Спектральный и морфологический анализ акустических изображений биологических тканей и композитных структур

• Автор: Ким, Елена Леонидовна
• Шифр специальности: 01.04.06
• Научная степень: Кандидатская
• Год защиты: 2006
• Место защиты: Москва
• Количество страниц: 164 с. : ил.

1. ВВЕДЕНИЕ
2. СОВРЕМЕННОЕ СОСТОЯНИЕ ПРОБЛЕМЫ
3. СПЕКТРАЛЬНАЯ И МОРФОЛОГИЧЕСКАЯ КЛАССИФИКАЦИЯ ИЗОБРАЖЕНИЙ СТРУКТУР НА ОСНОВЕ МЕТОДОВ ПРОВЕРКИ СТАТИСТИЧЕСКИХ ГИПОТЕЗ. ОБЩИЙ СЛУЧАЙ И ЧАСТНЫЕ РЕАЛИЗАЦИИ
3.1. Классификация на основе отношения правдоподобия
3.2. Модифицированные методы Бартлетта и Писаренко
3.3. Введение морфологических признаков в процесс классификации
3.4. Классификация модифицированным методом Кейпона
3.5. Многопараметрическая нелокальная классификация
3.6. Краткие выводы раздела
4. КЛАССИФИКАЦИЯ МОДЕЛЬНЫХ СТРУКТУР, СОСТОЯЩИХ ИЗ
ЭЛЕМЕНТОВ РАЗЛИЧНОЙ ФОРМЫ И РАЗМЕРОВ,
МОДИФИЦИРОВАННЫМ МЕТОДОМ КЕЙПОНА
4.1. Классификация структуры, состоящей из характерных элементов с близкими размерами на нулевом фоне
4.2. Классификация структуры, состоящей из характерных элементов с различными размерами
4.3. Влияние фона с ненулевой яркостью
4.4. Классификация структуры, состоящей из элементов с яркостью, ниже яркости фона
4.5. Конфигурационная классификация элемента структуры на основе экспериментальных данных без строгого восстановления изображения
4.6. Краткие выводы раздела
5. ЧИСЛЕННАЯ РЕАЛИЗАЦИЯ МЕТОДОВ КЛАССИФИКАЦИИ
АКУСТОМИКРОСКОПИЧЕСКИХ ИЗОБРАЖЕНИЙ БИОЛОГИЧЕСКИХ ТКАНЕЙ И КОМПОЗИТНЫХ СТРУКТУР
5.1. Исходные изображения и классифицируемые типы структур
5.2. Пространственно-спектральный подход
5.2.1. Классификация методами Бартлетта и Писаренко
5.2.2. Классификация на основе отношения правдоподобия
5.2.3. Оценка ширины зоны классификационной неопределенности

5.2.4. Недостаток пространственно-спектрального подхода
5.3. Спектрально-морфологический подход и модифицированный метод Кейпона
5.3.1. Применение метода Кейпона для классификации изображений
биотканей
5.3.6. Преимущество спектрально-морфологического подхода. Исключение признаков ориентационного типа
5.4. Сравнительный анализ методов классификации
5.5. Краткие выводы раздела
6. ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ МЕТОДА ПРОСТРАНСТВЕННОСПЕКТРАЛЬНОЙ КЛАССИФИКАЦИИ НА ПРИМЕРЕ КЛИНИЧЕСКИХ ИЗОБРАЖЕНИЙ ЗЛОКАЧЕСТВЕННЫХ ЛЕЙКОЦИТОВ
7. ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ
ЛИТЕРАТУРА

1. ВВЕДЕНИЕ.
Настоящая работа посвящена решению задачи статистической классификации акустических изображений различных биологических тканей и композитных структур. Полученные в акустоскопических экспериментах картины пространственного распределения количественных (в том числе и многопараметрических) характеристик тканей нуждаются в дальнейшей вторичной классификации с целью вынесения общего диагностического решения. Задача классификации многокомпонентных или однокомпонентных изображений не нова. Ее исследование ведется в самых разных направлениях в интересах широкого спектра приложений.
Разработанные в настоящее время методы классификации томографических и микроскопических изображений композитных структур и биологических тканей можно разделить на три класса, между которыми, тем не менее, нет резких границ: локально-параметрические методы, нелокальные спектрально-статистические и морфологические. В предлагаемой работе классификация основывается и на спектральных, и на морфологических признаках. Прямая классификация по параметру яркости (типа “темное-светлое”) в излагаемом далее подходе не рассматривается; по этой причине яркостный признак, по возможности, предварительно исключается из изображений. Тем не менее, учитывая только спектральные и морфологические признаки, можно с достаточной степенью достоверности классифицировать изображения. Если классифицировать изображение только по его спектральным характеристикам, используя обучающие выборки ткани того или иного (например, нормального и патологического) типа, сформированные при помощи разложения Карунена-Лоэва, то в этом случае итоговый результат классификации будет положительным при том условии, что спектральные характеристики этих двух типов ткани различны. Вообще говоря, это не всегда правомерно, поскольку, например, вполне возможно существование двух случайных (двумерных) процессов с одинаковыми спектрами, но разной морфологической структурой, поэтому важен и морфологический анализ типов ткани. В настоящее время в различных прикладных областях существует
{ф/ }г=і //;) структуру 2-го типа. Рассуждения для {ц/у-.} аналогичны. Условия
отбора (35), (36) в случае спектрального подхода приобретают вид (см. (25), (29) при т-п):
Таким образом, дополненный базис {(р,},=! Л- и{(р,-} достаточен (т.е.
является почти полным) для описания структуры второго типа с точностью 5 (и даже избыточен для описания структуры 1-го типа с той же точностью), а дополненный базис {Ч,у}/=1 Лг;/ и(ф/} достаточен для описания структуры 1-го
типа. Следовательно, оба дополненных базиса являются достаточными (с допустимой точностью) для описания структуры как собственного типа, так и альтернативного типа. В таком подходе через дополненные базисы фиксированного типа, малые собственные значения А.,., ц . входят в
соответствующие матрицы (К'ааУ{, {К!(‘а)~х отношения правдоподобия с большими весами 1/А..-, jiy. Тем самым, именно малым собственным
значениям принадлежит определяющая роль в критерии классификации. В этом смысле предлагаемый способ формирования Цг) можно рассматривать, как обобщенный метод Писаренко [111]. Наконец, отметим, что объединенный базис {ф<}<=1 ,у; N1, является переполненным для описания структуры как 1го, так и 2-го типов с требуемой точностью, поскольку среди {Ч'у}у=1 лг;
заведомо присутствуют векторы, почти коллинеарные с {ср,-}, а среди {ф, },=1 ,у;
заведомо присутствуют векторы, почти коллинеарные с {ру.}.
Результаты классификации структур модельных и реальных изображений, которые будут обсуждены далее (гл. 4, 5), показали, что оказывается удобным разложение именно по объединенному переполненному базису. В этом случае обеспечивается достаточно высокое качество и устойчивость результата классификации. Комбинированные матрицы К]сотЬ, К’с!отЬ, построенные в (30) на
(37)
(38)