Диссертация (1174210), страница 29
Текст из файла (страница 29)
Во-вторых, съемка необходимогочислаполейзрения,определяемогонаоснованииинструкциипоунифицированным методам микроскопических исследований для выявлениякислотоустойчивых микобактерий в клинико-диагностических лабораторияхлечебно-профилактических учреждений, утвержденной приказом Минздрава204России от 21.03.2003 №109 «О совершенствовании противотуберкулезныхмероприятий в Российской Федерации». И, в-третьих, одной из основных функцийаппаратной части является передача цифровых изображений в программную часть.Так,основнымиобязательнымитребованиямикаппаратнойчастиавтоматизированной системы бактериоскопической диагностики туберкулезаявляются: реализация описанного выше функционала, минимальная кратностьувеличения – 600, минимальное разрешение цифровой камеры – 0,3 MP. При этомвесь процесс автофокусировки, съемки необходимого числа полей зрения ипередача цифровых изображений на компьютер не должна превышать 25 минут.В качестве прототипа аппаратной части программно-аппаратного комплексаавтоматизированной бактериоскопической диагностики туберкулеза представленмодернизированный микроскоп Микромед Р-1 LED, который обеспечиваетреализациюбольшинствафункций,предъявляемыхкаппаратнойчастипрограммно-аппаратного комплекса автоматизированной бактериоскопическойдиагностики туберкулеза, таких как, перемещение предметного стекла вгоризонтальной плоскости и по вертикальной оси, цифровая съемка, передачаизображения на компьютер и анализ сигналов от программной части.Основнымизадачамипрограммнойчастипрограммно-аппаратногокомплекса автоматизированной бактериоскопической диагностики туберкулезаявляются непосредственный анализ изображений и передача оперативныхсигналов в аппаратную часть для остановки или продолжения цифровой съемкидополнительных полей зрения.
Анализ изображений включает в себя несколькоэтапов: сегментация изображений для удаления с изображений областей, которыене будут использоваться для дальнейшего анализа, поиска и рекурсивноевыделения объектов, измерение параметров объектов, на основе которых будетосуществляться распознавание данных объектов в качестве кислотоустойчивыхмикобактерий или иных объектов, непосредственное распознавание полученныхобъектов, подсчет числа кислотоустойчивых микобактерий и определениекритерия остановки цифровой съемки полей зрения.205Основными требованиями к программной части программно-аппаратногокомплекса автоматизированной бактериоскопической диагностики определеныскорость 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%.В качестве прототипа аппаратной части программно-аппаратного комплексаавтоматизированной бактериоскопической диагностики туберкулеза представленапрограмма для ЭВМ «МикроТуб-Авто», который соответствует разработаннойсхеме, отвечает сформированным требованиям и может использоваться в качествепрототипапрограммнойчастипрограммно-аппаратногокомплексаавтоматизированной бактериоскопической диагностики туберкулеза.
Среднеевремя, затрачиваемое на анализ одного изображения с помощью разработанныхалгоритмов и методов, составляет 4,89 секунды, что более чем в 10,9 раз меньше,чем существующие решения для распознавания микроскопических изображениймокроты, окрашенной по методу Циля-Нильсена.Чувствительность прототипа программной части программно-аппаратногокомплекса автоматизированной бактериоскопической диагностики туберкулезасоставила 100,0 [92,7; 100,0]%, специфичность – 97,4 [89,7; 97,4]%, точность – 98,7[91,2;98,7]%, чтопозволяет использовать автоматизированнуюсистемубактериоскопической диагностики туберкулеза в клинико-диагностическихлабораториях общей лечебной сети для выявления бактериовыделителей.206Таким образом, в ходе реализации данного исследования изучены всевопросы,связанныесразработкойпрограммно-аппаратногокомплексаавтоматизированной бактериоскопической диагностики туберкулеза.
