Обнаружение и классификация рака с помощью микроскопических изображений образцов биопсии
|
Содержание 2
Введение 4
Актуальность темы 4
Состояние исследования микроскопического изображения биопсии
6
Цель данного исследования 7
Практическая значимость исследования 7
Задачи данного исследования .7
Глава 1. Постановка и формализация задачи 9
Глава 2. Методы анализа изображения раковых клеток 10
2.1 Сегментация цветного изображения 10
Сегментация цветного изображения рака желудка 10
Оттенки серого патологического изображения 11
Метод Оцу и быстрый алгоритм выбора порогов Оцу 12
Алгоритм k-means 15
Алгоритм сегментации по водоразделам (WaterShed) 18
Принцип алгоритма 18
Традиционное математическое описание водораздельного
преобразования 18
Водораздел Сегментация на основе расстояния преобразования. .20
2.2 Извлечения признаков микроскопическое изображение клеток. .23
Функция представления изображения и способ описания 24
Описание характеристики изображения 27
Описание особенности формы раковых клеток 31
Глава 3 основные средства 39
Вывод 43
Заключение 44
Список литературы 46
Приложение 47
Введение 4
Актуальность темы 4
Состояние исследования микроскопического изображения биопсии
6
Цель данного исследования 7
Практическая значимость исследования 7
Задачи данного исследования .7
Глава 1. Постановка и формализация задачи 9
Глава 2. Методы анализа изображения раковых клеток 10
2.1 Сегментация цветного изображения 10
Сегментация цветного изображения рака желудка 10
Оттенки серого патологического изображения 11
Метод Оцу и быстрый алгоритм выбора порогов Оцу 12
Алгоритм k-means 15
Алгоритм сегментации по водоразделам (WaterShed) 18
Принцип алгоритма 18
Традиционное математическое описание водораздельного
преобразования 18
Водораздел Сегментация на основе расстояния преобразования. .20
2.2 Извлечения признаков микроскопическое изображение клеток. .23
Функция представления изображения и способ описания 24
Описание характеристики изображения 27
Описание особенности формы раковых клеток 31
Глава 3 основные средства 39
Вывод 43
Заключение 44
Список литературы 46
Приложение 47
Актуальность темы
На современном этапе развития человечества онкологические заболевания являются одной из основных причин заболеваемости и смертности во всем мире — С ростом заболеваемости и смертности, рак является ведущей причиной смерти по всему мир и в Китае, что является серьезной проблемой общественного здравоохранения. Из-за огромного населения Китая, на данный момент, которое составляет 1,37 миллиардов человек, и ужасающего состояния загрязнения окружающей среды в Китайской Народной Республике[1], каждый год заболевает три тысячи миллионов человек, что составляет весомую часть от всех жителей республики. О такие статистике свидетельствует ежегодный отчет о распространении онкологических заболеваний на территории страны.
В настоящее время, большинство врачей для диагностики онкологических заболеваний используют, визуальные методы диагностики, что с помощью определённых приборов, помогает им выявить наличие пораженных клеток, в их число входят такие методы[2], как:
Биопсия - это самый распространённый метод диагностирования раковых клеток, который включает в себя, исследование с использованием полой иглы, и других хирургических приборов, которые помогают отделить частицы ткани, которые вызвали подозрение у врача и рассмотреть их более детально, для постановления более точного диагноза.
Компьютерная томография - это более современный метод диагностирования рака, который включает в себя послойный рентген. При помощи компьютера, который управляет съемкой, строится трехмерное изображение, которое позволяет разглядеть даже самые маленькие пораженные клетки.
Следующем методом диагностики является эндоскопия - это исследование полых органов при помощи эндоскопического гибкого зонда, который позволяет высветить внутренность органа и при необходимости удалить полипы.
Компьютерная томография с использованием магнитных колебаний - этот метод схож по принципу с обычной томографией, но в отличие от рентгена используется магнитное поле, которое обладает большим проникающим действием, что обеспечивает более надежную диагностику.
Также, не мало важными считаются методы диагностики такие как, маммография, которая является частью томографии, сонография, где используют для диагностики звуковые колебания, сцинтиграфия, где используется радиоактивные вещества.
Все эти методы позволяют более точно диагностировать онкологические заболевания, но, к сожалению, на современном этапе развития социума, такие методы не являются достаточными, клетки мутируют, что в значительной степени затрудняет диагностику и распознавание заболевания.
