Тип работы:
Предмет:
Язык работы:


Разработка алгоритма определения микобактерий на микроснимках для выявления туберкулеза

Работа №27254

Тип работы

Бакалаврская работа

Предмет

информационные системы

Объем работы51
Год сдачи2017
Стоимость4900 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
383
Не подходит работа?

Узнай цену на написание


Введение
1. Обзорно-аналитическая часть
Глава 2. Практическая часть 17
2.1 Материалы и методы для разработки алгоритма сегментации 17
2.2 Ручной подбор пороговых границ 20
2.3 Автоматизация подбора пороговых границ сегментации изображений 24
2.4 Время работы алгоритма 34
Заключение 35
Список использованных источников 36


Создание искусственных систем распознавания образов остаётся сложной теоретической и технической проблемой. Необходимость в таком распознавании возникает в самых разных областях. Оно может использоваться в системах видеонаблюдения, в медицине, в технической диагностике и в других областях. Важность и актуальность рассматриваемой задачи обусловлена, в первую очередь, ростом объемов получаемой информации, необходимостью в качественной, максимально быстрой ее обработке.
В медицине, процесс диагностики большого числа заболеваний включает использование микроскопической техники. С помощью микроскопа диагностируются онкологические, эндокринные или инфекционные заболевания Современные компьютерные технологии позволяют осуществлять автоматизированный анализ различных изображений, в том числе и микроскопических. Это требует, как правило, использование методов и алгоритмов предобработки изображений, их сегментации для выделения на них объектов и дальнейшего изучения данных объектов или их идентификации.
На сегодняшний день известно большое количество алгоритмов сегментации изображений, использующих разные признаки и подходы. Кроме того, при исследовании сегментации изображений возникает задача оценки качества на некоторой заранее определенной выборке.
Однако большинство используемых для этого алгоритмов требует наличия ручной предобработки изображений или наличия априорных знаний об анализируемом изображении, что затрудняет их применение в практическом здравоохранении ввиду недостаточности специальных знаний и навыков у медицинского персонала
Мониторинг бактериовыделения - это важнейшее условие ускорения диагностики туберкулеза и прерывания эпидемической цепочки. Единственным
1. Укомплектованность кадрами лабораторий составляет 63%, в том числе врачами-бактериологами - более 50%. То есть первая проблема кадровая
2. В связи с первой проблемой поликлиники перестают делать этот метод. Это подтверждается тем, что доля больных туберкулезом, выявленных бактериоскопическим метод составляет лишь 0,23% от всех выявленных бактериовыделителей
3. Качество бактериоскопической диагностики. Большая доля ложноотрицательных результатов, которая составляет порядка 12%
Все эти проблемы можно решить путем автоматизации бактериоскопического метода. Как правило, автоматизированный анализ изображений складывается из 3 этапов. Первый - предобработка изображения, второй - сегментация изображения для выделения интересующих объектов и исключения сторонних объектов с изображения, и третий - непосредственно распознавание имеющихся объектов
Таким образом, в первую очередь необходимо решить вопрос сегментации бактериоскопических изображений.
Цель: разработка алгоритма сегментации цифровых изображений микроскопических препаратов мокроты, окрашенной по методу Циля-Нильсена с использованием многослойных нейронных сетей.
Задачи:
1. Разработать способ предварительной обработки изображений микроскопических препаратов мокроты, окрашенной по методу Циля-Нильсена для их последующей сегментации.
2. Разработать алгоритм сегментации изображений микроскопических препаратов мокроты, окрашенной по методу Циля-Нильсена.

Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


Были рассмотрены основные понятия обработки изображений, основные задачи, связанные с обработкой изображений, проанализированы и исследованы основные методы сегментации. В процессе работы были выяснены характеры поведения алгоритмов на различного рода изображениях, отличающихся как по структуре, так и по содержанию. Выявлены основные черты отличия алгоритмов друг от друга, выявлены и продемонстрированы основные недостатки и достоинства каждого из алгоритмов.
Разработанная методика предварительной обработки изображений на основе нейронных сетей позволяет в автоматическом режиме осуществлять подбор индивидуальных значений нижних границ H и S, используемых в последующем для сегментации данных изображений.
Разработанный алгоритм сегментации изображений, основанный на анализе значений цвета пикселей, представленных цветовой моделью HSV, позволяет исключить из изображения объекты, заранее не являющиеся кислотоустойчивыми микобактериями.
Время работы разработанного алгоритма сегментации изображений микроскопических препаратов, окрашенных по методу Циля-Нильсена, позволяет использовать данный алгоритм в системах автоматизированной бактериоскопической диагностики туберкулеза.



