Тип работы:
Предмет:
Язык работы:


РАЗРАБОТКА АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ГЕМАТОЛОГИЧЕСКОГО АНАЛИЗА НА ОСНОВЕ КРИВОЙ ПРАЙС-ДЖОНСА

Работа №75991

Тип работы

Дипломные работы, ВКР

Предмет

математика

Объем работы76
Год сдачи2018
Стоимость4225 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
216
Не подходит работа?

Узнай цену на написание


ВВЕДЕНИЕ 3
1 ОБЗОР ТЕМЫ ГЕМАТОЛОГИЧЕСКОГО АНАЛИЗА МЕДИЦИНСКИХ
ИЗОБРАЖЕНИЙ 6
1.1 Гематологический анализ 6
1.2 Компьютерное представление и обработка изображений 7
1.3 Компьютерная обработка изображений. Области применения
обработки изображений 9
1.4 Сегментация изображений 12
1.5 Проблемы обрaботки изобрaжений 17
1.6 Кривая Прайс-Джонса 19
1.7 Актуальность 21
1.8 Современное состояние 22
1.9 Постановка задачи 23
2 ТЕОРЕТИЧЕСКИЕ ОСНОВЫ 29
2.1 Алгоритм гематологического анализа клеток крови 29
2.2 Смена цветового пространства 30
2.3 Удаление заднего фона 32
2.4 Бинаризация изображения 35
2.5 Определение контуров объектов на бинарном изображении 36
2.6 Выделение каждой клетки в свой класс 37
3 РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ 39
3.1 Структура программы 39
3.2 Описание реализации программы 40
4 ВЫЧИСЛИТЕЛЬНЫЙ ЭКСПЕРИМЕНТ 47
ЗАКЛЮЧЕНИЕ 55
СПИСОКИСПОЛЬЗУЕМОЙЛИТЕРАТУРЫ 57
ПРИЛОЖЕНИЕ


