Гибридные модели и алгоритмы для анализа сложноструктурированных изображений в интеллектуальных системах медицинского назначения

Актуальность работы. Системный подход к задачам распознавания и классификации состояния сложных объектов требует высокой надежности, точности и достоверности результатов исследований. При анализе медицинских изображений эти требования выполнить весьма трудно в связи с их высокой вариабельностью и неоднородностью структуры. Все эти особенности медицинских изображений проявляются в системах автоматизированного анализа гистологических изображений, которые, наряду с неоднородностью структуры, характеризуются слабой контрастностью, высокой вариабельностью цветового окраса и большим количеством объектов, подлежащих классификации на одном кадре изображения.

Для повышения качества работы автоматических анализаторов изображения используются гибридные модели обработки информации, которые позволяют применять как методы обучаемых систем распознавания образов, так и методы экспертного оценивания, что существенно повышает качество классификации за счет компенсации недостатков тех или иных методов и подчеркивания их достоинств. Такие технические возможности позволяют значительно расширить круг исследований, открывают новые пути решения задач, касающихся анализа изображений.

Однако существующие в настоящее время интеллектуальные системы обработки гистологических изображений, основанные на гибридном подходе, не предполагают взаимную адаптацию и эволюцию компонент, что не позволяет им обеспечить требуемое качество анализа гистологических структур.

Таким образом, актуальной научно-технической задачей исследования является повышение качества анализа изображений сложных объектов на основе гибридных моделей и алгоритмов в интеллектуальных системах медицинского назначения.

Работа выполнена в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России на 2009;2013 годы (государственный контракт № П424 от 12 мая 2010 г.) по проблеме «Гибридные информационные технологии для ранней диагностики инфекционных и онкологических заболеваний на основе многочастотной импедансометрии биоматериалов» и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Цель работы. Разработка решающих модулей, алгоритмов и специального программного обеспечения для интеллектуальных систем анализа сложноструктурированных изображений, обеспечивающих повышение качества классификации их сегментов.

Для достижения поставленной цели необходимо решить следующие задачи: проанализировать существующие методы анализа сложноструктурированных изображений, выявить их достоинства и недостаткиразработать способы и модели анализа сегментов сложноструктурированных изображений на основе атрибутивных характеристик их формыпостроить алгоритмы классификации сегментов на изображениях мазков периферической кровиразработать специальное алгоритмическое и программное обеспечение для измерения межклеточных соотношений в периферической кровипровести апробацию предложенных моделей, алгоритмов и специального программного обеспечения на репрезентативных контрольных выборках.

Объектисследования. Микроскопические изображения сложноструктурированных объектов.

Предмет исследования. Модели, алгоритмы и специальное программное обеспечение для анализа гистологических объектов на цветных изображениях препаратов оптической микроскопии.

Соответствие паспорту научной специальности. Содержание диссертации соответствует п. 5 «Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации» и п. 12 «Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации» паспорта специальности 05.13.01 — Системный анализ, управление и обработка информации.

