Автореферат (1144793), страница 10
Текст из файла (страница 10)
Фрагмент фации СК, имеющей маркер патологии – жгутовыеструктуры: а) математическая морфологическая обработка изображения фации и выявление объектов в фации (по связным областям); б) текстурныйанализ по ключевым точкам.Обнаружение объектов и маркеров с определенной структурой вфациях БЖ по ключевым точкам. Такой подход включал в себя методы,используемые в задачах распознавания изображений. Нами был применёнметод Speeded Up Robust Features (SURF), так как среди различных методов он является одним из самых эффективных и быстрых алгоритмов.Ключевая точка ‒ это особая локальная точка изображения (local imagefeature) с характерной окрестностью, которая имеет признаки, существенно отличающие её от основной массы точек.
Поскольку локальные точкисильно отличаются от основной массы точек, то их число будет существенно меньше, чем общее число точек образа.После нахождения ключевых точек SURF с помощью детекторов,рассчитываются дескрипторы – векторы, описывающие структуру окрестности точечной особенности. Для каждого типа особенностей использовался свой детектор. Для определения углов и линейных структур использовался детектор Харриса. Метод SURF решал две задачи – поиск ключевыхточек изображения и создание их дескрипторов, инвариантных к масштабу и вращению.
Метод ищет ключевые точки с помощью матрицы Гессе.Детерминант матрицы Гессе (гессиан) достигает экстремума в точкахмаксимального изменения градиента яркости. Он хорошо детектирует пят-39на, углы и края линий. С помощью ключевых точек выявлялись структурные элементы (каждая ключевая точка очерчена цветным кругом) фации(рисунок 17б и 18б).Диаметр окружности показывает масштаб особой точки. Линия внутри окружности показывает характерное направление для особой точки –направление градиента яркости.На рисунках текстурный анализ по ключевым точкам (очерчены цветными кругами) изображения фации. Столбцы, закрашенные бежевым, относятся к группе маркеров, столбцы, окрашенные в зеленый, – к группе фон.По координатам ключевых точек можно вывести эти структуры как самостоятельные изображения, которые в дальнейшем квалифицировались намикак маркеры разных патологических состояний организма человека.
Из-замалого числа образцов каждого класса, изображения фаций БЖ были разделены на информативные области, из которых были сформированы новыеизображения. Полученные текстурные изображения были достаточно велики, чтобы быть представителями различных типов фаций. Изображение фации не рассматривалось целиком, а бралась лишь определённая область интереса: либо центр + промежуточная зона, либо периферия + промежуточная зона. Размер области чаще всего выбирался 512×512 или 1024×1024пиксел.Для каждой ключевой точки считается направление максимальногоизменения яркости (градиент) и масштаб, взятый из масштабного коэффициента матрицы Гессе.
Для каждого участка фации вокруг ключевой точкиили участка, содержащего найденный маркер, полученный для каждойнайденной связной области с использованием матриц смежности вычислялись (А.А. Потапов, 2003) текстурные признаки, такие как контраст, инерция, энергия, энтропия и однородность. Эти признаки учитывают взаимноерасположение соседних пикселей в скользящем окне, и, соответственно,служат для описания текстур с выраженной пространственной регулярностью. Матрица учитывает, как уровни яркости отсчётов, так и относительное расположение отсчётов с определённой яркостью на изображении. Вычисляя признаки для различных изображений, мы получали многомерныйвектор признаков текстур.
На изображениях структурных элементов фацийСК лишь единичные текстуры имеют небольшое число достаточно четкихотличительных признаков.Всё множество векторов стохастически делилось на две равные группывыборок (тестовую и обучающую) так, чтобы обе группы содержали равноечисло образцов из каждого класса. Был использован метод классификациипо k − ближайшим соседям. Для каждого изображения вычислены текстурные признаки.
По классам (a), (b), (c), (d), (e) распределялись структурныеэлементы, выделенные каждой ключевой точкой.Каждое изображение фации рассматривало структурные элементы,представленные набором из 5 классов, определяемых набором значений из 740текстурных признаков. Число представителей каждого класса менялось от12 до 20.
В ходе эксперимента 20 раз проводилось случайное формированиеобучающей и тестовой выборки. После каждого формирования проводиласьклассификация и фиксировалось число верно проклассифицированных образцов из каждого класса, а также число верно проклассифицированных образцов из группы патологий. Вариабельность количественных характеристик текстурных признаков структурных элементов фаций СК внутри каждой группы варьировала в пределах 5-13%.
