RU2308745C1 - Способ микроскопического исследования образца, содержащего микрообъекты с разнородными зонами - Google Patents

Способ микроскопического исследования образца, содержащего микрообъекты с разнородными зонами Download PDF

Info

Publication number
RU2308745C1
RU2308745C1 RU2006135516/28A RU2006135516A RU2308745C1 RU 2308745 C1 RU2308745 C1 RU 2308745C1 RU 2006135516/28 A RU2006135516/28 A RU 2006135516/28A RU 2006135516 A RU2006135516 A RU 2006135516A RU 2308745 C1 RU2308745 C1 RU 2308745C1
Authority
RU
Russia
Prior art keywords
cells
image
blast
series
images
Prior art date
Application number
RU2006135516/28A
Other languages
English (en)
Inventor
Валентин Григорьевич Никитаев (RU)
Валентин Григорьевич Никитаев
Александр Николаевич Проничев (RU)
Александр Николаевич Проничев
Кирилл Сергеевич Чистов (RU)
Кирилл Сергеевич Чистов
Сергей Михайлович Зайцев (RU)
Сергей Михайлович Зайцев
Мари Владимировна Филиппенко (RU)
Мария Владимировна Филиппенко
Иван Андреевич Воробьев (RU)
Иван Андреевич Воробьев
Дмитрий Викторович Харазишвили (RU)
Дмитрий Викторович Харазишвили
Галина Николаевна Зубрихина (RU)
Галина Николаевна Зубрихина
Валентина Николаевна Блиндарь (RU)
Валентина Николаевна Блиндарь
Original Assignee
Государственное образовательное учреждение высшего профессионального образования Московский инженерно-физический институт (государственный университет)
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Государственное образовательное учреждение высшего профессионального образования Московский инженерно-физический институт (государственный университет) filed Critical Государственное образовательное учреждение высшего профессионального образования Московский инженерно-физический институт (государственный университет)
Priority to RU2006135516/28A priority Critical patent/RU2308745C1/ru
Application granted granted Critical
Publication of RU2308745C1 publication Critical patent/RU2308745C1/ru

Links

Landscapes

  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

Способ может быть использован, в частности, для морфологического и текстурного анализа исследуемых образцов материала, например, в гематологии. В способе получают и передают в компьютер последовательность цифровых изображений образца, для каждого пикселя которых определяют его координаты RGB. Осуществляют сегментацию изображения, проводят морфологический анализ и определение геометрических характеристик микрообъектов: площади разнородных зон, площадь микрообъекта, коэффициенты формы разнородных зон, коэффициент формы микрообъекта, отношение площадей разнородных зон. Для каждого пикселя определяют светлоту L и яркость Y в цветовых моделях LUV и YUV, рассчитывают матрицы пространственной смежности для каждой K-й компоненты цветного изображения, в качестве которых используют: R, G, В из цветовой модели RGB, L и Y из цветовых моделей LUV и YUV, и определяют текстурные характеристики: энергию, момент инерции, энтропию, максимальную вероятность, локальную однородность. Рассчитывают матрицы длин серий для каждой Q-й компоненты цветного изображения, в качестве которых используют G из цветовой модели RGB, L и Y из цветовых моделей HLS и YUV, и определяют текстурные характеристики микрообъектов: неоднородность яркости, момент серий, обратный момент серий, неоднородность длин серий, долю изображения в сериях. Полученные характеристики сравнивают с характеристиками эталонных изображений и определяют принадлежность анализируемого микрообъекта к определенному виду. Техническая результат - повышение достоверности, а также информативности и объективности результатов исследования, снижение трудоемкости, расширение функциональных возможностей микроскопического исследования образцов. 9 з.п. ф-лы.

