Диссертация (1144795), страница 18
Текст из файла (страница 18)
Вычисление коэффициента неоднородности поля яркости основывалось напредставлении поля яркости фрагмента фации I (цветовая информация игнорировалась) в виде функции от двух пространственных координат x и y. Распределение яркости I(x,y) в пределах выбранного образца нормировалось наединицу, и к нему применялась формула К.
Шеннона [112; 113], обычно используемая для вычисления энтропии: E = – ∑I(X,Y)In(I(X,Y), где суммирование проводилось по всем пикселям фрагмента. Величина E, вычисленная таким образом, отражала неравномерность распределения I(x,y) по полю фрагмента. Она принимала максимальное значение Emax при одинаковой яркостивсех пикселей фрагмента и была равна нулю при засветке только одного пикселя. Таким образом, показатель неоднородности поля I(x,y) мог быть определен как: K = (1 – E/Emax)·100%.Фрактальная размерность применялась для характеристики поля яркости фрагмента фации после его преобразования в черно-белое представление,при установлении порогового значения яркости It. Фрактальная размерностьоценивалась для характеристики структуры полученного изображения с помощью алгоритма покрытия (Б. Мандельброт, 2002).972.3.3.
Методы компьютерной обработки и анализа изображенийструктур фаций биологических жидкостейАанализ изображений проводился с помощью программы Image ProPlus (фирма Media Cybernetics), которая представляет собой интеграцию современных методов по обработке изображений, созданных на базе мощныхматематических методов, проверенных на практике.Программа позволяет создавать методики для решения стандартныхпользовательских задач, связанных с измерениями элементов изображений.Она также включает несколько готовых методик. Программа служит основойдля универсального анализатора медицинских и биологических изображений.Большим достоинством Image Pro Plus является использование макрокоманд и встроенного языка программирования.
Можно написать приложение к этой программе на любом языке высокого уровня (С++, Visual Basic,Visual Fortran) и расширить возможности программы. Переложив часть операций на саму программу, остальные можно производить с помощью дополнительных модулей и макрокоманд, написанных под специально определенную задачу.К исходным полноцветным изображениям применяли морфологические и спектральные фильтры:− "Градиент" и "Макронеоднородность" − подавлял неравномерностиосвещения, которое могут возникать на ряде оптических систем.− "Высокочастотный", "Низкочастотный" и "Медианный" − способствовал сглаживанию помех и стабилизации уровней яркости изображений.− Спектральные фильтры нерезкого маскирования, статистическогодифференцирования (Уолиса, или Собеля) − усиливали слабовыраженныедетали изображения.− Фильтры Кепстра и Фурье − позволяли воздействовать непосред-98ственно на частотный спектр изображений (помимо настройки радиуса задается предельная интенсивность, ниже которой значение анализируемой точкине меняется на размытое, а в фильтре задается доля точек-соседей некоегоцвета, ниже которой цвет точки также не меняется).− Морфологические фильтры − были применены к бинаризированнымили сегментированным изображениям и улучшали на геометрию объектов.− Фильтры эррозии и дилатации − основаны на механизме попеременной 4− и 8− связности, что позволяло точнее описывать равномерное расширение даже на растровых изображениях.− Фильтры "Вскрытие" и "Замыкание" − основаны на попеременномприменении эрозии-дилатации и дилатации-эрозии соответственно и их применяли для разделения или соединения в одно целое близко расположенныхобъектов.− Фильтр "Скелетизация" − применяли для выявления тонкой структуры объектов, что являлось полезным при анализе структуры.− Фильтры "Соединение" и "Отсечение" применяли соответственно длясоединения свободных хвостиков объектов с телом объекта и для их устранения.
Эти фильтры также полезны при восстановлении структуры.− Фильтр "Разделение" − позволяли автоматически устранять перешейки слипшихся частиц, но данный метод эффективен в ситуациях, когда задаваемый радиус перешейка меньше объектов; в противном случае делитьсямогут тела самих объектов.− Фильтр "Удаление граничных объектов" – был необходим при анализе распределений мелких объектов, поскольку учет неполных частиц вноситпогрешность.− Фильтры свёрток − применялись для самых разнообразных преобразований.Проведя предварительную обработку изображений фации БЖ по улучшению изображения, устранению дефектов и «лишней» информации мы99применили собственные, индивидуально разработанные алгоритмы для анализа структур.Для объективной оценки структур твердой фазы нами разработан методсегментации растрового изображения по заранее определяемым характернымпризнакам текстурных сегментов изображения БЖ, а также фрактальныйанализ.Кроме того, мы использовали компьютерную программу Mathematica11.1, компании Wolfram Research, с пакетом математической обработкиизображений.