На основе методов математического морфологического анализа из исходных 7 текстурных признаков, были отобраны 4, позволяющие значительно уменьшить ошибку классификации маркеров изображений.На основе анализа структурных элементов фации СК построен классификатор, который позволяет определять тип имеющихся маркеров. Тоесть, показана принципиальная возможность использования автоматизированного метода для диагностики заболеваний.
В большинстве экспериментов точность выявления маркеров приближалась к 90%.В качестве заключительного элемента нашей работы мы представляемалгоритм (рисунок 19) автоматизированного метода диагностики заболеваний по структуре фаций биологических жидкостей.Таким образом, полученные результаты, с одной стороны, создалиоснову для автоматизированного анализа структуры фаций БЖ, что повышает скорость, объективность и экономичность диагностики различных патологических состояний, как в клинических условиях, так и при массовыхобследованиях населения. С другой стороны, проведенные исследованиядали возможность рассчитать параметры капли: форму ее поверхности, закономерности изменения объема, порядок формирования системных и локальных структур фаций белковых и белково-солевых растворов, что позволило создать математическую модель процесса высыхания капли.В целом, проведенные теоретические и экспериментальные (лабораторные) исследования механизмов формирования структур при клиновидной дегидратации реальных БЖ и МЖ (растворов минеральных солей,белков и их смесей) показали, что в фациях БЖ в норме существует определенный порядок, который фиксируется в виде определенных структур с соответствующими качественными и количественными параметрами.
При патологических состояниях организма значительные нарушения данного порядка, выражающиеся в потере БЖ способности формировать при переходев твёрдую фазу упорядоченные структуры. В результате при патологиитвердофазные структуры БЖ приобретают новые признаки, которые могутрассматриваться как маркерные.На основе математического морфологического анализа полученныхизображений фаций СК были разработаны автоматизированные алгоритмывыделения устойчивых признаков на структурном портрете фации БЖ. Разработанный нами метод ввода, обработки и представления изображений фа-41ций позволяет автоматизировать процесс выделения информативных признаков и оценивать их значимость с учетом накопленной эмпирической информации, а также минимизировать влияние субъективных факторов.а)б)в)г)Рисунок 19. Алгоритмы автоматизированной диагностики по структуре фаций биологических жидкостей: а) начальный этап; б) анализ трещин на фации; в) анализ маркеров и определение их текстурных признаков с помощью связных областей и по ключевым точкам; г) конечный этап.Значимые для диагностики структуры устанавливаются путём сравнительного анализа фаций СК здоровых людей и пациентов с различнымивидами патологии.
Статистически достоверные различия выявленных особенностей в структурах фаций СК позволяет относить эти особенности кмаркерам той или иной патологии. Это позволило установить, что для каждого класса текстуры существуют информативные признаки, позволяющиеотличить текстуру от основного фона. Анализ текстур структурных элементов фации дал возможность построить классификатор, определяющий типмаркеров в фациях СК.42Выводы1. По результатам экспериментальных исследования капель биологических и модельных жидкостей при клиновидной дегидратации была создана математическая модель движения границы фазового фронта в процесседегидратации капли, определена динамика формы капли, для двух видовпотоков испарения с поверхности капли и эволюция профиля концентрациикомпонент раствора, что позволило описать формирование системной и зональной структуры фации.2.
Предложенный метод учета процессов осаждения в системе раствор-осадок даёт достаточно точное представление о механизмах формирования белкового валика на границе капли, позволяет описать уменьшениеконцентрации белка в жидкой фазе капли, оценить распределение различных растворённых веществ по площади фации и объяснить причины стадийности в осаждении различных компонент раствора при формированиифации.3. Определены возможности управления процессами структуризациифаций биологических жидкостей при клиновидной дегидратации путём изменения параметров формы капли, функционально зависящих от ее объема,что дало возможность установить объем капли в 20 мкл, при котором оптимально реализуется системная и локальная организация фаций биологических жидкостей.4. Исследование эволюции радиально-аркадных структур на примерефации капли модельных жидкостей показало, что при высыхании растворовбелка с разным соотношением концентрации белок-соль образуются периодические структуры, кольцевая форма которых, определяется геометриейкапли, а масштаб – составом и условиями высыхания.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
