Сегментация микроскопических изображений мокроты, окрашенной по методу Циля - Нильсена, с использованием вейвлет-преобразования Mexican Hat

Обоснование. Микроскопические исследования применяются в диагностике большого числа заболеваний, в том числе туберкулёза лёгких. Бактериоскопическое исследование является практически единственным доступным для общей лечебной сети методом выявления больных туберкулёзом бактериовыделителей. При этом качество бактериоскопической диагностики туберкулёза в клинико-диагностических лабораториях общей лечебной сети остаётся не на должном уровне, что может быть исправлено применением автоматизированного анализа цифровых микроскопических изображений препаратов мокроты, окрашенной по методу Циля - Нильсена. Одним из первых этапов автоматизированного анализа изображений является их сегментация. Целью исследования является изучение возможности сегментации цифрового изображения микроскопического препарата мокроты, окрашенной по методу Циля - Нильсена, с использованием вейвлет-преобразования Mexican Hat. Материалы и методы. В качестве материала исследования использовались 830 цифровых изображений, полученных при микроскопии 10 мазков мокроты, окрашенной по методу Циля - Нильсена. Мазки изготавливались из мокроты пациентов, больных туберкулёзом лёгких. Каждое изображение имело разрешение 572 х 422 пикселей. Для автоматизированной сегментации изображений использовалось двумерное вейвлет-преобразование Mexican Hat Wavelet. Результаты. По результатам исследования установлено оптимальное значение стандартного отклонения, которое является единственным варьирующимся параметром вейвлета Mexican Hat, а также произведена оценка времени выполнения вейвлет-преобразования цифровых микроскопических изображений мокроты, окрашенной по методу Циля - Нильесна. Заключение. По результатам исследования сделано заключение о том, что использование двумерного вейвлет-преобразования Mexican Hat цифровых микроскопических изображений мокроты, окрашенной по методу Циля - Нильсена, позволяет сегментировать данные изображения, что может быть использовано для последующей разработки систем автоматизированной бактериоскопической диагностики туберкулёза.

медицинские изображения, анализ изображений, автоматизированная обработка, бактериоскопическая диагностика, туберкулёз лёгких

1. Еремеева Н.И., Вахрушева Д.В. Эффективность выявления больных туберкулезом с бактериовыделением в клинико-диагностических лабораториях учреждений первичной медико-санитарной помощи Урала в 2010-2012 гг. // Туберкулез и болезни легких. - 2015. - № 7. - С. 40-42

2. Косых Н.Э., Смагин С.И., Гостюшкин В.В., Савин С.З., Литвинов К.А. Система автоматизированного компьютерного анализа медицинских изображений // Информационные технологии и вычислительные системы. - 2011. - № 3. - С. 51-56

3. Мезенцева Н.И., Евгущенко Г.В., Пузанов В.А., Попов С.А., Фрейман Г.Е. Оценка качества диагностики туберкулеза методами микроскопии в РФ за 2011-2014 гг. по результатам ФСВОК // Туберкулез и болезни легких. - 2015. - № 6. - С. 96-97

4. Мордык А.В., Пузырева Л.В., Аксютина Л.П. Современные международные и национальные концепции борьбы с туберкулезом // Дальневосточный журнал инфекционной патологии. - 2013. - № 22. - С. 92-97

5. Порев В.Н. Компьютерная графика. - СПб.: БХВ-Петербург, 2002. - 432 с

6. Сойфер В.А. Компьютерная обработка изображений. Часть 2. Методы и алгоритмы // Соросовский образовательный журнал. - 1996. - № 3. - С. 110-121

7. Филимонова Е.С., Тарасенко С.Л., Дыхно Ю.А., Хлебникова Ф.Б. Оценка эффективности цитологической диагностики злокачественных новообразований легких // Сибирское медицинское обозрение. - 2014. -№ 3. - С. 65-69

8. Чередниченко А.Г., Ревякина О.В., Петренко Т.И. Состояние лабораторной службы по диагностике туберкулеза в Сибирском и Дальневосточном федеральных округах // Туберкулез и болезни легких. -2014. - № 5. - С. 16-20

9. Agoston M.K. (2005). Computer graphics and geometric modeling: implementation and algorithms, London, 907 p.

10. Cazelles B., Cazelles K., Chavez M. (2013). Wavelet analysis in ecology and epidemiology: impact of statistical tests. J R Soc Interface, (91), 20130585.

11. Cheng R., Bai Y., Hu H., Tan X. (2015). Radial wavelet neural network with a novel self-creating disk-cell-splitting algorithm for license plate character recognition. Entropy (Basel), (6), 3857-3876.

12. Hsu C.Y., Lai Y.L., Chen C.C., Lee Y.T., Tseng K.K., Lai Y.K., Zheng C.Y., Jheng H.C. (2015). Time sequence image analysis of positron emission tomography using wavelet transformation. Technol Health Care, (24), 393-400.

13. Jin F., Feng D. (2014). Image registration algorithm using Mexican hat function-based operator and grouped feature matching strategy. PLoS One, (4), e95576.

14. Liu D., Wang S., Huang D., Deng G., Zeng F., Chen H. (2016). Medical image classification using spatial adjacent histogram based on adaptive local binary patterns. Comput Biol Med, (72), 185-200.

15. Megardon G., Tandonnet C., Sumner P., Guillaume A. (2015). Limitations of short range Mexican hat connection for driving target selection in a 2D neural field: activity suppression and deviation from input stimuli. Front Comput Neurosci, (9), 128.

16. Ou X., Pan W., Zhang X., Xiao P. (2016) Skin image retrieval using Gabor wavelet texture feature. Int J Cosmet Sci, (6), 607-614.

17. Xionga F., Oib X., Nattela S., Comtoisb P. (2015) Wavelet analysis of cardiac optical mapping data. Comput Biol Med, (65), 243-255.

18. Xu Z., Bagci U., Mansoor A., Kramer-Marek G., Luna B., Kubler A., Dey B., Foster B., Papadakis G.Z., Camp J.V., Jonsson C.B., Bishai W.R., Jain S., Udupa J.K., Mollura D.J. (2015). Computer-aided pulmonary image analysis in small animal models. Med Phys, (7), 3896-3910.