Диссертация (1174210), страница 28
Текст из файла (страница 28)
В отличии от алгоритма, основанного на математическом аппаратеискусственных нейронных сетей, данный алгоритм осуществляет сегментациюцифрового изображения за один проход по изображению. Однако, его применениесопряжено с выполнением большого количества элементарных арифметическихопераций.Третьимизразработанныхалгоритмовсегментациицифровыхмикроскопических изображений мокроты, окрашенной по методу Циля-Нильсена,является алгоритм, основанный на преобразовании изображения вейвлетомMexican Hat (Мексиканская шляпа). Вейвлет-преобразование Mexican Hat199позволяет значения цветов всех пикселей на изображении перевести в цвета сразличнымикомбинациямимаксимальныхиминимальныхзначенийсоставляющих цвета пикселей R, G и B, а последующее исключение пикселей,имеющих составляющее R равное 0, позволяет оставить на изображении толькообъекты, которые с большой вероятностью являются кислотоустойчивымимикобактериями, и исключить те объекты, которые точно кислотоустойчивымимикобактериями не являются.
Основными преимуществами алгоритма вейвлетпреобразования от предыдущих алгоритмов сегментации являются необходимостьлишь одного прохода по изображению и относительно небольшое, по сравнению салгоритмом, основанным на самоорганизующейся карте Кохонена, количествоарифметических операций.Основным недостатком применения вейвлет-преобразования Mexican Hatдля сегментации цифровых изображений является необходимость выбораоптимальногопараметраσ.Эмпирическийподборивычислительныеэксперименты основанные на оценке качества сегментации изображений сприменением критериев однородности и комплексных критериев качествасегментации показали, что наиболее оптимальными значениями параметра σвейвлета Mexican Hat для сегментации цифровых изображений мокроты,окрашенной по методу Циля-Нильсена, являются значения в интервале от 2,90 до3,09.
При таких значениях параметра σ наблюдаются: наименьшее среднее числообъектовпослепреобразования,наименьшаядоляпропущенныхкислотоустойчивых микобактерий на всех изображениях от имеющихся на нихкислотоустойчивых микобактерий.Приведенныевышенедостаткиразработанныхнамиалгоритмовсегментации цифровых изображений таких как, алгоритм основанный наискусственной нейронной сети и самоорганизующейся карте Кохонена, отразилисьна времени их выполнения.
Так, на сегментацию одного изображения сприменением искусственных нейронных сетей затрачивается в среднем 3,158секунды, а с применением самоорганизующейся карты Кохонена – 0,687 секунды.Наиболееоптимальноесоотношениекачестваискоростисегментации200изображений имеет вейвлет-преобразование Mexican Hat (0,591 секунды). Такимобразом, использование вейвлет-преобразования Mexican Hat для сегментациицифровых микроскопических изображений мокроты, окрашенной по методу ЦиляНильсена, является более предпочтительным ввиду наименьшего временисегментации изображения среди разработанных алгоритмов.Надальнейшемэтапеисследованияпроведенанализпараметров,описывающих кислотоустойчивые микобактерий в качестве объектов на цифровыхмикроскопических изображениях мокроты, окрашенной по методу Циля-Нильсена.В качестве параметров, описывающих объекты на изображении, рассматривались240 параметров, включающих в себя цветовые и морфометрические параметрыобъектов: средние, минимальные и максимальные значения цветов цветовых схемRGB и HSV, размеры от центра объекта да его краев с различным углом наклона иразличные соотношения перпендикулярных и противолежащих размеров объектов.Такжепроведенаоценкаданныхпараметровнапредметвозможностиклассификации объектов на 2 класса (кислотоустойчивые микобактерии и другиеобъекты) с использованием классических статистических методов и методовоценки информативности признаков.
Установлено, что наиболее важными, то естьимеющими наименьшие значения коэффициентов вариации и осцилляции, дляклассификации объектов признаками являются: минимальное значение Y,максимальное значение B, среднее значение V, минимальное значение V и среднеезначение H, так как данные параметры имеют наименьшие значения коэффициентаотносительной квартильной вариации.В ходе данного этапа исследования также представлены методикиопределенияморфометрическиххарактеристикобъектовприизмененииразрешения цифровых изображений, на которых осуществляется поиск такихобъектов, и изменении увеличения, при котором осуществляется микроскопияокрашенных образцов мокроты.
Учет полученных цветовых и морфометрическиххарактеристик, а также представленных методик позволит осуществлятьразработку алгоритмов сегментации цифровых микроскопических изображений201мокроты, окрашенной по методу Циля-Нильсена, а также математических моделейраспознавания объектов на данных изображениях.В ходе исследования также необходимо было решить задачу отборапараметров объектов для их дальнейшей классификации, что потребовалоиспользования различных методов оценки информативности параметров, а такжеразработки метода «пересечений» для их отбора. Вычислительные экспериментыпоказали, что методы оценки информативности накопленных частот, Шеннона,Кульбака, Фишера и ранговый методу могут применяться для сниженияпризнакового пространства при построении и исследовании медицинскихпрогностических моделей и в частности при классификации объектов, выделенныхна цифровых изображениях микроскопических препаратов мокроты, окрашеннойпо методу Циля-Нильсена.
