Диссертация (1174210), страница 26
Текст из файла (страница 26)
Если рядом находящийся пиксель является черным, тоисследование окружности текущего пикселя заканчивается и осуществляетсяпереход к рядом лежащему пикселю (рисунок 62в). Далее обследуется егоокружение до того пока рядом опять не окажется черный пиксель (рисунок 62г).Тогда осуществляется переход к вновь найденному пикселю (рисунок 62г). Послетого как окружение следующего пикселя обследовано и не найден ни один рядомлежащий черный пиксель происходит переход к предыдущему пикселю (рисунок62д) и производится продолжение обследования его окружности (рисунок 62е).Если вокруг него не найдены черные пиксели, то происходит переход к181первоначальному пикселю (рисунок 62е).
В том случае, когда все черные пиксели,находящиеся вокруг первоначального, просмотрены (рисунок 62ж), выделениеобъекта заканчивается.Посленахождениявсехобъектовнаизображениинеобходимоосуществление измерения их параметров, на основе которых будет осуществлятьсяраспознаваниеилиидентификацияданныхобъектоввкачествекислотоустойчивых микобактерий или иных объектов. В результате собственныхисследований нами предлагается измерение 240 цветовых и морфометрическихпараметров объектов.
Данные параметры разделены на 3 группы, которыеподразделяется на подгруппы. Для более удобного анализа сформированаследующая классификация параметров объектов:1.2.Основные морфометрические параметры объектов:а)попиксельная площадь объектов (в пикселях);б)размер объектов по оси X (в пикселях);в)размер объектов по оси Y (в пикселях).Радиальные размеры объектов и их соотношения:а)размеры от центра объекта до его края с шагом 5° (всего 72параметра);б)соотношения противолежащих размеров от центра объекта до егокрая (всего 36 параметров);в)соотношения перпендикулярных размеров от центра объекта доего края (всего 72 параметра);г)соотношения перпендикулярных размеров от одного краяобъекта до его противоположного края (всего 36 параметров).3.Цветовые параметры объектов:а)средние, минимальные и максимальные характеристики цветаобъектов в цветовой схеме RGB (всего 9 параметров);б)средние, минимальные и максимальные характеристики цветаобъектов в цветовой схеме HSV (всего 9 параметров);182в)средние, минимальные и максимальные характеристики цветаобъектов в оттенках серого (всего 3 параметра).Основные морфометрические параметры объектов, радиальные размерыобъектов и их соотношения измеряются в пикселях.
Измерение цветовыхпараметровосуществляетсявбезразмерныхединицах,однакоинтервалвозможных значений отличается в зависимости от цветовой схемы. Так,характеристики цвета объектов в цветовой схеме RGB и в оттенках серогоизмеряются в интервале от 0 до 255, параметры, характеризующие составляющееH в цветовой схеме HSV измеряются в интервале от 0 до 359, а параметрыхарактеризующие составляющие S и V в интервале от 0 до 100.После определения параметров объектов необходимо осуществлениеидентификации полученных объектов. На первом этапе идентификации объектовнеобходимо исключение тех объектов, которые имеют один или несколькоцветовых и/или морфометрических параметров, отличающихся от диапазонаданных параметров у кислотоустойчивых микобактерий. Полученные в ходенашего исследования диапазоны значений цветовых и морфометрическихпараметров у кислотоустойчивых микобактерий представлены в приложении А.Блок идентификации объектов должен иметь возможность изменения данныхдиапазоновприпроведениидальнейшихисследованийпараметровкислотоустойчивых микобактерий как объектов на цифровых изображениях, атакже при изменении разрешения цифровой съемки и увеличения, при которомосуществляется микроскопия.
Алгоритмы расчета морфометрических параметровпри изменении разрешения и увеличения представлены в главе 4.На втором этапе необходима классификация объектов, которые не удалосьисключить на основании цветовых и морфометрических параметров, на два класса– кислотоустойчивые микобактерии и иные объекты. Для классификации могутбыть использованы различные математические интеллектуальные модели иалгоритмы. Нами для данных целей построена четырехслойная нейронная сетьпрямого распространения, которая учитывает 161 из представленных вышепараметров. При этом чувствительность распознавания объектов составляет 96,7%,183специфичность – 93,0%, ошибка классификации на тестовой выборке – 5,2%. Блокидентификацииобъектовдолженподразумеватьвозможностьзаменыинтеллектуальной составляющей данной системы. Это необходимо в связи с тем,что накопление данных позволит дообучать или строить новые математическиемодели распознавания объектов, обладающие меньшей ошибкой распознаванияобъектов.После распознавания объектов должен осуществляться подсчет числакислотоустойчивых микобактерий и определение критерия остановки цифровойсъемки полей зрения (таблица 20).
Если изображений, на которых представленыразличные поля зрения достаточно, то процесс съемки бактериоскопическогопрепарата заканчивается и в случае наличия функции автоматической сменыпредметных стекол, осуществляется переход к съемке другого препарата, аинформация об анализе сохраняется в базу данных и может быть распечатана длявкладывания в медицинскую документацию пациента. Если изображенийнедостаточно, то осуществляется дополнительная съемка препарата до выполнениякритерия остановки.Основными требованиями к программной части программно-аппаратногокомплекса автоматизированной бактериоскопической диагностики являютсяскорость и качество распознавания объектов на изображениях.