1. Артюхова, О. А. Разработка алгоритма автоматической сегментации флуоресцентно-микроскопических изображений препаратов клеточных культур для задач микробиологии / О. А. Артюхова, А. В. Самородов // Электронный научно-технический журнал. - 2013. - № 6. - С. 275-288.
2. Гостюшкин В. В. Методы повышения эффективности компьютерных автоматизированных технологий в задачах радионуклидной диагностики / В. В. Гостюшкин, В. Л. Коваленко, Н. Э. Косых, С. З. Савин // Врач и информационные технологии. - 2013. - № 6. - С. 42-48.
3. Дороничева А. В. Методы распознавания медицинских изображений для задач компьютерной автоматизированной диагностики / А. В. Дороничева, С. З. Савин // «Дальневосточный государственный медицинский университет», г. Хабаровск.
4. Еремеева Н. И. Эффективность выявления больных туберкулезом с бактериовыделением в клинико-диагностических лабораториях учреждений первичной медико-санитарной помощи Урала в 2010-2012 гг. // Туберкулез и болезни легких. 2015. №7. С.40-42.
5. Королев В. Ю. Непараметрическое оценивание функции плотности смесей вероятностных законов с помощью EM-алгоритма / В. Ю. Королев, А. Ю. Корчагин, О. А. Морева // Системы и средства информатики. - 2012. - Т. 22, - № 2. - С. 197-226.
6. .Вудс, Р. Цифровая обработка изображений / Р. Вудс, Р. Гонсалес. // Москва: ТЕХНОСФЕРА, 2005. — 1072 с.
7. Визильтер, Ю.В. Обработка и анализ цифровых изображений с примерами на abVIEW и IMAQ VIsion / Ю.В. Визильтер [и др.]. // Москва: ДМК, 2077. — 464 с.
8. Яне, Б. Цифровая обработка изображений / Б. Яне. // Москва : ТЕХНОСФЕРА, 2007. — 584 с.
9. Грузман, И.С Цифровая обработка изображений в информационных системах / И.С Грузман [и др.]. // Новосибирск : НГТУ, 2002. — 352 с.
10. Вежневец В. Выделение связных областей в цветных и полутоновых изображениях [Электронный ресурс] / И.М. Журавель. // Режим доступа:
http://www.ict.edu.ru/lib/index.php?a=elib&c=getForm&r=resDesc&d=light&id_res =2397.
11. И.М. Журавель. «Краткий курс теории обработки изображений»
[Электронный ресурс]. // Режим доступа:
http: //matlab .exponenta.ru/imageprocess/book2/7 6 .php.
12. ТелеМедТехника — Системы ввода и анализа изображений [Электронный ресурс]. // Режим доступа: http://telemed-spb.narod.ru/defect.htm
13. Технологии будущего [Электронный ресурс]: Новости журнала Технологии Будущего. // Режим доступа: http://transchelovek.moy.su/forum/5- 290-2.
14. Препарирование изображения [Электронный ресурс]. // Режим доступа:
http: //www.masters .donntu.edu.ua/2006/kita/yevstyunicheva/library/art06. htm.
15. Антощук, С.Г. Информационная технология для распознавания лиц в реальном времени с использованием WEB-камеры / С.Г. Антощук, Н.А. Крысенко, Т.А. Бурак // Мiжвigомчий науково — техшчний збiрник. — 2007. — Выпуск 69. — С. 67-71.
16. Френсис, Хилл Open G для профессионалов: программирование компьютерной графики / Хилл Френсис. — 2-ое изд.. / Санкт-Петербург : ПИТЕР, 2002. — 1088 с.
17. Страуструп, Б. Язык программирования C++ / Б. Страуструп. // Москва : БИНОМ, 2002. — 1099 с.

Работу высылаем на протяжении 30 минут после оплаты.




©2024 Cервис помощи студентам в выполнении работ