ДОНЕЦЬКИЙ НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ
МАРТИНЕНКО ТЕТЯНА ВОЛОДИМИРІВНА
УДК 004.048+004.932
Інструментальні засоби обробки зображень гістологічних зрізів на основі
еволюційних моделей
05.13.06 – Автоматизовані системи управління і прогресивні
інформаційні технології
АВТОРЕФЕРАТ
дисертації на здобуття наукового ступеня
кандидата технічних наук
Донецьк– 2007Дисертацією є рукопис.
Роботу виконано на кафедрі “Автоматизовані системи управління” ДВНЗ
“Донецький національний технічний університет” Міністерства освіти і
науки України.
Науковий керівник: доктор технічних наук, професор
Скобцов Юрій Олександрович,
завідувач кафедри “Автоматизовані системи управління” ДВНЗ “Донецький
національний технічний університет”,
м. Донецьк.
Офіційні опоненти: доктор технічних наук, професор
Антощук Світлана Григорівна,
завідувач кафедри “Інформаційні системи”
Одеського національного політехнічного
університету,
м. Одеса
кандидат технічних наук
Григор’єв Андрій Вікторович,
доцент кафедри “Комп’ютерні технології”
Донецького національного університету,
м. Донецьк.
Захист відбудеться “25” жовтня 2007 р. о 13 годині на засіданні
спеціалізованої вченої ради К 11.051.08 у Донецькому національному
університеті за адресою: 83055, м. Донецьк, пр. Театральний, 13, корп.
4, ауд. 416.
З дисертацією можна ознайомитися в бібліотеці Донецького національного
університету за адресою: 83055, м. Донецьк,
вул. Університетська, 24, гол. корпус.
Автореферат розісланий “24” вересня 2007 р.
Вчений секретар спеціалізованої
вченої ради К 11.051.08 ___________________ Шевцов Д.В.
Загальна характеристика роботи
Актуальність теми. Комп’ютерні системи діагностики (КСД), що базуються
на аналізі візуальної інформації, використовуються в багатьох галузях
науки і техніки для вирішення таких завдань, як виявлення облич,
розпізнавання слів, у медичній і технічній діагностиці, у системах
безпеки тощо. Враховуючи кількість оброблюваної діагностичної
інформації, застосування інформаційних технологій в КСД набуває великого
соціально-економічного значення. Актуальність задачі підвищення
ефективності комп’ютерних систем діагностики зумовлена як широким
спектром застосування КСД, так і відсутністю точних методів та
алгоритмів обробки і сегментації зображень.
Актуальність задачі виявлення пухлинних клітин визначається зростанням
відсотка ракових захворювань, які є другою за частотою причиною
смертності в розвинених країнах. Численні медико-соціологічні
дослідження показують, що приблизно 33% людей або мають онкологічні
захворювання, або з певною вірогідністю можуть ними захворіти.
Успішність лікування раку багато в чому залежить від ранньої діагностики
і вибору методу лікування. Тому особливо важливим є завдання ранньої
діагностики ракових пухлин, визначення відмінності злоякісної структури
від здорової і ступеня злоякісності.
Для діагностики і прогнозування розвитку новоутворень обов’язковим є
гістологічне дослідження атипових клітинних структур. Зараз аналіз
зображень гістологічних зрізів проводиться вручну лікарями морфологами,
і висновок про наявність тих або інших ознак злоякісності значно
залежить від лікаря, який аналізує знімок. Комп’ютерна обробка
зображення дозволяє робити об’єктивну оцінку зображень, підвищити
точність діагнозу, що встановлюється, і швидкість обробки інформації.
Автоматизація аналізу морфології гістологічних зрізів дозволяє підвищити
точність виявлення змін внутрішніх органів при онкологічних
захворюваннях і прискорити процес обробки препаратів, і тим самим
розширює можливості профілактики і запобігання появи злоякісних
новоутворень. Проте складність отримання якісних гістологічних
препаратів і висока варіабельність більшості гістологічних структур не
дозволили до цього часу розробити ефективних методів обробки і
сегментації зображень гістологічних зрізів у діагностиці ракових
захворювань.
Слід зазначити, що існуючі моделі, алгоритми та розроблені на їх основі
інструментальні засоби використовують підстроювання значень параметрів і
послідовностей операторів обробки зображень вручну, що, як правило,
призводить до зниження якості обробки та сегментації зображень. Тому, не
зважаючи на дослідження, що проводилися до теперішнього часу, задача
обробки і сегментації зображень гістологічних зрізів залишається
актуальною.
Зв’язок роботи з науковими програмами, планами, темами. Робота
виконувалась на кафедрі “Автоматизовані системи управління” ДВНЗ
“Донецький національний технічний університет”. Розроблені
інструментальні засоби були використані під час виконання
науково-дослідницьких робіт: Н-3-07 “Розробка наукових основ побудови
комп’ютерних систем технічної і медичної діагностики”, Д-11-07 “Розробка
та дослідження еволюційних та нейромережевих моделей, методів та
алгоритмів в системах діагностики та прогнозування” (номер державної
реєстрації 0107U001482), у яких автор брав участь як виконавець.
Мета роботи: підвищення ефективності інструментальних засобів обробки
зображень гістологічних зрізів за рахунок використання еволюційного
моделювання.