Методы исследований. В работе использовались методы системного анализа, методы цифровой обработки изображений, спектрального анализа, математической статистики, теории нейронных сетей и распознавания образов, экспертного оценивания и нечеткой логики принятия решений. При разработке модулей спектральной обработки данных, нейронных сетей и нечеткого вывода в качестве инструментария использовался Matlab 7.10 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной и выносимые на защиту: модель морфологического описания сегмента, основанная на теоретико-множественном представлении границы сегмента, отличающаяся тем, что множество точек, описывающих границы сегмента, представляется в виде двух непересекающихся подмножеств, границы которых устанавливаются по нижней и верхней границам координат точек, входящих в исходное множество, позволяющая представить любую кривую, в том числе и незамкнутую, в виде периодической двумерной числовой последовательностиспособ формирования информативных признаков для нейронных сетей, классифицирующих форменные элементы крови по геометрическим признакам, основанный на определении дескрипторов Фурье геометрической фигуры, полученной в результате сегментации микроскопических изображений мазков крови, отличающийся тем, что после вычисления отсчетов спектра Фурье геометрической фигуры, число спектральных отсчетов дополняется до наперед заданного максимального числа путем добавления нулевых отсчетов слева и справа от граничных отрицательной и положительной частот, а амплитуда спектральных составляющих, характеризующих форму границы анализируемого сегмента, увеличивается на величину, прямо пропорциональную величине расширения спектра, позволяющий получить адекватную классификационную модель, независимую от числа отсчетов границ сегментов форменных элементов кровиалгоритм измерения межклеточных соотношений в периферической крови, включающий двухступенчатую обработку изображения, заключающуюся в том, что на первой ступени обрабатывают изображение, полученное в результате сегментации исходного черно-белого изображения, после обработки морфологическим оператором «эрозия», а на второй ступениизображение, полученное после обработки исходного черно-белого изображения посредством морфологического оператора «дилатация», отличающийся тем, что на каждой ступени решение принимается на основе агрегации двух оценок, полученных в результате анализа цветного изображения и в результате анализа черно-белого изображения, причем на первой ступени завышают число ошибок первого рода, а на второй ступени — число ошибок второго рода, а окончательное решение принимается на основе сопоставления решений, принятых на первой и на второй ступенях обработкиструктура базы данных обучающих выборок, отличающаяся тем, что записи в обучающих выборках распределены по двум уровням, причем для каждой Ь-й выборки г-е строки (записи) в первом и втором уровнях относятся к одному и тому же сегменту изображения, а атрибуты для г-го сегмента Ь-й выборки на втором уровне получены из атрибутов Ь-й выборки г-го сегмента на первом уровне посредством их обработки модулями анализа цветного и черно-белого изображений, позволяющая формировать обучающие выборки для нейронных сетей модуля принятия решений по классификации форменных элементов крови.

Практическая значимость и результаты внедрения. Практическое значение работы определяется возможностью применения результатов исследования для обработки и анализа сложноструктурированных изображений.

Разработанные модели, алгоритмы и специальное программное обеспечение составили основу построения интеллектуальной системы анализа микроскопических изображений мазков крови. Программные средства ориентированы на практическое здравоохранение.

Результаты работ используются в учебном процессе Юго-Западного государственного университета при обучении студентов по специальностям 200 401 «Биотехнические и медицинские аппараты и системы» и 200 402 «Инженерное дело в медико-биологической практике» (дисциплина «Методы обработки биомедицинских сигналов и данных») и в опытно-конструкторских работах НИЦ (г. Курск) ФГУП «18 ЦНИИ» МОРФ, что подтверждено соответствующими актами.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях: Международных конференциях с элементами научной школы для молодежи «БИОМЕДСИСТЕМЫ — 2009, 2010» (Рязань, 2009, 2010) — XIII и XIV Международных научно-технических конференциях «Медико-экологические информационные технологии» (Курск, 2010, 2011) — IX Международной конференции «Распознавание — 2010» (Курск, 2010) — XVIII Международной конференции «Лазерно-информационные технологии в медицине, биологии и геологии» (Новороссийск, 2010) — XXVI Международной научно-технической конференции «Математические методы и информационные технологии в экономике, социологии и образовании» (Пенза, 2010) — Всероссийской научно-технической конференции «Медицинские информационные системы МИС-2010» (Таганрог, 2010) — IX Международной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии (Владимир-Суздаль, 2010) — Всероссийском конкурсе научных работ бакалавров и магистрантов «Биосовместимые материалы и покрытия» (Саратов, 2010) — Международной научно-технической конференции «Интегративные процессы в науке — 2010» (Курск, 2010) — Международной научной конференции «Молодежь и XXI век» (Курск, 2011) — на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск, 2009, 2010, 2011).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 16 печатных работ, в том числе 3 работы в рецензируемых научных журналах и два свидетельства на регистрацию программы для ЭВМ.

Личный вклад автора. Все научные результаты диссертационного исследования получены автором лично. В основных научных работах по теме диссертации, опубликованных в соавторстве и приведенных в конце автореферата, личный вклад соискателя состоит в следующем: в [1, 2 и 3] разработаны нейросетевые модели для гибридных технологий автоматизированного анализа сложноструктурированных изображенийв [6, 7, 10, 11 и 12] - математические модели для спектрального анализа границ сегментов на основе теории дескрипторов Фурьев [8 и 14] - способы формирования морфологических операторов для обработки гистологических изображенийв [15 и 16] - специальное программное обеспечение для обработки и анализа сложноструктурированных изображений.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 104 отечественных и 15 зарубежных наименований. Работа изложена на 179 страницах машинописного текста, содержит 63 рисунка и 7 таблиц.