Но также такого методы такого рода, имеют ряд отрицательных моментов, такие как,
(1) Результаты исследования носят строго субъективный характер;
(2) Неэффективность, постановка диагноза иногда является неверной;
(3) Присутствует человеческий фактор, например, усталость.
(4) В средних или маленьких городах Китая из-за неравномерного распределения медицинских ресурсов некоторые врачи не имеют клинического опыта и знаний, что также сказывается на постановке диагноза.
Эти недостатки будут влиять на точность диагностического анализа и решения, как было отмечено американским учеными - существует необходимость компьютерной диагностики (САПР), чтобы уменьшить нагрузку на специалистов в процессе постановки диагнозов, и более серьёзного диагностирования более сложных случаев.
Обзор методов анализа микроскопических изображений биопсии
С использованием компьютера сбор, обработка и хранение микроскопического изображения медицинской биопсии является актуальным направлением исследования медицинских работников в восьмидесятых и начале девяностых годов прошлого века. С быстрым развитием компьютерных технологий, люди связываю т вычислительную мощность компьютера с субъективной способностью диагностики самим врачом, в то же время компьютер может сделать как и медицинские эксперты, он четко распознаёт все типы клеток и быстро выявляет соответствующий диагноз, что в значительной степени повышает эффективность и точность клинической диагностики[3].
Использование четырех различных классификаторов, обученных на 25- мерным вектором признаков, повышает производительности в 98% на 737 изображениях. Аналогично в работах [4], [5], [6] предлагается система диагностики для рака молочной железы, на основе информации об ядрах сегментации цитологического изображения. При использовании различных моделей машинного обучения, такие как нейронные сети и метод опорных векторов, утверждается об уровне диагностической точности в пределах от 76% до 94% на наборе из 92 изображений. Чжан [7] предложил каскадный подход с опцией отказа. На первом уровне каскада, автор предлагает решать простые случаи, в то время как сложные направляются на второй уровень, где выполняется более тщательная диагностика, а также используется система классификации. Они оценивают при помощи метода, который был предложен Израильским технологическим институтом, который состоит из 361 изображений (40 х). При этом методе достоверность данных составляет 97%.
Cao [8] представил классификацию методов гистологии изображений на основе особенностей текстуры и с помощью Adaboost-BP максимальную точность классификации, которая была получена, равно 91,5%.
Цель данного исследования
Предложить структуру автоматического обнаружения и классификации рака для микроскопического изображения биопсии с использованием клинически значимых и биологически интерпретируемых особенностей.
Практическая значимость исследования
Применение технологии компьютерной обработки изображений для микроскопического исследования и распознавания изображений, необходимо, для того чтобы уменьшить интенсивность труда врача при «чтении» биопсии, а также для того, чтобы повысить точность постановки диагноза. Традиционные методы идентификации предполагают исключительно обнаружение раковых клеток в желудке под микроскопом, при помощи опыта каждого врача онколога, а функция распознавания клеток рака желудка не имеют количественных параметров в качестве эталона, полностью зависит от опыта врача, в результате чего скорость распознавания не высока. Для быстрого и точного количественного анализа клеток, они должны быть охарактеризованы и выделены определёнными признаками клеточной морфологии, а также измерены для выявления больных клеток.
Так называемое выделение признаков является количественным описанием клеток, оно играет очень важную роль в процессе идентификации клетки, и непосредственно влияет на точность распознавания. Из-за своей морфологической сложности рак желудка можно выделить, используя признаки, одновременно извлекая их различными способами, таким образом, ключевым моментом является поиск характеристики, которая могла бы выделять признаки и могла бы быть реализована в качестве универсального критерия характеристических параметров. Основываясь на большом количестве биопсии желудочных клеток, изображениях, и медицинских книгах , можно создать основную базу для эффективной классификации. Например, можно использовать как характеристические параметры компьютерного распознавания раковых клеток периметр, площадь, округлость.
Задачи данного исследования
1. Сглаживание изображений с помощью фильтра шумов изображения, для улучшения качества изображения, для тонкой сегментации клеток в области перекрытия.
2. Для получения признака микроскопических изображений биопсии, требуется анализ контура, и обнаружение как можно большей информации о клетке.