Для досягнення поставленої мети необхідно вирішити такі основні задачі:
провести аналіз кольорових зображень гістологічних зрізів, виділити їх
типові компоненти і визначити особливості, з урахуванням яких виконати
математичну постановку задачі обробки кольорових зображень гістологічних
зрізів;
розробити метод для визначення раціональних значень параметрів
сегментації кольорових зображень гістологічних зрізів та розробити
критерії для оцінки якості сегментації;
розробити метод для побудови ефективних алгоритмів обробки кольорових
зображень гістологічних зрізів, а також розробити основні критерії для
оцінки ефективності побудованих алгоритмів;
розробити інструментальні засоби обробки і сегментації кольорових
зображень гістологічних зрізів за допомогою запропонованого підходу;
на основі аналізу отриманих результатів з використанням запропонованих
інструментальних засобів розробити практичні рекомендації з побудови
ефективних алгоритмів обробки зображень гістологічних зрізів.
Об’єктом дослідження є цифрові зображення гістологічних зрізів для
діагностики ракових захворювань.
Предметом досліджень є методи і алгоритми обробки зображень
гістологічних зрізів під час діагностики онкологічних захворювань.
Методи дослідження. У роботі застосовані еволюційні методи оптимізації
(для визначення раціональних значень сегментації), генетичне
програмування, методи цифрової обробки зображень (для синтезу ефективних
алгоритмів обробки і сегментації зображень), системний аналіз (для
побудови структури інструментальних засобів обробки і сегментації
зображень гістологічних зрізів).
Наукова новизна отриманих результатів
1. Вперше запропоновано новий метод кодування потенційних рішень у
вигляді складних хромосом, що дозволило застосувати еволюційний підхід
для синтезу ефективних алгоритмів обробки зображень гістологічних
зрізів.
2. Розроблено новий метод на базі модифікованого генетичного алгоритму
для визначення раціональних значень параметрів сегментації кольорових
зображень гістологічних зрізів, що дозволяє підвищити ефективність
обробки зображень гістологічних зрізів у середньому на 23% порівняно з
відомими методами.
3. Вперше запропоновано новий еволюційний метод на базі генетичного
програмування, що відрізняється від існуючих мережевою структурою
представлення хромосом, для якого розроблені проблемно-орієнтовані
оператори кросинговера і мутації, що дозволяє підвищити швидкість
збіжності еволюційного процесу та точність синтезованих алгоритмів
обробки зображень.
4. Визначені раціональні значення параметрів розроблених еволюційних
методів обробки кольорових зображень гістологічних зрізів, що дозволило
підвищити точність сегментації.
Практичне значення отриманих результатів
1. На базі запропонованих еволюційних методів розроблено структуру і
реалізовано інструментальні засоби обробки і сегментації зображень
гістологічних зрізів, що забезпечують високу ефективність діагностики
ракових захворювань.
2. Застосування розроблених інструментальних засобів привело до
збільшення точності сегментації зображень гістологічних зрізів у
середньому на 17%.
3. Результати експериментальних досліджень і основані на них
рекомендації зі зміни значень параметрів генетичних алгоритмів обробки і
сегментації зображень гістологічних зрізів і їх програмна реалізація
передані у відділення паталогічної анатомії Донецького обласного
клінічного територіального медичного об’єднання (ДОКТМО). Їх
використання дозволило підвищити ефективність діагностики ракових
захворювань без додаткових витрат, удосконалити систему обробки і
класифікації зображень гістологічних зрізів.
4. Результати дисертаційної роботи використано під час виконання
науково-дослідницьких робіт Н-3-07, Д-11-07 і в навчальному процесі
кафедри “Автоматизовані системи управління” ДВНЗ “Донецький національний
технічний університет”.
Особистий внесок здобувача. Всі основні положення, теоретичні і
практичні результати дисертаційної роботи, що виносяться на захист,
отримані автором самостійно.
Апробація результатів дисертації. Основні положення і результати
дисертаційної роботи доповідалися і обговорювалися на: II
науково-практичній конференції “ДОНБАС-2020: наука і техніка –
виробництву” (Донецький національний технічний університет, м. Донецьк,
2004 р.); II міжнародній науковій конференції “Інтелектуальні системи
прийняття рішень і прикладні аспекти інформаційних технологій
(ISDMIT’2006)” (м. Євпаторія, 2006 р.); IX науково-практичній
міжнародній конференції “Інформаційні технології в освіті та управлінні”
(м. Нова Каховка, 2007 р.).
Публікації. За темою дисертації опубліковано 6 наукових публікацій, з
них 4 – в провідних науково-технічних збірниках, затверджених ВАК
України, а інші в збірниках праць конференцій.
Структура і обсяг роботи. Дисертаційна робота складається із вступу,
п’яти розділів, висновків, списку використаної літератури (122 позиції),
4 додатків. Містить 47 рисунків, 7 таблиць. Повний обсяг дисертації –
131 сторінка машинописного тексту.
ОСНОВНИЙ ЗМІСТ РОБОТИ
У вступі обґрунтовано актуальність теми дисертації, показано її наукову
і практичну цінність, сформульовані мета і задачі дослідження, які
необхідно вирішити для її досягнення. Подано коротку характеристику
результатів досліджень, ступінь їх апробації і публікації, структуру
роботи.