Description

Изобретение относится к способам исследования и анализа материалов с помощью оптических и компьютерных средств и может быть использовано, в частности, для морфологического и текстурного анализа исследуемых образцов материала, например, в гематологии.
Известен способ исследования образца, содержащего N видов микрообъектов, где N≥2, из которых по крайней мере один вид имеет две разнородные зоны, например, образца в виде мазка крови (RU 2232988 С1, опубл. 20.07.2004), в котором осуществляют анализ мазка крови, в результате которого подсчитывают количество форменных элементов крови (лейкоцитов, эритроцитов, тромбоцитов) унифицированным способом и оценивают содержание лейкоцитов, эритроцитов и тромбоцитов с учетом гемоконцентрации.
Недостатками известного способа являются высокая трудоемкость, а также недостаточная достоверность результатов и ограниченные функциональные возможности.
Известен способ микроскопического исследования образца, содержащего N видов микрообъектов, где N≥2, из которых по крайней мере один вид имеет две разнородные зоны, например, мазка периферийной крови, содержащего клетки лейкоцитарного ряда (RU 2122733 С1, опубл. 27.11.1998), который выбран в качестве прототипа и в котором с помощью микроскопа осуществляют сканирование поверхности мазка крови, в результате которого получают последовательность изображений, которую с помощью цифровой камеры преобразуют в цифровое изображение, которое передают в компьютер в виде последовательности цифровых изображений, осуществляют сегментацию изображения, используя цветовые координаты RGB, проводят автоматическое распознавание клеток и определяют содержание форменных элементов клеток.
Недостатками прототипа являются высокая трудоемкость, а также низкая достоверность автоматической классификации клеток, что вызывает необходимость эпизодических корректировок со стороны врача, ограниченные функциональные возможности.
Техническая результат, достигаемый при реализации заявляемого изобретения, заключается в повышении достоверности, а также информативности и объективности результатов, снижении трудоемкости, расширении функциональных возможностей микроскопического исследования образцов.
Технический результат достигается за счет того, что в способе микроскопического исследования образца, содержащего N видов микрообъектов, где N≥2, из которых по крайней мере один вид имеет две разнородные зоны, например, мазка периферийной крови, содержащего клетки лейкоцитарного ряда, в котором с помощью микроскопа осуществляют сканирование поверхности образца, в результате которого получают последовательность изображений, которые с помощью цифровой камеры преобразуют в цифровые изображения, которые передают в компьютер в виде последовательности цифровых изображений, в каждом из которых для каждого пикселя определяют его координаты RGB в цветовой модели RGB, описывающей цветояркостные характеристики пикселя,
- осуществляют сегментацию изображения, в результате которой получают карту областей изображения, соответствующих изображению микрообъектов, имеющих две разнородные зоны (ядра и цитоплазмы клеток), и областей изображения, соответствующих фону,
- полученные бинарные изображения микрообъектов используют для проведения морфологического анализа и определения геометрических характеристик микрообъектов, которые включают площади разнородных зон, площадь микрообъекта, коэффициенты формы разнородных зон, коэффициент формы микрообъекта, отношение площадей разнородных зон,
- дополнительно для каждого пикселя каждого изображения микрообъектов определяют светлоту L в цветовой модели LUV и яркость Y в цветовой модели YUV,
- для каждого изображения микрообъекта рассчитывают матрицы пространственной смежности для каждой K-й компоненты цветного изображения, в качестве которых используют: R-красную, G-зеленую, В-синюю из цветовой модели RGB, L-светлоту из цветовой модели LUV и Y-яркость из цветовой модели YUV, и
- определяют текстурные характеристики микрообъектов, которые включают энергию, момент инерции, энтропию, максимальную вероятность, локальную однородность,
- дополнительно для каждого изображения микрообъекта (клетки) рассчитывают матрицы длин серий для каждой Q-й компоненты цветного изображения, в качестве которых используют: G-зеленую из цветовой модели RGB, L-светлоту из цветовой модели HLS и Y-яркость из цветовой модели YUV, и
- определяют текстурные характеристики микрообъектов (клеток), которые включают неоднородность яркости, момент серий, обратный момент серий, неоднородность длин серий, долю изображения в сериях,
- полученные геометрические и текстурные характеристики сравнивают с характеристиками эталонных изображений микрообъектов, содержащихся в базе данных эталонных изображений, и определяют принадлежность анализируемого микрообъекта к определенному виду.
Предлагаемый способ наиболее целесообразно использовать в гематологии и, прежде всего, для выявления бластных клеток, при этом в качестве образца, содержащего N видов микрообъектов, где N≥2, используют окрашенный сухой мазок периферийной крови, а в качестве микрообъекта, имеющего две разнородные зоны, используют клетки крови лейкоцитарного ряда, имеющие ядро и цитоплазму, причем полученные геометрические и текстурные характеристики сравнивают с характеристиками эталонных изображений бластных клеток, содержащихся в базе данных эталонных изображений бластных и небластных клеток, и определяют принадлежность анализируемой клетки к бластным или небластным.
Кроме того, в случае необходимости способ осуществляют до момента получения заданного суммарного числа обнаруженных клеток крови лейкоцитарного ряда.
При определении принадлежности выявленной клетки к бластным или небластным осуществляют ее визуализацию.