3. Для выделения значимых показателей структур, будет использоваться подход, который включает в себя ограниченное адаптивное уравнивание гистограммы.
4. Для сегментации фоновых клеток, предлагается комплексный алгоритм k-средних алгоритм и алгоритм сегментации по водоразделам (WaterShed).
5. На этапе выделения признаков, предлагается, извлечь различные биологически интерпретируемые и клинически значимые формы, а также особенности, основанные на морфологии из сегментированных изображений. К ним относятся периметр, площадь, прямоугольность, округлость и эксцентриситет.
6. Наконец, используется метод BP_Adaboost для классификации изображений в нормальных условиях, так как он работает лучше, по сравнению с другими широко используемыми методами обратного распространения ошибки для данной задачи.
На современном этапе развития человечества онкологические заболевания являются одной из основных причин заболеваемости и смертности во всем мире — С ростом заболеваемости и смертности, рак является ведущей причиной смерти по всему мир и в Китае, что является серьезной проблемой общественного здравоохранения. Из-за огромного населения Китая, на данный момент, которое составляет 1,37 миллиардов человек, и ужасающего состояния загрязнения окружающей среды в Китайской Народной Республике[1], каждый год заболевает три тысячи миллионов человек, что составляет весомую часть от всех жителей республики. О такие статистике свидетельствует ежегодный отчет о распространении онкологических заболеваний на территории страны.
В настоящее время, большинство врачей для диагностики онкологических заболеваний используют, визуальные методы диагностики, что с помощью определённых приборов, помогает им выявить наличие пораженных клеток, в их число входят такие методы[2], как:
Биопсия - это самый распространённый метод диагностирования раковых клеток, который включает в себя, исследование с использованием полой иглы, и других хирургических приборов, которые помогают отделить частицы ткани, которые вызвали подозрение у врача и рассмотреть их более детально, для постановления более точного диагноза.
Компьютерная томография - это более современный метод диагностирования рака, который включает в себя послойный рентген. При помощи компьютера, который управляет съемкой, строится трехмерное изображение, которое позволяет разглядеть даже самые маленькие пораженные клетки.
Следующем методом диагностики является эндоскопия - это исследование полых органов при помощи эндоскопического гибкого зонда, который позволяет высветить внутренность органа и при необходимости удалить полипы.
Компьютерная томография с использованием магнитных колебаний - этот метод схож по принципу с обычной томографией, но в отличие от рентгена используется магнитное поле, которое обладает большим проникающим действием, что обеспечивает более надежную диагностику.
Также, не мало важными считаются методы диагностики такие как, маммография, которая является частью томографии, сонография, где используют для диагностики звуковые колебания, сцинтиграфия, где используется радиоактивные вещества.
Все эти методы позволяют более точно диагностировать онкологические заболевания, но, к сожалению, на современном этапе развития социума, такие методы не являются достаточными, клетки мутируют, что в значительной степени затрудняет диагностику и распознавание заболевания.
Но также такого методы такого рода, имеют ряд отрицательных моментов, такие как,
(1) Результаты исследования носят строго субъективный характер;
(2) Неэффективность, постановка диагноза иногда является неверной;
(3) Присутствует человеческий фактор, например, усталость.
(4) В средних или маленьких городах Китая из-за неравномерного распределения медицинских ресурсов некоторые врачи не имеют клинического опыта и знаний, что также сказывается на постановке диагноза.
Эти недостатки будут влиять на точность диагностического анализа и решения, как было отмечено американским учеными - существует необходимость компьютерной диагностики (САПР), чтобы уменьшить нагрузку на специалистов в процессе постановки диагнозов, и более серьёзного диагностирования более сложных случаев.
Обзор методов анализа микроскопических изображений биопсии
С использованием компьютера сбор, обработка и хранение микроскопического изображения медицинской биопсии является актуальным направлением исследования медицинских работников в восьмидесятых и начале девяностых годов прошлого века. С быстрым развитием компьютерных технологий, люди связываю т вычислительную мощность компьютера с субъективной способностью диагностики самим врачом, в то же время компьютер может сделать как и медицинские эксперты, он четко распознаёт все типы клеток и быстро выявляет соответствующий диагноз, что в значительной степени повышает эффективность и точность клинической диагностики[3].