У першому розділі дисертації проведено аналіз сучасного стану систем
обробки зображень і методів представлення та обробки візуальної
інформації, складено узагальнену функціональну схему систем обробки і
класифікації медичних зображень (СОКМЗ). На основі аналізу зображень
гістологічних зрізів виділено їх типові компоненти: розміри і форма
клітин, ядер, ядерно-цитоплазматичне відношення, ядерця та ін. Виконано
огляд існуючих сучасних автоматизованих систем, що ґрунтуються на
аналізі візуальної інформації, який показав, що дані системи мають
низьку точність сегментації зображень гістологічних зрізів, а також у
них відсутній ефективний автоматичний підбір значень параметрів і
послідовностей операторів обробки зображень.
Проведено аналіз і класифікацію сучасних математичних методів обробки і
розпізнавання зображень, який показав необхідність подальшого розвитку
алгоритмів і моделей обробки та сегментації зображень. На основі аналізу
виконано постановку задачі і вибрано еволюційні методи для розробки
інструментальних засобів обробки зображень гістологічних зрізів.
Другий розділ присвячений розробці модифікованого генетичного алгоритму
для сегментації кольорових зображень гістологічних зрізів, в яких
класифікація здійснюється незалежно від розташування елементів.
Для вирішення поставленого завдання запропанована покрокова процедура
обробки зображення:
– операція обробки зображення (ООЗ); PS – набір значень параметрів
ООЗ; n – номер операції обробки зображення (ООЗ), що здійснюється
послідовно; i – порядковий номер ООЗ з набору доступних; Nn – набір
проміжних зображень, що отримані на попередніх кроках та на базі яких
будується зображення Мn :
. ( SEQ Формула \* ARABIC \s 1 2 )
Оскільки не відомо, яка саме кольорова схема забезпечить найбільш
ефективну процедуру сегментації, то запропоновано надавати вхідне
зображення як набір кольорових площин:
. ( SEQ Формула \* ARABIC \s 1 3 )
Кожна кольорова площина містить значення пікселів зображення в одній з
кольорових схем (КС): RGB, HLS, Lab і Luv.
Отже, перші 12 кольорових площин фіксовані:
( SEQ Формула \* ARABIC \s 1 4 )
Таким чином, для вирішення поставленого завдання достатньо застосувати
до однієї з кольорових площин послідовно дві операції:
, ( SEQ Формула \* ARABIC \s 1 6 )
де ClipLo – операція граничного обмеження, при якому всі значення
пікселів КС за номером field (field ( {0, 1, 2, …, 11}) нижчі за
значення параметра CL (CL ( [0…255]), встановлюються в 0, а інші
зберігають свої значення; ClipHi – всі значення пікселів, які
перевищують значення параметра CH (CH ( [0…255]), встановлюються в 0, а
інші в 1.
У результаті виконання приведених операцій отримуємо бінарне зображення
M13.
Задача синтезу ефективного алгоритму обробки і сегментації зображення
полягає в тому, щоб для зображень заданого виду гістологічного
дослідження визначити таку послідовність операторів обробки зображень з
відповідними значеннями параметрів, при яких критерій оцінки якості
сегментації F(Z) прагне до екстремуму:
. ( SEQ Формула \* ARABIC \s 1 7 )
Точність обробки зображень визначається за допомогою оцінки цільової
функції (ЦФ) F, яку залежно від специфіки виду гістологічного
дослідження запропоновано обчислювати двома способами:
1. Якщо аналіз гістологічного дослідження не залежить від
взаєморозташування елементів на зображенні, то як ЦФ запропоновано
використовувати мінімізацію відхилення отриманої кількості елементів від
кількості елементів, визначеної за навчальною вибіркою (з відомими
результатами класифікації).
), ( SEQ Формула \* ARABIC \s 1 8 )
де Nj – кількість елементів зображення гістологічного зрізу, отримана за
допомогою багатовимірної порогової сегментації; Kj – кількість
елементів, отримана з навчальної вибірки; С – кількість класів
елементів.
2. Функція F2 визначається шляхом порівняння сегментованого зображення
Mk із зображенням з навчальної вибірки Gl:
, ( SEQ Формула \* ARABIC \s 1 9 )
де D – міра відмінності між еталоном Gl і зображенням Mk:
. ( SEQ Формула \* ARABIC \s 1 10 )
Подібність з еталоном існує, якщо
, ( SEQ Формула \* ARABIC \s 1 11 )
де LD – обране граничне значення.
Для вирішення поставленої задачі запропоновано використовувати цільову
функцію:
дозволяє здійснити підстроювання систематичної помилки пошуку залежно
від найвищої чутливості SV (високе значення б, близьке до 1) і від
найвищої специфічності SP (низьке значення б, близьке до 0).
, ( SEQ Формула \* ARABIC \s 1 14 )
де TP – кількість правильно знайдених значень позитиву, FP – кількість
неправильно знайдених значень позитиву, TN – кількість правильно
знайдених значень негативу, FN – кількість неправильно знайдених значень
негативу.
Структуру хромосоми – потенційного рішення для пошуку раціональних
значень параметрів сегментації кольорових зображень гістологічних
зрізів, можна представити таким чином:
Рис. 1. Інформаційна схема ефективної обробки зображень з використанням
генетичних алгоритмів
, ( SEQ Формула \* ARABIC \s 1 15 )
де j – номер особини в популяції.
Інформаційну схему ефективної обробки зображень з використанням
генетичних алгоритмів (ГА) подано на рис. 1.