В настоящее время интенсивно развиваются интеллектуальные системы, предназначенные для автоматической обработки медицинских изображений. Автоматизированная обработка и анализ медицинских изображений являются универсальным инструментом медицинской диагностики [1][2]. Современные системы гематологического анализа позволяют выполнить предварительную классификацию клеток крови. Например, такие системы эффективно сортируют лейкоциты (8-10% ошибок) и обеспечивают более детальную информативность анализов крови [3][4].
Классификация клеток крови на микроскопическом изображении представляет собой, в терминах компьютерного зрения, задачу распознавания объектов.
Кровь - сложная функциональная система, обеспечивающая своевременную доставку кислорода и питательных веществ клеткам тканей и удаление продуктов метаболизма из органов и интерстициальных пространств [5]. Система крови тонко реагирует на воздействия факторов среды набором специфических и неспецифических компонентов [11]. Важная характеристика физиологии и патологии системы крови - количественный и качественный состав эритроцитарной популяции [6].
Визуальная оценка морфологических характеристик клеток крови является неотъемлемой частью анализа крови человека. Определение количества форменных элементов крови разного типа, их соотношения является важным и наиболее частым тестом клинической лабораторной диагностики.
Исторически идентификация и счет клеток крови производились с использованием микроскопа в «ручном» режиме, при этом исследуемый образец крови находился в статическом состоянии.
В последние годы интенсивно развивается иной подход к идентификации и счету форменных элементов крови - метод цифровой микроскопии. В настоящее время это перспективное направление находится в стадии проработки, поиска соответствующих оптимальных алгоритмов и программ для минимизации ошибок при счете форменных элементов крови. В работах [2]-[4] рассмотрена задача подсчета эритроцитов на изображениях препаратов крови, полученных с помощью цифрового микроскопа. Достигнутая точность счета эритроцитов по отношению к «ручному» способу составляет 96-98 %.
Автоматическая сегментация и счет эритроцитов на основе анализа микроизображений клеток крови выполнены в работах [16]-[18]. Более сложной по сравнению с идентификацией и счетом эритроцитов является задача распознавания лейкоцитов. В работе [10] представлен алгоритм, позволяющий вести счет клеток крови с учетом сложности и произвольности их формы.
Таким образом, цель работы - это разработка принципов идентификации и счета эритроцитов, на основе цифровой микроскопии. Решение задач, позволяющих обеспечить достижение этой цели является актуальным и востребованным в настоящее время.
В данной работе рассматривается задача постановки возможного диагноза по гематологическому анализу цифрового изображения эритроцитов. Описываются шаги по предварительной обработке изображения для уменьшения шумов и точности сегментации объектов клеток на классы. Для каждого этапа приведены примеры работы фильтров. Заключительным шагом является построение гистограммы распределения площадей объектов клеток - кривая Прайс-Джонса. По форме гистограммы можно предположить о наличии заболевания у человека, у которого взяли препарат крови на исследование. В заключении статьи приводятся описания типичных заболеваний, которые могу быть выявлены с помощью такого рода анализа. Для реализации анализа реализована программа на языке Python 2.7 с библиотеками OpenCV и Seaborn.
