Диссертация (1174210), страница 17
Текст из файла (страница 17)
Каждый нейрон имел 300 весов,расположенных в памяти видеокарты. На рисунке 24 изображена визуализациявесов нейронов карты инициализированных случайными значениями из отрезка от0 до 255.Рисунок 24 – Визуализация весов нейронов самоорганизующейся картыКохонена, инициализированных случайными значениями из отрезка от 0 до 255103Для создания глобального упорядочивания карты было произведенопредварительное сглаживание в течение 1 эпохи со сглаживающим ядром,имеющим ширину окрестности равной 2/3 размера карты (рисунок 25).Рисунок 25 – Визуализация весов самоорганизующейся карты Кохонена послепредварительного сглаживания в течение 1 эпохи со сглаживающим ядром,имеющим ширину окрестности равной 2/3 размера картыКаждый обучающий фрагмент преобразовывался в вектор, состоящий из 300компонент, которые содержат R, G, B составляющие цвета пикселей данногофрагмента (10 х 10 пикселей х 3 составляющих цвета).
Индексы R, G, B компонентдля пикселя с координатами x и y определялись следующими выражениями: = + ∗ 10 + 0 ∗ 100, = + ∗ 10 + 1 ∗ 100, = + ∗ 10 + 2 ∗ 100.Полученные векторы обучающих фрагментов записывались в текстовыйфайл, объем которого составил 13 ГБ. Код самоорганизующейся карты Кохонена104для графического процессора был реализован в соответствии с технологией CUDAна языке С.Процесс вычисления наименьшего евклидового расстояния между весаминейронов самообучающейся карты Кохонена и обучающим примером, а такжепроцесс обновления весов нейронов выполнялись параллельно. Учитывая это, дляобработки действий, связанных с нейроном, создавался блок потоков, в которомкаждый поток обрабатывал отдельный компонент вектора весов данного нейронаи компонент вектора обучающего фрагмента.
При поиске наименьшегоевклидового расстояния между весами нейронов и обучающим примером, а такжеобновления весов создавалось 1024 блока потоков, по 1 блоку для нейрона. Вкаждом блоке создавалось 300 потоков, по 1 потоку на 1 вес. После этапапредварительного сглаживания производилось обучение карты в течение 5 эпох сосглаживающим ядром, имеющим ширину окрестности равной 1/5 размера карты cпостепенным уменьшением с течением времени в зависимости от эпохи до 0(рисунок 26).Для определения нейронов, откликающихся только на фрагменты скислотоустойчивыми микобактериями, был выполнен проход окном 10x10пикселей по вертикали и горизонтали с шагом 1 пиксель по первоначальнымснимкам мокроты размером 2290x1690.
Для фрагмента изображения, оказавшегосяв данном окне, определялся нейрон победитель. Для всех 1024 нейронов былоподсчитано, на каком количестве фрагментов он являлся победителем. По такомуже принципу был выполнен подсчет для 6596 изображений, содержащихмикобактерии.Из количества откликов нейронов, подсчитанных на 6596 изображений,содержащих кислотоустойчивые микобактерии, было вычтено количествооткликов на фрагментах из первоначальных снимков, содержащих 1649выделенныхмикобактерий.Нарисунке27изображенагистограммаположительной разности количества откликов нейронов, то есть тех нейронов, накоторыхколичествооткликовнафрагменты,скислотоустойчивымимикобактериями, было больше, чем на фрагменты, содержащие только фон.105Рисунок 26 – Визуализация весов самоорганизующейся карты Кохонена послеобучения в течение 5 эпох со сглаживающим ядром, имеющим ширинуокрестности равной 1/5 размера карты c постепенным уменьшением до 0Рисунок 27 – Гистограмма количества положительных откликов после вычитанияиз количества откликов нейронов на фрагментах, содержащих кислотоустойчивыемикобактерии, количества откликов на фрагментах, содержащих только элементыфона106Нейроны, у которых количество откликов осталось положительнымявляютсянейронами,которыеоткликаютсянафрагменты,содержащиекислотоустойчивые микобактерии.
На рисунке 28 данные нейроны выделеныкрасной рамкой и образуют кластер. Все остальные нейроны откликаются наэлементы фона.Рисунок 28 – Визуализация весов самоорганизующейся карты Кохонена свыделенными нейронами, откликающимися на фрагменты, содержащиекислотоустойчивые микобактерийДля выполнения сегментации микроскопического изображения мокроты,окрашенной по методу Циля-Нильсена, выполняется проход окном 10x10 пикселейи определяется нейрон победитель для каждого фрагмента изображения, еслиданный нейрон относится к группе нейронов, откликающихся на фрагменты,содержащие кислотоустойчивые микобактерии, то данный фрагмент остается на107изображении, иначе закрашивается белым цветом.
Результат применения данногоалгоритма показан на рисунке 29.Рисунок 29 – Результат применения алгоритма: а – фрагментмикроскопического изображения мокроты с выделенными кислотоустойчивымимикобактериями вручную, б – сегментация данного фрагмента разработаннымалгоритмомНа рисунке 30 представлена схема алгоритма сегментации цифровыхмикроскопических изображений мокроты, окрашенной по методу Циля-Нильсена,с использованием самоорганизующейся карты Кохонена.Такимобразом,самоорганизующейсяскартыиспользованиемКохоненаматематическогоразработаналгоритмаппаратасегментациимикроскопических цифровых изображений мокроты, окрашенной по методу ЦиляНильсена.