При этом для облегчения идентификации клеток дополнительно визуализируют те изображения клеток из базы данных эталонных изображений бластных и небластных клеток, для которых геометрические и текстурные характеристики наиболее близки к признакам анализируемой клетки.
Полученные изображения клеток с определенными геометрическими и текстурными характеристиками могут быть занесены в базу данных эталонных изображений бластных и небластных клеток.
При этом имеющиеся в базе данных эталонных изображений бластных и небластных клеток изображения могут быть использованы при обучении и контроле знаний.
Расчет коэффициента формы ядра и клетки производят в соответствии со следующими математическими формулами:
- коэффициент формы ядра
Figure 00000001
,
где Ря - периметр, а Sя - площадь ядра,
- коэффициент формы клетки
Figure 00000002
,
где Рк - периметр, a Sк - площадь клетки.
Расчет текстурных характеристик на основе матриц пространственной смежности производят в соответствии со следующими математическими формулами:
- энергия
Figure 00000003
где
Figure 00000004
- элемент матрицы пространственной смежности i-й строки и j-го столбца матрицы пространственной смежности, рассчитанный для К-й компоненты цветного изображения,
- момент инерции
Figure 00000005
- энтропия
Figure 00000006
- максимальная вероятность
Figure 00000007
- локальная однородность
Figure 00000008
Расчет текстурных характеристик на основе матриц длин серий производят в соответствии со следующими математическими формулами:
- неоднородность яркости
Figure 00000009
где p(i,j) - яркость соответствующей Q-й цветовой компоненты в точке изображения с координатами i,j,
- момент серий
Figure 00000010
- обратный момент серий
Figure 00000011
- неоднородность длин серий
Figure 00000012
- доля изображения в сериях
Figure 00000013
Как уже указывалось выше, предложенный способ автоматизированного микроскопического анализа образцов наиболее широкое использование может найти при анализе образцов в виде сухих мазков периферийной крови для выявления наличия в них бластных клеток.
Актуальность решения проблемы идентификации бластных клеток обусловлена следующим. Острый лейкоз - заболевание системы крови, которое при отсутствии лечения может привести к летальному исходу в течение нескольких недель. При этом заболевание протекает без специфических симптомов, что осложняет его раннюю диагностику. При нормальном ходе кроветворения в костном мозге образуются бластные клетки, которые, развиваясь, превращаются в зрелые клетки, после чего попадают в кровь. При остром лейкозе число бластных клеток в костном мозге превышает норму и часть из них переходит в кровь, не пройдя всех стадий развития. Таким образом, возможность достоверного определения наличия бластных клеток в периферической крови позволит осуществлять раннюю диагностику острого лейкоза.
Факт присутствия бластных клеток в периферической крови может быть установлен при первичном обследовании пациента, обратившегося за медицинской помощью в лечебное учреждение, что способствует более ранней диагностике острого лейкоза в этих случаях. Такое решение на практике сталкивается с рядом проблем:
1. При визуальном микроскопическом анализе мазков периферической крови в обычных поликлиниках врачи-лаборанты, как правило, не имеют достаточной квалификации для достоверной идентификации бластной клетки.
2. Автоматические гемоанализаторы, такие как проточные цитометры, при исследовании проб крови, содержащей бластные клетки, выдают ошибочные результаты по ее составу. Поэтому при отклонениях состава крови от нормы и при подозрениях на острый лейкоз обязательным является микроскопическое исследование препаратов крови (по заключению специалистов Российского онкологического научного центра им. Н.Н.Блохина РАМН).
3. Современные компьютерные системы анализа микроскопических изображений гематологических объектов до настоящего времени не обеспечивали достоверного автоматического обнаружения бластных клеток в препаратах крови (по заключению специалистов Гематологического научного центра РАМН). Такое положение обусловлено, по всей видимости, тем, что для идентификации бластных клеток недостаточно применявшихся ранее признаков, описывающих размеры и форму ядра и цитоплазмы клеток.
Микроскопическому анализу образцов крови на наличие бластных клеток предшествует выявление пациентов, анализы периферической крови которых имеют отклонения от нормы. Для этого при первичном обращении пациента в медицинское учреждение он направляется на проведение анализа периферической крови, выполняемого стандартными для медицинского учреждения средствами. Когда результаты анализа в норме, пациент продолжает плановое обследование. В противном случае назначается дополнительное обследование на выявление бластных клеток в периферической крови.
Ключевым в таком обследовании является применение автоматизированных диагностических систем, позволяющих идентифицировать бластные клетки в препарате периферической крови. Если бластных клеток не обнаруживается, то обследование продолжается в обычном порядке. При наличии бластных клеток врач, обнаруживший бластные клетки, проводит оценку общего анализа крови, консультируется с коллегами, с лечащим врачом данного пациента. По результатам формируется заключение с предупреждением лечащего врача о ситуации и возможных подозрениях на заболевание острым лейкозом. Для разрешения этих подозрений пациент направляется на проведение гематологических исследований, позволяющих уточнить диагноз. При наличии в крови нескольких процентов бластных клеток развитие острого лейкоза неизбежно в течение недель или месяцев. Поэтому важно при микроскопическом анализе мазка крови не пропустить даже одну бластную клетку.
Указанные выше проблемы, связанные с ранним выявлением бластных клеток, подтверждают актуальность предлагаемого способа микроскопического анализа сухих мазков крови с идентификацией бластных клеток.