В первой главе производится обзор гематологического анализа медицинских изображений. Представлено несколько видов сегментации изображений, отмечены свои плюсы и минусы. Доступным текстом представлена информация о гематологическом анализе медицинских изображений. Представлены эталонные кривые Прайс-Джонса здорового и больного человека. Произведен обзор областей применения компьютерной обработки изображений. Также проанализированы проблемы, с которыми можно столкнуться во время обработки изображений. Для подтверждения актуальности рассмотрено современное состояние и критичные недостатки текущего состояния системы. Конкретно выделена цель и задачи, которые полностью соответствует теме выпускной квалификационной работе.
Во второй главе рассматриваются основные математические операции, которые являются главным инструментом в обработке изображений. В каждой функции OpenCV реализован сложный математический аппарат, в данной главе раскрывается математику каждой использованной функции, которая входит в разработанный алгоритм.
В третьей главе идет описание разработанного программного обеспечения. Наиболее важные части кода (функции обработки изображений) представлены на листингах, также после описания разработки каждого этапа алгоритма приведены примеры на рисунках.
В четвертой главе произведен вычислительный эксперимент работы алгоритма.
В заключении сделан вывод о степени достижения поставленных целей и задач.
Данная выпускная квалификационная работа содержит 62 страницы, 30 рисунков, 1 таблицу, 9 формул, 8 листингов кода и 1 приложение.


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


Кривая Прайса-Джонса у здоровых людей имеет правильную треугольную форму с высокой вершиной и узким основанием. При этом преобладают эритроциты с диаметром 6-8 мкм, которые составляют 70-75% всех эритроцитов. На долю микроцитов (клетки диаметром меньше 6 мкм) и макроцитов (диаметр более 8мкм) приходится приблизительно одинаковое количество 12-15%, ширина кривой отражает степень анизоцитоза, а положение максимума - средний диаметр эритроцита.
При микроцитозе (характерном, например, для железодефицитоной анемии) эритроцитометрическая кривая сдвигается влево, кривая становится ассиметричной, ширина ее увеличивается.
При макроцитозе (например, сопровождающем В12 и фолиеводефицитную анемию) кривая Прайс-Джонса сдвигается вправо, уплощается, основание ее расширяется.
Построение кривой Прайс-Джонса вручную - чрезвычайно трудоемкая процедура. Поэтому разработанная система гематологического анализа позволяем в автоматическом режиме быстро и с высокой точностью построить кривую Прайса-Джонса, что дает возможность увидеть процентное соотношение всех видов красных кровяных телец. Это позволяет достаточно быстро выявить анизоцитоз у больного и подобрать соответствующие методы его лечения.
Разработанный алгоритм обработки медицинских изображений клеток крови позволил реализовать счет форменных объектов в мазке, по единой их фотографии. Использование предложенных алгоритмов позволило выполнить качественную предварительную обработку медицинские изображения клеток крови для уменьшения шумов и повышения точности сегментации объектов клеток на классы. Алгоритм пороговой сегментации изображения и выделения каждой клетки в свой класс показал возможность идентификации и счета форменных элементов клеток крови.
Вычислительные эксперименты по распознаванию форменных объектов на медицинских изображениях клеток крови выполнялись с использованием программного обеспечения, реализованного на языке Python 2.7 и библиотек OpenCV и Seaborn. Результаты вычислительных экспериментов продемонстрировали работоспособность и эффективность разработанных алгоритмов.
Построение кривой Прайс-Джонса вручную - весьма трудоемкая задача. Поэтому разработанная система гематологического анализа позволяет в автоматическом режиме быстро и с высокой точностью построить кривую Прайс-Джонса, что дает возможность увидеть процентное соотношение всех видов красных кровяных телец, что облегчает возможность своевременного выявления аницитоза у больных, подбирает соответствующие методы их лечения, и в целом ускорить выздоровление, сделать жизнь многих пациентов полноценной.