Еволюційний процес виконується для всіх зображень навчальної вибірки з
різними наборами значень параметрів. Набір параметрів, що забезпечує
отримання найкращого результату Chrw, зберігається в “кінцевому
репозиторії генотипу”, якщо набуте задовільне значення цільової функції
(ЦФ). Після визначення значення ЦФ запис, що містить дані про генотип,
значення ЦФ і ідентифікатор фенотипу (Chrkj, Fj, k, j, h) записується в
базу даних – “репозиторій оцінки”. Далі з репозиторію оцінки видаляються
всі особини, значення ЦФ яких перевищує ph. У свою чергу ph визначається
за ЦФ і віком особини (відповідне значення h).
У третьому розділі здійснюється розробка еволюційного алгоритму для
побудови ефективних алгоритмів обробки і сегментації зображень (ОСЗ)
гістологічних зрізів.
На відміну від попередньої задачі при сегментації зображень
гістологічних зрізів, таких як лімфатичні вузли та залози необхідно
враховувати розташування структурних елементів. У зв’язку з цим рішення
даної задачі може бути проведене в два етапи: на першому здійснюється
обробка зображення з метою виділення областей інтересу; на другому –
сегментація і аналіз зображення. Обидва цих етапи можуть бути
представлені у вигляді послідовності операторів обробки зображень.
Запропоновано реалізувати підбір їх ефективної послідовності за
допомогою еволюційного програмування.
Реалізація еволюційного процесу передбачає вирішення наступних основних
задач: кодування особин, вибір цільової функції і оператора репродукції,
розробка проблемно-орієнтованих операторів кросинговера і мутації.
Запропоновано кодувати потенційне рішення поставленої задачі хромосомою,
представленою у вигляді:
, ( SEQ Формула \* ARABIC \s 1 16 )
де mj – ген, що кодує операцію обробки зображення з відповідними
значеннями параметрів сегментації, l – довжина хромосоми, i – номер
особини в популяції.
Для вирішення задачі сегментації зображень гістологічних зрізів
запропоновано кожен ген представити у вигляді:
, ( SEQ Формула \* ARABIC \s 1 17 )
де propj – стандартна операція обробки зображення, rpj – вектор вхідних
площин, wpj – вектор вихідних площин, paramj – вектор параметрів
операції обробки зображення.
Параметри можуть бути цілочисельними, дійсними або такими, що визначають
категорію. Вхідні площини M0…M11 виходять представленням початкового
зображення в системах координат кольору: RGB, HLS, Lab, Luv і значення
контрастності. Вихідні площини M12..Md виходять у результаті обробки і
можуть служити вхідними площинами для інших ген.
Під час формування множини можливих рішень використовується набір
стандартних операторів обробки зображень (генофонд СОКМЗ), який може
змінюватися залежно від області застосування. У таблиці 1 подано набір
стандартних просторових, логічних і порогових операторів.
Таблиця 1
Стандартні оператори обробки зображень, що входять до складу ГП
№ ЗП Позначення гена Операція обробки зображення Кількість
входів виходів параметрів
1 AddP Додає площину 2 1 0
AddS Додає скаляр 1 1 1
SubP Віднімає площину 2 1 0
Diff Абсолютна різниця 2 1 0
NDI Індекс нормалізованої різниці 2 1 0
MultS Множення на скаляр 1 1 1
Neg Інвертування площини 1 1 0
Продовження таблиці 1
№ ЗП Позначення гена Операція обробки зображення Кількість
входів виходів параметрів
MultP Множення площин 2 1 0
SqrtP Корінь квадратний 1 1 0
SqrP Квадрат 1 1 0
MinP Мінімум 2 1 0
MaxP Максимум 2 1 0
IfEl Якщо менше, то інакше 1 1 1
ClipHi Граничне обмеження високих значень яскравостей 1 1 1
ClipLo Граничне обмеження низьких значень яскравостей 1 1 1
Thresh Поріг 1 1 1
Laplac3 Оператор Лапласа 3×3 1 1 0
Laplac5 Оператор Лапласа 5×5 1 1 0
Morph Laplac Морфологічний оператор Лапласа 1 1 1
IsoGrad Ізотропічний градієнт 1 1 0
Range Ранжирування 1 1 1
Erod Ерозія 1 1 2
Dil Нарощування 1 1 2
Open Відкриття 1 1 2
Clos Закриття 1 1 2
OpCl Відкриття-закриття 1 1 2
ClOp Закриття-відкриття 1 1 2
TopHat Циліндр 1 1 2
AreaP Площа 1 1 0
Ext Ексцентриситет 1 1 0
Perimeter Периметр 1 1 0
Distance Відстань 2 1 0
Основні математичні операції: AddS додає до входу скалярну величину (яка
в загальному випадку може бути негативною). Diff аналогічний операторові
SubP, але вихідна площина містить модуль різниці вхідних площин. NDI
аналогічний операторові SubP, але ділить результат на суму двох входів.
Операції MinP і MaxP відповідають попіксельному знаходженню максимуму і
мінімуму, що еквівалентно AND і OR для бінарних входів.
Оператори сусідства обробляють єдину вхідну площину і отримують вихідну.
Вихід кожного пікселя визначається перевіркою сусідів пікселя. Решта
операторів становлять добре відомі функції обробки зображень або
морфологічні оператори. Більшість із них мають один параметр, який
визначає радіус кругового структурного елемента для визначення сусідів,
до яких оператор застосовується.
Обмеження на формування хромосоми: кожен ген mj у якості вхідних даних
може використовувати тільки площини даних M0…M11, або проміжні площини
M12…Md, визначені в одному з попередніх генів.