При этом, признаки, имеющие наибольшуюинформативность при применении различных методов оценки информативностисущественно отличаются, что потребовало дальнейшего сравнения качествараспознавания объектов с использованием отобранных данными методамипризнаков.Результаты сравнения качества классификации объектов с использованиемпараметров, отобранных с использованием различных методов, показали, чтонаилучшим методом отбора признаков для распознавания объектов на цифровыхизображениях микроскопических препаратов мокроты, окрашенной по методуЦиля-Нильсена, является метод «пересечений».
Данный метод позволяетосуществлять отбор признаков из всего признакового пространства так, чтоклассификационные модели дают максимальную точность классификации принаименьшем числе входных параметров.В последующем осуществлялась разработка математических моделейклассификации объектов на цифровых микроскопических изображениях мокроты,окрашенной по методу Циля-Нильсена. В качестве таких моделей использованылогистические регрессионные уравнения, деревья классификации и искусственныенейронные сети.202В ходе данного этапа исследования были построены 6 уравненийлогистической регрессии с применением различных методов отбора признаков.Показателичувствительности,специфичности,точности,атакжедолиложноотрицательных и ложноположительных результатов были практическиодинаковые у всех полученных уравнений.
Однако, наименьшее число признаков,включенных в уравнение, было получено при применении метода с их прямымпошаговым включением на основе отношения правдоподобия. В данное уравнениевключено34признакаклассифицируемыхобъектовприследующихклассификационных характеристиках: чувствительность – 88,9%, специфичность –88,2%, точность – 88,6%, доля ложноположительных результатов – 11,8% и доляложноотрицательных результатов – 11,1%. Это свидетельствует о возможностииспользования данного уравнения для анализа изображений в системах поддержкипринятия решений при проведении бактериоскопического исследования напредмет обнаружения кислотоустойчивых микобактерий.Построенные с использованием различных методов деревья классификациитакже показали приемлемое качество классификации, что позволяет осуществлятьавтоматическоераспознаваниеобъектов,выделяемыхнацифровыхмикроскопических изображениях мокроты, окрашенной по методу Циля-Нильсена.При этом наилучшими показателями, характеризующими диагностическуюспособность данных моделей, обладало дерево классификации построенноеметодом CHAID: чувствительность – 94,0 [93,4; 94,6]%, специфичность – 92,1[92,0; 92,1]%, точность – 92,2 [92,1; 92,3]%.
Помимо этого, данное деревоклассификациипозволяетосуществлятьклассификациюобъектовсиспользованием наименьшего количества параметров объектов, что ускоряетскорость его работы.Наилучшие показатели трехслойной нейронной сети, характеризующиекачество классификации объектов, были получены на 92 итерации обучения:чувствительность – 94,7%, специфичность – 90,8, ошибка классификации натестовой выборке – 7,2%, а наилучшие показатели четырехслойной нейронной сети– на 75 итерации: чувствительность – 96,7%, специфичность – 93,0%, ошибка203классификации на тестовой выборке – 5,2%. Данные математические моделиискусственной нейронной сети могут быть использованы для распознаванияобъектов(кислотоустойчивыхмикобактерийииныхобъектов)вавтоматизированных системах бактериоскопической диагностики туберкулеза.Причем предпочтительным является использование построенной четырехслойнойнейронной сети, так как данная модель позволяет осуществлять классификациюобъектов на цифровых микроскопических изображениях мокроты, окрашенной пометоду Циля-Нильсена, с наилучшими показателями качества классификации посравнению с трехслойной нейронной сетью, логистическими регрессионнымиуравнениями и деревьями классификации, построенными с применениемразличных алгоритмов.На заключительном этапе исследования рассмотрены схемы работы итребования к программно-аппаратному комплексу для автоматизированнойбактериоскопическойдиагностикитуберкулеза,атакжепредставленыразработанные прототипы аппаратной и программной частей данного программноаппаратного комплекса.
В представленной схеме задачей аппаратной частипрограммно-аппаратного комплекса автоматизированной бактериоскопическойдиагностикитуберкулезаявляетсяавтоматизацияполученияцифровыхизображений, а аппаратная часть представляет собой модернизированныймикроскоп, позволяющий в автоматическом режиме производить цифровуюмикроскопическую фотосъемку препаратов мокроты, окрашенной по методу ЦиляНильсена, и осуществлять передачу полученных изображений на компьютер длядальнейшего анализа с помощью программной части рассматриваемой системы.Аппаратная часть должна обеспечивать три основополагающих функции. Вопервых, снизить роль человека в процессе получения цифрового материала дляанализа путем автоматизации данного процесса.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
