Исследование текстурных признаков для задач распознавания клеток костного мозга в информационно-измерительных системах онкогематологии

Изучено влияние параметров построения матрицы пространственной смежности на текстурные признаки в задачах распознавания клеток костного мозга в информационно-измерительных системах диагностики острых лейкозов. Исследовано по 100 изображений бластных клеток В- и Т-клеточных острых лимфобластных лейкозов. Рассмотрено пять рассчитанных на основе матрицы пространственной смежности текстурных признаков – энергия, момент инерции, локальная однородность, максимальная вероятность, энтропия. При построении матрицы смежности проанализированы варьируемые параметры – тип цветового компонента RGB-модели цветного изображения, расстояние и направление смежности. Для заданной выборки изображений диапазон расстояний смежности, в котором наблюдается наибольшее изменение значений текстурных признаков, составил 1–11 пикселов. Значения признаков разных типов изменяются в диапазоне 20–1700 %. Максимальная информативность получена для G-компонента цветного изображения у текстурного признака «локальная однородность» (коэффициент информативности 0,48) с расстоянием смежности 1 пиксел. Для практического применения рекомендовано использовать четыре направления смежности при построении матриц пространственной смежности. Полученные результаты важны специалистам, работающим в области проектирования информационно-измерительных систем онкогематологии (диагностика опасных онкологических заболеваний – острых лейкозов).

1. Гематология: руководство для врачей / Под ред. Н. Н. Мамаева. СПб.: СпецЛит, 2019. 639 c.

2. Самородов А. В. Биотехнические системы автоматизированной микроскопии цитологических препаратов // Медицинская техника. 2018. № 6. C. 17–19.

3. Sahlol A. T., Kollman nsberger P., Ewees A. A., Scientifi c Reports, 2020, vol. 10, no. 1,pp. 1–11. https://doi.org/10.1038/s41598-020-59215-9

4. Kutlu H., Avci E., Ozyurt F., Medical hypotheses, 2020, vol. 135, 109472. https://doi.org/10.1016/j.mehy.2019.109472

5. Черных Е. М., Михелев В. М. Компьютерная система классификации лейкоцитов на изображениях клеток крови // Научный результат. Информационные технологии. 2019. Т. 4. № 3. С. 38–47.

6. Amin M., Kermani S., Ta lebi A., Oghli M., Recognition of acute lymphoblastic leukemia cells in microscopic images using k-means clustering and support vector machine classifi er, Journal of Medical Signals & Sensors, 2015, vol. 5, no. 1, pp. 49–58.

7. Никитаев В. Г. Высокотехнологичные информационноизмерительные комплексы онкологической диагностики: проблемы и ключевые положения методологии построения // Измерительная техника. 2015. № 2. С. 68–70.

8. Прэтт У. Цифровая обработка изображений: Пер. с англ. М.: Мир, 1982. Кн. 2. 480 с.

9. Пантелеев В. Г., Слаев В. А., Чуновкина А. Г. Метрологическое обеспечение анализаторов изображений. // Измерительная техника. 2008. № 1. С. 67–71.

10. Haralick R. M., Proceedings of the IEEE, 1979, vol. 67, no. 5, pp. 786–804. https://doi.org/10.1109/PROC.1979.11328

11. Дмитриева В. В., Тупицын Н. Н., Поляков Е. В., Самсонова А. Д. Исследование эффективности классификации изображений клеток костного мозга в компьютерных системах диагностики острых лейкозов и минимальной остаточной болезни // Моделирование, оптимизация и информационные технологии. 2020. Т. 8. № 3. С. 1–9.

12. Никитаев В. Г., Тупицын Н. Н., Проничев А. Н., Поляков Е. В., Дмитриева В. В., Чернышева О. А., Серебрякова И. Н., Палладина А. Д. Технологии искусственного интеллекта в диагностике острых лимфобластных лейкозов и минимальной остаточной болезни // Медицинская техника. 2020. № 5. С. 42–44.

13. Nikitaev V. G., Pronich ev A. N., Polyakov E. V., Chernysheva O. A., Serebryakova I. N., Tupitsyn N. N., Procedia Computer Science, 2020, vol. 169, pp. 353–358. https://doi.org/10.1016/j.procs.2020.02.229