Диссертация (1174210), страница 5
Текст из файла (страница 5)
д. [59, 180, 269].Микроскопический метод также довольно часто включает в себя процессвизуализации. В своих исследованиях S. A. Naser и соавт. и K. Wouters22использовали систему конфокальной сканирующей лазерной микроскопии впопытке обнаружить микобактерии различных видов [290, 367]. Многимиисследователямивизуализации,описываетсяширокийпредназначенныхдляспектрболееполезныхинструментовэффективногораспознаванияразличных признаков в многослойных тканях или образцах клеток [181, 205, 272,343, 357, 360, 365], которые позволяют значительно увеличить мощность световоймикроскопии.Компьютерныйскринингсиспользованиемцифровойобработкиизображений является распространённой методикой для автоматизированнойпроверкипромышленныхпродуктовидеталеймашин[235].Однакопромышленные детали относительно просты для анализа, поскольку они могутиметь отклонение от постоянного стандарта (например, очень просто обнаружитьотсутствие какого-либо компонента на собранной печатной плате).
Приложения вбиологии, и особенно, в гистологии или микробиологии, встречаются реже из-забольшой изменчивости того, что можно считать за «норму», а также из-за огромнойизменчивости и потенциальной сложности в различии того, что должноинтерпретироваться как «не норма». Тем не менее, эта чрезвычайно сложнаяпроблема при решении отдельных диагностических задач была решена, вчастности, в цервикальной цитологии, с использованием нейронной сети илидругих классификаторов [190, 210].David A.
Barr и коллеги использовали автоматизированный анализизображений, чтобы выяснить, способствует ли изучение характеристик ростаотдельных колоний микобактерий туберкулеза, выделенных из мокроты натвердых средах результатам ранней терапии туберкулеза [327], а Paul J. Tadrousпредставил алгоритм автоматического скрининга, использующий цифровой анализизображений, предназначенный для оказания помощи в поиске микобактерий втканях человека [342].Многимиавторамипомиморешенияпрямыхзадачсвязанныхсавтоматизированным анализом цифровых изображений, осуществляется изучениеиразработкасопутствующихтакомуанализуметодов,алгоритмови23технологических решений.
Так, осуществляется изучение и разработка алгоритмовавтофокусировки [275], разработка специализированных объективов, которыеспособствуют повышению качества микроскопии [278].Alexander G. White и коллеги предложили ряд новых стратегий в своёмисследовании, которые были использованы для оценки изображений позитронноэмиссионной компьютерной томографии яванских макак [149]. Данные животныебыли инфицированы внутрибронхиально низкими дозами микобактериямитуберкулеза.
С помощью оценки размера поражения на изображении и поглощения18-фтордезоксиглюкозыизображенияхв очагахпораженияпозитронно-эмиссионнойилимфатическихтомографииописанныеузлахвметодыпоказывают, что используемая визуализация может предсказать будущее развитиеактивного и скрытого заболевания, и склонность к реактивации из скрытогосостояния инфекции.В дополнение ко всему вышеописанному, современные информационные иматематические технологии позволяют осуществлять автоматизированный анализразличных изображений [53, 98, 112, 267, 316].
Это требует, как правило,использования методов и алгоритмов предобработки изображений, их сегментациидля выделения объектов и дальнейшего изучения данных объектов дляидентификации или распознавания [4, 103].Таким образом, на сегодняшний день медицинские изображения имеютвысокое значение при решении различных диагностических задач, в том числе и вофтизиатрии. При этом многими исследователями осуществляется разработкаалгоритмов и методов, позволяющих автоматизировать процесс анализа цифровыхизображений, повысить качество и скорость диагностики.1.3.
Разработка системы автоматизированного анализа изображений24Какправило,процессавтоматизированногоанализаизображенийпредставляет собой несколько этапов: предобработка или преобразованиеизображения, его сегментация, параметризация, находящихся на изображенииобъектов, отбор информативных признаков и идентификация или распознаваниеданных объектов [103, 112]. Таким образом, автоматизированный анализизображений, как правило, является многоэтапным процессом, первым из которыхявляется предобработка или преобразование цифрового изображения [4, 144].1.3.1. Предобработка и сегментация цифровых изображенийПредварительная обработка изображений имеет большое значение приавтоматическом анализе изображений.