Предлагаемый способ предназначен не только для обнаружения клеток, которые могут быть отнесены к бластным, но и обеспечить систему поддержки принятия решений по идентификации бластных клеток.
Для этого был создан компьютерный атлас изображений - атлас типовых клеток и клеток, встречающихся в крови при различных заболеваниях, в том числе и при остром лейкозе. На втором этапе создана компьютерная система для распознавания бластных клеток на микроскопическом изображении мазка крови. На третьем этапе разработана последовательность совокупности операций способа автоматизированного анализа мазка крови, основанная на применении компьютерной системы распознавания бластных клеток и компьютерного атласа изображений клеток крови. При этом любую клетку, идентифицированную как бластную, врач, использующий систему, может сравнить с клетками из атласа и на этом основании принять окончательное решение о принадлежности исследуемой клетки к бластным.
Следует отметить, что компьютерный атлас бластных клеток, наряду с применением в диагностике, призван оказать помощь при повышении квалификации врачей и обучении студентов-медиков.
Системы автоматизированного анализа изображений клеток крови могут использоваться как врачами клинико-диагностических лабораторий, так и специалистами-гематологами как средство для консультаций в сложных для диагностики случаях.
На основании результатов исследований состояния вопроса в области автоматизации диагностики острого лейкоза и на основании анализа объектной среды компьютерной системы обработки микроскопических изображений мазков крови предлагается следующая концептуальная модель автоматизированного микроскопического анализа мазка крови при диагностике острых лейкозов
Мконц={Zкр, Рпр, Vмикр, Красп, Аконс, Тбл},
где Мконц - концептуальная модель автоматизированного анализа мазка крови при диагностике острого лейкоза; Zкр - взятие крови у пациента; Рпр - приготовление препарата мазка крови; Vмикр - автоматизированное сканирование мазка с вводом изображений фрагментов препарата в компьютер; Красп - компьютерная обработка изображения мазка крови с целью распознавания бластных клеток; Аконс - анализ результатов распознавания бластных клеток, сравнительная оценка исследуемых клеток с клетками из компьютерного атласа, при необходимости (и технической возможности) - проведение телемедицинских консультаций со специалистами ведущих медицинских центров; Тбл - формирование заключения о типе клетки - бластная или небластная.
Этапы Zкр, Рпр, Vмикр подготовительные, в то время как решающим является этап Красп и Аконс. В то же время, достоверность результата распознавания и сформированного заключения в существенной мере зависят от качества реализации этапов Zкр, Рпр, Vмикр.
Взятие крови проводится по стандартной методике, и мазок крови на предметном стекле также готовится по стандартной методике. Предметное стекло устанавливается на моторизованный столик микроскопа. Особо следует подчеркнуть необходимость строгого соблюдения методик взятия крови и приготовления препарата, а также контроля качества приготовленного препарата на этапе его автоматизированного анализа.
При осуществлении способа микроскопического исследования мазка периферийной крови, содержащего клетки лейкоцитарного ряда, для выявления бластных клеток, с помощью микроскопа осуществляют сканирование поверхности мазка периферийной крови, в результате которого получают последовательность изображений, которые с помощью цифровой камеры преобразуют в цифровые изображения, которые передают в компьютер в виде последовательности цифровых изображений.
После чего осуществляется обработка полученных изображений, которая может быть представлена в виде следующей модели Мо:
Мо={I, J, N, S, Р, К, Т}, где I - модель исходного изображения; J - модель фильтрации изображения; N - модель нормализации яркости и цветового фона изображения; S - модель сегментации изображения, обеспечивающая выделение лейкоцитов; Р - модель вычисления признаков для классификации; K - модель классификации бластных клеток; Т - определение выходных характеристик.
При этом I, J и N представляют собой этапы предобработки, которые проводятся в зависимости от качества полученных изображений. При предобработке производится фильтрация шума, нормализация изображения по яркости и цветовым характеристикам. Цель предобработки - улучшить изображение и преобразовать его к виду, который обеспечит успешное решение задачи описания и классификации бластных клеток. Ключевое решение этой задачи связано с определением признаков для автоматического разделения всей области изображения на области лейкоцитов и область фона (к области фона в данном случае относятся и красные клетки крови - эритроциты).
Для этого в каждом из цифровых изображений для каждого пикселя определяют его координаты RGB в цветовой модели RGB, описывающей цветояркостные характеристики пикселя, после чего осуществляют сегментацию изображения, в результате которой получают карту областей изображения, соответствующих изображению двух разнородных зон микрообъектов, т.е. в данном случае ядру и цитоплазме клетки, и областей изображения, соответствующих фону.
Существуют различные методы сегментации изображения. В предлагаемом спсобе она может быть осуществлена следующим образом:
1. Для каждого пикселя изображения с пространственными координатами (x,y) на основе значений цветовых координат RGB вычисляются значения коэффициентов S и I по формулам:
S=1-(3·[min(R, G, B)]/(R+G+B)),
I=1/3·(R+G+B).
2. Производится построение гистограммы значений коэффициентов S для всех пикселов изображения.
3. По полученной гистограмме коэффициентов S определяется значение коэффициента S=Sp, при котором гистограмма впервые образует локальный минимум после локального максимума при движении от бóльших значений S к меньшим.
4. Устанавливаются значения двумерной функции N(x,y) по правилу:
N(x,y)=S(x,y), если S(x,y)>Sp, в противном случае N(x,y)=0.
