Диссертация (Автоматизированная бактериоскопическая диагностика туберкулеза), страница 7

Так, например, для описанияизображения сердца на изображениях, получаемых с помощью магнитнорезонансной томографии использовалось 20 различных параметров [349], а для32анализа интересующих областей на маммограммах применялось более 500различных признаков [244].В работах, описывающих процессы распознавания лиц человека, какправило, в качестве признаков рассматриваются расстояния между различнымиточками, характеризующими различные области лица, и определяемымиавтоматически [310], а также углы и отношения между расстояниями [224].Помимо автоматической маркировки точками изображений может применятьсяручная маркировка [151]. Однако, применение ручной маркировки изображения непозволяет полностью автоматизировать процесс анализа цифрового изображения.Помимо интуитивно простых признаков объектов или изображений могутприменяться признаки имеющие довольно сложный математически аппарат.

Так,при анализе изображений, получаемых при применении магнитно-резонанснойтомографии, предложено разложение всего изображения на синусоидальныебазисные функции, что описывать широкий спектр объектов небольшимколичеством параметров [333]. Также описано применение для параметризацииизображений использование дифференциальных уравнений [215].Довольночастодляописанияобъектовиспользуютсяпараметрыхарактеризующие края и текстуру объектов. Так, при автоматизированном анализеизображений сетчатки для скрининга заболеваний глаза применяется описаниегеометрических форм полученных на изображении объектов [255], а дляраспознавания злокачественных новообразований молочной железы помимогеометрической формы оценивалась симметричность объектов [329]. Дляскрининговой диагностики рака слизистой оболочки толстой кишки примененанализ текстуры изучаемых изображений.

Использование текстуры позволилодостигнутьдовольновысокихзначенийпоказателейчувствительности,специфичности и точности при классификации изображений, на которыхизображена слизистая оболочка со злокачественным новообразованием и норма,составляющих 93,1%, 86,4% 90,2% соответственно [284]. Также текстурныепризнаки применяются при описании объектов на ультразвуковых изображенияхдля классификации миомы и аденомиоза матки [189].33Различными авторами для описания объектов на цифровых изображенияхпредлагается использование не сложных с точки зрения вычислений, апростоизвлекаемых признаков. Так, для количественной оценки микрососудов вопухоли почки использовано описание пикселей в нескольких цветовых схемах –RGB, HSI, L*a*b и др.

Использование такого описания сосудов позволило получитьвысокие значения корреляции (r=0,958) между числом сосудов полученным путемавтоматического и путем ручного подсчета [191]. Помимо этого, предлагается дляописания объектов использовать слияние результатов разложения пикселей вразличных цветовых моделях [334].Некоторыми авторами предлагается использование различного видахарактеристик для описания объектов. Для поиска микрокальцинатов в молочнойжелезеприпроведениирентгенологическогоисследованияпредлагаетсяиспользование 61 признака, характеризующего текстуру, пространственноерасположение и спектральное представление объектов [246], а для поискаразличных аномалий желудочно-кишечного тракта – текстурных и стандартныхцветовых признаков [344].В работе Y. Zhou с соавт.

(2018) описывается больше число стандартных испециализированных цветовых, а также геометрических и текстурных признаков,которые могут использоваться для описания конкретных пикселей изображения, асоответственно объектов, состоящих из пикселей, и цифровых изображений вцелом. Так, к стандартным цветовым признакам относятся стандартные значенияцветовых каналов, их средние значения и различные соотношения. Кспециализированным относятся признаки параметров, которые могут бытьполучены при проведении цифровой съемки с применением специализированногооборудования, например, спутниковые изображения земли или космическиеизображения. В качестве геометрических параметров представлены попиксельнаяплощадь объектов, длина, ширина и их соотношение, а также другие различныеиндексы.

К текстурным признакам относятся средняя яркость, ее энтропия,корреляция, гомогенность и т.д. [226].34Таким образом, существуют различные виды признаков, которые могут бытьиспользованы для описания объектов на цифровых изображениях. Помимоналичия различных видов существует довольно значительное число признаков,входящих в каждый из имеющихся видов.