Она позволяет повысить характеристикиизображения, которые отражаются на качестве дальнейшего автоматизированногоанализа, или привести изображения к единому стандартному первоначальномувиду [49, 277].Необходимо отметить, что разработка методов предобработки являетсяактуальной задачей в любой сфере, осуществляющей работу с цифровымиизображениями, что позволяет осуществлять заимствование данных методов изодной области в другую [213, 313, 351]. Так, разрабатываются методы коррекцииизображенийизмерительныхдляповышениясистемах[249]точностииизмеренийизображенийвфотоэлектрическихпроекциипроекционногооборудования в различных условиях. При решении второй из указанных задачосуществляется коррекция шума на изображении и геометрии проекции, чтопозволило получить точность проекции менее пикселя [305].
Рядом авторов длякоррекции проекционных изображений применяется Фурье-преобразование [167].Также коррекция изображений применяется при сканировании микро- инанообъектов, что позволяет скорректировать отклонения положения данныхобъектов от «идеального» [348].25При отсутствии необходимости дальнейшего автоматизированного анализаизображениймогутприменятьметодыихкоррекции,основанныенапсихологическом восприятии цвета человеком и передачей изображений наустройства вывода. Так, исключения неправильного восприятия цвета человекомпредложен алгоритм коррекции изображения путем увеличения его контраста,основанный на эффекте цветового контраста, осуществляемого в мозге человека[287], а P.R. Chang (1999) предложен алгоритм для устранения цветовых ошибокиз-за несоответствия гаммы, преобразования разрешения и нелинейности междусканером и принтером [179].Также зачастую методы коррекции применяются для повышения качестваанализа изображений, получаемых при метеорологических исследованиях.
Так,основанная на локальном анализе качества изображения, применяемом к большомунабору изображений с короткой экспозицией, осуществляется коррекцияатмосферных изображений, деградированных атмосферной турбулентностью[176]. Также предложены алгоритмы коррекции изображений, получаемых приастрономических наблюдениях [331].Помимо алгоритмов предобработки изображений, используемых приреализацииспецифическихпредпринимаютсяпопыткиисследовательскихразработкиболееипрактическихуниверсальныхзадач,алгоритмов,позволяющих корректировать изображения. Так, представлен метод голосованиядля выполнения коррекции изображения для выравнивания интенсивности,основанный на учете глобального и локальных значениях данной характеристики[252].Среди медицинских задач широкое распространение получили методыкоррекцииизображений,топографическихполучаемыхисследований.Так,припроведениипредложенразличногоалгоритмвидакоррекцииизображений, получаемых при конусно-лучевой компьютерной томографии иисключения артефактов на изображениях, получаемых при магнитно-резонанснойтомографии, а также повышения точности диффузной оптической томографии[236, 243, 273, 368].
W.M. Tavares с соавт. (2014) предложен метод выпрямления26длякоррекциигеометрическихискажений,возникающихнамагнитно-резонансных изображениях, связанных с неоднородностями статического поля,который позволил получить среднее искажение после коррекции лишь около 1 мм[148]. Помимо этого, предложен алгоритм коррекции 3D моделей томографическихизображений для более точного измерения необходимых параметров [369] иразличные алгоритмы коррекции для изображений, получаемых при примененииоднофотонной эмиссионной компьютерной томографии [247].Точки приложения алгоритмов коррекции изображений были найдены и прикоррекции изображений, полученных при проведении электроэнцефалографии,для снижения влияния на итоговое изображение магнитного поля головного мозга,вызванное дыханием или движениями тела, и коррекции артефактов [312].Также методы коррекции применяются при анализе микроскопическихизображений [137].
Это особенно выражено при исследованиях с использованиемспецифических микроскопических техник. Так, разработаны быстрые, простые вприменении и экономически эффективные методы коррекции изображений,получаемых при применении трехмерной флуоресцентной микроскопии [306, 307].Разработан алгоритм коррекции искажений изображений живых клеток припроведении атомно-силовой микроскопии, возникающих при взаимодействиимежду зондом микроскопа и мембраной [135].Помимоалгоритмовприменяемыхдлякоррекциирезультатовспециализированных видов микроскопии имеются разработки, способствующиеповышению качества изображения, получаемых при проведении стандартнойсветовой микроскопии.
Так, предложен алгоритм коррекции артефактов наизображениях, связанных с низким уровнем освещения [212], а в работе P. Ebenezer(2014) предпринята попытка коррекции освещенности с использованием методаповерхностнойподгонки,методамножественнойрегрессиииметодадвунаправленного разложения эмпирического режима в изображениях цифровоймикроскопии туберкулеза [214].
Полученные ими результаты показывают, чтопосле коррекции освещенности на 26% увеличивается количество видимыхбактерий.27Такимобразом,применениеразличныхалгоритмовпредобработкицифровых изображений получили широкое распространение, в том числе прирешении медицинских диагностических задач.