Метод распознавания изображений гистологических препаратов в задачах медицинской диагностики

Вид материала

Задача

Подобный материал:

• О. А. Мишулина московский инженерно-физический институт ( государственный университет, 25.24kb.
• 4. Лекция: Распознавание изображений, 196.23kb.
• Регламентацию лучевых диагностических исследований, 86.1kb.
• Признаки корреляционного типа в системе распознавания текстурных изображений, 28.43kb.
• Некоторые методы распознавания изображений, 261.7kb.
• Методы медико-биологических исследований. Средства и способы получения изображений, 20.79kb.
• Нелинейная цифровая фильтрация лазерных изображений при регистрации и обработке, 242.95kb.
• Компьютерное электропунктурное сканирование как новый метод нейрофункциональной диагностики, 72.72kb.
• Обработка и передача изображений, 243.48kb.
• Нейрокомпьютерная обработка сигналов и изображений, 236.58kb.

О.А. МИШУЛИНА, ВИН ТХЕЙ

Московский инженерно-физический институт (государственный университет)


МЕТОД РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ ГИСТОЛОГИЧЕСКИХ ПРЕПАРАТОВ В ЗАДАЧАХ МЕДИЦИНСКОЙ ДИАГНОСТИКИ


В докладе предлагается новый подход к выбору вектора информативных признаков для решения задачи классификации изображений гистологических препаратов. Подход основан на построении секущих прямых линий на изображении и расчете двумерной таблицы частот для объектов, выделенных вдоль построенных прямых. Приводятся результаты экспериментальных исследований, демонстрирующие эффективность использования предложенного вектора признаков для распознавания изображений.


Изображения, рассматриваемые в данной работе, получены видеосъемкой через микроскоп гистологических препаратов щитовидной железы человека, пораженной опухолевой тканью. Для разных типов новообразований изображения гистологических препаратов имеют различные характеристики, по форме объектов и их цветовому наполнению.

Традиционный подход к решению задачи распознавания изображений рассматриваемого типа основан на предварительной сегментации изображения и расчете статистических показателей выделенных объектов по размерам, форме и цвету. Далее задача распознавания решается одним из известных методов с использованием построенного вектора статистических показателей изображения. Этот подход сложен с алгоритмической точки зрения (сегментация изображений) и требует выполнения большого объема вычислений.

В работе предлагается новый подход к выбору вектора информативных признаков для решения задачи классификации изображений гистологических препаратов. Подход характеризуется алгоритмической простотой и ограниченным объемом необходимых вычислений. В данной работе рассматриваются полутоновые изображения, но без труда предлагаемый подход может быть обобщен на цветные изображения.

Новый подход к построению вектора признаков изображения основан на теоретическом положении [1], которое состоит в том, что статистическое описание изображения может быть получено в результате _{статистического анализа функции интенсивности тона множества секущих линий изображения. Для каждой секущей линии решается алгоритмически простая задача одномерной сегментации и строится таблица частот распределения длин объектов на разных уровнях яркости по всему множеству секущих линий изображения. Сегментация основана на использовании оптимального линейного дискретного дифференциатора одномерных данных.}

Обозначим абсолютную частоту попадания объектов на секущих линиях в интервал i по длине и интервал j по яркости, ,. Допустим, что общее число обнаруженных объектов равно N₀. Тогда матрица P_тек={P_ij(тек), ,} для анализируемого изображения может использоваться как набор информативных признаков для задачи распознавания.

Распознавание изображения гистологического препарата производится на основе набора "эталонных" изображений для разных типов новообразований. Эталоны получены в результате экспертных заключений специалистов. Статистические свойства эталонных изображений описаны матрицами частот той же структуры, что и для текущих изображений: P_эт={P_ij(эт), ,}.

Различие между признаками рассматриваемого изображения P_тек и k-ого эталонного изображения рассчитывается по формуле:

.

В работе представлены результаты экспериментальных исследований по чувствительности показателя к различию типов текущего и эталонного изображений и на их основе сделан вывод относительно дискриминантных свойств предложенного критерия.


Список литературы

1. Тихонов В.И. Выбросы случайных процессов. М.: Наука, 1970. 392 с.
   
2. Денисов Д.А., Низовкин В.А. Сегментация изображения на ЭВМ // Зарубежная радиоэлектроника. 1985. № 10. С. 5–30.
   
3. Бакут П.А., Колмогоров Г.С. Сегментация изображений: методы выделения границ областей // Зарубежная радиоэлектроника. 1987. № 10. C. 25 – 47.
   
4. Rafael C. Gonzalez, Richard E. Woods.,Digital Image Processing. Wesley Publishing Company, Inc. U.S.A, 1993.
   
5. am.ac.uk/Mirrors/ftp.de.uu.net/EC/clife/www/Q21.htm