Изученысуществующие и разработаны собственные алгоритмы сегментации цифровыхизображений,которыеавтоматизированногоокрашеннойпомогутанализаметодуприменятьсямикроскопическихЦиля-Нильсена.наначальныхизображенийПроизведенаэтапахмокроты,параметризациякислотоустойчивых микобактерий как объектов на цифровых изображениях.Определены цветовые и морфометрические параметры, которые могут бытьиспользованы при дальнейшем изучении данных объектов, а также разработаныметодикиопределенияморфометрическихпараметровкислотоустойчивыхмикобактерий при изменении разрешения, с которым осуществляется цифроваясъемка изображений, и увеличения, при котором осуществляется микроскопиямокроты. Проанализирована возможность методов оценки информативностипризнаков с целью отбора параметров объектов для их дальнейшего распознаванияс применением классификационных моделей, а также разработан метод«пересечений», который позволяет получить наибольшие показатели качестваклассификации при включении в классификационные модели наименьшего числавходных параметров.На основе изученных цветовых и морфометрических параметров объектовпостроены математические модели, позволяющие осуществлять распознаваниеобъектов, выделяемых на цифровых изображениях микроскопических препаратовмокроты, окрашенной по методу Циля-Нильсена.
Разработаны схемы и требованияк аппаратной и программной частям программно-аппаратного комплексаавтоматизированной бактериоскопической диагностики туберкулеза, а такжепрототипы данных элементов. Учет и использование полученных в ходеисследования моделей, алгоритмов, схем, требований и прототипов позволитосуществлять разработку и производство программно-аппаратных комплексовавтоматизированной бактериоскопической диагностики туберкулеза, котораяпозволила бы повысить скорость, качество и доступность данного вида207медицинской помощи для населения, что является особенно актуальным длятерриторийотдаленныхспециализированнойотмежрайонныхцентровипротивотуберкулезной службы, а такжепенитенциарной системы.учрежденийучреждений208ВЫВОДЫ1.Использованные в эксперименте алгоритмы сегментации цифровыхизображений, такие как пороговая бинаризация, бинаризация Оцу, а такжедетекторы границ Робертса, Собеля, Превитта, Робинсона и Кенни могут бытьприменены для сегментации цифровых микроскопических изображений мокроты,окрашенной по методу Циля-Нильсена.
Однако, при визуальной оценке качествасегментации изображений использование пороговой бинаризации со среднимкоэффициентом яркости в качестве порога и метода бинаризации Оцу приводит котсутствию возможности разделения фона и объектов, которые являютсякислотоустойчивыми микобактериями, а применение детекторов границ приводитк слиянию выделенных границ объектов, а также не полному их выделению, чтотребует разработки и применения дополнительных алгоритмов для окончательнойсегментации изображений.2.Разработанные на основе математического аппарата искусственнойнейронной сети, самоорганизующейся карты Кохонена и вейвлет-преобразованияMexican Hat (Мексиканская шляпа) алгоритмы позволяют сегментироватьцифровые микроскопические изображения мокроты, окрашенной по методу ЦиляНильсена, исключая с изображения фон и полностью выделяя границы объектов.Наименьшим средним временем сегментации одного изображения обладаеталгоритм сегментации с помощью вейвлет-преобразования Mexican Hat (0,591 сек),чтосвидетельствуетавтоматизированногооегоанализапредпочтительномцифровыхиспользованиимикроскопическихвзадачеизображениймокроты, окрашенной по методу Циля-Нильсена.3.Определенкислотоустойчивыепереченьмикобактерии240впараметров,качествеобъектовописывающихнацифровыхизображениях.
Перечень параметров включает: морфометрических – 219, цветовых– 21. Среди морфометрических параметров наибольшую ценность имеют 20радиальных размеры от центра объекта до его края, а среди цветовых – 5.2094.Среди моделей классификации объектов на два класса (класскислотоустойчивых микобактерий и класс иных объектов) наилучшие показателибыли получены с применением четырехслойной нейронной сети, включающей 161признакклассифицируемыхобъектоввкачествевходныхпараметров:чувствительность – 96,7%, специфичность – 93,0%, ошибка классификации натестовой выборке – 5,2%.5.Разработанытребованиякпрограммно-аппаратнойсистемеавтоматизированной бактериоскопической диагностики туберкулеза: перемещениепредметного стекла в горизонтальной плоскости и по вертикальной оси, цифроваясъемка, взаимная передача и анализ сигналов между программной и аппаратнойчастями системы, минимальная кратность увеличения – 600, минимальноеразрешение цифровой камеры – 0,3 MP, максимальное время анализа одногомикроскопического препарата – 25 минут и ошибка распознавания объектов – неболее 5,2%.