Такое разнообразие описательныхпризнаков создает существенные затруднения в их выборе для описания объектовпри решении конкретных задач по распознаванию или анализу изображений.Необходимо отметить, что на текущий момент какие-либо устоявшиеся алгоритмыили правила выбора параметров для описания объектов на цифровых изображенияхотсутствуют. В связи с этим одной из задач при разработке автоматизированнойсистемы бактериоскопической диагностики туберкулеза является параметризацияобъектов, выделяемых на цифровых изображениях мокроты, окрашенной пометоду Циля-Нильсена.Как уже было отмечено, одной из проблем распознавания объектов наизображении является их параметризация, то есть описание объектов с помощьюразличных параметров, которые будут использоваться для последующейидентификации или распознавания [106]. Очень важным для снижения временныхзатрат является соблюдение баланса между числом таких параметров и ихценностью для идентификации при построении классификационных моделей [356].В настоящее время существует довольно большое число различных методов, спомощью которых можно оценить ценность параметров для их использования впроцессе распознавания объектов [62].Задача отбора признаков или снижения признакового пространства частовозникаетприпостроениииисследованииразличныхмедицинскихпрогностических моделей [71, 147, 157, 257].

Уменьшение числа исследуемыхпризнаков направлено на исключение их мультиколлинеарности [69, 102],снижение необходимых вычислительных мощностей [30, 83, 268], экономиюзатрат, требуемых на медицинские исследования для получения дополнительныхсведений о пациенте или объекте [29]. С задачей отбора признаков приходитсясталкиваться при создании любых классификационных моделей, в том числе35логистических регрессионных уравнений [31, 69], линейных классификаторов [23]и других математических моделей различных предметных областей [30, 251, 339].При решении задачи отбора признаков, как правило применяется дваподхода.

Первый – использование специализированных методов для оценки такназываемойинформативностипризнаков,второй–отборпризнаковнепосредственно при построении классификационных моделей с помощьювстроенных в алгоритмы построения моделей методов отбора признаков. В связи стем,чтопостроениеклассификационныхмоделейможетприводитьксущественным затратам времени, то и отбор признаков с применением второгоподхода является как правило довольно затратным по времени.Использование первого из предложенных подходов наиболее частореализуется с применением таких методов оценки информативности признаков,как метод накопленных частот, метод Шеннона, Кульбака и Фишера [14, 41, 64, 73,75, 104, 128, 237, 314]. Так, для отбора более информативных генов применялисьметоды оценки информативности Фишера и Шеннона [196].В качестве примера применения второго подхода для отбора признаковможно привести отбор признаков для выявления микрокальцинатов в молочнойжелезе путем построения регрессионной нейронной сети и метода опорныхвекторов.

Так, признаки отобранные путем построения модели с помощью методаопорных векторов позволили получить лучшее качество классификации объектовна изображении, по сравнению с признаками, отобранными путем построениярегрессионной нейронной сети [246].1.3.3. Распознавание объектов на изображенияхЗаключительным этапом анализа цифровых изображений, как правило,является идентификация или распознавание оставшихся после сегментации частейизображения с применением отобранных признаков [54, 101, 115, 208].

В основе36распознаванияизображенийиспользованиемразличныхлежитзадачаклассификации,математическихметодов[5,31,решаемая209,с316].Классификационные задачи подразумевают прогнозирование качественногопризнака, то есть отнесение к одному из классов.Так, довольно широкое применение в медицинских исследованиях получилиметоды логистического регрессионного анализа [6, 24, 77, 120], построениядискриминантных уравнений [15, 19, 105, 113, 362], деревьев классификации [187,319] и искусственных нейронных сетей [9, 82, 100, 124], которые при решенииразличных задач могут давать различные результаты.В качестве одного из довольно часто используемых методов классификациинеобходимо отметить метод опорных векторов.

Так, с помощью данного методапроизводитсяклассификациямиомыиаденомиозаматкиподаннымультразвуковых изображений [189].Логистическиерегрессионныеуравненияиспользуютсяразличнымиисследователями для решения разнообразных диагностических задач. Так,применение данной модели на основе гистограммы, формы и матрицы яркостиизображений предлагается при классификации классов глиом головного мозга[186]. Другими авторами с помощью логистического регрессионного анализапредлагается распознавание атипичных клеток плоского эпителия шейки матки нагистологическихизображениях[217],чтопозволилополучитьточностьклассификации 88,98%.