4.7. Выводы четвертой главы.

1. Разработан комплект алгоритмов, предназначенный для заполнения первой записи, описывающей атрибутивные параметры сегмента обучающей выборки, отличающейся тем, что для формирования цвето-яркостных атрибутивных параметров сегмента используется скользящее окно, размеры которого определяются соотношением размеров форменных элементов крови, в котором определяется гистограмма сегмента, отсчеты которой заносятся в соответствующие поля записи, а в качестве атрибутивных параметров геометрической структуры сегмента используют дескрипторы Фурье, предварительно подвергшиеся модификации с целью выравнивания числа отсчетов в контурах обучающей и контрольной выборок, позволяющий получить модели нейронных сетей первого уровня, предназначенных для классификации форменных элементов крови.

2. Предложена структура файла обучающей выборки, отличающаяся тем, что для каждого сегмента в обучающей выборке отводятся две записи, каждая из которых разбита на две группы полей, при этом данные в полях записей, относящихся к первой группе, совпадают, во вторую группу полей первой записи заносятся данные о цвето-яркостным и геометрическим характеристикам сегмента, а вторая группа полей второй записи формируется на основании контрольных испытаний модели нейронной сети, полученной в результате обучения по данным, хранящимся в полях первой записи, позволяющая получить двухуровневую модель нейронной сети, предназначенную для классификации форменных элементов крови.

3. Разработан алгоритм заполнения полей базы данных обучающих выборок, отличающийся тем, что вторая группа полей второй записи заполняется в результате контрольных испытаний нейронных сетей, полученных в результате обучения их на обучающейся выборке, составленной из атрибутивных параметров тех же самых контуров, хранящихся в соответствующих первых записях, позволяющий получить модели нейронных сетей второго уровня, предназначенные для классификации форменных элементов крови.

4. Предложена структура нейронной сети, отличающаяся тем, что она состоит из последовательно соединенных макрослоев, каждый из которых состоит из одной или нескольких нейронных сетей прямого распространения, причем выходы нейронных сетей (/-1)-го макрослоя являются входами нейронной сети прямого распространения /-го марослоя, позволяющая интегрировать результаты работы анализаторов в пространствах информативных признаков с разнородной структурой и неустойчивыми показателями качества классификации, характерными для классификации сложноструктурированных изображений.

5. Разработан алгоритм формирования базы данных моделей нейронных сетей с многоуровневой структурой, отличающийся тем, что для формирования базы данных моделей нейронных сетей первого уровня используются нечетные записи базы данных обучающих выборок, а для формирования базы данных моделей нейронных сетей второго уровня используются четные записи базы данных обучающих выборок, данные в которых определяют выходы нейронных сетей первого уровня, зафиксированные в момент поступления на них атрибутивных данных отсчетов, полученных в результате дискретизации границы контура из обучающей выборки, соответствующей нечетным записям базы данных этой же обучающей выборки, позволяющий получить модель нейронной сети для соответствующего микроскопического изображения мазка крови.

6. Разработан алгоритм автоматизированного анализа микроскопических изображений мазков крови, отличающийся возможностью адаптации классифицирующей модели к анализируемому изображению, осуществляемой, по меньшей мере, по двум контурам управления, позволяющий определить количество форменных элементов крови заданного класса с точностью не менее 95%.

7. Разработано специальное алгоритмическое и программное обеспечение, предназначенное для автоматизированного анализа сложноструктурированных изображений, реализованное в среде МаНаЬ 7.10, отличающееся функциональной последовательностью включения каждого модуля в технологический процесс гематологического анализа и гибким управлением процессом интерактивного взаимодействия программного обеспечения, предназначенного для обучения решающих модулей, с лицом, принимающим решение, осуществляемым посредством интерфейсных окон и всплывающих меню, позволяющее осуществлять процессы сегментации и классификации сложноструктурированных изображений на основе полного технологического цикла синтеза многоуровневых моделей нейронных сетей, включающего процессы формирования обучающих выборок, вычисления параметров нейронных сетей и определения эффективности полученных решающих правил.

