'

Автоматизація аналізу окремих параметрів крові

Понравилась презентация – покажи это...





Слайд 0

Автоматизація аналізу окремих параметрів крові Руководитель: д.т.н., проф. Калниболотский Ю. М. Доклад: К. Лебедев


Слайд 1

Общие положения Объект исследования: возможности автоматизации проведения анализа периферической крови человека Предмет исследования: проблема автоматизации определения популяционного состава лейкоцитарной формулы крови Цель исследования: разработка методики автоматизации определения популяционного состава лейкоцитарной формулы, легко внедряемой условиях работы отечественных гематологических лабораторий. Задачи исследования: 1. Определение ключевых проблем автоматизации. 2. Исследование возможностей автоматизации решения обозначенных проблем с реализацией важнейших узлов автоматизации и экспериментальной проверкой.


Слайд 2

Тема исследования: актуальность Показатели периферической крови человека являются интегральными показателями общего состояния организма; данный тип анализа широко востребован клинической практике, спортивной медицине и др. Уровень автоматизации определения количественных параметров крови, как СОЭ, концентрация красных и белых кровяных телец и др. является приемлемым. В то же время уровень автоматизации задач проведения анализов на основе качественных характеристик клеток крови в условиях отечественных лабораторий является неудовлетворительным. Наиболее востребованный анализ данного типа – определение популяционного состава лейкоцитарной формулы крови. Выполнение анализа лейкоцитарной формулы ручным методом производится на основе микроскопического исследования препарата крови врачом-лаборантом и характеризуется экономической неэффективностью, слабоконтролируемостью, субъективностью, зависимостью точности результатов от ряда факторов, нагрузкой на зрительную систему специалиста. Потому, исследование проблемы автоматизации является актуальной задачей.


Слайд 3

Обобщенная структура системы автоматизации. Система машинного зрения в комплексе автоматизации. Устройство координирования Вычислительная система Система ввода/вывода Система машинного зрения Программная часть . . . Пользователь


Слайд 4

Существующие системы автоматизации анализа лейкоцитарной формулы крови CellaVision DM96 (http://cellavision.com) МЕКОС-АМК (http://www.mecos.ru ) ВидеоТесТ-Гем (http://www.videotest.ru) Общие недостатки: Высокие требования к аппаратному обеспечению и процессу пробоподготовки Высокая стоимость


Слайд 5

Примеры подлежащих обработке системой машинного зрения изображений полей зрения препарата


Слайд 6

Использованное оборудование Микроскоп рабочий биологический БИОЛАМ Р11 (ПО ЛОМО, Санкт-Петербург, Россия) Цифровая фотокамера Canon PowerShot A620


Слайд 7

Структура системы машинного зрения Предварительная обработка Автоматическая сегментация Захват изображений лейкоцитов Точная сегментация Определение характеристик изображения Выделение ядер Выделение цитоплазмы Автоматическая классификация Вычисление системы характерных признаков Распознавание


Слайд 8

Алгоритм захвата изображений лейкоцитов: пример работы


Слайд 9

Алгоритм захвата изображений лейкоцитов: автоматический метод определения типа гистограммы (Иллюстрация) Бимодальная гистограмма Мономодальная гистограмма


Слайд 10

Алгоритм точной сегментации: предварительная оценка изображений Критерий классификации: Высококонтрастные (К < 23) Низкоконтрастные (K ? 23)


Слайд 11

Алгоритм точной сегментации: выделение ядер и цитоплазмы (пример работы) Выделение ядра Выделение цитоплазмы


Слайд 12

Алгоритм точной сегментации: эксперимент Среднее время выполнения: 0,54 с (Система: Intel(R) Celeron(R) CPU M540 1.86 GHz, 2 Gb RAM; MATLAB R2007a, Version 7.0.4.287) Оценено по 170 изображениям


Слайд 13

Система характерных признаков лейкоцитов Площадь клетки (количество пикселов на изображении); Отношение площади ядра к площади клетки; Максимум спектра формы ядра; Радиус структурирующего элемента, при котором достигается максимум спектра формы ядра; Суммарная энтропия, вычисленная по яркостной матрице смежностей области ядра; Максимальная вероятность в яркостной матрице смежностей области ядра; Второй статистический момент распределения интенсивностей на изображении клетки.


Слайд 14

Автоматический классификатор на основе технологии нейронных сетей Архитектура: Многослойный персептрон Количество скрытых слоев: 1 Количество нейронов в слоях: 7 – 15 – 4 Алгоритм обучения: Левенберга-Марквардта Функция активации нейронов: сигмоидальная (тангенс гиперболический) При обучении использован метод раннего останова. Результаты эксперимента Параметры нейронной сети Суммарная точность классификации: 92%. Матрица неточностей


Слайд 15

Выводы Научная новизна Разработана эффективная методика автоматизации проведения анализа лейкоцитарной формулы обладающая свойствами, позволяющими эффективное внедрение в условиях работы отечественных гематологических, лабораторий. Создан быстродействующий и обладающий характеристиками высокой точности алгоритм сегментации лейкоцитов. Полученные результаты достигнуты введением двухстадийной процедуры с предварительным грубым захватом объектов интереса. Впервые применена процедура предварительной оценки изображений лейкоцитов, осуществляющая настройку параметров алгоритма сегментации. Благодаря этому достигнута возможность с приемлемым уровнем точности обрабатывать изображения объектов интереса в условиях высокой изменчивости и существенных отличий между представителями разных классов. Разработана система характерных признаков изображений лейкоцитов, пригодная для использования в условиях низкого качества изображений. Полученная точность этапа распознавания (92%) превосходит результаты аналогичных работ. Практическая ценность Результаты исследования могут быть использованы для реализации серийной системы автоматизации анализа популяционного состава лейкоцитарной формулы крови. Также некоторые разработанных методов могут найти применение в широком спектре задач машинного зрения.


Слайд 16

Апробация результатов работы Дземан М. І., Лебедєв К. А. Сучасні можливості автоматизації процесів аналізу препаратів периферичної крові засобами комп'ютерної обробки. //Науковий вісник Національного медичного університету імені О. О. Богомольця. – 2008. - №4 (21). – С. 114–119. Дземан М. И., Калниболотский Ю. М., Лебедев К. А. Метод сегментации микрофотоснимков препаратов периферической крови. //Друга конференція молодих вчених "Електроніка - 2009". Збірник статей. Частина 1.– К.: АВЕРС, 2009. - С. 145-151.


Слайд 17

Благодарю за внимание.


×

HTML:





Ссылка: