Диссертация (1144795), страница 51

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 51)

При изменении его параметров, позволяющих убратьнесуществующие контуры, исчезают и контуры исследуемых объектов.Метод выявления маркеров по ключевым точкам показал стабильныерезультаты и во всех случаях процент выделения контуров с помощью этогометода превосходил 95% порог от общего числа объектов на изображении.Следовательно, этот метод можно рассматривать как основной для319реализации в системе выявления маркеров. Однако на серии изображенийстановится заметно сходство остальных ТП для данного метода.

Это послужило причиной включения метода выявления маркеров с применениемтекстурного анализа изображения.Каждое изображение фации рассматривало структурные элементы,представленные набором из 5 классов, определяемых набором значений из 7ТП. Число представителей каждого класса менялось от 12 до 20. В ходеэксперимента 20 раз проводилось случайное формирование обучающей итестовой выборки. После каждого формирования проводилась классификацияи фиксировалось число верно проклассифицированных образцов из каждогокласса, а также число верно проклассифицированных образцов из группыпатологий [328].Классификация признавалась верной, если исследуемый объект, относящийся к группе «маркеры», по результатам классификации относился либок первому, либо ко второму классу. Аналогично формировались результатыдля группы «фон».

Таким образом, было получено среднее число вернопроклассифицированных образцов для каждого класса и группы. Результатыпредставлены в Таблица 5.9.Таблица 5.9 ‒ Результату классификации изображений фации сыворотки кровиКласс /группаabcde МаркерФонЧисло различных образцов 20181317163662Число образцов в выборке 100 879381969689Число образцов прокласси98848975879285фицировано без ошибокПоказатель безошибочной98969592909695классификации (%)Практически все типы, исследованных структур распределялись в соответствии с составленным классификатором. Отметим, что классы b и c иногдаошибочно классифицировались, как класс d, а класс d - как класс e.

Вероятно,это было связано с низким качеством исходного изображения фации, большим количеством разнотипных структур, их высокой концентрацией в пери-320ферической области фации.Результаты разделения на эти классы хорошо согласуются с оценками,выполненными при визуальном исследовании. Принимая во внимание используемый набор признаков, в структурах класса d преобладают очень мелкие элементы текстуры, что делает его непохожим на остальные. Класс е непохож на класс c или d, поскольку в основном отличается от них малой контрастностью и небольшим числом объектов внутри.Следует отметить очень низкую вероятность ошибок ложного пропуска(около 3%).

Практически все объекты из группы маркеров по результатамклассификации попали в класс а и b, т.е. вероятность ошибок такжедостаточно мала (около 7%). Высокая точность классификации может бытьсвязана также с тем, что при проведении анализа крупные изображенияподвергались дополнительной фильтрации и выравниванию контраста по гистограмме яркости, а части одного изображения больше похожи друг надруга, чем на образцы другого представителя класса. Результаты могут бытьболее точными при дальнейшем анализе большего числа образцов каждогокласса, без дополнительного разбиения.В ходе исследований определилась тенденция к образованию группизображений, схожих по текстуре. Вариабельность количественных характеристик ТП элементов фаций СК внутри каждой группы варьировала в пределах 5 − 13%.На основе методов текстурного анализа из исходных 7 ТП, были выбраны 4, позволившие значительно уменьшить ошибку классификациимаркеров изображений фации. Результаты классификации c использованиемметода k-средних показали, что вероятность точной классификации вслучае двух ТП (энтропии и энергии) составила 86%; с использованием трехТП (контраста, энтропии и энергии) 89%; в случае четырех ТП (контраста,энтропии, энергии и однородности) – 95%.

Следовательно, применениестатистических ТП второго порядка даёт возможность уменьшить ошибкуклассификации в среднем до 12%. Это позволяет использовать разработан-321ную технологию для решения прикладных задач медицинской диагностики.На основе анализа текстур элементов фации построен классификатор,который позволяет определять тип маркеров в фациях СК. В подавляющембольшинствеэкспериментовточностьвыявлениямаркеровбылапрактически равна 100%. В перспективе обработка большего числа образцовдолжнаповыситьточностьклассификацииисделатьеёболееуниверсальной. Кроме того, возможно повышение качества работыклассификатора путем увеличения размерности пространства признаков.Использование расстояния Евклида в методе k-средних, как и сам метод,были выбраны из соображений простоты и удобства реализации.

