Статья: Метод сегментации перекрывающихся форменных элементов крови на микроскопических медицинских изображениях

Разделение изображения на отдельные области. На этом этапе производится поиск контуров на бинарном изображении. Для нахождения контуров предлагается использовать алгоритм Сатоши Сузуки [Suzuki, Abe, 1985], который позволяет определить иерархические отношения между контурами. Таким образом, можно определить, когда контур одного объекта вложен в другой. Данная ситуация при исследовании клеток крови обычно возникает при наличии на изображении двояковогнутых эритроцитов. В таком случае вогнутость эритроцита при засветке может не фиксироваться камерой, из-за чего получается объект с отверстием. Алгоритм Сузуки примет их за два объекта и поэтому необходимо удалить такие вложенные контуры из области интереса.

Рис. 3. Блок-схема сегментации перекрывающихся объектов на изображении Fig. 3. Block diagram of segmentation of overlapping objects in the image

Предварительная обработка изображения

В начале проводится перевод изображения в цветовое пространство HSL (Hue, Saturation, Lightness). Перевод изображения производится по следующим формулам (9).

Затем из полученного изображения выделяем один канал. В данном случае будем использовать L-канал.

Удаление фона изображения. Удаление фона изображения выполняется, чтобы сгладить перепады между группами соседних пикселей, которые могут возникнуть на изображениях в случае неравномерного освещения. Сглаживание изображения выполняем с помощью размытия по Гауссу [Гонсалес, Вудс, 2005].

На следующем повышаем контрастность изображения для того, чтобы после удаления фона изображения оставить основные объекты. Для этого используем адаптивную эквализацию гистограммы с ограничением CLAHE [Stephen et al., 1987].

Аппроксимация контуров. Аппроксимацию контуров необходимо выполнять для их сглаживания. Данная операция позволяет избавиться от неровностей контуров объектов, которые часто присутствуют в исследуемой предметной области. Для аппроксимации контуров используется алгоритм Рамера - Дугласа - Пекера [Ramer, 1972; Douglas, Thomas, 1973]. Данный алгоритм позволяет с использованием метода наименьших квадратов по данной ломаной кривой построить аппроксимирующую ломаную с меньшим числом точек искривления. Алгоритм определяет расхождение, которое вычисляется по максимальному расстоянию между исходными и упрощёнными кривыми.

Группировка сегментов, которые являются частями одного элемента. На этом этапе выполняется группировка сегментов, которые принадлежат одному объекту. Алгоритм группировки сегментов выполняет итерации по каждой паре контурного сегмента, проверяя, могут ли они быть объединены в один эллипс. Надо отметить, что данный алгоритм перебора отнимает много времени для нахождения решения. В качестве показателя для группировки сегментов используется критерий среднего отклонения расстояния (ADD) [Zhang et al., 2012]. ADD основан на эвристике, согласно которой все искомые контуры имеют эллиптическую форму. Метод объединяет две группы сегментов, если значение ADD каждой группы выше, чем значение ADD объединенных групп. Для решения проблемы большого количества перестановок предлагается использовать две эвристики. Первый подход позволяет ограничить пространство поиска, согласно правилу, что расстояние между центрами сегментов меньше предварительно определенного некоторого порогового значения. Второй подход основан на алгоритме оптимизации ветвей и границ. В этом случае сегменты каждого контура будут группироваться независимо друг от друга. При этом сегменты, принадлежащие одному контуру, не будут группироваться с сегментами другого контура. После завершения процесса группировки у каждого контура будет одна или более групп контуров. Несколько сегментов может быть получено в том случае, если сегменты: не пересекают других сегментов; не являются соседними; образуют выпуклую фигуру.

Оценка полного контура объекта с помощью подбора эллипса. Для реализации данного алгоритма необходимы следующие параметры: площадь контура и максимальная длина контура. Эти данные необходимы для сравнения с подобранными контурами, и, если параметры подобранных контуров будут превышать найденные, то такие контуры исключаются. В качестве способа оценки контура используется метод подбора эллипса. Этот метод основан на том, предполагается, что перекрывающиеся объекты имеют форму близкую к эллиптической. Подбор параметров эллипса основан на минимизации суммы расстояний между точками контуров и эллипсом.

Предлагается оценку контуров к группам сегментов осуществлять тремя способами. Во-первых, если сегмент в контуре один, тогда итоговым контуром будет являться данный сегмент. Во-вторых, если в группе найден только один контур и расстояние между начальной и конечной точкой невелико, то тогда для группы сегментов итоговым контуром будет являться именно этот сегмент. В-третьих, если в группе найдено несколько сегментов, то тогда к данной группе будет подобран эллипс по способу, предложенному Эндрю Фитцгиббоном [Fitzgibbon et al., 1999].

