований различных авторов применение таких алгоритмов позволяетповысить качество изображений и соответственно качество дальнейшей ихобработки.Необходимоотметить,имеющийсясущественныйнедостатокприменения алгоритмов коррекции при практической реализации системавтоматизированного анализа изображений. Данный недостаток связан зачастую ссущественными временными затратами на использование данных алгоритмов. Таккак при проведении бактериоскопической диагностики туберкулеза основнымфактором, помимо качества диагностики, является скорость анализа изображений,то разработка систем автоматизированной бактериоскопической диагностикитуберкулеза требует минимизации применения таких алгоритмов.Общим для большинства методов обработки цифровых изображенийявляется процесс «сегментации» – разделение четко определенных областейинтереса (например, клетки, кластеры клеток, ядра, и др.) от фона [103, 112, 144],то есть исключение тех участков изображения, которые не имеют ценности длядальнейшего анализа [38, 74, 93, 266].

Цифровые изображения могут бытьсегментированыбольшимразнообразиемметодов[302],которыечастоиспользуются в комбинации, но ни один из них не является универсальным [168].Алгоритмы сегментации цифровых изображений можно разделить на двепринципиально отличающиеся друг от друга алгоритмы.

Первая группа –алгоритмы имеющие универсальный характер, то есть разрабатываемые ииспользуемые для сегментации различного вида изображений. Вторая группа –специфические, то есть разрабатываемые и используемые для сегментацииконкретного вида изображений.Простейшим методом сегментации цифровых изображений, относящимся кпервой группе, является метод пороговой бинаризации, который заключается ввыборе порога яркости изображения, при котором все пиксели, имеющие яркостьвыше данного порога, удаляются с изображения. Причем при реализации28различныхзадачсприменениемданногометодапорогможетбытьфиксированным, либо адаптивным, то есть определяться исходя из каких-либоаприорных знаний об изображении [336, 338].

Одним из адаптивных методов,широко применяющимся для сегментации медицинских изображений [166, 198,211, 282], является метод пороговой бинаризации Оцу [299]. Это алгоритмвычисления порога бинаризации для полутонового изображения, которыйпозволяет разделить все пиксели изображения на два класса: пиксели объектов ипиксели фона. Порог рассчитывается с использованием анализа дисперсий яркостипикселей в формируемых классах таким образом, чтобы внутриклассоваядисперсия яркости пикселей была минимальной [299].Следующей группой «универсальных» методов, применяющихся длясегментации цифровых изображений, является применение операторов длявыделения границ. К наиболее часто используемым относятся операторы Робертса[317], Собеля [361], Превитта [183], Робинсона [315] и Кенни [174], а такжедетектор углов Харриса [238].

Все из приведенных методов основаны на свёрткеизображения небольшими фильтрами [47]. Помимо этого, одной из частоиспользуемых функций, по реализации похожей на представленный методы,является функция поиска контуров библиотеки OpenCV [4, 117, 256].К имеющим характер универсальности также можно отнести FAST-алгоритм(Features from accelerated segment test), основанный, как и детектор углов Харриса,на поиске углов [318].Рассматривая специфические методы сегментации цифровых изображенийнеобходимо отметить, что практически для каждой задачи сегментацииприменяются собственные алгоритмы [370]. Так, B. Khorram и соавт.

(2018)предлагается алгоритм сегментации магнитно-резонансных изображений мозга,полученных при магнитно-резонансной томографии, который основан на методепороговой сегментации изображений мозга с использованием алгоритма«биологически инспирированных муравьиных колоний» и текстурных признаковизображения [258].

В другой работе авторами для сегментации цифровыхизображений, получаемых при проведении компьютерной и магнитно-резонансной29томографии, предлагается использование математических моделей нейронныхсетей [292]. J. Zheng и соавт. (2018) предложен алгоритм сегментации изображенийконусно-лучевой компьютерной томографии, который показал наилучшиерезультаты по сравнению с классическими методами сегментации [132].Для обработки сигналов различной природы на сегодняшний день частонаходит применение вейвлет-преобразование [177, 363], которое позволяетпреобразовать сигнал в более удобный вид для дальнейшей обработки. Цифровоеизображение представляет собой двумерный сигнал, обработка которого можетпроизводиться также с помощью двумерных вейвлет-преобразований [330, 350].Так,предложеналгоритмсегментацияизображенийконусно-лучевойкомпьютерной томографии полученных при исследовании прямой кишки,мочевого пузыря и предстательной железы с применением вейвлетов Хаара [294],а для сегментации изображений магнитно-резонансной томографии мозгаприменяется алгоритм, основанный на применении вейвлет-преобразования инечеткой логики [270].Помимо этого, одним из часто используемых вейвлет-преобразований длясегментациимедицинскихизображенийявляетсявейвлетMexicanHat(«мексиканская шляпа») [253, 265].

