Диссертация (Автоматизированная бактериоскопическая диагностика туберкулеза), страница 9
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 9 страницы из PDF
(1999) и M. Forero с соавт. (2006) [155, 228] применяли операторКенни, осуществляющий поиск границ объектов, с разложением изображения насоставляющие цветовой схемы RGB. Помимо этого, для выделения объектов послесегментации изображения M. Forero с соавт. (2006) применяли морфологическоеоперации такие как наращивание, эрозия, замыкание и размыкание. M. Russel ссоавт. экспериментировал с методами сегментации изображения представленных вцветном виде и в оттенках серого. При проведении данных экспериментов былопоказано лучшее качество сегментации при использовании цветных изображенийбез их преобразования в оттенки серого [321, 322].Дополнительно для уменьшения числа анализируемых на дальнейших этапахобъектов и исключения объектов, заранее не являющихся кислотоустойчивымимикобактериями, M.
Forero с соавт. (2006) осуществляли фильтрацию объектов наосновании площади и эксцентриситета. Объекты, площадь и эксцентриситеткоторых имели слишком малые или большие значения исключались издальнейшего анализа [228].В 2007 году B. Lenseigne с соавт. (2007) для сегментации цифровыхмикроскопических изображений мокроты, полученных с помощью конфокальноймикроскопии,предложилприменениеметодаопорныхвекторов[340],заключающиеся в классификации каждого пикселя на изображениях на два класса:пиксели, принадлежащие кислотоустойчивым микобактериям и пиксели иных42объектов.
Классификация пикселей осуществлялась на основании 9-мерноговектора признаков, описывающего окрестность пикселя размером 3x3.Кислотоустойчивыемикобактерииимеютпалочковиднуюформуиварьируют по длине от 1 мкм до 10 мкм [164]. Для описания кислотоустойчивыхмикобактерий в качестве объектов на изображениях M. Forero с соавт. (2006)дополнительно к цветовым характеристикам объектов использовали их моменты,описывающие площадь, форму и ориентацию [228]. R. Santiago-Mozos с соавт.(2014) предложен Байесовский подход к классификации микобактерий [145].В 2012 году J.
Chang с соавт. [158] предложили метод обнаружениякислотоустойчивых микобактерий на изображениях, полученных с помощьюCellScope. CellScope – портативный передвижной люминесцентный микроскоп,который может использоваться как альтернатива к стандартным лабораторныммикроскопам.
Предложенный метод включает три этапа: выделение объектов спомощью Гауссовского размытия и морфологических операций, извлечениегеометрических и фотометрических признаков, классификация методом опорныхвекторов. В последующем сравнение результатов микроскопии с использованиемCellScope и стандартной люминесцентной микроскопией показало, что результатымикроскопии не отличались при применении различной микроскопическойтехники [285].В 2012 году J. J.
Lewis с соавт. предложили полностью автоматическуюсистему обнаружения кислотоустойчивых микобактерий, известную как «TBDx».[130]Даннаясистемалюминесцентныйавтоматическимикроскоп,загружаетавтоматическипредметноефокусируетсястеклодлявзахватаизображений и классифицирует мазок как положительный или отрицательный.Предложеннаясистематакжевычисляетколичествокислотоустойчивыхмикобактерий в положительном мазке.Автоматическая система поддержки принятия решений для обнаружениямикобактерий туберкулеза также была предложена E. Priya с соавт.
(2013) [304].Данная система в качестве признаков, используемых для распознавания,использовались гистограммы цветовых характеристик, а также их средние43значения, асимметрия и эксцесс. На текущий момент разработка подобныхавтоматизированных систем продолжается и предлагаются системы, основанныена совершенно разнообразных методах анализа изображений [154].Важной особенностью применяемых вышеописанных методов является то,что они могут применяться для распознавания цифровых микроскопическихизображений мокроты, окрашенной люминесцентными красителями. Одним изпреимуществ данной микроскопии является то, что она использует объектив сменьшим увеличением, чем обычная микроскопия, что позволяет исследователюоценить ту же область слайда за меньшее время.
Кроме того, данная микроскопияв среднем на 10% чувствительнее обычной [188]. Однако, в Россиилюминесцентнаямикроскопиядлявыявлениябольныхтуберкулезомвучреждениях общей лечебной сети практически не применяется в связи с тем, чтостоимость необходимых для этого реактивов и микроскопического оборудованиясущественно превышает стоимость таковых при световой микроскопии с окраскойпо методу Циля-Нильсена.Для автоматизированного бактериоскопического выявления туберкулеза наоснове микроскопических изображений мокроты, окрашенной по методу ЦиляНильсена в литературе, также имеются некоторые решения [138, 288, 298].
