УДК 681.4

Н.В.Томина, В.И.Мещеряков

 

 

АВТОМАТИЗИРОВАННАЯ ОБРАБОТКА ИЗОБРАЖЕНИЙ БИОТКАНИ В МЕДИЦИНСКОЙ ДИАГНОСТИКЕ

 

 

Диапазон современных методов диагностики онкологических заболеваний весьма обширен, причем некоторые из них (рентгеновские, ультразвуковые, гистологические) в качестве предоконечного информационного продукта дают оптическое изображение. Распознающие способности человека существенно превосходят аналогичные функции современного компьютера, следовательно, усилия должны быть направлены на предварительную обработку информации с целью предоставления полученного изображения в форме, как можно более приемлемой для врача-диагноста.

Представляет интерес исследование особенностей изменения структурных, статистических и частотных характеристик оптического изображения ткани для последующего их анализа и преобразования в форму, удобную для дальнейшего распознавания изображения. Применение данного анализа в онкологических исследованиях призвано расширить поле признакового пространства и, как следствие, достоверность классификации изображений.

Изображения онкологических объектов представляют собой проекции трехмерных случайных полей, обладающих упорядоченностью, характер которой несет в себе информацию о свойствах и функциональном состоянии исследуемых структур. Степень упорядоченности крайне сложно описать стандартными методами, однако важно, что локальная или структурная квазипериодичность меняется для цитологических и гистологических объектов, находящихся в нормальном и патологическом состояниях, поэтому правомерно рассматривать биологическую ткань как случайные мозаики, которые ведут себя как квазиоднородное связанное множество взаимодействующих элементов.

Для автоматизации обработки изображений биологической ткани применим метод оптико-структурного анализа [1], базирующийся на двух основных гипотезах: псевдокристалличности и стохастическом характере распределения элементов структуры, позволяющих рассматривать структуры как трехмерные случайные поля, обладающие упорядоченностью, степень которой определяет свойства и функциональные возможности исследуемых объектов.

В основу сканирующего варианта оптико-структурного анализа положен анализ сигнала, полученного при сканировании исследуемого образца узким световым или электронным зондом, как реализации случайного процесса. Поэтому для анализа сканограммы используют математический аппарат теории случайных процессов.

В результате амплитудного анализа можно определить первые четыре момента функции плотности вероятности распределения амплитуд: математическое ожидание М₀, дисперсию D_x, асимметрию S_k, эксцесс E_x. с помощью этих параметров описать микроструктуры в аналитической форме.

Гистограммы распределения коэффициентов пропускания по площади для различных органов, получаемые в амплитудном анализаторе, различаются между собой как по средней плотности, так и по форме рас­пределения. Числовыми характеристиками гистограммы служат моменты распределения.

Путем преобразования функции распределения амплитуд сканограммы f{х)  можно произвести фазовый анализ, выявляющий неоднородность изучаемых структур. Фазовый анализ соответствующих гистограмм выявляет характер упаковки изучаемых структур по оптической плотности, показывая, что анализируемые структуры являются многофазными, т.е. неоднородными, причем математические ожидания и дисперсии отдельных фаз различных органов совпадают между собой [1].

С помощью автокорреляционной функции можно выделить шумовую и периодическую составляющие сигнала, которые также специфичны для каждой микроструктуры:

_.

Отличия геометрических характеристик изучаемых структур можно определить по графикам автокорреляционной функции. Последняя выявляет периодические компоненты сканограммы и ее шумовую составляющую, которая наименее выражена в наиболее высокоорганизованной, упорядоченной структуре (ткани).

Взаимнокорреляционная функция получается при сопоставлении сигнала от анализируемой структуры с сигналом от структуры, принятой за «эталон». Взаимно корреляционная функция позволяет оценить степень отличия анализируемого микропрепарата от эталона, что обеспечивает переход на уровень более ранней диагностики онкологических заболеваний. Появляется возможность выявления патологических изменений в структуре ткани в то время, как визуально они еще не диагностируются.

В настоящей работе показано, что дальнейшее улучшение дешифрируемости изображений онкологических срезов  можно достичь фильтрацией изотропными и анизотропными фильтрами.

Т.к. изображения гистологических объектов в компьютере представляется в виде матрицы, то для машинной обработки этих изображений можно использовать алгоритм свертки . Алгоритм свертки используется в разных преобразованиях пространственных процессов. При обработке (фильтрации) изображения каждый элемент R в области примыкания (обычно 3*3) умножается на ядро свертки аналогичной размерности. Результатирующая сумма при этом заменяет значение рассматриваемого элемента изображения. Каждый элемент ядра свертки – это весовой фактор (называемый также коэффициентом свертки). Размеры и структура весовых факторов, содержащихся в ядре свертки, определяют тип пространственного преобразования и применяются к данным изображения. В качестве примера приведены исходное изображение и изображения, отфильтрованные с использованием различных фильтров – рис.1.

