Спосіб аналізу цифрових зображень гістологічних препаратів для оцінки рівня злоякісності нейробластом

Реферат: Спосіб аналізу цифрового зображення гістологічних препаратів для оцінки рівня злоякісності нейробластом, що полягає у отриманні цифрових зображень за допомогою цифрового світлового мікроскопа, сегментації, фільтрації об'єктів дослідження та кількісний розрахунок діагностичних ознак, проводять перетворення кольорового зображення в шкалу сірого кольору, будують гістограму розподілення яскравості елементів зображення, вирівнюють рівні яскравості гістограми, підбирають два рівні яскравості (для ядра та оболонки нейробластоми відповідно), застосовують фільтр Posterization, формують маску виділення та проводять згладжування. UA 73541 U (54) СПОСІБ АНАЛІЗУ ЦИФРОВИХ ЗОБРАЖЕНЬ ГІСТОЛОГІЧНИХ ПРЕПАРАТІВ ДЛЯ ОЦІНКИ РІВНЯ ЗЛОЯКІСНОСТІ НЕЙРОБЛАСТОМ UA 73541 U UA 73541 U 5 10 15 20 25 30 35 40 45 50 55 Корисна модель належить до інформаційних технологій в медицині, а саме до онкології, і може бути використана як метод проведення аналізу цифрових зображень гістологічних препаратів для оцінки рівня злоякісності пухлин, а також при діагностиці низки неонкологічних захворювань в інших сферах медицини та ветеринарії. Відомий спосіб аналізу цифрових зображень гістологічних препаратів, заснований на можливості візуального сприйняття інформації фахівцем-гістологом [1,2]. Однак використання цього способу має певні труднощі. По-перше, в цьому підході діагностичні можливості аналізу обмежені або зумовлені тим, що органи зору людини, за психологічними законами ВебераФехнера та Стівенсена, сприймають зміни в медичних зображеннях лише в логарифмічній прогресії. По-друге, проблемним питанням такого візуального підходу є обмеженість його діагностичної ефективності та суттєва залежність від досвіду та психоемоційного стану самого лікаря [3]. Як найближчий аналог прийнято спосіб розпізнавання зображення текстури клітин [4], що полягає у тому, що зображення об'єкту подається як вхідна матриця чисел, кожен елемент якої відповідає рівню інтенсивності сигналу, що генерується об'єктом. Розмір вікна, за допомогою якого переглядають вхідну матрицю чисел, залежно від структури об'єкту, що аналізується, щонайменше в два рази менший за розмір вхідної матриці чисел. Крок переміщення вікна встановлюють рівним розміру вікна. Обирають щонайменше одну текстурну ознаку, що характеризує текстуру об'єкту і визначають значення обраної текстурної ознаки для початкового положення вікна, а потім для усіх вікон. Розбивають інтервал значень, обчисленого щонайменше для однієї текстурної ознаки, щонайменше на два підінтервали і кожному підінтервалу присвоюють код. Встановлюють для кожного вікна на вхідній матриці чисел приналежність обчисленого значення текстурній ознаці відповідного підінтервалу і кодують це обчислене значення текстурної ознаки кодом відповідного підінтервалу, в результаті чого отримують вихідну матрицю, кожен елемент якої відповідає одному вікну на вхідній матриці чисел. Обирають щонайменше одну ознаку, що характеризує групу елементів вихідній матриці з однаковим кодом, і обчислюють значення вибраної ознаки, за яким ідентифікують зображення текстури об'єкту. Подальше прийняття діагностичних рішень проводять на основі комп'ютерного аналізу за допомогою морфометричних параметрів, таких як лінійні розміри, площа клітини або ядра клітини і їх питома оптична щільність, периметр клітини, коефіцієнт витягнутості (відношення двох головних моментів), коефіцієнт форми (ступінь відмінності від кола), відношення площі ядра клітини до площі цитоплазми або розрахунок ентропії, кореляції значень яскравості зображень, енергії, момент інерції, локальна однорідність, максимальна вірогідність тощо. До недоліків найближчого аналогу відноситься неможливість його застосування до аналізу гістологічних зображень нейробластом. Такі зображення характеризуються нерівномірним фоном, високою варіабельністю геометричних (форма та розміри), а також оптичних показників. Крім того, у більшості випадків, гістологічні зображення є слабоконтрастними. В основу корисної моделі поставлена задача напівавтоматичної сегментації, фільтрації та кількісного аналізу зон діагностичного інтересу медичних зображень гістологічних препаратів нейробластом. Поставлена