1. Contrast Limited Adaptive Histogram Equalization for Qualitative Enhancement of M yocardial Perfusion Images. Engineering [Электронный ресурс], режим доступа - file.scirp.org/pdf/ENG_2013110109155688.pdf, свободный (дата обращения 18.02.2018).
2. Image Thresholding [Электронный ресурс], режим доступа - docs.opencv.org/trunk/d7/d4d/tutorial_py_thresholding.html, свободный (дата обращения 13.04.2018).
3. Iron-deficiency anaemia in children: Its association with gastro-intestinal
disease, achlorhydria and haemorrhage. Archives of disease in childhood [Электронный ресурс], режим доступа -
pdfs.semanticscholar.org/6a86/f416daf9c3d90217db7e25cb86273bb1be42.pdf, свободный (дата обращения 10.01.2018).
4. Quantitative Anisocytosis as a Discriminant Between Iron Deficiency and Thalassem. Blood [Электронный ресурс], режим доступа -www.bloodjournal.org/content/bloodjournal/53/2/288.full.pdf?sso- checked=true, свободный (дата обращения 14.05.2018).
5. Red blood cells classification using image processing. Science
[Электронныйресурс], режимдоступа - Research
studyres.com/doc/17754179/red-blood-cells-classification-using-image, свободный (датаобращения 23.01.2018).
6. The errors of some haematological methods as they are used in a routine
laboratory [Электронныйресурс], режимдоступа -
jcp.bmj.com/content/jclinpath/1/5/269.full.pdf, свободный (датаобращения
18.05.2018).
7. The variation in the sizes of reb blood cells. British Medical Journal
[Электронныйресурс], режимдоступа - digitalcommons.ohsu.edu/cgi/viewcontent.cgi?article=1062&context=hca-cac, свободный (датаобращения 12.02.2018).
8. Topological Structural Analysis of Digitized Binary Images by Border
Following. Computer vision, graphics, and image processing [Электронныйресурс], режимдоступа -
download.xuebalib.com/xuebalib.com.17233.pdf, свободный
(датаобращения 18.02.2018).
9. Watershed approaches for color image segmentation [Электронныйресурс],
режимдоступа - www.gipsa-lab.grenoble-
inp.fr/~jocelyn.chanussot/publis/ieee_nsip_99_chanuss_watershed.pdf, свободный (датаобращения 18.02.2018).
10. Beucher, S. Optical Engineering. New York: Marcel Dekker Incorporated [Текст]/ Beucher, S., F. Meyer, - 1994- pp: 433-481.
11. Canny J. A computational approach to edge detection. IEEE Trans. Pattern Anal. Mach. Intell[Текст]/ Canny J. - 1986. - Vol. 8, no. 6. - P. 679-698.
12. Canny J. A computational approach to edge detection,IEEE Trans- ac ons on Pa ern Analys s and Mach ne In ell gence, [Текст]/ Canny J. - 1986, p. 679¬698.
13. Gil J. Computing 2-D Min, Median, and Max Filters [Текст]/ J. Gil, Werman // IEEE Trans. Pattern Anal. Mach. Intell. - 1993. - P. 504-507.
14. Gil J. Computing 2-D Min, Median, and Max Filters, IEEE Trans. Pattern Anal. Mach. Intell [Текст]/ Gil J., M. Werman - 1993, Vol 15, Number 5, 504¬507.
15. High-performance method for boundary detection in medical images//
Academic science - problems and achievements IX: Proceedings of the Conference. North Charleston [Текст]/Soinikova E.S., Ryabihk M.S., Batishchev D.S., Mikhelev V.M., 20-21.06.2016-North Charleston, SC,
USA:CreateSpace, 2016, p.93-95.
16. Kirk D. B. Programming Massively Parallel Processors: A Hands-on Approach (Applications of GPU Computing Series). Morgan Каи1тапп[Текст]/ Kirk D. B., Hwu W. - 2010.
17. Prentice Hall Series in Artificial Intelligence, Upper Saddle River, NJ: Prentice Hall [TeKCT]/S. Russell, P. Norvig, J. F. Canny, J. Malik, and D.D. Edwards, Artificial Intelligence: A Modern Approach, 2nd ed., /Pearson Education - 2003.
18. Privacy preserving link analysis on dynamic Tweighted graph [Текст]/Y. Duan,
J. Wang, M. B. T. Kam, and J. F.Canny, Computational & MathematicalOrganization Theory, vol. 11, no. 2, July 2005, pp. 141-159.
19. Van Herk M. A fast algorithm for local minimum and maximum filters on rectangular and octagonal kernels [Текст]/ Van Herk M. - Pattern Recognition Letters. - 1992. - Vol. 13. - №7. - P. 517-521.
20. Математическая морфология [Электронный ресурс], режим доступа -https://habrahabr.ru/post/113626/, свободный (дата обращения: 12.02.2017).
21. Медицинские изображения [Электронный ресурс] // SCI-ARTICLE. RU. - Электрон. журн. - Режим доступа: http://sci-article.ru/stat.php?i=1413957877. - Загл. с экрана.
22. Методическое руководство: Общий анализ крови (трактовка результатов
исследований, выполненных на гематологических анализаторах) // Ставропольский государственный медицинский университет