Алгоритм обробки зображення, представлений окремою хромосомою, може бути
представленим у вигляді направленого ациклічного графа (рис. 2), де
нетермінальні вузли є стандартними операторами обробки зображень,
кінцеві вузли – вихідними, а вершини – вхідними площинами зображення. У
загальному випадку можлива не деревоподібна, а мережева структура.
ref SHAPE \* MERGEFORMAT
Рис. 2. Мережеве представлення хромосоми
Z
^
h
j
A
Ae
ae
//////iia/////////////////
–
NP?oae
ae
^eeTHTHTHTHTHTHTHTHTHTHTHTHTHTHTHTHTHTHOOTHTH
sYY
afaef:hfh¬h®h’iei jZj?——Q——Ekde
jO
EyEy>zjz?z?zoz${l{?±«cZN«c
h
????
????
????
????
????
????
????
????
????
????l????
????
????
????
????
????
????
????
????
????
????
????
????
????
????
????
????
????
????
????
????
????
????
????
????
????
?u?t¬(?D88888
h
??????? тимчасову площину М12. Після виконання алгоритму виходить набір
площин M12…Md, які є проміжними зображеннями, що формуються на
відповідних кроках обробки. Отриманий набір оцінюється з точки зору
значень ЦФ і в якості вихідного приймається програмний блок, що
приводить до кращого рішення.
Для отримання найбільш ефективних алгоритмів обробки зображення за
допомогою ГП і для визначення найкращої ідентифікації окремого класу
завдань аналізу зображень ґрунтуючись на поняттях чутливості (13) і
специфічності (14), розроблена цільова функція:
, ( SEQ Формула \* ARABIC \s 1 18 )
де в – штраф глибини програмного графа, який визначається за формулою:
, ( SEQ Формула \* ARABIC \s 1 19 )
де d – кількість вузлів поточної особини, md – параметр ГП, відповідний
максимальній глибині графа.
Щоб уникнути випадкового вибору точок кросинговера і зберегти правильні
рішення в процесі еволюції, пропонується ставити у відповідність кожному
ребру програмного графа ваговий коефіцієнт несумісності Kнc, що визначає
наскільки два вузли пов’язані один з одним. Застосування адаптивного
оператора кросинговера на основі коефіцієнта несумісності подано на рис.
3.
ref SHAPE \* MERGEFORMAT
Рис. 3. Застосування адаптивного оператора кросинговера на основі
значення коефіцієнта несумісності
Запобігання зацикленню еволюційного процесу здійснюється за рахунок
обмеження кількості ітерацій. Якщо після виконання певної кількості
ітерацій ефективна програма не була виявлена, то необхідно зупинити
процес пошуку і помістити копію програми в наступне покоління.
У четвертому розділі проведено перевірку працездатності і ефективності
розроблених еволюційних алгоритмів, визначено раціональні значення їх
параметрів.
Для проведення експериментальних досліджень було застосовано відібраний
набір зображень зрізів, отриманий на базі відділення патологічної
анатомії Донецького обласного клінічного територіального медичного
об’єднання.
Сплановано і проведено серію експериментів для визначення раціональних
значень параметрів еволюційного процесу. Аналіз даних, представлених
графіком залежності цільової функції fC від кількості поколінь і
потужності популяції для ГА з підбору раціональних значень параметрів
сегментації (рис. 4, де криві 1 – для 25 хромосом; 2 – для 50 хромосом;
3 – для 75 хромосом; 4 – для 100 хромосом; 5 – рішення, отримане за
допомогою методу k-середніх) показав, що раціональними значеннями
параметрів ГА доцільно обирати потужність популяції, що дорівнює 100 при
кількості поколінь 8, оскільки при цих значеннях параметрів
спостерігається збільшення значення функції fС.
Аналіз результатів експериментальних досліджень залежності цільової
функції fD від кількості поколінь CG (рис. 5, де криві 1 – для 25
хромосом; 2 – для 50 хромосом; 3 – для 75 хромосом; 4 – для 100
хромосом; 5 – рішення, отримане за допомогою методу k-середніх) показав,
що максимальне значення fD досягнуте при потужності популяції, що
дорівнює 50, і кількості поколінь, що дорівнює 8. Набуті значення
запропоновано прийняті як раціональні.
Отримана на підставі експериментальних досліджень залежність (рис. 6, де
криві відповідають різним вірогідностям мутації (PM): 1 – 0,01; 2 –
0,05; 3 – 0,1; 4 – 0,15) дозволила встановити, що при зміні вірогідності
адаптивного кросинговера (РАС) на інтервалі (0,25;1) функція fC досягає
свого максимального значення при розглянутих значеннях вірогідності
мутації. Аналіз експериментальних досліджень (рис. 6) показав, що
використання адаптивного оператора кросинговера на основі значення
коефіцієнта несумісності не залежить від значень вірогідності мутації і
кросинговеру.
Аналіз даних, представлених у вигляді графіка (рис. 7), дозволив
встановити, що використання адаптивного оператора кросинговера на основі
значення коефіцієнта несумісності покращує швидкість збіжності
еволюційного процесу в середньому на 28%.
Узагальнені дані про отримані результати ГА за визначенням раціональних
значень параметрів сегментації наведені в таблиці 2.
Таблиця 2
Основні результати експериментальних досліджень
для ГА з підбору раціональних значень параметрів сегментації
Параметр Цільова функція
Найменування Позначення fA fB fC
Потужність популяції SPOP 100 25 25
Кількість поколінь СG 8 6 7
Вірогідність мутації PM 0,07 0,09 0,06
Основні результати експериментальних досліджень для ГА з побудови
ефективних алгоритмів обробки і сегментації зображень гістологічних
зрізів зведені в таблицю 3.