Как видно, высокочастотные пространственные фильтры выделяют высокочастотные компоненты изображения, оставляя содержание низкочастотных компонент нетронутым. Содержание низкочастотных компонент увеличивается по отношению к содержанию высокочастотных компонент. Такая фильтрация используется в тех случаях, когда необходимо исследовать объекты с высокой пространственной частотой, например, изображения цитологических микропрепаратов. Области изображения с высокой частотой будут хорошо освещены (станут ярче), а части с низкой частотой станут черными. Т.е., большие изменения интенсивности  элементов  изображения  усиливаются,  а  области  постоянной  интенсивности элементов останутся неизменными.  Иногда резкость изображения увеличивается после высокочастотной фильтрации за счет выделения шума изображения. При использовании высокочастотной фильтрации возможно усиление края изображения.

Низкочастотные пространственные фильтры оставляют низкочастотные компоненты изображения нетронутыми и ослабляют высокочастотные компоненты  Если отфильтрованное изображение с помощью низкочастотного фильтра вычитается из исходного изображения, то в результате будет относительное увеличение содержания высокочастотных компонент без увеличения шума в изображении. Субъективно результирующее изображение кажется резче, чем исходное.

 

 

 

Высокочастотная фильтрация

Фильтрация по направлению

Исходное изображение

Рис.1. Результаты фильтрации изображений

 

Метод усиления края по Лапласу отличается от других методов тем, что он не зависит от направления (т.е. края высвечиваются независимо от направления). Усиление края по Лапласу образует более резкий край, чем при алгоритмах усиления. Дополнительно оно высвечивает края, имеющие как положительные, так и отрицательные изменения яркости. Поэтому усиление края по Лапласу находит применение во многих машинных процессах. Такая фильтрация применима к малоконтрастным гистологическим изображениям. Все операции по усилению ядра, включая лапласианы, ослабляют низкочастотные пространственные компоненты изображения. [6,7].

Анизотропные фильтры (фильтры по направлению) позволяют получить интересную информацию для малоконтрастных изображений морфологических срезов в онкологических исследованиях, напоминающую боковую подсветку микроскопов.

Получение гистограммы распределений при матричном представлении изображения в компьютере и определение степени анизотропии путем исследования статистических характеристик не представляет принципиальных трудностей – рис.2.

 

 

Рис. 2. – Гистограммы распределений

 

Вертикальная ось гистограммы масштабированна так, чтобы соответствовать максимальному значению. Все другие значения масштабируются относительно этого максимального значения. Гистограмма свидетельствует об общей яркости и контрастности изображений. Динамический диапазон элементов, которые образуют изображение, очевиден, т.о., гистограммы являются ценным методом для процесса как количественной, так и качественной обработки изображений. Сравнительный анализ гистограмм исследуемого изображения и изображения, принятого за эталон, позволяет выявить несоответсвие изображений, даже если визуально они практически неотличимы друг от друга.

            Нарушение упорядоченности структуры является, бесспорно, одним из характерных признаков ее реактивного или патологического состояния. Именно поэтому использование гистограмм может быть очень полезеным для характеристики тонких сдвигов внутри структуры, и в первую очередь тех, которые лежат за пределами возможностей визуального наблюдения.

В то же время по сравнению с контрольными ("эталонными") образцами в паталогических объектах значительно возрастает второй момент функции распределения D_x, т.е. показатель перепада оптических плотностей или степени контрастности объекта. Изменение этого параметра свидетельствует о нарушении структуры, об изменении закономерного расположения клеток и основного вещества. Сдвиг коэффициента S_k в отрицательную сторону свидетельствует об относительном увеличении светлых участков в препарате, т.е. о нарушении нормальной структуры [1]. В дальнейшем, по мере накопления статистики, необходимо определить допустимые пределы отклонения значений моментов функции распределения. Т.о. добавляется новый параметр влияющий на отнесение исследуемого препарата к нормальному или паталогическому.

Выводы

Распознающие способности человека основываются на анализе контуров, градиентов яркости или плотности, взаимном расположении областей заданной конфигурации. Вместе с тем, зрительный анализатор человека плохо обрабатывает абсолютные яркости, статистические и частотные характеристики изображения. Данные параметры являются информативными при гистологических исследованиях ткани, структура которой меняется при заболевании. Соответственно, представляет интерес исследование особенностей изменения структурных, статистических и частотных характеристик оптического изображения ткани для последующего их анализа и преобразования в форму, либо удобную для дальнейшего распознавания изображения, либо в подсказку, повышающую достоверность распознавания и постановки правильного диагноза.

Совместное использование алгоритмов фильтрации изображений и сравнительного анализа статистических характеристик в применении к исследованию онкологических изображений призвано расширить поле признакового пространства, и как следствие достоверность классификации изображений. Данный подход позволяет выявить характер разделяющей функции положение которой уточняется по мере накопления статистики.

Литература

1.       Оптико-структурный машинный анализ изображений / Под ред. К.А.Яновского М.: Машиностроение, 1984. – 165-196 с.

2.       Черенков В.Г. Клиническая онкология М: Медицина 1999. – 280с.

3.       Исаков В.Л., Пинчук В.Г., Исакова Л.М. Современные методы автоматизации цитологических           исследований К: Наукова думка 1998. – 345с.

4.       Современные проблемы машинного анализа биологических структур. М.:Наука, 1980. – 189с.

5.       Прэтт У. Цифровая обработка изображений. М.: Мир, 1982, кн.1 – 312ч. кн.2

6.       Линдли К. Практическая обработка изображений на Си М: Мир 1996. –540с.

7.       Самошкин М.А. Автоматизация преобразования и обработки графической информации М: Мир 1991.