Інструментальні засоби обробки зображень гістологічних зрізів на основі еволюційних моделей

Размещено на http://www.allbest.ru

Размещено на http://www.allbest.ru

Вступ

Актуальність теми. Комп'ютерні системи діагностики (КСД), що базуються на аналізі візуальної інформації, використовуються в багатьох галузях науки і техніки для вирішення таких завдань, як виявлення облич, розпізнавання слів, у медичній і технічній діагностиці, у системах безпеки тощо. Враховуючи кількість оброблюваної діагностичної інформації, застосування інформаційних технологій в КСД набуває великого соціально-економічного значення. Актуальність задачі підвищення ефективності комп'ютерних систем діагностики зумовлена як широким спектром застосування КСД, так і відсутністю точних методів та алгоритмів обробки і сегментації зображень.

Актуальність задачі виявлення пухлинних клітин визначається зростанням відсотка ракових захворювань, які є другою за частотою причиною смертності в розвинених країнах. Численні медико-соціологічні дослідження показують, що приблизно 33% людей або мають онкологічні захворювання, або з певною вірогідністю можуть ними захворіти. Успішність лікування раку багато в чому залежить від ранньої діагностики і вибору методу лікування. Тому особливо важливим є завдання ранньої діагностики ракових пухлин, визначення відмінності злоякісної структури від здорової і ступеня злоякісності.

Для діагностики і прогнозування розвитку новоутворень обов'язковим є гістологічне дослідження атипових клітинних структур. Зараз аналіз зображень гістологічних зрізів проводиться вручну лікарями морфологами, і висновок про наявність тих або інших ознак злоякісності значно залежить від лікаря, який аналізує знімок. Комп'ютерна обробка зображення дозволяє робити об'єктивну оцінку зображень, підвищити точність діагнозу, що встановлюється, і швидкість обробки інформації. Автоматизація аналізу морфології гістологічних зрізів дозволяє підвищити точність виявлення змін внутрішніх органів при онкологічних захворюваннях і прискорити процес обробки препаратів, і тим самим розширює можливості профілактики і запобігання появи злоякісних новоутворень. Проте складність отримання якісних гістологічних препаратів і висока варіабельність більшості гістологічних структур не дозволили до цього часу розробити ефективних методів обробки і сегментації зображень гістологічних зрізів у діагностиці ракових захворювань.

Слід зазначити, що існуючі моделі, алгоритми та розроблені на їх основі інструментальні засоби використовують підстроювання значень параметрів і послідовностей операторів обробки зображень вручну, що, як правило, призводить до зниження якості обробки та сегментації зображень. Тому, не зважаючи на дослідження, що проводилися до теперішнього часу, задача обробки і сегментації зображень гістологічних зрізів залишається актуальною.

Мета роботи: підвищення ефективності інструментальних засобів обробки зображень гістологічних зрізів за рахунок використання еволюційного моделювання.

Для досягнення поставленої мети необхідно вирішити такі основні задачі:

- провести аналіз кольорових зображень гістологічних зрізів, виділити їх типові компоненти і визначити особливості, з урахуванням яких виконати математичну постановку задачі обробки кольорових зображень гістологічних зрізів;

- розробити метод для визначення раціональних значень параметрів сегментації кольорових зображень гістологічних зрізів та розробити критерії для оцінки якості сегментації;

- розробити метод для побудови ефективних алгоритмів обробки кольорових зображень гістологічних зрізів, а також розробити основні критерії для оцінки ефективності побудованих алгоритмів;

- розробити інструментальні засоби обробки і сегментації кольорових зображень гістологічних зрізів за допомогою запропонованого підходу;

- на основі аналізу отриманих результатів з використанням запропонованих інструментальних засобів розробити практичні рекомендації з побудови ефективних алгоритмів обробки зображень гістологічних зрізів.

1. Аналіз сучасного стану систем обробки зображень і методів представлення та обробки візуальної інформації

Складено узагальнену функціональну схему систем обробки і класифікації медичних зображень (СОКМЗ). На основі аналізу зображень гістологічних зрізів виділено їх типові компоненти: розміри і форма клітин, ядер, ядерно-цитоплазматичне відношення, ядерця та ін. Виконано огляд існуючих сучасних автоматизованих систем, що ґрунтуються на аналізі візуальної інформації, який показав, що дані системи мають низьку точність сегментації зображень гістологічних зрізів, а також у них відсутній ефективний автоматичний підбір значень параметрів і послідовностей операторів обробки зображень.