В связи с тем, чтодля принятия решения об остановке или продолжении съемки дополнительныхполей зрения необходим оперативный анализ количества кислотоустойчивыхмикобактерий, то процесс с момента получения цифрового изображенияпрограммной частью до определения числа кислотоустойчивых микобактерий наизображении должен быть соизмерим с временем получения цифровыхизображений аппаратной частью. То есть полный цикл анализа 300 цифровыхизображений мокроты, окрашенной по методу Циля-Нильсена, программнойчастью не должен превышать 25 минут. Под качеством распознавания объектов наизображениях понимается число ошибочных классификаций объектов.
Даннаяошибка должна составлять не более 5,2%.184Применение разработанного на основе приведенных схем и требованийпрограммно-аппаратного комплекса автоматизированной бактериоскопическойдиагностикитуберкулезавозможновпрактикеклинико-диагностическихлабораторий общей лечебной сети, а также в отдаленных территориях, гдеотсутствуют специалисты с необходимой квалификацией для проведения ручногобактериоскопического анализа, а также в учреждениях противотуберкулезнойслужбы для ускорения и повышения качества бактериоскопической диагностикитуберкулеза.6.4. Прототип программной части программно-аппаратного комплексаавтоматизированной бактериоскопической диагностики туберкулезаПрототипомавтоматизированнойпрограммнойчастипрограммно-аппаратногобактериоскопическойдиагностикикомплексатуберкулезаможетявляться разработанная нами программа (рисунок 63) «МикроТуб-Авто»(свидетельство о регистрации программы для ЭВМ в Федеральной службе поинтеллектуальной собственности №2018664586 от 19.11.2018 г.).Данная программа позволяет вести картотеку пациентов, от которыхполучены цифровые изображения мокроты, окрашенной по методу ЦиляНильсена, и которые составляют перечень анализов данных пациентов.
Впрограмме реализованы стандартные функции добавления, изменения и удаленияпациентов из базы данных.Основной структурной единицей хранения данных в базе данных являетсяпациент. На рисунке 64 представлена упрощенная структура хранящихся данных опациентах и их анализах. Каждое изображение привязано с помощьюидентификационного номера к конкретному анализу пациента, что позволяетдобавлять неограниченное число пациентов и анализов. Ограничение хранения вбазе данных изображений связано только с объемом имеющейся памяти.185Рисунок 63 – Рабочее окно программы «МикроТуб-Авто»186Пациент №2Пациент №1…Анализ №1Анализ №1Изображение №1Изображение №1Изображение №2Изображение №2Изображение №3Изображение №3……Анализ №2Анализ №2Изображение №1Изображение №1Изображение №2Изображение №2Изображение №3Изображение №3… …… …Рисунок 64 – Упрощенная структура данных о пациентах и их анализахПривыборе пациентаинажатиина кнопку «Добавить анализ»осуществляется переход к окну добавления анализа данному пациенту (рисунок65).
В разработанном нами прототипе добавление изображений в анализ пациентаосуществляется одним из трех способов: импорт единичного изображения, импортпапки с изображениями и мониторинг папки. В связи с тем, что выстраиваниепрямой связи между поступающими из аппаратной части изображениями ипрограммной частью сопряжено со значительными техническими сложностями (внашем случае это отсутствие открытого исходного кода программногообеспечения цифровой камеры), мониторинг папки позволяет косвенным образомвыстроить данную связь. Так, в настройках системы «МикроТуб-Авто»указывается мониторируемая папка, в которую независимо от программной части187поступают цифровые изображения. При появлении в мониторируемой папкенового цифрового изображения осуществляется его импорт в программную часть.Рисунок 65 – Окно добавления анализаНезависимо от режима импорта после получения нового изображенияосуществляется его сегментация путем вейвлет-сегментации Mexican Hat спараметром σ равным 3,05 (при необходимости может изменяться в настройкахпрограммы), рекурсивное выделение всех оставшихся на изображении послесегментации объектов, определение их цветовых и морфометрических параметрови добавление объектов с их координатами в список объектов.Для осуществления контроля за процессом сегментации получаемыхпрограммной частью цифровых изображений предусмотрено несколько режимовпросмотра изображений.
Доступны следующие режимы:1881.оригинальное изображение (рисунок 65);2.изображение после преобразования вейвлетом Mexican Hat;3.изображение после преобразования вейвлетом Mexican Hat иисключение пикселей, составляющее R которых равно 0 (рисунок 66);4.оригинальное изображение с объектами, оставшимися после вейвлет-преобразования Mexican Hat и исключения пикселей, составляющее R которыхравно 0 (рисунок 67).Рисунок 66 – Окно добавления анализа с выводом изображения послепреобразования вейвлетом Mexican Hat и исключение пикселей, составляющее Rкоторых равно 0Применение данных режимов просмотра позволяет осуществлять поисквозможных ошибок, возникающих на этапе сегментации изображений.189Рисунок 67 – Окно добавления анализа с выводом оригинального изображения собъектами, оставшимися после вейвлет-преобразования Mexican Hat иисключения пикселей, составляющее R которых равно 0Для осуществления контроля за рекурсивным выделением объектов в любомизвышеперечисленныхрежимовпросмотраизображенийпредусмотренавозможность выделения всех найденных объектов, для чего необходимо нажатиекнопки «Выделить все объекты» (рисунок 68).Как уже было сказано выше, в список объектов добавляются все объекты,оставшиеся на цифровом изображении после сегментации.