Таблиця 3
Основні результати експериментальних досліджень
.
П’ятий розділ присвячений розробці структури інструментальних засобів
обробки зображень гістологічних зрізів на основі розроблених еволюційних
моделей.
Інструментальні засоби мають модульну структуру і складаються з
наступних основних підсистем (рис. 8):
підсистема обробки зображень;
підсистема підбору раціональних значень параметрів сегментації;
підсистема побудови ефективних алгоритмів обробки і сегментації
зображень гістологічних зрізів.
Інструментальні засоби реалізовані з використанням інтегрованого
середовища розробки Delphi 7.0. Розроблена база даних (БД) у форматі
СУБД Paradox 7.0, у якій передбачено зберігання отриманих значень
параметрів сегментації і ефективних алгоритмів обробки зображень
гістологічних зрізів. Підсистема обробки зображень містить набір
операторів обробки зображень і морфологічних операторів. Також
підсистема містить процедури обчислення значень цільових функцій. У
випадку, якщо в системі вже існує побудований алгоритм для даного виду
гістологічного дослідження, то підсистема обробки зображень організує
введення відповідної інформації з БД. Далі відбувається послідовне
застосування операторів обробки зображень з розрахованими значеннями
параметрів.
Рис. 8. Структура інструментальних засобів обробки зображень
гістологічних зрізів на основі еволюційних моделей
Підсистема підбору раціональних значень параметрів сегментації дозволяє
знайти значення коефіцієнтів для відсікання за низькими і високими
значеннями яскравості обраної площини даних. Результати подаються у
вигляді числових значень параметрів вихідної площини зображення. За
бажанням особи, що ухвалює рішення (ОУР), значення коефіцієнтів можуть
бути занесені в БД, а вихідна площина збережена на жорсткий диск. У
підсистему підбору раціональних значень параметрів сегментації входить
модуль стандартного генетичного алгоритму, що дозволяє здійснювати
механізми селекції, мутації і репродукції та стратегію елітарного
відбору.
Підсистема побудови ефективних алгоритмів обробки і сегментації
зображень гістологічних зрізів дозволяє визначити ефективну
послідовність операцій обробки зображень з відповідними значеннями
раціональних параметрів. Результатом роботи підсистеми є номери
операторів обробки зображень із заздалегідь визначеного набору, значення
їх параметрів, а також результуюча площина. У випадку, якщо
достовірність результатів, представлених на вихідній площині зображення,
обробленої за допомогою побудованого алгоритму є затвердженою ОУР, то
отриманні значення записуються в БД.
Модифікована еволюційна програма здійснює оператори мутації вузлів
програмного графа і кросинговера на основі значення коефіцієнта
несумісності.
Розроблений модуль, у якому є можливість задавати значення наступних
параметрів еволюційного процесу для підвищення ефективності алгоритмів
обробки і сегментації зображень гістологічних зрізів:
вибір типу операторів мутації і кросинговеру, а також значення
вірогідності їх виконання;
критерій зупинки алгоритму;
вибір цільової функції (fC, fD);
початкові параметри генетичного алгоритму (потужність популяції,
кількість поколінь, стратегія відбору, довжина хромосоми).
База даних призначена для зберігання інформації про послідовність
операторів обробки зображень з відповідними значеннями параметрів для
кожного виду гістологічного дослідження і складається з 4 таблиць
формату СУБД Paradox 7.0. База даних включає наступні таблиці:
довідник видів гістологічних досліджень (HistKind);
дані з операцій обробки і сегментації зображень для виду гістологічного
дослідження (IPO_Alg);
набір вхідних площин для кожного алгоритму (R_Planes);
набір значень параметрів операції обробки зображень (IPO_Param);
види параметрів операцій обробки зображень (Param).
Запропонований спосіб реалізації має модульну структуру, що складається
з підсистеми підбору раціональних значень параметрів сегментації і
підсистеми побудови ефективних алгоритмів обробки і сегментації
зображень гістологічних зрізів, які можуть використовуватися незалежно
один від одного, а також можуть застосовуватися незалежно від об’єкту і
бути застосовані до різноманітних зображень без перебудови внутрішньої
структури.
ВИСНОВКИ
У дисертаційній роботі подано нове рішення актуальної наукової задачі
створення інструментальних засобів обробки зображень гістологічних
зрізів, побудованих на основі еволюційних моделей. Створені засоби
дозволяють підвищити достовірність виявлення змін внутрішніх органів при
онкологічних захворюваннях і прискорити процес обробки препаратів, а
також розширюють можливості профілактики і запобігання появі злоякісних
новоутворень.
При проведенні досліджень отримані наступні основні результати:
1. На основі аналізу кольорових зображень гістологічних зрізів виділено
їх типові компоненти, сформульовано математичну постановку задачі.
2. Розроблено метод на базі модифікованого генетичного алгоритму, який
дозволяє визначати раціональні значення параметрів сегментації
кольорових зображень гістологічних зрізів, що підвищує ефективність
алгоритму обробки і сегментації зображень гістологічних зрізів порівняно
з відомими методами у середньому на 23%.
3. Запропоновано метод на основі генетичного програмування, для якого з
урахуванням особливостей об’єкту дослідження розроблено мережеву
структуру представлення хромосом, що дозволяє розширити можливості і
підвищити точність обробки і сегментації зображень гістологічних зрізів
у середньому на 17%.