Проведено аналіз і класифікацію сучасних математичних методів обробки і розпізнавання зображень, який показав необхідність подальшого розвитку алгоритмів і моделей обробки та сегментації зображень. На основі аналізу виконано постановку задачі і вибрано еволюційні методи для розробки інструментальних засобів обробки зображень гістологічних зрізів.

2. Розробка модифікованого генетичного алгоритму для сегментації кольорових зображень гістологічних зрізів, в яких класифікація здійснюється незалежно від розташування елементів

Для вирішення поставленого завдання запропанована покрокова процедура обробки зображення:

, (1)

де Мn - проміжне зображення на n-му етапі обробки; - операція обробки зображення (ООЗ); PS - набір значень параметрів ООЗ; n - номер операції обробки зображення (ООЗ), що здійснюється послідовно; i - порядковий номер ООЗ з набору доступних; Nn - набір проміжних зображень, що отримані на попередніх кроках та на базі яких будується зображення Мn:

. (2)

Оскільки не відомо, яка саме кольорова схема забезпечить найбільш ефективну процедуру сегментації, то запропоновано надавати вхідне зображення як набір кольорових площин:

. (3)

Кожна кольорова площина містить значення пікселів зображення в одній з кольорових схем (КС): RGB, HLS, Lab і Luv.

Отже, перші 12 кольорових площин фіксовані:

(4)

Таким чином, для вирішення поставленого завдання достатньо застосувати до однієї з кольорових площин послідовно дві операції:

, (5)

, (6)

де ClipLo - операція граничного обмеження, при якому всі значення пікселів КС за номером field (field {0, 1, 2, …, 11}) нижчі за значення параметра CL (CL [0…255]), встановлюються в 0, а інші зберігають свої значення; ClipHi - всі значення пікселів, які перевищують значення параметра CH (CH [0…255]), встановлюються в 0, а інші в 1.

У результаті виконання приведених операцій отримуємо бінарне зображення M13.

Задача синтезу ефективного алгоритму обробки і сегментації зображення полягає в тому, щоб для зображень заданого виду гістологічного дослідження визначити таку послідовність операторів обробки зображень з відповідними значеннями параметрів, при яких критерій оцінки якості сегментації F(Z) прагне до екстремуму:

. (7)

Точність обробки зображень визначається за допомогою оцінки цільової функції (ЦФ) F, яку залежно від специфіки виду гістологічного дослідження запропоновано обчислювати двома способами:

1. Якщо аналіз гістологічного дослідження не залежить від взаєморозташування елементів на зображенні, то як ЦФ запропоновано використовувати мінімізацію відхилення отриманої кількості елементів від кількості елементів, визначеної за навчальною вибіркою (з відомими результатами класифікації).

, (), (8)

де Nj - кількість елементів зображення гістологічного зрізу, отримана за допомогою багатовимірної порогової сегментації; Kj - кількість елементів, отримана з навчальної вибірки; С - кількість класів елементів.

2. Функція F2 визначається шляхом порівняння сегментованого зображення Mk із зображенням з навчальної вибірки Gl:

, (9)

де D - міра відмінності між еталоном Gl і зображенням Mk:

. (10)

Подібність з еталоном існує, якщо:

, (11)

де LD - обране граничне значення.

Для вирішення поставленої задачі запропоновано використовувати цільову функцію:

, (12)

де дозволяє здійснити підстроювання систематичної помилки пошуку залежно від найвищої чутливості SV (високе значення б, близьке до 1) і від найвищої специфічності SP (низьке значення б, близьке до 0).

, (13)

, (14)

де TP - кількість правильно знайдених значень позитиву, FP - кількість неправильно знайдених значень позитиву, TN - кількість правильно знайдених значень негативу, FN - кількість неправильно знайдених значень негативу.