Использование четырех различных классификаторов, обученных на 25- мерным вектором признаков, повышает производительности в 98% на 737 изображениях. Аналогично в работах [4], [5], [6] предлагается система диагностики для рака молочной железы, на основе информации об ядрах сегментации цитологического изображения. При использовании различных моделей машинного обучения, такие как нейронные сети и метод опорных векторов, утверждается об уровне диагностической точности в пределах от 76% до 94% на наборе из 92 изображений. Чжан [7] предложил каскадный подход с опцией отказа. На первом уровне каскада, автор предлагает решать простые случаи, в то время как сложные направляются на второй уровень, где выполняется более тщательная диагностика, а также используется система классификации. Они оценивают при помощи метода, который был предложен Израильским технологическим институтом, который состоит из 361 изображений (40 х). При этом методе достоверность данных составляет 97%.
Cao [8] представил классификацию методов гистологии изображений на основе особенностей текстуры и с помощью Adaboost-BP максимальную точность классификации, которая была получена, равно 91,5%.
Цель данного исследования
Предложить структуру автоматического обнаружения и классификации рака для микроскопического изображения биопсии с использованием клинически значимых и биологически интерпретируемых особенностей.
Практическая значимость исследования
Применение технологии компьютерной обработки изображений для микроскопического исследования и распознавания изображений, необходимо, для того чтобы уменьшить интенсивность труда врача при «чтении» биопсии, а также для того, чтобы повысить точность постановки диагноза. Традиционные методы идентификации предполагают исключительно обнаружение раковых клеток в желудке под микроскопом, при помощи опыта каждого врача онколога, а функция распознавания клеток рака желудка не имеют количественных параметров в качестве эталона, полностью зависит от опыта врача, в результате чего скорость распознавания не высока. Для быстрого и точного количественного анализа клеток, они должны быть охарактеризованы и выделены определёнными признаками клеточной морфологии, а также измерены для выявления больных клеток.
Так называемое выделение признаков является количественным описанием клеток, оно играет очень важную роль в процессе идентификации клетки, и непосредственно влияет на точность распознавания. Из-за своей морфологической сложности рак желудка можно выделить, используя признаки, одновременно извлекая их различными способами, таким образом, ключевым моментом является поиск характеристики, которая могла бы выделять признаки и могла бы быть реализована в качестве универсального критерия характеристических параметров. Основываясь на большом количестве биопсии желудочных клеток, изображениях, и медицинских книгах , можно создать основную базу для эффективной классификации. Например, можно использовать как характеристические параметры компьютерного распознавания раковых клеток периметр, площадь, округлость.
Задачи данного исследования
1. Сглаживание изображений с помощью фильтра шумов изображения, для улучшения качества изображения, для тонкой сегментации клеток в области перекрытия.
2. Для получения признака микроскопических изображений биопсии, требуется анализ контура, и обнаружение как можно большей информации о клетке.
3. Для выделения значимых показателей структур, будет использоваться подход, который включает в себя ограниченное адаптивное уравнивание гистограммы.
4. Для сегментации фоновых клеток, предлагается комплексный алгоритм k-средних алгоритм и алгоритм сегментации по водоразделам (WaterShed).
5. На этапе выделения признаков, предлагается, извлечь различные биологически интерпретируемые и клинически значимые формы, а также особенности, основанные на морфологии из сегментированных изображений. К ним относятся периметр, площадь, прямоугольность, округлость и эксцентриситет.
6. Наконец, используется метод BP_Adaboost для классификации изображений в нормальных условиях, так как он работает лучше, по сравнению с другими широко используемыми методами обратного распространения ошибки для данной задачи.
С быстрым развитием компьютерных технологий, технологии обработки изображений можно применять для компьютерной сегментации аденокарциномы микроскопических клеток и распознавания изображений, этого необходимо для того, чтобы облегчить медицинскую трудоемкость и повысить точность постановки диагноза, поэтому эти технологии имеют большое значение для научной деятельности.
Основная положения данной исследовательской работы и инновации данной работы:
1. в данной работе с помощью метод Оцу определяется оптимальный порог, который обеспечивает подготовку анализа изображения к алгоритму сегментации по водоразделам (WaterShed).
2. Для получения микроскопических изображений биопсии требуется обнаружить как можно больше информации о клетке для того, чтобы сделать надежное и точное обнаружение и диагностику, основанную на клетках и параметре ядер. С помощью алгоритма k-means, получена грубая сегментация изображений клетки.