На основе данных требований изготовлен прототип даннойпрограммно-аппаратной системы.6.Использованиепредложенногопрототипаавтоматизированнойсистемы бактериоскопической диагностики туберкулеза позволило установить –среднее время, затрачиваемое на анализ одного цифрового микроскопическогоизображения мокроты, окрашенного по методу Циля-Нильсена, составляет 4,89секунды, что в сравнении с зарубежными аналогами в 10,9 раза быстрее.Чувствительность прототипа программной части составила 100,0 [92,7; 100,0]%,специфичность – 97,4 [89,7; 97,4]%, точность – 98,7 [91,2; 98,7]%, что позволяетиспользовать автоматизированную систему бактериоскопической диагностикитуберкулеза в клинико-диагностических лабораториях общей лечебной сети длявыявления бактериовыделителей.210ПРАКТИЧЕСКИЕ РЕКОМЕНДАЦИИ1.Приразработкесистемавтоматизированногоанализамикроскопических изображений с целью поиска микроскопических объектов,имеющих отличающуюся от фона окраску, целесообразно осуществлятьсегментацию изображений, основанную на вейвлет-преобразовании Mexican Hat свыбором параметра σ, учитывающим потенциальные размеры искомых объектов.2.При разработке алгоритмов и средств автоматизированного анализацифровых микроскопических изображений мокроты, окрашенной по методу ЦиляНильсена рекомендовано учитывать цветовое и морфометрическое описаниекислотоустойчивых микобактерий, как объектов на цифровых изображениях, по240 параметрам.3.Дляотборапризнаковприрешениизадачклассификациирекомендовано применение метода «пересечений» как метода, позволяющегополучить наилучшее качество классификации при меньшем числе включаемых вмодель входных признаков.4.цифровыхСреди моделей классификации для распознавания объектов намикроскопическихизображенияхцелесообразноприменениемногослойных нейронных сетей как моделей, позволяющих получить наибольшиепоказатели качества классификации.5.Приразработкеавтоматизированногоанализапрограммно-аппаратныхцифровыхсистеммикроскопическихдляизображениймокроты, окрашенной по методу Циля-Нильсена, рекомендуется основываться насформированных схеме и требованиях к программно-аппаратной системеавтоматизированной бактериоскопической диагностики туберкулеза.6.недостаткаПри проведении скрининговых обследований на туберкулез в условияхспециалистов,вотдаленныхтерриторияхивучрежденияхпенитенциарной системы рекомендуется использование программно-аппаратныхсистем разработанных на основе сформированных схемы и требованиях к211программно-аппаратнойдиагностики туберкулеза.системеавтоматизированнойбактериоскопической212СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙB – синее составляющее цвета пикселя в цветовой схеме RGBFAST – Features from Accelerated Segment TestG – зеленое составляющее цвета пикселя в цветовой схеме RGBH – оттенок пикселя в цветовой схеме HSVLR- – отношение правдоподобия отрицательного результатаLR+ – отношение правдоподобия положительного результатаM – среднее арифметическое (M)Max – максимальное значениеMe – медианаMin – минимальное значениеMP – мегапикселиPNV – прогностическая ценность отрицательного результатаPPV – прогностическая ценность положительного результатаQ1 – первый квартильQ3 – третий квартильR – красное составляющее цвета пикселя в цветовой схеме RGBR – размах вариации,RQ – межквартильный размахS – насыщенность цвета пикселя в цветовой схеме HSVSe – чувствительностьSp – специфичностьV – коэффициент вариацииV – яркость пикселя в цветовой схеме HSVVQ – коэффициент относительной квартильной вариацииVR – коэффициент осцилляцииY – коэффициент яркости пикселяσ – среднеквадратическое отклонения213ДИ – доверительный интервалКТ – компьютерная томографияМРТ – магнитно-резонансная томографияУЗИ – ультразвуковое исследованиеЭВМ – электронно-вычислительная машина214СПИСОК ЛИТЕРАТУРЫ1.Авилов, К.