5. Производится построение гистограммы значений коэффициентов I для всех пикселов изображения.
6. По полученной гистограмме коэффициентов I определяется значение коэффициента I=Ip, при котором гистограмма впервые образует локальный минимум после локального максимума при движении от больших значений I к меньшим.
7. Устанавливаются значения двумерной функции F(x,y) по правилу:
F(x,y)=0, если I(x,y)>Ip, в противном случае F(x,y)=S(x,y)+1.
8. Методом наращивания областей (см., например, Р.Гонсалес, Р.Вудс. Цифровая обработка изображений. Москва: Техносфера, 2005. - 1972 с.) по значениям функции F(x,y)>0, используя в качестве центра кристаллизации точки изображения, для которых N(x,y)>0, определяют функцию принадлежности K(x,y)=1, для точек, принадлежащих наращенной области, и K(x,y)=0 для прочих точек.
9. Определяют откорректированное значение функции принадлежности по формуле K(x,y)=N(x,y), если N(x,y)>1, в противном случае значение функции K(x,y) оставляют без изменения.
10. В результате функция K(x,y) определяет разметку карты областей:
точки с координатами (x,y), для которых K(x,y)=0, принадлежат фону,
точки с координатами (x,y), для которых K(x,y)=1, принадлежат цитоплазме клетки,
точки с координатами (x,y), для которых K(x,y)>1, принадлежат ядру клетки.
Таким образом, получают бинарные изображения клеток, которые используют для проведения морфологического анализа и определения геометрических характеристик клеток, которые включают площадь ядра, площадь клетки, коэффициент формы ядра, коэффициент формы клетки, отношение площади ядра к площади цитоплазмы. При этом расчет коэффициентов формы ядра и клетки производят в соответствии со следующими математическими формулами:
- коэффициент формы ядра
Figure 00000014
где Ря - периметр, а Sя - площадь ядра,
- коэффициент формы клетки
Figure 00000002
где Рк - периметр, a Sк - площадь клетки.
Экспериментальная оценка информативности морфологических характеристик клеток для определения бластных и небластных клеток показала, что гистограммы их распределений для этих клеток сильно пересекаются. Таким образом, было установлено, что только этих характеристик недостаточно для надежной идентификации бластных клеток в мазке периферической крови.
По мнению врачей-гематологов одним из определяющих признаков бластной клетки является «нежность» структуры хроматина, однако существующие автоматизированные системы обработки изображений эту характеристику не измеряют. Поэтому рассматривался подход к распознаванию бластных клеток на основе описания структуры хроматина. Для количественного описания характеристики «нежности» хроматина был использован ряд признаков и проведено исследование их информативности. Поскольку «нежность» хроматина у бластных клеток определяется тонкими отдельными нитями, образующими сетку, в отличие от «глыбчатости» лимфоцитов, когда нити как бы сворачиваются в клубки - «глыбки», в основу расчета количественных признаков «нежности» положена оценка различий в значениях цветовых компонент близких точек изображения ядра.
С целью подчеркивания этих различий исследовался метод выделения перепадов яркости с применением оператора Собеля для каждой из цветовых компонент изображения R (красной), G (зеленой) и В (синей). На основе получившегося изображения перепадов интенсивности в каждой из цветовых компонент R, G, В рассчитывался интегральный показатель «нежности» С, при этом чем более «нежный» хроматин, тем больше значение С. В качестве дополнительных признаков использовались признаки, связанные с размерами ядра и цитоплазмы клеток (размер клетки, ядерно-цитоплазматическое отношение). Эксперименты показали, что ошибки классификации бластных и небластных клеток превышают 20%, что недостаточно для практического использования.
В связи с этим был предложен альтернативный подход на основе методов текстурного анализа.
Известно, что текстурные изображения различной природы могут быть описаны на основе оценки статистических свойств распределения значений яркости в изображении. Поэтому, рассматривая изображение ядра клетки крови как текстуру естественного происхождения, можно для ее описания применить метод текстурного анализа, основанный на вычислении матрицы пространственной смежности (матрицы Харалика).
В роли текстурных признаков рассматривался ряд статистик, полученных на основе матриц пространственной смежности: энергии ASM, момента инерции CON, энтропии ENT, максимальной вероятности MPR, локальной однородности LUN.
Данные статистики не исчерпывают весь спектр признаков, которые могут быть получены из матриц пространственной смежности. Однако известно, что указанные статистики несут наибольшую смысловую нагрузку для стохастических текстур естественной природы. По этой причине они были взяты в качестве базисной системы признаков.
Указанные признаки рассчитывались для цветовых компонент, представленных в цветовых моделях, имеющих наиболее широкое применение в задачах анализа и отображения цветных изображений: RGB, HLS, YUV. В результате экспериментальной оценки их информативности по критерию точности распознавания бластных клеток были выбраны R (красный), G (зеленый), В (синий), L (светлота), Y (яркость) как наиболее информативные.
В связи с этим дополнительно для каждого пикселя каждого изображения клеток при реализации способа определяют светлоту L в цветовой модели LUV и яркость Y в цветовой модели YUV, после чего для каждого изображения клетки рассчитывают матрицы пространственной смежности для каждой K-й компоненты цветного изображения, в качестве которых используют: R-красную, G-зеленую, В-синюю из цветовой модели RGB, L-светлоту из цветовой модели LUV и Y-яркость из цветовой модели YUV, и определяют текстурные характеристики клеток, которые включают энергию, момент инерции, энтропию, максимальную вероятность, локальную однородность. При этом расчет текстурных характеристик на основе матриц пространственной смежности производят в соответствии со следующими математическими формулами:
- энергия
Figure 00000003
где
Figure 00000015
- элемент матрицы пространственной смежности i-й строки и j-го столбца матрицы пространственной смежности, рассчитанный для K-й компоненты цветного изображения,
- момент инерции
Figure 00000005
- энтропия
Figure 00000006
- максимальная вероятность
Figure 00000016
- локальная однородность
Figure 00000008
В качестве дополнительных текстурных характеристик для описания хроматина ядра клеток крови рассматривались характеристики, описывающие свойства длин серий постоянной яркости. Для длин серий рассчитывались характеристики: неоднородность яркости, момент серий, обратный момент серий, доля изображения в сериях для компонент G, L, Y. Указанные компоненты были выбраны как наиболее информативные из рассмотренных R, G, В, Н, L, S, Y, U, V, исходя из критерия точности распознавания бластных клеток.
Поэтому при осуществлении способа дополнительно для каждого изображения клетки рассчитывают матрицы длин серий для каждой Q-й компоненты цветного изображения, в качестве которых используют: G-зеленую из цветовой модели RGB, L-светлоту из цветовой модели HLS и Y-яркость из цветовой модели YUV, и определяют текстурные характеристики клеток, которые включают неоднородность яркости, момент серий, обратный момент серий, неоднородность длин серий, долю изображения в сериях. При этом расчет текстурных характеристик на основе матриц длин серий производят в соответствии со следующими математическими формулами:
- неоднородность яркости
Figure 00000009
где p(i,j) - яркость соответствующей Q-й цветовой компоненты в точке изображения с координатами i,j,
- момент серий
Figure 00000010
- обратный момент серий
Figure 00000011
- неоднородность длин серии
Figure 00000012
- доля изображения в сериях
Figure 00000013
Конечная цель обработки изображения - определить типы клеток крови, находящихся в отсканированной области мазка крови, и провести их классификацию, в результате которой производится отнесение выделенной клетки к одному из известных классов.
Исследовались различные методы классификации - метод ближайших соседей, дискриминантный анализ, нейросетевые технологии и др. Исследования показали, что оптимальным для решения поставленной задачи является метод дискриминантно-линейного разделения.
После этого полученные геометрические и текстурные характеристики сравнивают с характеристиками эталонных изображений бластных клеток, содержащихся в базе данных эталонных изображений бластных и небластных клеток и определяют принадлежность анализируемой клетки к бластным или небластным.
При этом при определении принадлежности выявленной клетки к бластным или небластным осуществляют ее визуализацию, например, на экране монитора. Кроме того, на облегчения сравнения выделенных клеток с эталонными изображениями дополнительно визуализируют те изображения клеток из базы данных эталонных изображений бластных и небластных клеток, для которых геометрические и текстурные характеристики наиболее близки к признакам анализируемой клетки.
Причем по применяемой в практике методике микроскопического анализа мазков крови для определения лейкоцитарной формулы, в ходе формирования которой и производится оценка бластных клеток, необходимо исследовать 100 лейкоцитов. Обычно в поле зрения микроскопа попадает не более 4-х лейкоцитов, а большая часть полей зрения вообще их не содержит. Поэтому цель сканирования мазка состоит в том, чтобы найти на препарате необходимое количество лейкоцитов и ввести их изображения в компьютер. В связи с этим способ может осуществляться до момента получения заданного суммарного числа обнаруженных клеток крови лейкоцитарного ряда.
Полученные в результате осуществления способа изображения клеток с определенными геометрическими и текстурными характеристиками заносят в базу данных эталонных изображений бластных и небластных клеток, что позволяет постоянно увеличивать базу данных и тем самым повышать вероятность правильной классификации клеток. При этом имеющиеся в базе данных эталонных изображений бластных и небластных клеток изображения могут быть использованы при обучении и контроле знаний.
Для оценки предложенного метода автоматизированного анализа изображений мазков крови была подготовлена выборка препаратов из архива Российского онкологического научного центра им. Н.Н.Блохина. Цифровые изображения клеток вводились в компьютер с помощью системы, включающей микроскоп ZEISS Axioplan, цифровую камеру Axiocam.
Изображения анализировалась врачом-экспертом. По результатам этого анализа сформировано описание типов клеток на указанных изображениях. В результате были отобраны клетки, которые удовлетворяют комплексу требований (по качеству окраски, освещения препарата, местоположения в препарате, качеству съемки). Наряду с решением задачи оценки эффективности разрабатываемого метода распознавания бластных клеток сформированная выборка клеток крови явилась основой для создания электронного атласа бластных клеток. Всего было отобрано 1384 лейкоцита, из них 429 бластных клеток и 955 небластных клеток (лимфоциты, моноциты и др.). В результате эксперимента, проведенного в соответствии с предлагаемым способом, получено, что среди бластных клеток неправильно идентифицировано не более 4%, а из небластных клеток распознано как бластные не более 3%.
Таким образом разработан способ автоматизированного микроскопического анализа мазка периферической крови, предназначенный для обнаружения бластных клеток, присутствие которых в мазке периферической крови является одним из существенных оснований для предположений о наличии острого лейкоза. Предлагаемый способ обеспечивает повышение достоверности, а также информативности и объективности результатов, снижение трудоемкости, расширение функциональных возможностей микроскопического исследования образцов.

