KOMP'YuTERNYY METOD AVTOMATIChESKOY PREDSEGMENTATsII IZOBRAZhENIY IMMUNOFLYuORESTsENTNOY MIKROSKOPII TKANEY KOZhI (PREDVARITEL'NOE SOOBShchENIE)
- 作者: Dovganich A.A1, Nasonov A.V1, Krylov A.S1, Makhneva N.V1
-
隶属关系:
- 期: 卷 20, 编号 2 (2017)
- 页面: 88-88
- 栏目: Articles
- ##submission.dateSubmitted##: 21.07.2020
- ##submission.datePublished##: 15.04.2017
- URL: https://rjsvd.com/1560-9588/article/view/37260
- DOI: https://doi.org/10.17816/dv37260
- ID: 37260
如何引用文章
全文:
详细
全文:
Кожа как активный орган иммунной системы благодаря происходящим в ней специфическим иммунологическим реакциям с антителообразованием способствует освобождению организма от антигена как экзогенного, так и эндогенного происхождения. Нарушение системы элиминации иммунных комплексов сопровождается обильными отложениями иммунных комплексов в ткани, повреждением ее структуры вследствие токсических свойств иммунных комплексов и появлением последних в эпидермисе и на поверхности кожи. В результате деструкции тканей кожи при постановке реакции иммунофлюоресценции нередко наблюдается диффузное неспецифическое свечение по всему нативному микропрепарату, что не позволяет визуализировать четкую картину основных структур кожи и определить локализацию фиксации/отложений в тканях аутоантител и иммунных комплексов соответственно. В данной работе рассмотрена автоматическая сегментация изображений иммунофлюоресцентной микроскопии при различных кожных заболеваниях. В качестве контроля использована иммунофлюоресцентная картина тканей кожи практически здоровых лиц. На изображении требуется выделить четыре области тканевых структур кожи (дерма, дермо-эпидермальное соединение, эпидермис, поверхность кожи), на каждой из которых в дальнейшем будут применены алгоритмы детектирования характерных признаков и определены возможные патологии. Общая идея алгоритма сегментации заключается в следующем: • имеющуюся базу изображений разделяют на непересекающуюся тренировочную и тестовую выборки; • для тренировочной выборки мы используем разметку изображений, сделанную специалистом; • каждое изображение разбивают на семплы и для каждого такого семпла считают ряд текстурных признаков; • для каждой сформированной группы создают ряд классификаторов, обучение которых происходит на тренировочной выборке; • после обучения каждый классификатор тестируют на соответствующей тестовой выборке; • далее при поступлении нового изображения его разбивают на семплы и на основе полученной модели проводят предсказание, к какому классу будет относиться каждый из семплов. Для машинного обучения используют модель многослойного перцептрона. Особенностью данной модели является наличие более чем одного обучаемого слоя, в данном случае используют 4 слоя. Для ее реализации используют программное обеспечение с открытым исходным кодом Weka. Оно представляет широкий спектр возможностей по реализации алгоритмов машинного обучения, а также имеет удобный графический интерфейс для их настройки. В качестве текстурных признаков выбраны: • Среднее значение: • Среднеквадратичное отклонение: • Вариация: • Энергия: • Асимметрия: • Эксцесс: • Энтропия: где I - исходное изображение в градациях серого; N - количество пикселей в семпле, суммирование по i, j ведется по всем пикселям текущего семпла. В результате применения данного алгоритма даже при небольшой тестовой выборке (122 изображения разрешения 2272 × 1704) и ее несбалансированности (исследованы материалы 12 пациентов с разными кожными патологиями) удается сегментировать изображения иммунофлюоресцентной микроскропии с точностью предсказания порядка 83%. Таким образом, создание базы данных изображений иммунофлюоресцентной микроскопии тканевых структур кожи при различных ее патологических состояниях с помощью компьютерного метода автоматической предсегментации пополнит арсенал дополнительных диагностических методов исследования синдрома иммунных комплексов, который встречается при самых разных заболеваниях.×