Структуру хромосоми - потенційного рішення для пошуку раціональних значень параметрів сегментації кольорових зображень гістологічних зрізів, можна представити таким чином:

, (15)

де j - номер особини в популяції.

Еволюційний процес виконується для всіх зображень навчальної вибірки з різними наборами значень параметрів. Набір параметрів, що забезпечує отримання найкращого результату Chrw, зберігається в “кінцевому репозиторії генотипу”, якщо набуте задовільне значення цільової функції (ЦФ). Після визначення значення ЦФ запис, що містить дані про генотип, значення ЦФ і ідентифікатор фенотипу (Chrkj, Fj, k, j, h) записується в базу даних - “репозиторій оцінки”. Далі з репозиторію оцінки видаляються всі особини, значення ЦФ яких перевищує ph. У свою чергу ph визначається за ЦФ і віком особини (відповідне значення h).

3. Розробка еволюційного алгоритму для побудови ефективних алгоритмів обробки і сегментації зображень (ОСЗ) гістологічних зрізів

На відміну від попередньої задачі при сегментації зображень гістологічних зрізів, таких як лімфатичні вузли та залози необхідно враховувати розташування структурних елементів. У зв'язку з цим рішення даної задачі може бути проведене в два етапи: на першому здійснюється обробка зображення з метою виділення областей інтересу; на другому - сегментація і аналіз зображення. Обидва цих етапи можуть бути представлені у вигляді послідовності операторів обробки зображень. Запропоновано реалізувати підбір їх ефективної послідовності за допомогою еволюційного програмування.

Реалізація еволюційного процесу передбачає вирішення наступних основних задач: кодування особин, вибір цільової функції і оператора репродукції, розробка проблемно-орієнтованих операторів кросинговера і мутації.

Запропоновано кодувати потенційне рішення поставленої задачі хромосомою, представленою у вигляді:

, (16)

де mj - ген, що кодує операцію обробки зображення з відповідними значеннями параметрів сегментації, l - довжина хромосоми, i - номер особини в популяції.

Для вирішення задачі сегментації зображень гістологічних зрізів запропоновано кожен ген представити у вигляді:

, (17)

де propj - стандартна операція обробки зображення, rpj - вектор вхідних площин, wpj - вектор вихідних площин, paramj - вектор параметрів операції обробки зображення.

Параметри можуть бути цілочисельними, дійсними або такими, що визначають категорію. Вхідні площини M0…M11 виходять представленням початкового зображення в системах координат кольору: RGB, HLS, Lab, Luv і значення контрастності. Вихідні площини M12..Md виходять у результаті обробки і можуть служити вхідними площинами для інших ген.

Під час формування множини можливих рішень використовується набір стандартних операторів обробки зображень (генофонд СОКМЗ), який може змінюватися залежно від області застосування. У таблиці 1 подано набір стандартних просторових, логічних і порогових операторів.

Таблиця 1. Стандартні оператори обробки зображень, що входять до складу ГП

Основні математичні операції: AddS додає до входу скалярну величину (яка в загальному випадку може бути негативною). Diff аналогічний операторові SubP, але вихідна площина містить модуль різниці вхідних площин. NDI аналогічний операторові SubP, але ділить результат на суму двох входів. Операції MinP і MaxP відповідають попіксельному знаходженню максимуму і мінімуму, що еквівалентно AND і OR для бінарних входів.

Оператори сусідства обробляють єдину вхідну площину і отримують вихідну. Вихід кожного пікселя визначається перевіркою сусідів пікселя. Решта операторів становлять добре відомі функції обробки зображень або морфологічні оператори. Більшість із них мають один параметр, який визначає радіус кругового структурного елемента для визначення сусідів, до яких оператор застосовується.

Обмеження на формування хромосоми: кожен ген mj у якості вхідних даних може використовувати тільки площини даних M0…M11, або проміжні площини M12…Md, визначені в одному з попередніх генів.

Алгоритм обробки зображення, представлений окремою хромосомою, може бути представленим у вигляді направленого ациклічного графа. Де нетермінальні вузли є стандартними операторами обробки зображень, кінцеві вузли - вихідними, а вершини - вхідними площинами зображення. У загальному випадку можлива не деревоподібна, а мережева структура.

