Безэталонные метрики качества изображений клеток крови
DOI:
https://doi.org/10.52575/2687-0932-2023-50-2-380-388Ключевые слова:
обработка изображений, компьютерное зрение, микроскопические изображения крови, оценка качества медицинских изображений, размытие, классификация лейкоцитовАннотация
В работе рассматривается проблема оценки качества медицинских изображений,
в частности изображений клеток крови, полученных с помощью цифрового микроскопа. Авторами представлено исследование ряда существующих мер характеристик изображений, в числе которых: метрика размытости, энтропии, плоскостности и резкости. Основная цель данного анализа – выделение из рассмотренных характеристик наиболее весомых, которые могли бы достаточно описать анализируемое изображения с точки зрения его качества, как специфической характеристики, воспринимаемой обычным человеком-наблюдателем. В работе была выполнена программная реализация рассматриваемых метрик, а затем разработанные алгоритмы были применены к ряду реальных изображений клеток крови, изначально имеющих различные характеристики, для получения наиболее показательных значений. Полученные численные результаты могут быть использованы для составления ограниченного набора функций, которые могут послужить для построения инструмента оценки и улучшения качества цифровых микроскопических снимков.
Скачивания
Библиографические ссылки
Батищев Д. С., Михелев В. М., Утянский А. А. 2020. Метод сегментации перекрывающихся форменных элементов крови на микроскопических медицинских изображениях. Экономика. Информатика. 47(4): 803-815.
Волкова С.А. Боровков Н.Н. 2013. Основы клинической гематологии: учебное пособие. Н. Новгород. Издательство Нижегородской гос. медицинской академии. 400 с.
Голуб Ю.И. 2021. Оценка качества цифровых изображений. Системный анализ и прикладная информатика. 4: 4-15.
Bosse S., Maniry D., Müller K. R., Wiegand T., Samek W. 2018. Deep Neural Networks for No-Reference and Full-Reference Image Quality Assessment. IEEE Transactions on image processing. 27(1): 206-219.
Chernykh E. M., Mikhelev V. M. 2021. A computer system for the leukocytes classification in medical images. In Journal of Physics: Conference Series. 1715(1): 012007
Chow L. S., Paramesran R. 2016. Review of medical image quality assessment. Biomedical signal processing and control. 27: 145-154.
Clunie D., Hosseinzadeh D., Wintell M., De Mena D., Lajara N., Garcia-Rojo M., Bueno G., Saligrama K., Stearrett A., Toomey D., Abels E., Apeldoorn F. V., Langevin S., Nichols S., Schmid J., Horchner U., Beckwith B., Parwani A., Pantanowitz L. 2018. Digital Imaging and Communications in Medicine Whole Slide Imaging Connectathon at Digital Pathology Association Pathology Visions 2017. Journal of pathology informatics, 9(1).
Crete F., Dolmiere T., Ladret P., Nicolas M. 2007. The blur effect: perception and estimation with a new no-reference perceptual blur metric. In Human vision and electronic imaging XII. 6492: 196-206.
Cui H., Liu Q., Zhang J., Kang B. 2019. An improved deng entropy and its application in pattern recognition. IEEE Access. 7: 18284-18292.
Haque A., Wang A. S. 2022. Noise2Quality: non-reference, pixel-wise assessment of low dose CT image quality. In Medical Imaging 2022: Image Perception, Observer Performance, and Technology Assessment. 12035(1).
Kumar J., Chen F., Doermann D. 2012. Sharpness estimation for document and scene images. In Proceedings of the 21st International Conference on Pattern Recognition: 3292-3295).
Liu L., Gong J., Huang H., Sang Q. 2020. Blind image blur metric based on orientation-aware local patterns. Signal Processing: Image Communication. 80: 115654.
Ma J. J., Nakarmi U., Kin C. Y. S., Sandino C. M., Cheng J. Y., Syed A. B., Wei P., Pauly J. M., Vasanawala S. S. 2020. Diagnostic image quality assessment and classification in medical imaging: opportunities and challenges. Proceedings. IEEE International Symposium on Biomedical Imaging: 337–340.
Omarova G., Starovoitov V., Myrzamuratova A., Akzullakyzy L., Takudina A., Tanirbergenov A., Sadirmekova Z. 2023. No-reference quality assessment of medical images using contrast enhancement. Journal of Theoretical and Applied Information Technology, 101(1).
Pal N. R., Pal S. K. 1991. Entropy: A new definition and its applications. IEEE transactions on systems, man, and cybernetics. 21(5): 1260-1270.
Sagheer S. V. M., George S. N. 2020. A review on medical image denoising algorithms. Biomedical signal processing and control, 61.
Sara U., Akter M., Uddin M. S. 2019. Image quality assessment through FSIM, SSIM, MSE and PSNR—a comparative study. Journal of Computer and Communications. 7(3): 8-18.
Woodard J. P., Carley-Spencer M. P. 2006. No-reference image quality metrics for structural MRI. Neuroinformatics. 4: 243-262.
Yang S. J., Berndl M., Michael Ando D., Barch M., Narayanaswamy A., Christiansen E., Nelson P. 2018. Assessing microscope image focus quality with deep learning. BMC bioinformatics. 19: 1-9.
Zhai G., Min X. 2020. Perceptual image quality assessment: a survey. Science China Information Sciences. 63: 1-52.
Просмотров аннотации: 79
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
