Клинический анализ крови представляет значительную диагностическую ценность в сочетании со

70
О. О. Привалов*, Л. Н. Бутенко**
МЕТОДИКА АВТОМАТИЗИРОВАННОГО АНАЛИЗА
МОРФОЛОГИЧЕСКИХ ХАРАКТЕРИСТИК КЛЕТОК ПЕРИФЕРИЧЕСКОЙ КРОВИ
*КТИ ВолгГТУ,
**Волгоградский государственный технический университет
Клинический анализ крови представляет значительную диагностическую ценность в сочетании со
всей симптоматикой болезни. Сравнение данных клинических анализов при повторных исследованиях больного дает возможность судить о течении патологического процесса, эффективности лечения и
возникновения осложнений, а также предсказать исход заболевания.
Одним из основных и наиболее трудоемких этапов анализа является подсчет лейкоцитарной формулы, цель которого не только подсчитать количество лейкоцитов на единицу объема, но и провести
исследование морфологии найденных объектов. В настоящее время эта задача решается визуальным
анализом препарата лаборантом клинической лаборатории. Автоматические счетчики форменных
элементов крови не позволяют определить морфологию клеток.
Автоматизация обработки результатов микроскопии повышает качество и эргономику работы лаборанта, а также способствует накоплению информационных банков, использование которых позволяет накапливать опыт исследований и определения патологий.
Цель работы: разработать методику и выявить основные параметры классификации для распознавания клеток периферической крови на разных этапах созревания.
Описываемая методика ориентирована на автоматизированное распознавание отдельно выделенных клеток (кроме ретикулоцитов и эритроцитов) в препарате мазка периферической крови, окрашенного по методу Романовского.
Цель методики: выделить численные значения параметров классификации для возможности распознавания объекта с использованием системы искусственного интеллекта на базе нейронной сети.
Входной информацией является растровое изображение распознаваемой клетки в формате HSV.
Первостепенная задача распознавания образов заключается в выявлении параметров классификации. На основе морфологических особенностей клеток IV, V и VI классов, согласно общепринятой
схеме кроветворения, предлагается следующая базовая модель описания клетки:
M =< K , Y , C > ,
где К – кортеж выделенных метрик клетки в целом;
Y – кортеж выделенных метрик ядра;
С – кортеж выделенных метрик цитоплазмы.
Рассмотрим более подробно кортеж выделенных метрик клетки:
K =< S , D, P, ( Z , B1) > ,
где S – площадь всей клетки [мкм2];
D – диаметр (максимальное расстояние от центра до контура цитоплазмы) [мкм];
P – отношение площади ядра клетки к площади цитоплазмы;
Z – отношение общей площади зернистости к площади всей клетки.
B1 – цветовая гамма зернистости по H – составляющей цветовой модели HSV (синяя, темнофиолетовая, желто-красная и т. д.).
Детализация информации на уровне ядра и цитоплазмы представлена следующими кортежами:
кортеж, описывающий свойства ядра:
Y =< T , V , G > ,
где Т – тип ядра, номер объекта из выявленного справочника ядер (сферическое, бобо-образное, и т. д.);
V – количество вакуолей в ядре;
G – мера "грубости" ядра.
Кортеж, описывающий подобъект цитоплазму:
C =< R, B 2, O >
где R – степень сферичности;
B2 – цветовая гамма по H – составляющей цветовой модели цветовая гамма в качественном описании (синяя, серовато-фиолетовая, розовая);
O – степень выраженности перенуклеарной зоны.
Предлагаемая методика направлена на распознавание отдельных (препарированных) объектов совокупного изображения. Предшествующими операциями следует считать: подготовку растрового
изображения, цель которой обеспечить улучшение качества изображения путем фильтрации и отсеивание таких паразитных явлений как неоднородность фона, наличие посторонних включений и т. д., а
71
также операцию пообъектного препарирования, позволяющую выделить отдельные клетки из массы
объектов препарата.
Ниже приводятся основные этапы предлагаемой методики.
Изображение клетки в
формате HSV
Бинаризация изображения с целью отделения
фона и объекта
(Алгоритм автоматической бинаризации)
Определение контура объекта
Определение площади клетки (S)
Вычисление центра клетки и диаметра (D)
Анализ гистограммы яркости изображения клетки на зернистость (Z).
Выявление доминирующего цвета (B1)
(Алгоритма вычисления связанности пикселей по цвету)
Препарирование RGB изображения с целью
отделения ядра и цитоплазмы
(Алгоритм автоматической бинаризации)
Ядро
Определение контура ядра
Цитоплазма
Вычисление площади
цитоплазмы (S(С))
Вычисление площади ядра
(S(Y))
Вычисление центра
ядра клетки
Подсчёт количества вакуолей в ядре (V).
(Алгоритм нахождения деталей в
бинарном изображении)
Определение скелета ядра и
позиционирование ядра
Распознавание образа ядра
выявление типа (Т)
(нейро-сеть)
Вычисление P и O
Определение по контуру
клетки степени сферичности
цитоплазмы (R)
Анализ гистограммы яркости
изображения цитоплазмы и
выявление доминирующего
цвета (B2)
Анализ гистограммы яркости изображения
ядра и выявление меры «грубости» (G)
Решение задачи классификации на основе
полученных параметров объекта
(нейро-сеть)
Рис. 1. Основные этапы предлагаемой методики определения морфологических признаков клеток крови
Предлагаемая методика ориентирована на весь спектр морфологически распознаваемых профилирующих клеток крови. Для определения численных значений параметров классификации разработаны алгоритмы вычисления, входными данными для которых являются цвето-яркостные характеристики исследуемых объектов. Разработана автоматизированная система распознавания типа клеток
по их изображению, система проходит тестирование.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Любина А. Я. Ильичева Л. П. Клинические лабораторные исследования. – М.: Медицина, 1984. – 288 с.
2. Козловская Л. В., Николаев А. Ю. Учебное пособие по клиническим лабораторным методам исследования, – 2-е
изд. – М.: Медицина, 1984. – 288 с.
3. Абрамов М. Г. Гематологический атлас. – М.: Медицина, 1979. – 280 с.
4. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. Учебник для вузов. – С-Пб.: Питер,
2001. – 384 с.
5. Галушкин А. И. Теория нейронных сетей. Кн. 1. / Под ред. А.И. Галушкина. М.: ИПРРЖР, 2000.