Эта программа дополняет исследования и анализ структур наизображении фаций БЖ. Исходным материалом для программы служилифайлы изображений фаций БЖ. На выходе получали статистические данныераспределения морфологических маркеров в фации и на основании их делаливыводы в различии между разными типами изображений и структур фацийБЖ.
Статистическую обработку фации в норме и при патологии вели по статистическим признакам 2-го порядка с использованием матрицы вероятностного распределения яркости (Рисунок 2.6‒а, ‒б).Экспериментальный материал высушивали на стекле под микроскопомс телевизионной камерой, сопряженной с компьютером, регистрируя процессфазовых переходов во времени.
Использовали оптический микроскоп БИМАМ Р–13 при увеличении от х3 до х10. Регистрацию производили встроенной цифровой видеокамерой ТСА–9.0. С производства ЛОМО СанктПетербург.Для объективной оценки структур твердой фазы нами разработан методсегментации растрового изображения по заранее определяемым характернымпризнакам текстурных сегментов изображения БЖ, а также фрактальныйанализ.
На Рисунке 2.7 в верхней строке последовательно показана сегментация изображения, затем выявление ее тонкой структуры (дополнительнаяфильтрация) в центре фации. Вторая строка показывает, как с помощью ключевых точек выявлялись структурные (дендритные) элементы в центре фа-100ции. По координатам ключевых точек выводили эти структуры как самостоятельные изображения, которые в дальнейшем, квалифицировали как маркерынормы или какой-либо патологии.1а)204064112020404064641Исходное изображение4064Матрица яркости изображения1б)20204064112020404064641Исходное изображение204064Матрица яркости изображенияРисунок 2.6 ‒ Матрица яркости для двух типов фаций СК: а) в норме:б) при патологииДля предварительной интерактивной обработки изображений фацийнами использован новый метод, основанный на преобразовании изображенийпо принципу сходства с образцом, что позволило упростить и ускорить процесс выделения объектов.
Суть метода заключалась в визуализации мерысходства с эталоном в пространстве признаков. Каждый пиксель обрабатываемого изображения с конкретными пространственными координатами обладал также координатами в пространстве признаков. В качестве признаковможно было выбрать яркостные (по всем имеющимся каналам), текстурные идругие параметры.101В результате такой обработки получали изображение в градации серого, у которого яркость каждого пикселя характеризовало его сходство с эталоном.
Таким образом, получали целевое изображение, которое позволялопод визуальным контролем, с использованием своего опыта и контекстнойинформации, выбрать пороговые ограничения для выделения объектов интереса.а)б)Рисунок 2.7 ‒ Обработка фации носового секрета из пазух носа: а) детализация центральных структур фации с помощью сегментации и примененияфильтрации; б) выделение кластеров и маркеров с помощью ключевыхточекДостоверность обнаружения обеспечивалась возможностью использования всей доступной информации при целенаправленной визуализации.Точность морфометрических измерений достигалось за счет интерактивноговыделения объектов, позволяющего использовать контекстную информацию.В качестве морфометрических параметров выделенных объектов автоматически измеряли такие показатели, как площадь; периметр; форм-фактор(ФФ); диаметр круга площадью, равной площади выделенного объекта; минимальный и максимальный размеры; координаты “центра масс“; величинапроекций на оси x и y; средняя интенсивность и оптическая плотность объек-102тов.Для оценки формы объекта был использован такой морфометрическийпараметр, как ФФ, который определяется по формуле 4πS ∕ P2, где S − площадь объекта, а P − его периметр.
Хотя ФФ и является параметром, определяющим степень отличия фигуры от круга, этот параметр может быть использован как для оценки изменений формы в целом (при аппроксимацииконтура объекта гладкой кривой), так и для оценки локальных измененийграниц объекта при обнаружении значительных неровностей границ.2.3.4. Методы математического моделирования процессовструктурирования биологических жидкостей при клиновиднойдегидратацииРасчеты, позволяющие количественно оценить отдельные характеристики капель биожидкостей, основывались на показателях их формы, размеров, величине температурного переохлаждения поверхности, времени испарения.Проведенные экспериментальные исследования процесса высыханиякапель биожидкостей показали наличие двух режимов клиновидной дегидратации: испарение с фиксированным углом смачивания и с фиксированнойграницей фаз. Первый режим характерен для биожидкостей (слюна, слезнаяжидкость) с малой концентрацией (менее 1% ) растворенных веществ [148].Второй режим проявлялся при высыхании сыворотки крови, мочи, желчи, вкоторых концентрация растворенных веществ в совокупности может достигать 13 % [148].
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