Исследование работоспособности метода сегментации

Тестирование алгоритма сегментации перекрывающих друг друга эритроцитов на микроскопических изображениях проведено на 24 реальных медицинских изображениях клеток крови, при этом данные изображения были разделены на 4 группы. Для каждой группы были определены следующие параметры: четкость и контрастность изображения, количество перекрывающихся объектов на изображении, наличие шумов.

Коэффициент аппроксимации (сглаживания) подбирался эмпирическим путём. На рисунке 4 представлен пример сегментации объектов на изображениях из 3-й группы.

Результаты тестирования алгоритма сегментации объектов представлены в таблице 1. Показано, что на изображениях для различных групп, алгоритм сегментации определяет 86,05 % объектов, что можно считать удовлетворительным результатом. При этом на качество сегментирования объектов влияет как качество самого изображения и наличие посторонних частиц, так и количество эритроцитов, их форма, а также насколько часто эритроциты накладываются друг на друга.

а) б)

Рис. 4. Тестирование алгоритма сегментации на изображении из 3-й группы:

а) - исходное изображение; б) - коэффициент аппроксимации 3,7

Fig. 4. Testing the segmentation algorithm on the image from the 3rd group: a) - the original image;

b) - coefficient of approximation 3.7

Таблица 1

Результаты тестирования алгоритма сегментации Segmentation algorithm test results

Заключение

Представленный метод сегментации перекрывающих форменных элементов крови на микроскопических медицинских изображениях позволяет более точно решать задачу эритроцитометрии. Данный метод позволяет вычислить правильные площади эритроцитов на основании более точного определения их перекрывающихся контуров. Благодаря этому при проведении диагностических исследований появляется возможность установления достоверного и точного диагноза в области персональной медицины. Результаты выполненных вычислительных экспериментов продемонстрировали работоспособность и эффективность разработанных методов и алгоритмов компьютерного зрения для сегментации перекрывающих друг друга эритроцитов на микроскопических медицинских изображениях клеток крови.

Список литературы

1. Батищев Д.С., Сойникова Е.С., Михелев В.М., Синюк В.Г. 2018. Использование алгоритмов компьютерного зрения для выполнения гематологического анализа на основе кривой Прайс-Джонса. Научные ведомости белгородского государственного университета. Серия: экономика. Информатика. 45 (3): 537-546.

2. Гонсалес Р., Вудс Р. 2005. Цифровая обработка изображений. М.: Техносфера, 1072 с.

3. Камышников В. 2015. Методы клинических лабораторных исследований (6-е издание). ISBN: 978-5-00030-273-6. 8-е изд. перераб., 736 с.

4. Кудрявцев Л.Д. 1981. Гл. 1. Дифференциальное исчисление функций одного переменного. Математический анализ. Москва: «Высшая школа». Т. 1. С. 190-195.

5. Липунова Е.А., Скоркина М.Ю. 2004. Система красной крови: сравнительная физиология. БелГУ. Белгород: БелГУ, 215 с.: ил., табл.

6. Сойникова Е.С., Рябых М.С., Батищев Д.С., Синюк В.Г., Михелев В.М. 2016. Высокопроизводительный метод обнаружения границ на медицинских изображениях. Научный результат. Информационные технологии, 1 (3): 4-9.

7. Сойникова Е.С., Батищев Д.С., Михелев В.М. 2018. О распознавании форменных объектов крови на основе медицинских изображений. Научный результат. Информационные технологии. 3 (3): 54-65.

8. Bai, X., Sun, C., Zhou, F. 2009. Splitting touching cells based on concave points and ellipse fitting. Pattern Recognition 42: 2434-2446.

9. Canny, J. 1986.A computational approach to edge detection, IEEE Transactions on pattern analysis and Machine Intelligence, 8 (6): 679-698.

10. David Douglas, Thomas Peucker. 1973. Algorithms for the reduction of the number of points required to represent a digitized line or its caricature», The Canadian Cartographer 10(2), 112-122.

11. Fitzgibbon, A., Pilu, M., Fisher, R.B. 1999. Direct least square fitting of ellipses. IEEE Transactions on Pattern Analysis and Machine Intelligence 21: 476-480.

12. He, X., Yung, N.: Curvature scale space corner detector with adaptive threshold and dynamic region of support. In: Proceedings of the 17th International Conference on Pattern Recognition. ICPR 2004. (Volume 2.) 791-794.

13.Otsu N. A threshold selection method from gray-level histograms. IEEE Trans. Sys., Man., Cyber.: journal. - 1979. - Vol. 9. - P. 62-66.

14. Park, C., Huang, J.Z., Ji, J.X., Ding, Y.: Segmentation, inference and classification of partially overlapping nanoparticles. IEEE Transactions on Pattern Analysis and Machine Intelligence 35 (2013) 669-681.