Claims (10)

1. Способ микроскопического исследования образца, содержащего N видов микрообъектов, где N≥2, из которых по крайней мере один вид имеет две разнородные зоны, в котором с помощью микроскопа осуществляют сканирование поверхности образца, в результате которого получают последовательность изображений, которые с помощью цифровой камеры преобразуют в цифровые изображения, которые передают в компьютер в виде последовательности цифровых изображений, в каждом из которых для каждого пикселя определяют его координаты RGB в цветовой модели RGB, описывающей цветояркостные характеристики пикселя,
осуществляют сегментацию изображения, в результате которой получают карту областей изображения, соответствующих изображению двух разнородных зон микрообъектов, и областей изображения, соответствующих фону,
полученные бинарные изображения микрообъектов используют для проведения морфологического анализа и определения геометрических характеристик микрообъектов, которые включают площади разнородных зон, площадь микрообъекта, коэффициенты формы разнородных зон, коэффициент формы микрообъекта, отношение площадей разнородных зон,
дополнительно для каждого пикселя каждого изображения микрообъектов определяют светлоту L в цветовой модели LUV и яркость Y в цветовой модели YUV,
для каждого изображения микрообъекта рассчитывают матрицы пространственной смежности для каждой K-й компоненты цветного изображения, в качестве которых используют: R-красную, G-зеленую, В-синию из цветовой модели RGB, L-светлоту из цветовой модели LUV и Y-яркость из цветовой модели YUV, и
определяют текстурные характеристики микрообъектов, которые включают энергию, момент инерции, энтропию, максимальную вероятность, локальную однородность,
дополнительно для каждого изображения микрообъекта (клетки) рассчитывают матрицы длин серий для каждой Q-й компоненты цветного изображения, в качестве которых используют: G-зеленую из цветовой модели RGB, L-светлоту из цветовой модели HLS и Y-яркость из цветовой модели YUV, и
определяют текстурные характеристики микрообъектов (клеток), которые включают неоднородность яркости, момент серий, обратный момент серий, неоднородность длин серий, доля изображения в сериях,
полученные геометрические и текстурные характеристики сравнивают с характеристиками эталонных изображений микрообъектов, содержащихся в базе данных эталонных изображений и определяют принадлежность анализируемого микрообъекта к определенному виду.
2. Способ по п.1, отличающийся тем, что его используют для выявления бластных клеток, при этом в качестве образца, содержащего N видов микрообъектов, где N≥2, используют окрашенный сухой мазок периферийной крови, а в качестве микрообъекта, имеющего две разнородные зоны, используют клетки крови лейкоцитарного ряда, имеющие ядро и цитоплазму, причем полученные геометрические и текстурные характеристики сравнивают с характеристиками эталонных изображений бластных клеток, содержащихся в базе данных эталонных изображений бластных и небластных клеток и определяют принадлежность анализируемой клетки к бластным или небластным.
3. Способ по п.2, отличающийся тем, что его осуществляют до момента получения заданного суммарного числа обнаруженных клеток крови лейкоцитарного ряда.
4. Способ по п.2 или 3, отличающийся тем, что при определении принадлежности выявленной клетки к бластным или небластным осуществляют ее визуализацию.
5. Способ по п.4, отличающийся тем, что дополнительно визуализируют те изображения клеток из базы данных эталонных изображений бластных и небластных клеток, для которых геометрические и текстурные характеристики наиболее близки к признакам анализируемой клетки.
6. Способ по п.2, отличающийся тем, что полученные изображения клеток с определенными геометрическими и текстурными характеристиками заносят в базу данных эталонных изображений бластных и небластных клеток.
7. Способ по п.2 или 6, отличающийся тем, что используют имеющиеся в базе данных эталонных изображений бластных и небластных клеток изображения при обучении и контроле знаний.
8. Способ по п.2, отличающийся тем, что расчет коэффициентов формы ядра и клетки производят в соответствии со следующими математическими формулами
коэффициент формы ядра
Figure 00000017
где Ря - периметр, а Sя - площадь ядра,
коэффициент формы клетки
Figure 00000018
где Рк - периметр, a Sк - площадь клетки.
9. Способ по п.2, отличающийся тем, что расчет текстурных характеристик на основе матриц пространственной смежности производят в соответствии со следующими математическими формулами:
энергия
Figure 00000019
где
Figure 00000020
- элемент матрицы пространственной смежности i-й строки и j-го столбца матрицы пространственной смежности, рассчитанный для K-й компоненты цветного изображения,
момент инерции
Figure 00000021
энтропия
Figure 00000022
максимальная вероятность
Figure 00000023
локальная однородность
Figure 00000024
10. Способ по п.2, отличающийся тем, что расчет текстурных характеристик на основе матриц длин серий производят в соответствии со следующими математическими формулами
неоднородность яркости
Figure 00000025
где p(i,j) - яркость соответствующей Q-й цветовой компоненты в точке изображения с координатами i,j,
момент серий
Figure 00000026
обратный момент серий
Figure 00000027
неоднородность длин серий
Figure 00000028
доля изображения в сериях
Figure 00000029
RU2006135516/28A 2006-10-09 2006-10-09 Способ микроскопического исследования образца, содержащего микрообъекты с разнородными зонами RU2308745C1 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2006135516/28A RU2308745C1 (ru) 2006-10-09 2006-10-09 Способ микроскопического исследования образца, содержащего микрообъекты с разнородными зонами