Обхід графа здійснюється зверху вниз і зліва направо. Результат обробки обраних кольорових площин за допомогою першої операції поміщається в тимчасову площину M12. Вхідними площинами для наступної операції обробки можуть бути площини з набору М0…М12. Результат обробки може бути записаний в тимчасову площину М12. Після виконання алгоритму виходить набір площин M12…Md, які є проміжними зображеннями, що формуються на відповідних кроках обробки. Отриманий набір оцінюється з точки зору значень ЦФ і в якості вихідного приймається програмний блок, що приводить до кращого рішення.

Для отримання найбільш ефективних алгоритмів обробки зображення за допомогою ГП і для визначення найкращої ідентифікації окремого класу завдань аналізу зображень ґрунтуючись на поняттях чутливості (13) і специфічності (14), розроблена цільова функція:

, (18)

де в - штраф глибини програмного графа, який визначається за формулою:

, (19)

де d - кількість вузлів поточної особини, md - параметр ГП, відповідний максимальній глибині графа.

Щоб уникнути випадкового вибору точок кросинговера і зберегти правильні рішення в процесі еволюції, пропонується ставити у відповідність кожному ребру програмного графа ваговий коефіцієнт несумісності Kнc, що визначає наскільки два вузли пов'язані один з одним.

Запобігання зацикленню еволюційного процесу здійснюється за рахунок обмеження кількості ітерацій. Якщо після виконання певної кількості ітерацій ефективна програма не була виявлена, то необхідно зупинити процес пошуку і помістити копію програми в наступне покоління.

4. Перевірка працездатності і ефективності розроблених еволюційних алгоритмів, раціональні значення їх параметрів

Для проведення експериментальних досліджень було застосовано відібраний набір зображень зрізів, отриманий на базі відділення патологічної анатомії Донецького обласного клінічного територіального медичного об'єднання.

Сплановано і проведено серію експериментів для визначення раціональних значень параметрів еволюційного процесу. Аналіз даних, представлених графіком залежності цільової функції fC від кількості поколінь і потужності популяції для ГА з підбору раціональних значень параметрів сегментації показав, що раціональними значеннями параметрів ГА доцільно обирати потужність популяції, що дорівнює 100 при кількості поколінь 8, оскільки при цих значеннях параметрів спостерігається збільшення значення функції fС.

Аналіз результатів експериментальних досліджень залежності цільової функції fD від кількості поколінь CG показав, що максимальне значення fD досягнуте при потужності популяції, що дорівнює 50, і кількості поколінь, що дорівнює 8. Набуті значення запропоновано прийняті як раціональні.

Отримана на підставі експериментальних досліджень залежність (рис. 6, де криві відповідають різним вірогідностям мутації (PM): 1 - 0,01; 2 - 0,05; 3 - 0,1; 4 - 0,15) дозволила встановити, що при зміні вірогідності адаптивного кросинговера (РАС) на інтервалі (0,25;1) функція fC досягає свого максимального значення при розглянутих значеннях вірогідності мутації. Аналіз експериментальних досліджень показав, що використання адаптивного оператора кросинговера на основі значення коефіцієнта несумісності не залежить від значень вірогідності мутації і кросинговеру.

Аналіз даних, представлених у вигляді графіка, дозволив встановити, що використання адаптивного оператора кросинговера на основі значення коефіцієнта несумісності покращує швидкість збіжності еволюційного процесу в середньому на 28%.

Узагальнені дані про отримані результати ГА за визначенням раціональних значень параметрів сегментації наведені в таблиці 2.

Таблиця 2. Основні результати експериментальних досліджень для ГА з підбору раціональних значень параметрів сегментації

Основні результати експериментальних досліджень для ГА з побудови ефективних алгоритмів обробки і сегментації зображень гістологічних зрізів зведені в таблицю 3.

Таблиця 3. Основні результати експериментальних досліджень

Оскільки параметр здійснює підстроювання систематичної помилки пошуку залежно від значень чутливості і специфічності, то його значення буде різним для різних видів гістологічних досліджень. Тому перед проведенням нового виду гістологічного дослідження необхідно визначити значення параметра .