Однако,имеющиеся публикации, как правило описывают отдельные этапы анализаизображения. Так, M. G. Costa с соавт. (2008) предложена модификации параметровдля описания кислотоустойчивых микобактерий как объектов на цифровыхизображениях [162], a P. Sadaphal с соавт. (2008) предложено применение длясегментации изображений Байесовского метода [245].Модификация существующих и разработка новых методов сегментацииосуществлялась и в последующие периоды [271]. Так, в 2009 году M.
Sotaquira ссоавт. [332] рассмотрели проблему сегментации с представлением изображений вразличных цветовых пространствах, таких как RGB, HSV, YIQ, YCbCr и LAB, инаилучшие результаты получили в цветовом пространстве YCbCr. M.K. Osman ссоавт. (2009) предложили метод линейного растяжения для повышенияконтрастности анализируемых изображений мокроты в цветовых схемах RGB и44HSV [300].
Также данными авторами [296, 297] для распознавания объектов намикроскопическихизображенияхмокротыпредложеноиспользованиемногослойной нейросетевой модели. Нейросетевые подходы к выявлениюкислотоустойчивых микобактерий также описываются и в других работах [34, 133,194].Для сегментации микроскопических изображениях мокроты, окрашенной пометодуЦиля-Нильсена,такжепредложеноприменениекомбинацииклассификаторов [153, 188].
Так, один из классификаторов использовалинформацию о цвете и яркости пикселей, а второй – о форме. Однако одним изнедостатковданногоподходаявляетсяневозможностьобнаруженияперекрывающихся кислотоустойчивых микобактерий.В 2010 году Y. Zhai с соавт. предложен комбинированный подходавтоматическойфокусировкииавтоматическихметодовсегментацииизображений. Для автоматической фокусировки использовали подвижнуюплатформу, которая изменяет положение в горизонтальной плоскости и повертикальной оси с помощью шаговых двигателей, а сегментация изображенийзаключалась в обработке изображения в цветовых схемах HSV и Lab [161].R.
Nayak с соавт. (2010) предложен алгоритм, состоящий из двух этапов:предварительнаяобработки,использующаяцветовуюинформациюдлясегментирования изображения в цветовой схеме HSI с использованием расстоянияМахаланобиса, и классификация объектов на основе их площади. Основнымнедостатком этого метода также является то, что он не может быть использованпри классификации перекрывающихся кислотоустойчивых микобактерий [291]. Вработе R. Rulaningtyas с соавт.
(2012) использовалась наивная байесовская цветоваясегментация для обнаружения кислотоустойчивых микобактерий [192].Сравнительно недавно был предложен метод сегментации изображений иклассификации объектов на основе метода Random Forest. Причем применениеданногометодапозволилополучитьбольшуюнейросетевая модель и метод опорных векторов [165].производительность,чем45Дляраспознаванияобъектовсцельюпоискакислотоустойчивыхмикобактерий, на изображениях мокроты, окрашенной по методу Циля-Нильсена,в литературе описано применение метода опорных векторов, Байесовскихклассификаторов, k ближайших соседей, нейронных сетей и т.
д. [136, 245].Таким образом, на текущий момент опубликовано большое число работ,описывающих методы, алгоритмы и автоматизированные системы, которые могутбыть использованы для автоматизированной бактериоскопической диагностикитуберкулеза. При этом большинство готовых к применению в практике системоснованы на применении люминесцентной микроскопии, которая на текущиймомент не получила широкого применения для выявления больных туберкулезомв учреждениях общей лечебной сети.
К недостаткам существующих подходов,предложенных для анализа изображений мокроты, окрашенной по методу ЦиляНильсена,являетсянеспособностьраспознаватьсоприкасающиесяилиперекрывающиеся кислотоустойчивые микобактерии, а также отсутствие работ,представляющих полный цикл обработки изображения с момента его получения дораспознавания объектов.Практически единственной из существующих работ, в которых рассмотренпроцесс распознавания микроскопических изображений мокроты, окрашенной пометоду Циля-Нильсена, опубликована R. Khutlang в 2009 году [259]. В даннойработе предложены алгоритмы и методы сегментации, извлечения признаковобъектов и их классификация.