15. Pizer Stephen M.et al. Adaptive histogram equalization and its variations. Computer vision, graphics, and image processing. 1987. V.39. No 3. P. 355-368.

16.Satoshi Suzuki, Keiichi Abe. New fusion operations for digitized binary images and their applications. IEEE Transactions on Pattern Analysis and Machine Intelligence. Volume: PAMI-7, Issue: 6, Nov. (1985) 638-651.

17. Urs Ramer. An iterative procedure for the polygonal approximation of plane curves. Computer Graphics and Image Processing, 1(3), 1912, 244-256.

18. Z Zafari S., Eerola T., Sampo J., Kalviainen H., Haario H. Segmentation of partially overlapping nanoparticles using concave points. In: Advances in Visual Computing, Springer, 2015, 187-197.

19. Zafari S., Eerola T., Sampo J., Kalviainen H., Haario H. H. Segmentation of overlapping elliptical objects in silhouette images. IEEE Transactions on Image Processing24(12), 2015, 5942-5952.

20. Zafari S., Eerola T., Sampo J., Kalviainen H., Haario H. Comparison of concave point detection methods for overlapping convex objects segmentation. In: 20th Scandinavian Conference on Image Analysis. SCIA 2017,June12-14, 2017, 245-256.

21. Zhang, W.H., Jiang, X., Liu, Y.M.: A method for recognizing overlapping elliptical bubbles in bubble image. Pattern Recognition Letters (2012) 33(12), 1543-1548.

References

1. Batishhev D.S., Sojnikova E.S., Mihelev V.M., Sinjuk V.G. 2018. Performing a hematological analysis Price-Jones Using a computer vision algorithms to perform hematological analysis based on the Price- Jones curve. Nauchnye vedomosti belgorodskogo gosudarstvennogo universiteta. Serija: jekonomika. Informatika. 45 (3): 537-546. (in Russian)

2. Gonsales R., Vuds R. Digital image processing. M.: Tehnosfera, 2005. 1072 s. (in Russian)

3. Kamyshnikov V. 2015. Clinical laboratory research methods (6th edition). ISBN: 978-5-00030273-6. 8-e izd. pererab., 736 s. (in Russian)

4. Kudrjavcev L.D. 1981. Gl. 1. Differential calculus of functions of one variable. Matematicheskij analiz. - Moskva: «Vysshaja shkola», T. 1. S. 190-195. (in Russian)

5. Lipunova E.A., Skorkina M.Ju. 2004. The red blood system: comparative physiology.

6.. BelGU. - Belgorod: BelGU, 215 s.: il., tabl. (in Russian)

7. Sojnikova E.S., Rjabyh M.S., Batishhev D.S., Sinjuk V.G., Mihelev V.M., 2016. High-performance method for detecting a boundary of medical images. Nauchnyjre zul'tat. Informacionnye tehnologii, 1(3): 4-9. (in Russian)

8. Sojnikova E.S., Batishhev D.S., Mihelev V.M. 2018. Recognition of shaped blood objects based on medical images. Nauchnyj rezul'tat. Informacionnye tehnologii. 3 (3): 54-65. (in Russian)

9. Bai, X., Sun, C., Zhou, F. 2009. Splitting touching cells based on concave points and ellipse fitting. Pattern Recognition 42: 2434-2446.

10. Canny, J. 1986.A computational approach to edge detection, IEEE Transactions on pattern analysis and Machine Intelligence, 8 (6): 679-698,

11. David Douglas, Thomas Peucker. 1973. Algorithms for the reduction of the number of points required to represent a digitized line or its caricature», The Canadian Cartographer 10(2), 112-122.

12. Fitzgibbon, A., Pilu, M., Fisher, R.B. 1999. Direct least square fitting of ellipses. IEEE Transactions on Pattern Analysis and Machine Intelligence 21: 476-480.

13. He, X., Yung, N. 2004. Curvature scale space corner detector with adaptive threshold and dynamic region of support. In: Proceedings of the 17th International Conference on Pattern Recognition. ICPR. (Volume 2.) 791-794.

14.Otsu N. 1979. A threshold selection method from gray-level histograms. IEEE Trans. Sys., Man., Cyber.: journal. Vol. 9. P. 62-66.

15. Park, C., Huang, J.Z., Ji, J.X., Ding, Y. 2013. Segmentation, inference and classification of partially overlapping nanoparticles. IEEE Transactions on Pattern Analysis and Machine Intelligence. 35: 669-681.

16. Pizer Stephen M. et al. 1987. Adaptive histogram equalization and its variations. Computer vision, graphics, and image processing. 39 (3): 355-368.

17.Satoshi Suzuki, Keiichi Abe. 1985. New fusion operations for digitized binary images and their applications. IEEE Transactions on Pattern Analysis and Machine Intelligence. Volume: PAMI-7, Issue: 6, Nov. 638-651.