задача вирішується тим, що у способі аналізу цифрових зображень гістологічних препаратів для оцінки рівня злоякісності нейробластом у дітей, який полягає в аналізі яскравісних характеристик пікселів, що знаходяться в межах ядра та оболонки нейробластоми, згідно корисної моделі новим є те, що для проведення передобробки використовують перетворення вихідного зображення (колірна модель RGB) до 8 бітного зображення (тим самим зменшуються вимоги до обчислювальної техніки, зникає проблема накладання клітин різних кольорів тощо), проводиться фільтрація усієї інформативної області (використовується фільтр Posterization), після чого на основі отриманих даних знаходиться розподілення пікселів по зображенню заданим діапазоном яскравості для ядра та оболонки нейробластом відповідно, формується маска виділення, яка накладається на вихідне гістологічне зображення. Як результат, це дає змогу підвищити ефективність та точність виділення меж ядра та оболонки нейробластом за рахунок поєднання експериментально виділених фільтрів. Додатковою цінністю корисної моделі є можливість проведення сегментації гістологічних зображень клітин як з ядром, так і без'ядерних. Для пояснення суті корисної моделі на фіг. 1 наведено приклад вихідного зображення, на фіг 2. - фіг.4 - приклади проміжних зображень, що характеризують виконання окремих кроків, а на фіг. 5. - приклад кінцевого зображення для заявленої корисної моделі. 1 UA 73541 U 5 10 15 20 25 Заявлена корисна модель реалізується наступним чином та полягає у виконанні наступних кроків: отримання на цифровому світловому мікроскопі гістологічних зображень (фіг. 1); перетворення вихідного зображення (колірна модель RGB) до 8 бітного зображення (фіг. 2); застосування вирівнювання гістограми яскравості зображення (фіг. 3); задания порогів яскравості (для ядра та оболонки нейробластоми) та застосування фільтра Posterization (фіг. 4); формування маски об'єкту виділення, виконання згладжувальної фільтрації та сегментація ядер та оболонки нейробластом (фіг. 5). До технічної реалізації способу корисної моделі необхідна стандартна апаратура: - Цифровий світловий мікроскоп Nikon Eclipse 80i; - Персональний комп'ютер, з процесором Intel Pentium IV, CPU 1.5 GHz, RAM 512 MB, GPU GeForce3 /Radeon 9500 та монітором з роздільною здатністю 1280 × 1024 для обробки гістологічних зображень; використання більш потужного обладнання та паралельних розрахунків скоротить час обробки зображень. Джерела інформації: 1. Canete Α., Navarro S., Bermudez J., Pellin Α., Castel V., Liombart-Bosch A. Angiogenesis in neuroblastoma: relationship to survival and other prognostic factors in a cohort of neuroblastoma patients // J. Clin. Oncol.-2000. -№18(1). -P. 27-34. 2. Carvalho Ade C, Parra E.R., Zerbini M.C., Alves V.A., Capelozzi V.L., Antonangelo L. Morphometric evaluation of NB84, synaptophysin and AgNOR is useful for the histological diagnosis and prognosis in peripheral neuroblastic tumors (pNTs) // Clinics (Sao Paulo).-2007. - № 62(6). -P. 731-740 3. Orel V., Kozarenko Т., Galachin K., Romanov Α., Morozoff A. Nonlinear dynamics // Psychol. Life Sci.-2007. - №11(3). -P. 309-331. 4. Пат. РФ №2385494, МПК G06T7/40. Способ распознавания изображения текстуры клеток / Никитаев В.Г., Проничев А.Н., Чистов К.С, Хоркин В.А. (Россия); Заявл. 22.10.2008; Опубл. 27.03.2010. ФОРМУЛА КОРИСНОЇ МОДЕЛІ 30 35 Спосіб аналізу цифрових зображень гістологічних препаратів для оцінки рівня злоякісності нейробластом, що полягає у отриманні цифрових зображень за допомогою цифрового світлового мікроскопа, сегментації, фільтрації об'єктів дослідження та кількісний розрахунок діагностичних ознак, який відрізняється тим, що проводять перетворення кольорового зображення в шкалу сірого кольору, будують гістограму розподілення яскравості елементів зображення, вирівнюють рівні яскравості гістограми, підбирають два рівні яскравості (для ядра та оболонки нейробластоми відповідно), застосовують фільтр Posterization, формують маску виділення та проводять згладжування. 2 UA 73541 U 3 UA 73541 U Комп’ютерна верстка Г. Паяльніков Державна служба інтелектуальної власності України, вул. Урицького, 45, м. Київ, МСП, 03680, Україна ДП “Український інститут промислової власності”, вул. Глазунова, 1, м. Київ – 42, 01601 4