3. Для проблемы перекрытия клеток и проблем с адгезией, мы используем алгоритм водораздела на основе расстояния преобразования для сегментации перекрывающихся разделения клеток и предлагается алгоритм водораздела на основе улучшений маркера расстояния сегментации, что позволяет избежать некоторой чрезмерной сегментации алгоритма водораздела.
4. Для описания характеристики раковых клеток, после тщательного анализа, в данной работе выбраны следующие характеристики площадь ячейки, периметр, длина большой оси, длина малой оси, округлость, правила формы, эти параметры информации заложили хорошую основу для последующей изображения идентификации изображений клеток.
5. На основе извлеченных параметров информации о раковых клетках, с п ом о щью BP_Adaboost классификации нейронной сети для классификации аденокарциномы клетки получены хорошие результаты распознавания.
По результатам данной работы, выполнены все поставленные цели и задачи и проделана научно-исследовательская работа, по результатам работы, были выявления не доработки, которые необходимо исследовать в будущем с целью улучшения работы:
1. Из-за отсутствия времени, в исследовании разделения перекрывания клеток, существуют некоторые недостатки в качестве чрезмерной сегментации, которые влияют на общий эффект сегментации. Для клеток сильной адгезии и перекрывшихся клеток выполняется простое деления клеток, клетка не может изображать исходный контур перекрытия участков. Поэтому, перекрывая деление клеток, проблема деления клеток является одним из направлений для будущих исследований.
2. Сложность в выявлении проблем, желудочные раковые клетки, раковые клетки из-за этой неопределенности, делают конечную цель отбора признаков и распознавания очень высокой. Как выбрать более надежные характерные параметры - одно из направлений для улучшения скорости распознавания клеток рака желудка, что может быть рассмотрено в будущих исследованиях.
Основная положения данной исследовательской работы и инновации данной работы:
1. в данной работе с помощью метод Оцу определяется оптимальный порог, который обеспечивает подготовку анализа изображения к алгоритму сегментации по водоразделам (WaterShed).
2. Для получения микроскопических изображений биопсии требуется обнаружить как можно больше информации о клетке для того, чтобы сделать надежное и точное обнаружение и диагностику, основанную на клетках и параметре ядер. С помощью алгоритма k-means, получена грубая сегментация изображений клетки.
3. Для проблемы перекрытия клеток и проблем с адгезией, мы используем алгоритм водораздела на основе расстояния преобразования для сегментации перекрывающихся разделения клеток и предлагается алгоритм водораздела на основе улучшений маркера расстояния сегментации, что позволяет избежать некоторой чрезмерной сегментации алгоритма водораздела.
4. Для описания характеристики раковых клеток, после тщательного анализа, в данной работе выбраны следующие характеристики площадь ячейки, периметр, длина большой оси, длина малой оси, округлость, правила формы, эти параметры информации заложили хорошую основу для последующей изображения идентификации изображений клеток.
5. На основе извлеченных параметров информации о раковых клетках, с п ом о щью BP_Adaboost классификации нейронной сети для классификации аденокарциномы клетки получены хорошие результаты распознавания.
По результатам данной работы, выполнены все поставленные цели и задачи и проделана научно-исследовательская работа, по результатам работы, были выявления не доработки, которые необходимо исследовать в будущем с целью улучшения работы:
1. Из-за отсутствия времени, в исследовании разделения перекрывания клеток, существуют некоторые недостатки в качестве чрезмерной сегментации, которые влияют на общий эффект сегментации. Для клеток сильной адгезии и перекрывшихся клеток выполняется простое деления клеток, клетка не может изображать исходный контур перекрытия участков. Поэтому, перекрывая деление клеток, проблема деления клеток является одним из направлений для будущих исследований.
2. Сложность в выявлении проблем, желудочные раковые клетки, раковые клетки из-за этой неопределенности, делают конечную цель отбора признаков и распознавания очень высокой. Как выбрать более надежные характерные параметры - одно из направлений для улучшения скорости распознавания клеток рака желудка, что может быть рассмотрено в будущих исследованиях.
Подобные работы
- Обнаружение и классификация рака с помощью микроскопических изображений образцов биопсии
Магистерская диссертация, информатика. Язык работы: Русский. Цена: 4870 р. Год сдачи: 2016