Гибридные модели и алгоритмы для анализа сложноструктурированных изображений в интеллектуальных системах медицинского назначения

• Автор: Борисовский, Сергей Александрович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2012
• Место защиты: Курск
• Количество страниц: 179 с. : ил.

ГЛАВА 1. ОБЗОР СУЩЕСТВУЮЩИХ МЕТОДОВ И СИСТЕМ АНАЛИЗА СЛОЖНОСТРУКТУРИРОВАННЫХ ИЗОБРАЖЕНИЙ В
ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ МЕДИНСКОГО НАЗНАЧЕНИЯ
1Л. Особенности анализа сложноструктурированных изображений
1.2. Методы предварительной обработки изображений
1.2.1. Пространственные методы
1.2.2. Частотные методы
1.3. Методы сегментации изображений
1.3.1. Пороговая сегментация
1.3.2. Методы сегментации с использованием гистограмм
1.3.3. Методы выращивания областей
1.3.4. Методы, основанные на кластеризации
1.3.5. Методы сегментации, основанные на операторах выделения краев
1.3.6. Сегментация изображения с помощью вейвлет-преобразования
1.3.7. Сегментация при помощи нейронных сетей
1.3.8. Метод водораздела
1.4. Методы классификации изображений
1.5. Автоматизированные системы гематологического анализа
1.6. Выводы первой главы
ГЛАВА 2. РАЗРАБОТКА СПОСОБОВ И МОДЕЛЕЙ АНАЛИЗА СЕГМЕНТОВ СЛОЖНОСТРУКТУРИРОВАННЫХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ
АТРИБУТИВНЫХ ХАРАКТЕРИСТИК ИХ ФОРМЫ
2.1. Разработка модели морфологического описания сегмента на основе теоретико-множественного подхода
2.2. Разработка модели морфологического описания сегмента на основе спектральных методов анализа

2.3. Способы обеспечения инвариантности дескрипторов Фурье относительно геометрических преобразований
2.3.1. Инвариантность относительно сдвига
2.3.2. Инвариантность относительно масштаба
2.3.3. Инвариантность относительно поворота
2.4. Выбор и оптимизация числа используемых дескрипторов Фурье при анализе микроскопических изображений форменных элементов крови
2.5. Выводы второй главы
ГЛАВА 3. РАЗРАБОТКА АЛГОРИТМОВ КЛАССИФИКАЦИИ СЕГМЕНТОВ НА ИЗОБРАЖЕНИЯХ МАЗКОВ ПЕРИФЕРИЧЕСКОЙ КРОВИ
3.1. Алгоритм измерения межклеточных соотношений в периферической крови
3.2. Модуль анализа цветного изображения сегмента
3.3. Модуль анализа черно-белого изображения сегмента
3.4. Структура базы данных для настройки модуля принятия решений
3.5. Выводы третьей главы
ГЛАВА 4. ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ДЛЯ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ КЛАССИФИКАЦИИ ФОРМЕННЫХ ЭЛЕМЕНТОВ КРОВИ
4.1. Общая структура программного обеспечения
4.2. Программный модуль сегментации микроскопических изображений мазков крови
4.2.1. Программное обеспечение блока нейросетевой классификации пикселей изображения
4.2.2. Программное обеспечение блока морфологической обработки изображений
4.3. Программный модуль для классификации форменных элементов крови.,131
4.4. Схема формирования файлов обучающих выборок
4.5. Алгоритм формирования интегрированных моделей решающих модулей для классификации форменных элементов крови
4.6. Экспериментальные исследования разработанной интеллектуальной
системы классификации форменных элементов крови
4.7. Выводы четвертой главы
ЗАКЛЮЧЕНИЕ
БИБЛИОГРАФИЧЕСКИЙ СПИСОК

которые позволяют воспроизвести форму (контур) объекта с заданной точностью;
- определяют распределение тромбоцитов по размерам;
- проводят распознавание (классификацию) изображений клеток эритроцитов и лейкоцитов;
- выделяют нормальные и патологические формы эритроцитов и подсчитывают их соотношение;
- определяют лейкоцитарную формулу.
В США разработана автоматизированная система изображения клеток -Се11а%юп ВМ96, состоящая из автоматического микроскопа, высококачественной цифровой камеры и компьютерной системы, которая собирает и осуществляет предварительную классификацию клеток с окрашенного мазка крови с помощью программного обеспечения. Для каждой найденной клетки делается изображение, анализируемое и предварительно классифицируемое посредством современной обработки образа. Анализируемые лейкоциты предварительно классифицируются на 18 классов клеток, также осуществляется автоматическая характеристика морфологии эритроцитов. Результаты отображаются на мониторе компьютера, все клетки одного класса могут быть отображены единовременно. Все изображения и результаты исследования мазков крови сохраняются в базе данных.
Хлопов А.Н. разработал многоуровневый алгоритм автоматической классификации изображений (снимки мазка периферической крови), основанный на условно-последовательных процедурах классификации.
Иерархическая структура алгоритма включает в себя этап выделения объектов (клеток) на изображении, и этап их разделения в области неоднозначных решений предыдущего этапа.
Идея предлагаемого подхода основывается на построении двухуровневого процесса классификации изображения. На первом уровне используется принцип алгоритма автоматической классификации цветных