Разработка и моделирование алгоритмов распознавания маркёров на изображениях фаций сыворотки крови

• Автор: Копылова, Анна Сергеевна
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2012
• Место защиты: Ульяновск
• Количество страниц: 161 с. : ил.

Оглавление
Список сокращений, принятых в диссертации
Введение
Г лава 1. Обработка изображений в медицине
1.1. Задачи медицины, решаемые с применением обработки изображений
1.2. Медицинская диагностика по изображениям фаций биологических жидкостей
1.2.1. Метод клиновидной дегидратации биологических жидкостей
1.2.2. Алгоритмы анализа изображений фаций сыворотки крови
1.3. Обзор методов обработки изображений и распознавания образов
1.3.1. Методы обработки изображений
1.3.2. Методы распознавания образов
1.4. Выбор метода для распознавания маркёров на изображениях ФСК
1.5. Выводы
Глава 2. Алгоритмы обнаружения и распознавания маркёров на изображениях фации сыворотки крови
2.1. Изображения фаций сыворотки крови
2.1.1. Общий вид изображений фаций
2.1.2. Морфологические типы фаций
2.2. Модель изображения фации
2.2.1. Форма фации
2.2.2. Текстура фона фации
2.2.3. Текстура окружения фации
2.2.4. Скелет фации
2.2.5. Модели маркёров
2.3. Разработка алгоритмов распознавания маркёров на изображениях
фаций
2.3.1. Предварительная обработка изображений фаций

2.3.2. Определение морфологического типа
2.3.3. Обнаружение гребешковых структур
2.3.4. Обнаружение жгутовых трещин
2.3.5. Обнаружение морщин и токсических бляшек
2.3.6. Обнаружение листовидных структур
2.3.7. Обнаружение воронкообразных структур
2.3.8. Обнаружение трещин «серебра»
2.3.9. Обнаружение трещин «закруток»
2.3.10. Обнаружение трёхлучевых трещин
2.3.11. Оценка эффективности алгоритмов
2. 4. Выводы
Глава 3. Программная реализация алгоритмов распознавания маркёров
3.1. Структура комплекса программ
3.1.1. Описание и возможности программы обнаружения маркёров
3.1.2 Описание программы моделирования изображений фаций
сыворотки крови
3.2. Аппаратные требования для комплекса
3.3. Выводы
Заключение
Список использованных источников
Приложение. Акты внедрения результатов диссертационной работы

Список сокращений, принятых в диссертации
БЖ - биологическая жидкость ВС - воронкообразная структура ГС - гребешковая структура ЖТ - жгутовая трещина ЛС - листовидная структура РТ - радиальная трещина ТЗ - трещина «закрутка»
ТС - трещины «серебра»
ТТ - трёхлучевая трещина
ФСК - фация сыворотки крови
ЭВМ - электронно-вычислительная машина

кластера выбирается такой элемент выборки ху, что минимальное расстояние от х] до центров с;, 1= 1 будет больше Ь.
1.5.3. Алгоритм, основанный на методе просеивания [50]. В этом алгоритме рассматривается некоторая неотрицательная функция Дх), называемая плотностью распределения элементов обучающей выборки и принимающая тем большее значение, чем ближе элемент х расположен к точке сгущения элементов выборки. Затем осуществляется упорядочивание элементов обучающей выборки таким образом, чтобы
/(х1) - /(х2) - /(*3) > Далее осуществляется алгоритм простейшей
расстановки центров кластеров, в котором в первую очередь в качестве новых центров кластеров выбираются те элементы обучающей выборки, в которых значение плотности будет наибольшим.
1.5.4. Алгоритм максиминного расстояния. Алгоритм состоит из следующих шагов [50].
1) В качестве первого центра кластера выбирается элемент с, = л:
2) В качестве второго центра кластера выбирается тот элемент с2 = ху. , который находится на наибольшем расстоянии от с,, т.е.
= тах х - с,"
ХЛ-С1
3) Предполагается, что выбраны к центров С{к) = {сх
качестве очередного к+1-го центра кластера выбирается тот элемент , который находится на наибольшем расстоянии от ближайшего из центров
/1 /.у. п ПИП
С-1 ,—,Ьк , 1.(3. сеС(к)

1к*
= шах пип х
лгєЧ'/гсєС1**11
4) Проверяется условие останова.
1.5.5. Алгоритм РСЖЕЬ. В данном алгоритме, так же как и в алгоритме к-шеапь вычисляются центры тяжести кластеров. Но в качестве кластера рассматриваются не все ближайшие к данному центру элементы, а все