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2006135516/28A RU2308745C1 (ru) 2006-10-09 2006-10-09 Способ микроскопического исследования образца, содержащего микрообъекты с разнородными зонами

Publications (1)

Publication Number Publication Date
RU2308745C1 true RU2308745C1 (ru) 2007-10-20

Family

ID=38925430

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2006135516/28A RU2308745C1 (ru) 2006-10-09 2006-10-09 Способ микроскопического исследования образца, содержащего микрообъекты с разнородными зонами

Country Status (1)

Country Link
RU (1) RU2308745C1 (ru)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2540489C1 (ru) * 2013-07-19 2015-02-10 федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики" (Университет ИТМО) Способ оценки степени обогатимости минерального сырья оптическим методом и устройство для его реализации
RU2560744C1 (ru) * 2014-04-25 2015-08-20 федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики" (Университет ИТМО) Способ разделения минерального сырья оптическим методом
RU2712941C1 (ru) * 2018-12-18 2020-02-03 федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский ядерный университет МИФИ" (НИЯУ МИФИ) Способ коррекции сигнала датчика изображения слабоконтрастных объектов в системах компьютерной микроскопии при онкологической диагностике
CN112833773A (zh) * 2021-01-13 2021-05-25 无锡卡尔曼导航技术有限公司 一种高精度的作业实时计亩方法
RU2755247C1 (ru) * 2018-05-28 2021-09-14 Ханчжоу Чживэй Информэйшн Текнолоджи Ко., Лтд. Способ оцифровывания мазка пунктата костного мозга
RU2755553C1 (ru) * 2018-05-22 2021-09-17 Ханчжоу Чживэй Информэйшн Текнолоджи Ко., Лтд. Способ определения местонахождения лейкоцитов костного мозга на основе агрегации насыщения
RU2763667C1 (ru) * 2021-08-25 2021-12-30 Общество с ограниченной ответственностью "Медика Продакт" Устройство для морфологического анализа мазков крови
RU2791813C1 (ru) * 2022-05-03 2023-03-13 Курочкин Евгений Владимирович Система и способ обнаружения и классификации колоний микроорганизмов на изображениях на основе технологий искусственного интеллекта и компьютерного зрения

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2540489C1 (ru) * 2013-07-19 2015-02-10 федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики" (Университет ИТМО) Способ оценки степени обогатимости минерального сырья оптическим методом и устройство для его реализации
RU2560744C1 (ru) * 2014-04-25 2015-08-20 федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики" (Университет ИТМО) Способ разделения минерального сырья оптическим методом
RU2755553C1 (ru) * 2018-05-22 2021-09-17 Ханчжоу Чживэй Информэйшн Текнолоджи Ко., Лтд. Способ определения местонахождения лейкоцитов костного мозга на основе агрегации насыщения
RU2755247C1 (ru) * 2018-05-28 2021-09-14 Ханчжоу Чживэй Информэйшн Текнолоджи Ко., Лтд. Способ оцифровывания мазка пунктата костного мозга
RU2712941C1 (ru) * 2018-12-18 2020-02-03 федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский ядерный университет МИФИ" (НИЯУ МИФИ) Способ коррекции сигнала датчика изображения слабоконтрастных объектов в системах компьютерной микроскопии при онкологической диагностике
CN112833773A (zh) * 2021-01-13 2021-05-25 无锡卡尔曼导航技术有限公司 一种高精度的作业实时计亩方法
RU2763667C1 (ru) * 2021-08-25 2021-12-30 Общество с ограниченной ответственностью "Медика Продакт" Устройство для морфологического анализа мазков крови
RU2791813C1 (ru) * 2022-05-03 2023-03-13 Курочкин Евгений Владимирович Система и способ обнаружения и классификации колоний микроорганизмов на изображениях на основе технологий искусственного интеллекта и компьютерного зрения

Similar Documents

Publication Publication Date Title
Rodellar et al. Image processing and machine learning in the morphological analysis of blood cells
Linder et al. A malaria diagnostic tool based on computer vision screening and visualization of Plasmodium falciparum candidate areas in digitized blood smears
Jan et al. A review on automated diagnosis of malaria parasite in microscopic blood smears images
Tomari et al. Computer aided system for red blood cell classification in blood smear image
EP2973397B1 (en) Tissue object-based machine learning system for automated scoring of digital whole slides
Mohammed et al. An efficient CAD system for ALL cell identification from microscopic blood images
Chadha et al. An automated method for counting red blood cells using image processing
Reta et al. Segmentation of bone marrow cell images for morphological classification of acute leukemia
Ramesh et al. Isolation and two-step classification of normal white blood cells in peripheral blood smears
RU2308745C1 (ru) Способ микроскопического исследования образца, содержащего микрообъекты с разнородными зонами
Loddo et al. MP-IDB: the malaria parasite image database for image processing and analysis
US9196036B2 (en) Device and method for determining objects in a color recording
Memeu et al. Detection of plasmodium parasites from images of thin blood smears
Hortinela et al. Identification of abnormal red blood cells and diagnosing specific types of anemia using image processing and support vector machine
Rawat et al. Review of leukocyte classification techniques for microscopic blood images
Ananthi et al. A new thresholding technique based on fuzzy set as an application to leukocyte nucleus segmentation
Alreza et al. Design a new algorithm to count white blood cells for classification leukemic blood image using machine vision system
Pellegrino et al. Automated RBC morphology counting and grading using image processing and support vector machine
Angulo et al. Ontology-based lymphocyte population description using mathematical morphology on colour blood images
Fitri et al. A comparison of platelets classification from digitalization microscopic peripheral blood smear
KR20010017092A (ko) 혈구세포의 형태 자동 분석 및 카운트 방법
Hortinela IV et al. Development of abnormal red blood cells classifier using image processing techniques with support vector machine
US20230360414A1 (en) Systems and methods for processing images to determine image-based computational biomarkers from liquid specimens
Al-Ghraibah et al. Automated detection of leukemia in blood microscopic images using image processing techniques and unique features: Cell count and area ratio
WO2023186051A1 (zh) 辅助诊断方法及装置、构建装置、分析装置及相关产品

Legal Events

Date Code Title Description
PD4A Correction of name of patent owner
PD4A Correction of name of patent owner
MM4A The patent is invalid due to non-payment of fees

Effective date: 20191010