[Электронный ресурс],режим доступа -
stgmu.ru/userfiles/depts/clinical_lab_diagnosis_pe/Obschij_analiz_krovi.rtf, свободный (дата обращения: 12.02.2017).
23. Методы распознавания медицинских изображений для задач
компьютерной автоматизированной диагностики [Электронный ресурс] // Современные проблемы науки и образования. - Электрон. журн. - М., [2005-]. - Режим доступа: http://www.science-
education.ru/ru/article/view?id=14414. - Загл. с экрана. 3
24. Методы сегментации изображений: автоматическая сегментация
[Электронный ресурс] // Компьютерная графика и мультимедиа. - Электрон. журн. -М., - Режим досутпа:
http://cgm.computergraphics.ru/content/view/147. - Загл. с экрана.
25. Автоматическая сортировка лейкоцитов мазка крови с использованием
методов обучаемых нейронных сетей и watershed [Текст]/Соколинский Б.З., Демьянов В.Л., Медный В.С., Парпара А.А., Пятницкий А.М. // В сб.: Методы микроскопического анализа. М.: Медицинские
компьютерные системы, 2009. С. 128-132.
26. Борисовский С.А. Гибридные модели и алгоритмы для анализа сложноструктурированных изображений в интеллектуальных системах медицинского назначения [Текст]/ Борисовский С.А. - Курск, 2012.
27. Виллевальде А.Ю Метод предварительной обработки медицинских малоконтрастных изображений [Текст]/Виллевальде А.Ю., Юлдашев // Информационно-управляющие системы. 2008. № 5(36). С.41- 44.
28. Высокопроизводительный метод обнаружения границ на медицинских изображениях [Текст]/Сойникова Е.С., Рябых М.С., Батищев Д.С., Синюк В.Г., Михелев В.М. // Научный результат. Информационные технологии. 2016. - С. 4-9.
29. Инфраструктура высокопроизводительной компьютерной системы для реализации облачных сервисов хранения и анализа данных персональной медицины [Текст]/Батищев Д.С., Михелев В.М. // Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика. - Белгород: Изд-во НИУ БелГУ, 2016. - С. 88-92.
30. Использованием методов обучаемых нейронных сетей и watershed
[Текст]/Соколинский Б.З., Демьянов В.Л., Медный В.С., Парпара А.А., // В сб.: Методы микроскопического анализа. М.: Медицинские
компьютерные системы, 2009. С. 128-132.
31. Липунова Е.А Система красной крови [Текст]/ Ляпунова Е.А. под ред. Скоркиной М.Ю. - Белгород: Федеральное государственное автономное образовательное учреждение высшего профессионального образования "Белгородский государственный национальный исследовательский университет", 2004.
32.Об одной методике классификации клеток крови и ее программной реализации [Текст]/Беляков В.К., Сухенко Е.П., Захаров А.В., Кольцов П.П., Котович Н.В., Кравченко А.А., Куцаев А.С., Осипов А.С., Кузнецов
A. Б. // Программные продукты и системы. - 2014. -№ 4 (108). - С. 46-56.
33. Программное обеспечение интеллектуальной системы классификации форменных элементов крови [Текст]/Томакова Р.А., Филист С.А., Жилин
B. В., Борисовский С.А. // Фундаментальные исследования. - 2013. - № 10-2. - С. 303-307.
34. Р. Гонсалес Цифровая обработка изображений[Текст]/ Р. Гонсалес, Р. Вудс, Москва: Техносфера, 2005. - 1072 с.
35. Разработка и испытание автоматизированного комплекса микроскопии [Текст]/Медовый В.С., Пятницкий А.М., Соколинский Б.З., Маркеллов В.В., Федорова Д. С., Федоров И. В. // «Оптический журнал»: Спб. - 2011, с. 66-73.
36. Решение задачи сегментации медицинских изображений с использованием параллельных вычислений [Текст]/Рябых М. С., Сойникова Е. С., Батищев Д.С., Михелёв В.М. // «Приоритетные направления развития науки, техники и технологий: сборник материалов международной научно-практической конференции» (29 февраля 2016 г.) Том II. - Кемерово: ЗапСибНЦ, 2016 - 460 с.
37. Система контроля и управления доступом по биометрическим
параметрам [Текст]/М.А. Морозова, О.Б. Салтанова. // Научная сессия ТУСУР-2011: Материалы Всероссийской научно-технической конференции студентов, аспирантов и молодых ученых, Томск, 4-6 мая 2011 г. - Томск: В-Спектр, 2011: В 6 частях. - Ч. 2. - 348 с.
38. Сойфер, В.А. Методы компьютерной обработки изображений.
— 2-e изд. [Текст]/ В.А. Сойфер, испр. — М.:ФИЗМАТЛИТ, 2003 — 784 с.
39. Сравнительное исследование методов анализа изображений [Текст]/Грибков И.В., Захаров А.В., Кольцов П.П., Котович Н.В., Кравченко А.А., Куцаев А.С., Осипов А.С. // - М.: Изд-во НИИСИ РАН, 2005.
40. Яне Б. Цифровая обработка изображений[Текст]/ Яне Б. - Техносфера, 584 с., 2007.


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2024 Cервис помощи студентам в выполнении работ