Данный алгоритм может быть использован в автоматизированныхсистемах бактериоскопической диагностики туберкулеза для нахождения наизображенияхмикобактериямиразличныхсцельюобъектовихсхожихпоследующегоскислотоустойчивымираспознаваниякислотоустойчивых микобактерий или иных объектов.вкачестве108НачалоПроход поизображению окном10х10 пикселей сшагом 1 пиксельДвумернаяматрицазначений цветовпикселейОпределениенейрона победителяДаПиксельостается наизображенииНейрон победительявляется откликающимсяна фрагменты скислотоустойчивымимикобактериями?Двумернаяматрицазначений цветовоставшихсяпикселейНетПиксельисключается изизображенияКонецРисунок 30 – Схема алгоритма сегментации микроскопического изображениямокроты, окрашенной по методу Циля-Нильсена с использованиемсамоорганизующейся карты Кохонена1093.2.4.
Алгоритм сегментации с использованием вейвлет-преобразованияВ данном разделе рассмотрена разработка метода сегментации цифровыхмикроскопических изображений мокроты, окрашенной по методу Циля-Нильсена,на основе вейвлет-преобразования Mexican Hat (Мексиканская шляпа) [21, 110].Работа алгоритма осуществляется исходя из цветовых значений пикселей вцветовых схемах RGB и HSV. Двумерное вейвлет-преобразование изображенияпредставляет собой попиксельное преобразование таким образом, что конечноезначение цвета пикселя является произведением его первоначального значения изначений его окружающих пикселей на определенные коэффициенты. ВейвлетMexican Hat является набором данных коэффициентов.
Визуальное отображениекоэффициентов вейвлета Mexican Hat представлено на рисунке 31.Рисунок 31 – Коэффициенты вейвлета Mexican Hat110Из данных рисунка 31 следует, что преобразование первоначальногозначения пикселя производится следующим образом: значение цвета пикселя, длякоторогопроизводитсяпреобразованиеумножаетсянамаксимальныйкоэффициент (на рисунке 31 обозначено красным цветом).
Чем дальше пиксельнаходится от пикселя, для которого производится преобразование, тем на меньшийкоэффициент умножаются значение его цвета вплоть до отрицательных значенийкоэффициента (на рисунке 31 от желтого до темно синего цвета). Дальнейшееудаление пикселя от пикселя, для которого осуществляется преобразование,приводит к увеличению коэффициента от минимального отрицательного значениядо нулевого значения (на рисунке 31 от темно синего до голубого цвета). Такимобразом осуществляется преобразование всех пикселей, находящихся наизображении.Вейвлет-преобразование Mexican Hat позволяет значения цветов всехпикселей на изображении перевести в цвета с различными комбинациямимаксимальных и минимальных значений параметров R, G и B (всего 8 цветов).
Втаблице 7 представлены значения цветов пикселей, получаемых после такоговейвлет-преобразования.Таблица 7 – Цвета пикселей, получаемых после Mexican Hat вейвлетпреобразования изображенияНазвание цветаЗначение RЗначение GЗначение BЧерный000Синий00255Зеленый02550Голубой0255255Красный25500Малиновый2550255Желтый2552550Белый255255255111Таким образом, независимо от количества цветов пикселей в исследуемомизображении, после его преобразования оно состоит только из 8 цветов,представленных в таблице 7.
Пример результатов такого преобразованияпредставлен на рисунках 32 и 33.Рисунок 32 – Первоначальное микроскопическое изображение мокроты,окрашенной по методу Циля-НильсенаВ последующем исключение черных, синих, зеленых и голубых пикселей,имеющих значение R равное 0, позволяет оставить на изображении толькообъекты, которые с большой вероятностью являются кислотоустойчивымимикобактериями, и исключить те объекты, которые точно кислотоустойчивымимикобактериями не являются. На рисунке 34 представлены результаты такогоисключения пикселей с изображения.
Таким образом, сегментация изображения сиспользованием вейвлет-преобразования Mexican Hat осуществляется путем лишьодного прохода по изображению.112Рисунок 33 – Микроскопическое изображение мокроты, окрашенной по методуЦиля-Нильсена, после Mexican Hat преобразованияРисунок 34 – Микроскопическое изображение мокроты, окрашенной по методуЦиля-Нильсена, после Mexican Hat преобразования и исключения объектов, неявляющихся кислотоустойчивыми микобактериями113На рисунке 35 представлена схема алгоритма сегментации цифровыхмикроскопических изображений мокроты, окрашенной по методу Циля-Нильсена,с использованием вейвлет-преобразования Mexican Hat.НачалоДвумернаяматрицазначений цветовпикселейДаВейвлетпреобразованиеMexican HatЗначения красногосоставляющего цветапикселя равно 255?Пиксельостается наизображенииДвумернаяматрицазначений цветовоставшихсяпикселейНетПиксельисключается изизображенияКонецРисунок 35 – Общая схема алгоритма сегментации микроскопическогоизображения мокроты, окрашенной по методу Циля-Нильсена с использованиемвейвлет-преобразования Mexican Hat114Врезультатереализацииданногоэтапаисследованияразработанпрограммный комплекс «MexicanHatSegmentation» (свидетельство о регистрациипрограммы для ЭВМ в Федеральной службе по интеллектуальной собственности№2018664452 от 16.11.2018 г.), состоящий из нескольких модулей.Модуль простой сегментации изображения позволяет сегментироватьцифровое изображение с помощью вейвлета Mexican Hat с заданным параметром«сигма» (рисунок 36).
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