8. Проанализирована эффективность разработанных моделей, алгоритмов и программных средств классификации сегментов в сложноструктурированных изображениях, показано, что использование гибридных технологий позволяет повысить качество классификации, в среднем, на 4% по сравнению с известными методами классификации, что позволяет рекомендовать их использование в интеллектуальных системах гистологического анализа.

ЗАКЛЮЧЕНИЕ

.

В результате проведенных исследований предложены новые научно-технические решения, предназначенные для анализа сложноструктурированных изображений, позволяющие проектировать специальное алгоритмическое и программное обеспечение для интеллектуальных систем анализа сложноструктурированных изображений.

В диссертационной работе получены следующие основные результаты.

1. Проанализированы существующие методы анализа и классификации сложноструктурированных изображений, выявлены их достоинства и недостатки. На основе проведенного анализа предложено в этих целях использовать гибридные информационные технологии.

2. Разработаны способы и модели анализа сегментов сложноструктурированных изображений на основе атрибутивных характеристик их формы, включающие:

— модель морфологического описания сегмента, основанную на теоретико-множественном представлении границы сегмента, позволяющую представить любую кривую, в том числе и незамкнутую, в виде периодической двумерной числовой последовательностиспособ сокращения количества дескрипторов Фурье, входящих в модель границы сегмента, заключающийся в выборе минимизируемого критерия точности восстановления границы сегмента и последующего выбора числа дескрипторов, входящих в модели исследуемой совокупности, таким образом, чтобы выбранное число дескрипторов обеспечивало заданную точность моделирования для всех границ сегментов, входящих в данную совокупностьспособ формирования информативных признаков для нейронной сети, классифицирующей форменные элементы крови по геометрическим признакам, основанный на определении дескрипторов Фурье геометрической фигуры, полученной в результате сегментации микроскопических изображений мазков крови, позволяющий получить адекватную классификационную модель, независимо от числа отсчетов, получаемых на фигурах, соответствующих границам сегментов форменных элементов крови.

3. Разработаны алгоритмы классификации сегментов сложноструктурированных изображений, включающие:

— алгоритм измерения межклеточных соотношений в периферической крови, предусматривающий двухступенчатую обработку изображения, заключающуюся в том, что на первой ступени обрабатывают изображение, полученное в результате сегментации исходного черно-белого изображения, после обработки морфологическим оператором «эрозия», а на второй ступениизображение, полученное после обработки исходного черно-белого изображения посредством морфологического оператора «дилатация», позволяющий использовать гибридные технологии анализа сложноструктурированных изображений;

— структуру базы данных обучающих выборок, согласно которой записи распределены по двум уровням, причем для каждой 1-й выборки /-е строки (записи) в первом и втором уровнях относятся к одному и тому же сегменту, а атрибуты для /-го сегмента Ь-я выборки на втором уровне получены из атрибутов 1-й выборки /-го сегмента на первом уровне посредством их обработки модулями обработки цветного и черно-белого изображений, позволяющая формировать обучающие выборки для обучения нейронных сетей модуля принятия решений.

4. Разработано специальное алгоритмическое и программное обеспечение, предназначенное для автоматизированного анализа сложноструктурированных изображений, реализованное в среде МаЙаЬ 7.10, позволяющее осуществлять процессы сегментации и классификации сложноструктурированных изображений на основе полного технологического цикла синтеза многоуровневых моделей нейронных сетей, включающего процессы формирования обучающих выборок, вычисления параметров нейронных сетей, формирование базы данных реляционного типа и определения эффективности полученных решающих правил.

5. Проанализирована эффективность разработанных моделей, алгоритмов и программных средств классификации сегментов и морфологических структур в сложноструктурированных изображениях, показано, что использование гибридных технологий позволяет повысить качество классификации, в среднем, на 4% по сравнению с известными методами классификации, что позволяет рекомендовать их использование в интеллектуальных системах гистологического анализа.