4. Розроблено проблемно-орієнтований оператор кросинговера на основі
значення коефіцієнта несумісності, що забезпечує збільшення швидкості
збіжності еволюційного процесу і підвищення точності сегментації у
середньому на 28% та 7% відповідно.
5. Для модифікованого генетичного алгоритму і розробленої еволюційної
програми визначено раціональні значення параметрів: потужність
популяцій, кількість поколінь, вірогідність кросинговера і мутації, що
забезпечують визначення ефективних значень обраних критеріїв.
6. Розроблено інструментальні засоби, які побудовані на основі
еволюційних моделей, що ведуть до поліпшення ефективності обробки
зображень гістологічних зрізів.
7. Розроблені інструментальні засоби обробки зображень гістологічних
зрізів і практичні рекомендації передані у відділення патологічної
анатомії Донецького обласного клінічного територіального медичного
об’єднання і використовуються при діагностиці ракових захворювань.
Отримані в роботі результати можуть застосовуватися також для обробки
різних зображень без перебудови внутрішньої структури.
8. Результати, отримані в дисертаційній роботі, використані в
науково-дослідницьких роботах ДВНЗ “Донецький національний технічний
університет” Н-3-07, Д-11-07, а також в навчальному процесі кафедри
“Автоматизовані системи управління” ДВНЗ “Донецький національний
технічний університет”.
Список робіт з теми дисертації
1. Скобцов Ю.А., Мартыненко Т.В., Белявцев А.А. Обработка изображений
гистологических срезов и распознавание опухолевых клеток // Зб. наук.
пр. ДонНТУ. Серія: Обчислювальна техніка та автоматизація, випуск 74. –
Донецьк: ДонНТУ. – 2004. – С. 160-165.
2. Мартыненко Т.В. Сегментация и классификация цветных изображений
гистологических срезов // Зб. наук. пр. ДонНТУ. Серія: Обчислювальна
техніка та автоматизація, випуск 107. – Донецьк: ДонНТУ. – 2006. – С.
104-110.
3. Скобцов Ю.А., Мартыненко Т.В. Адаптивная сегментация цветных
изображений гистологических срезов на основе эволюционных моделей //
Моделювання та керування станом еколого-економічних систем регіону,
випуск 3. – Національна Академія Наук України. – 2006. – С. 258-266.
4. Скобцов Ю.А., Мартыненко Т.В. Построение эффективных алгоритмов
обработки и распознавания изображений гистологических срезов на основе
эволюционных моделей // Вестник Херсонского национального технического
университета, №4(27). – 2007. – С. 43-48.
5. Скобцов Ю.А., Мартыненко Т.В., Гульков Ю.К., Белявцев А.А. Обработка
изображений гистологических срезов и распознавание опухолевых клеток //
Матеріали ІІ науково-практичної конференції “ДОНБАС-2020: наука і
техніка-виробництву”, – Донецьк: ДонНТУ. – 2004. – С. 566-569.
6. Скобцов Ю.А., Мартыненко Т.В. Адаптивная сегментация цветных
изображений гистологических срезов на основе генетических алгоритмов //
Інтелектуальні системи прийняття рішень та прикладні аспекти
інформаційних технологій: Матеріали міжнародної наукової конференції.
Том 1. – Херсон: Видавництво Херсонського морського інституту, 2005. –
С. 192-195.
У працях, виконаних у співавторстві, особистий внесок здобувача полягає
в наступному: [1, 5] – розробка методів і алгоритмів обробки зображень
гістологічних зрізів, визначення геометричних характеристик
гістологічних елементів на зображеннях; [3, 6] – розробка методу
визначення раціональних значень параметрів сегментації зображень
гістологічних зрізів, визначення структури хромосоми та вибір засобу
кодування; [4] – розробка еволюційної моделі, функціональної та
термінальної множин, цільової функції, проблемно-орієнтованих операторів
кросинговеру і мутації.
Анотація
Мартиненко Т.В. “Інструментальні засоби обробки зображень гістологічних
зрізів на основі еволюційних моделей”. – Рукопис.
Дисертація на здобуття наукового ступеня кандидата технічних наук за
спеціальністю 05.13.06 – “Автоматизовані системи управління та
прогресивні інформаційні технології” – Донецький національний
університет, Донецьк, 2007.
Дисертація присвячена вирішенню проблеми підвищення ефективності
інструментальних засобів обробки зображень гістологічних зрізів з
використанням методів і алгоритмів обробки та сегментації зображень.
Запропоновано метод на основі модифікованого генетичного алгоритму, який
дозволяє визначати раціональні значення параметрів сегментації
кольорових зображень гістологічних зрізів. Також розроблено еволюційний
метод, який має мережеву структуру хромосом і використовує розроблені
проблемно-орієнтовані оператори кросинговеру і мутації. Проведено
дослідження, що дозволяють визначити раціональні значення параметрів
еволюційних алгоритмів, такі як потужність популяції, кількість
поколінь, стратегія відбору, довжина хромосоми, значення ймовірностей
операцій кросинговеру і мутації та ін. Розроблено нову структуру
інструментальних засобів для обробки зображень гістологічних зрізів, що
забезпечує високу ефективність діагностики ракових захворювань.
Ключові слова: інформаційні технології, обробка зображень, еволюційний
алгоритм, генетичний алгоритм, генетичне програмування, сегментація,
кросинговер, мутація, кольорові зображення.