5. Розробка структури інструментальних засобів обробки зображень гістологічних зрізів на основі розроблених еволюційних моделей

Інструментальні засоби мають модульну структуру і складаються з наступних основних підсистем:

- підсистема обробки зображень;

- підсистема підбору раціональних значень параметрів сегментації;

- підсистема побудови ефективних алгоритмів обробки і сегментації зображень гістологічних зрізів.

Інструментальні засоби реалізовані з використанням інтегрованого середовища розробки Delphi 7.0. Розроблена база даних (БД) у форматі СУБД Paradox 7.0, у якій передбачено зберігання отриманих значень параметрів сегментації і ефективних алгоритмів обробки зображень гістологічних зрізів. Підсистема обробки зображень містить набір операторів обробки зображень і морфологічних операторів. Також підсистема містить процедури обчислення значень цільових функцій. У випадку, якщо в системі вже існує побудований алгоритм для даного виду гістологічного дослідження, то підсистема обробки зображень організує введення відповідної інформації з БД. Далі відбувається послідовне застосування операторів обробки зображень з розрахованими значеннями параметрів.

Підсистема підбору раціональних значень параметрів сегментації дозволяє знайти значення коефіцієнтів для відсікання за низькими і високими значеннями яскравості обраної площини даних. Результати подаються у вигляді числових значень параметрів вихідної площини зображення. За бажанням особи, що ухвалює рішення (ОУР), значення коефіцієнтів можуть бути занесені в БД, а вихідна площина збережена на жорсткий диск. У підсистему підбору раціональних значень параметрів сегментації входить модуль стандартного генетичного алгоритму, що дозволяє здійснювати механізми селекції, мутації і репродукції та стратегію елітарного відбору.

Підсистема побудови ефективних алгоритмів обробки і сегментації зображень гістологічних зрізів дозволяє визначити ефективну послідовність операцій обробки зображень з відповідними значеннями раціональних параметрів. Результатом роботи підсистеми є номери операторів обробки зображень із заздалегідь визначеного набору, значення їх параметрів, а також результуюча площина. У випадку, якщо достовірність результатів, представлених на вихідній площині зображення, обробленої за допомогою побудованого алгоритму є затвердженою ОУР, то отриманні значення записуються в БД.

Модифікована еволюційна програма здійснює оператори мутації вузлів програмного графа і кросинговера на основі значення коефіцієнта несумісності.

Розроблений модуль, у якому є можливість задавати значення наступних параметрів еволюційного процесу для підвищення ефективності алгоритмів обробки і сегментації зображень гістологічних зрізів:

- вибір типу операторів мутації і кросинговеру, а також значення вірогідності їх виконання;

- критерій зупинки алгоритму;

- вибір цільової функції (fC, fD);

- початкові параметри генетичного алгоритму (потужність популяції, кількість поколінь, стратегія відбору, довжина хромосоми).

База даних призначена для зберігання інформації про послідовність операторів обробки зображень з відповідними значеннями параметрів для кожного виду гістологічного дослідження і складається з 4 таблиць формату СУБД Paradox 7.0. База даних включає наступні таблиці:

- довідник видів гістологічних досліджень (HistKind);

- дані з операцій обробки і сегментації зображень для виду гістологічного дослідження (IPO_Alg);

- набір вхідних площин для кожного алгоритму (R_Planes);

- набір значень параметрів операції обробки зображень (IPO_Param);

- види параметрів операцій обробки зображень (Param).

Запропонований спосіб реалізації має модульну структуру, що складається з підсистеми підбору раціональних значень параметрів сегментації і підсистеми побудови ефективних алгоритмів обробки і сегментації зображень гістологічних зрізів, які можуть використовуватися незалежно один від одного, а також можуть застосовуватися незалежно від об'єкту і бути застосовані до різноманітних зображень без перебудови внутрішньої структури.

Висновки

кольоровий гістологічний кросинговер мережевий

У дисертаційній роботі подано нове рішення актуальної наукової задачі створення інструментальних засобів обробки зображень гістологічних зрізів, побудованих на основі еволюційних моделей. Створені засоби дозволяють підвищити достовірність виявлення змін внутрішніх органів при онкологічних захворюваннях і прискорити процес обробки препаратів, а також розширюють можливості профілактики і запобігання появі злоякісних новоутворень.

