Метод сегментации перекрывающихся форменных элементов крови на микроскопических медицинских изображениях
DOI:
https://doi.org/10.18413/2687-0932-2020-47-4-803-815Ключевые слова:
эритроцитометрия, компьютерное зрение, микроскопическое изображение крови, перекрывающиеся объекты, вогнутые точки, анализ кривизны, объект эллиптической формыАннотация
В статье рассматривается решение задачи эритроцитометрии с использованием методов компьютерного зрения. Для проведения эритроцитометрии необходимо выделить эритроциты на микроскопическом изображении крови и затем вычислить такие их параметры как диаметр, объём и толщину. Основная проблема при подсчете площадей эритроцитов заключается в том, что они могут перекрываться друг другом, а также изменять свою форму в некотором диапазоне. Предлагаемый подход на первом этапе предусматривает предобработку микроскопических изображений клеток крови. Затем выполняется разделение контура группы перекрывающихся объектов на множество сегментов, разделенных специальными точками, так называемыми вогнутыми точками. Предложен комбинированный подход для извлечения контурных доказательств, который основан на обнаружении вогнутых точек с помощью анализа кривизны, использовании проверки на вогнутость и эффективной процедуры поиска. Затем предлагается использовать метод группировки сегментов, чтобы найти группу сегментов контура, которые вместе образуют объект эллиптической формы. Группировка сегментов подразумевает перебор предварительно отобранных сегментов контура с целью возможности их объединить в единый замкнутый объект. Приведенное тестирование алгоритма сегментации перекрывающих друг друга эритроцитов на микроскопических изображениях, выполненное на 24 реальных микроскопических медицинских изображениях крови, показало эффективность разработанного метода.
Скачивания
Библиографические ссылки
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.
Гонсалес Р., Вудс Р. 2005. Цифровая обработка изображений. М.: Техносфера, 1072 с.
Камышников В. 2015. Методы клинических лабораторных исследований (6-е издание). ISBN: 978-5-00030-273-6. 8-е изд. перераб., 736 с.
Кудрявцев Л.Д. 1981. Гл. 1. Дифференциальное исчисление функций одного переменного. Математический анализ. Москва: «Высшая школа». Т. 1. С. 190–195.
Липунова Е.А., Скоркина М.Ю. 2004. Система красной крови: сравнительная физиология. БелГУ. Белгород: БелГУ, 215 с.: ил., табл.
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.
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.
Bai, X., Sun, C., Zhou, F. 2009. Splitting touching cells based on concave points and ellipse fitting. Pattern Recognition 42: 2434–2446.
Canny, J. 1986.A computational approach to edge detection, IEEE Transactions on pattern analysis and Machine Intelligence, 8 (6): 679–698.
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.
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.
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.
Otsu N. A threshold selection method from gray-level histograms. IEEE Trans. Sys., Man., Cyber.: journal. – 1979. – Vol. 9. – P. 62–66.
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.
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.
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.
Urs Ramer. An iterative procedure for the polygonal approximation of plane curves. Computer Graphics and Image Processing, 1(3), 1912, 244–256.
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.
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.
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.
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.
Просмотров аннотации: 365
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2020 Экономика. Информатика
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