Естьбольшой потенциал в возможности построения теории статистическихтекстурных признаков третьего порядка и в использовании треугольнойрастеризации изображений.Таким образом, результате проведенных исследований показали, что:− градиентные алгоритмы, применяемые для выделения контуровэлементов на изображении фации, значительно улучшают выделение связныхобластей, однако результаты, получаемые с их помощью, зависят от качестваисследуемых изображений;− для каждого класса маркерных текстуры существуют информативныепризнаки, позволяющие отличить их от основного фона;− более полная статистическая оценка информативных признаков далавозможностьсформироватьпороговыезначения,позволяющиесегментировать изображения с минимальными ошибками;− использование ТП фации даёт возможностьмодифицироватьсуществующие методы сегментации и распознавания для решения задачвыделения маркеров, соответствующих определенной патологии;− результаты классификации структурных элементов фаций, показали,что вероятность более точной классификации для группы «маркеры», выделенных с помощью морфологического анализа, составляет 71%, прииспользовании анализа по ключевым точкам – 89%.322Наибольшую значимость метода текстурного анализа мы видим в егоприменении при массовых профилактических осмотрах населения, а такжепри обследовании значительных потоков пациентов в крупных лечебнопрофилактических учреждениях.

Данный метод при скрининге даёт возможность сразу же разделить пациентов на здоровых (они не требуют в дальнейшем никаких, в том числе дорогостоящих исследований) и пациентов, имеющих патологические отклонения. При этом метод даёт информацию по дальнейшему определению прицельного скрининга – целенаправленному медицинскому обследованию пациента. То есть, данный метод делает широко доступным текстурный анализ биологических жидкостей для клиниколабораторной практике, значительно сокращает стоимость клинических обследований, увеличивает их скорость и повышает качество.При этом, специфические особенности морфологической картины фацийБЖ,выявленныеещевначальнойстадии,илинастадиипредрасположенности (высокого риска) к тому или ином у заболеванию,позволяют, еще на стадии предрасположенности, определить тенденцию кразвитию этого заболевания и дают возможность принять меры попредупреждению его возникновения.323ЗаключениеДо недавнего времени понятие морфологии в биологии и медицинераспространялось только на клеточные ткани, а биологические жидкости(сыворотка крови, лимфа, желчь, желудочный сок, моча, панкреатическийсок, ликвор, слеза, синовиальная жидкость и др.) находились вне зоны морфологических исследований.

Однако методы исследования биологическихжидкостей, разработанные в последние годы, позволили изменить такое отношение. Установлено, что в норме в биожидкостях, находящихся в твердойфазе, существует порядок, который фиксирован в виде определенных структур с соответствующими качественными и количественными параметрами.При этом патологические состояния организма приводят к значительнымнарушениям данного порядка. В результате структуры приобретают новыепризнаки, которые рассматриваются как диагностические маркеры.Процессы диссипации постоянно протекают в биологических жидкостях организма прижизненно. Именно микропроцессы на уровне молекулярной организации БЖ в результате кооперативных взаимодействий формируют сложные агрегации, способные обеспечивать функциональные механизмыдеятельности организма.

Диссипативные процессы фиксируются и чётко визуализируются путём специфического структуропостроения при переходеБЖ из жидкого состояния в твёрдое, в условиях, позволяющих сохранятьвозможность системной организации. Таким условиям удовлетворяет методклиновидной дегидратации. Следует отметить, что системная организацияможет протекать только в системе, а капля является единственной самоорганизующейся макроструктурой жидкости, все остальные структуры жидкостей являются навязанными внешним воздействием. Поэтому метод клиновидной дегидратации является единственным методом получения информацию о системной самоорганизации жидкости.Биожидкости не имеют устойчивых связей в своей структуре. В связи счем на появление во внутренней среде организма новой химической субстан-324ции отклик биожидкости является наиболее оперативным, наиболее выраженным по объему структурных изменений и распространяющимся на всюжидкостную систему.

Характеристики

Список файлов диссертации