При проведенні досліджень отримані наступні основні результати:

1. На основі аналізу кольорових зображень гістологічних зрізів виділено їх типові компоненти, сформульовано математичну постановку задачі.

2. Розроблено метод на базі модифікованого генетичного алгоритму, який дозволяє визначати раціональні значення параметрів сегментації кольорових зображень гістологічних зрізів, що підвищує ефективність алгоритму обробки і сегментації зображень гістологічних зрізів порівняно з відомими методами у середньому на 23%.

3. Запропоновано метод на основі генетичного програмування, для якого з урахуванням особливостей об'єкту дослідження розроблено мережеву структуру представлення хромосом, що дозволяє розширити можливості і підвищити точність обробки і сегментації зображень гістологічних зрізів у середньому на 17%.

4. Розроблено проблемно-орієнтований оператор кросинговера на основі значення коефіцієнта несумісності, що забезпечує збільшення швидкості збіжності еволюційного процесу і підвищення точності сегментації у середньому на 28% та 7% відповідно.

5. Для модифікованого генетичного алгоритму і розробленої еволюційної програми визначено раціональні значення параметрів: потужність популяцій, кількість поколінь, вірогідність кросинговера і мутації, що забезпечують визначення ефективних значень обраних критеріїв.

6. Розроблено інструментальні засоби, які побудовані на основі еволюційних моделей, що ведуть до поліпшення ефективності обробки зображень гістологічних зрізів.

7. Розроблені інструментальні засоби обробки зображень гістологічних зрізів і практичні рекомендації передані у відділення патологічної анатомії Донецького обласного клінічного територіального медичного об'єднання і використовуються при діагностиці ракових захворювань. Отримані в роботі результати можуть застосовуватися також для обробки різних зображень без перебудови внутрішньої структури.

8. Результати, отримані в дисертаційній роботі, використані в науково-дослідницьких роботах ДВНЗ “Донецький національний технічний університет” Н-3-07, Д-11-07, а також в навчальному процесі кафедри “Автоматизовані системи управління” ДВНЗ “Донецький національний технічний університет”.

Література

1. Скобцов Ю.А., Мартыненко Т.В., Белявцев А.А. Обработка изображений гистологических срезов и распознавание опухолевых клеток // Зб. наук. пр. ДонНТУ. Серія: Обчислювальна техніка та автоматизація, випуск 74. - Донецьк: ДонНТУ. - 2004. - С. 160-165.

2. Мартыненко Т.В. Сегментация и классификация цветных изображений гистологических срезов // Зб. наук. пр. ДонНТУ. Серія: Обчислювальна техніка та автоматизація, випуск 107. - Донецьк: ДонНТУ. - 2006. - С. 104-110.

3. Скобцов Ю.А., Мартыненко Т.В. Адаптивная сегментация цветных изображений гистологических срезов на основе эволюционных моделей // Моделювання та керування станом еколого-економічних систем регіону, випуск 3. - Національна Академія Наук України. - 2006. - С. 258-266.

4. Скобцов Ю.А., Мартыненко Т.В. Построение эффективных алгоритмов обработки и распознавания изображений гистологических срезов на основе эволюционных моделей // Вестник Херсонского национального технического университета, №4(27). - 2007. - С. 43-48.

5. Скобцов Ю.А., Мартыненко Т.В., Гульков Ю.К., Белявцев А.А. Обработка изображений гистологических срезов и распознавание опухолевых клеток // Матеріали ІІ науково-практичної конференції “ДОНБАС-2020: наука і техніка-виробництву”, - Донецьк: ДонНТУ. - 2004. - С. 566-569.

6. Скобцов Ю.А., Мартыненко Т.В. Адаптивная сегментация цветных изображений гистологических срезов на основе генетических алгоритмов // Інтелектуальні системи прийняття рішень та прикладні аспекти інформаційних технологій: Матеріали міжнародної наукової конференції. Том 1. - Херсон: Видавництво Херсонського морського інституту, 2005. - С. 192-195.

Размещено на Allbest.ru