Довольно большое число алгоритмов такжеразработано и для сегментации микроскопических изображений [283, 323, 324,328].Таким образом, на сегодняшний день существует довольно большое число«универсальных» алгоритмов, которые могут применяться для сегментациицифровых микроскопических изображений мокроты, окрашенной по методу ЦиляНильсена, что требует анализа качества такой сегментации. При этом решениетакой специализированной задачи, как сегментация представленного классацифровыхизображений,требуетразработкиспецифическихалгоритмовсегментации с применением различных подходов.Одной из задач возникающей при разработке и применении методовсегментации цифровых изображений является оценка качества сегментации. Дляоценки качества сегментации изображений существует довольно существенное30число методов, одну из классификаций которых представил H.

Zhang с соавт. (2008)[371]. Согласно данной классификации все методы можно разделить на 2 класса:субъективные и объективные. Субъективные методы основываются на визуальнойоценке качества сегментации. Несмотря на то, что оценка качества сегментациипри помощи субъективного метода может отличаться от эксперта к эксперту,данный метод оценки в различных ситуациях остается единственно применимым ив связи с этим широко применяются [63].Объективные методики в свою очередь можно разделить на системные инепосредственные (прямые) методы. Системные методы оценки качествасегментации основаны на окончательных результатах классификации, полученныхпо итогам сегментации объектов [372, 375]. Таким образом, чем выше качествоокончательного распознавания объектов, тем выше качество сегментации [239,276].Непосредственные методы в свою очередь также подразделяются нааналитические и эмпирические. Аналитические методы не учитывают результатысегментации изображения, а основываются на оценке самого алгоритма ииспользуются крайне редко [63].

Эмпирические методы, напротив, не оцениваюталгоритм, а оценивают непосредственный результат сегментации изображений спомощью контролируемого [357, 373] и неконтролируемого подхода [374].Контролируемый подход заключается в сравнении полученных по итогамсегментации изображений с некоторым имеющимся эталоном. Проблема данногоподхода заключается в том, что сформировать приемлемое количество эталоновдля сравнения зачастую является довольно проблематичным [63].Наиболее распространенным подходом к оценке качества сегментациицифровых изображений является неконтролируемый подход, который основан наизмерении желаемых характеристик, которые должны иметь объекты наизображении. То есть данный подход не требует наличия эталонной сегментации.Так, в качестве таких методов предложен критерий однородности объектов наизображении и критерий однородности контрастов [262]. Различными авторами31предложены различные критерии, оценивающие форму объектов [140] и различныекомплексные критерии [170, 173, 266, 354].Таким образом, еще одной важной задачей в разработке автоматизированнойсистемы бактериоскопической диагностики туберкулеза является оценка качествасегментации, которое позволяют обеспечить разработанные методы.

Необходимотакже отметить, что широкое разнообразие критериев оценки качествасегментации и различия в методиках оценки позволяет при разработкеавтоматизированных систем распознавания изображения использовать различныена различных этапах использовать различные подходы.1.3.2. Параметризация объектов на изображенияхДля распознавания объектов на изображении, оставшихся после егосегментации, с использованием математических моделей необходимо описаниеданных объектов в виде конкретных измеримых параметров. Так, для анализацифровых изображений используются габариты, гистограммы плотности объектов,характеристики цветовых каналов, а также другие параметры [34, 35, 70, 91, 106].Таким образом, для осуществления перехода от сегментации начальногоцифрового изображения к распознаванию находящихся на нем объектовнеобходимо определение параметров, с помощью которых данные объекты будутописываться и, которые станут входными параметрами математических моделейили алгоритмов, осуществляющих распознавание [163, 223, 226].Некоторыми авторами для описания самих изображений или объектов наизображениях применяются довольно большое число параметров, зачастуюдостигающее десятков и сотен параметров.