Аннотация
Мартыненко Т.В. “Инструментальные средства обработки изображений
гистологических срезов на основе эволюционных моделей”. – Рукопись.
Диссертация на соискание ученой степени кандидата технических наук по
специальности 05.13.06 – “Автоматизированные системы управления и
прогрессивные информационные технологии” – Донецкий национальный
университет, Донецк, 2007.
Диссертация посвящена решению проблемы повышения эффективности
инструментальных средств обработки изображений гистологических срезов за
счет использования методов и алгоритмов обработки изображений.
В работе проведен анализ изображений гистологических срезов, на основе
которого выделены их типовые компоненты и определены особенности.
Выявлены основные недостатки существующих методов обработки и
распознавания изображений: низкая точность сегментации для изображений
гистологических срезов, а так же отсутствие эффективного автоматического
подбора параметров и последовательностей операторов обработки
изображений. Для преодоления вышеуказанных недостатков предложено
использовать методы эволюционного моделирования.
Разработан метод на основе модифицированного генетического алгоритма для
определения рациональных значений параметров сегментации изображений
гистологических срезов, который в отличие от известных методов позволяет
повысить эффективность алгоритма обработки и сегментации изображений
гистологических срезов.
Предложен эволюционный метод на основе генетического программирования,
для которого с учетом особенностей объекта исследования разработана
сетевая структура представления хромосом. При формировании множества
возможных решений используется набор стандартных операторов обработки
изображений. Для обеспечения большей эффективности оператора
кроссинговера эволюционной программы предложено ввести весовой
коэффициент несовместимости, позволяющий управлять выбором точек
пересечения и объединять вершины графа в эффективные блоки. Для
сохранения правильных решений в процессе эволюции, в соответствие
каждому ребру программного графа ставится весовой коэффициент
несовместимости, зависящий от значения целевой функции программного
блока и определяющий насколько два узла связаны друг с другом. Точка
кроссинговера выбирается в ребре с наибольшим значением коэффициента
несовместимости.
С целью определения рациональных значений параметров эволюционных
алгоритмов, таких как мощность популяции, количество поколений,
стратегия отбора, длина хромосомы, значения вероятностей кроссинговера и
мутации и т.д. на базе паталого-анатомического отделения ДОКТМО была
проведена серия экспериментов. Полученные рациональные значения
позволяют повысить точность сегментации изображений гистологических
срезов в среднем на 17% по сравнению с результатами, полученными по
методу k-средних. Проведенные вычислительные эксперименты позволили
установить, что использование адаптивного оператора кроссинговера на
основе значения коэффициента несовместимости повышает скорость
сходимости эволюционного процесса и точность сегментации изображений
гистологических срезов в среднем на 28% и 7% соответственно.
На базе предлагаемого подхода разработаны инструментальные средства
обработки изображений, использование которых приводит к улучшению
точности сегментации изображений гистологических срезов. Выполнено
обобщение полученных результатов, которые свидетельствуют о том, что
построенные на основе эволюционных моделей алгоритмы обработки и
сегментации изображений гистологических срезов обеспечивают более
высокую эффективность диагностики раковых заболеваний.
Ключевые слова: информационные технологии, обработка изображений,
эволюционный алгоритм, генетический алгоритм, генетическое
программирование, сегментация, кроссинговер, мутация, цветные
изображения.
Abstract
Martynenko T.V. “Tools of images processing of histological cuts based
on evolutionary models”. – Manuscript.
The thesis on scientific degree candidacy in technical science for the
spatiality 05.13.06 – “Automated control systems and progressive
informational technologies” – Donetsk National University, Donetsk,
2007.
The thesis is devoted to the decision increasing of efficiency problem
of histological cuts images processing tools due to use of methods and
algorithms of images processing and segmentation. The method based on
modified genetic algorithm which allows defining parameters rational
values of histological cut colour images segmentation is offered. Also
the evolutionary method with network structure of a chromosome is
proposed and it uses the developed problem-oriented crossover and
mutations operators. Carried out researches allow to determine rational
parameters of evolutionary algorithms, such as power of a population,
count of generations, strategy of selection, length of a chromosome,
value of crossover and mutations probabilities, etc. The new tools for
images processing of histological cuts which provides high efficiency of
cancer diseases diagnostics is developed.
Keywords: information technologies, images processing, evolutionary
algorithm, genetic algorithm, genetic programming, segmentation,
crossover, mutation, color images.
PAGE 19
4
fD
2
Рис. 7. Залежність цільової функції fD від кількості поколінь (CG): 1 –
з використанням класичного оператора кросинговера для дерев; 2 –
адаптивний оператор кросинговера на основі коефіцієнта несумісності
fD
CG
5
3
1
Рис. 5. Залежність цільової функції fD від кількості поколінь (CG) і
потужності популяції для ГА з побудови ефективних алгоритмів обробки і
розпізнавання кольорових зображень гістологічних зрізів
2
4
1
fC
12
1
5
2
3
CG
PАC
1
3
2
4
fD
CG
Рис. 6. Залежність цільової функції fD від вірогідності адаптивного
кросинговера на основі коефіцієнта несумісності (PАC) для ГА з побудови
ефективних алгоритмів обробки і розпізнавання кольорових зображень
гістологічних зрізів
Рис. 4. Залежність цільової функції fС від кількості поколінь (CG) і
потужності популяції для ГА з підбору раціональних значень параметрів
сегментації
Нашли опечатку? Выделите и нажмите CTRL+Enter
