РАЗДЕЛ 2
ОБРАБОТКА ИЗОБРАЖЕНИЙ ГИСТОЛОГИЧЕСКИХ СРЕЗОВ
НА ОСНОВЕ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ
Постановка задачи оптимизации обработки
изображений гистологических срезов
В общем случае сегментация представляет собой операцию разбиения исходного
изображения f(x,y), на k непустых непересекающихся связанных подмножеств Qi
(iО[1;k]) в соответствии с некоторым предикатом P, определенном на множестве
Q={Q1,Q2,…,Qk} и принимающим истинные значения, когда любая пара точек из
каждого подмножества Qi удовлетворяет выбранному критерию однородности
(например, критерий однородности, основанный на оценке максимальной разности
яркости отдельного пикселя и среднего значения яркости, вычисленного по
соответствующей области) [40].
Для решения поставленной задачи предложена пошаговая процедура обработки
изображения:
(Ошибка! Текст указанного стиля в документе отсутствует..1)
где Мn – промежуточное изображение на n-ом этапе обработки;
– операция обработки изображения (ООИ);
PS – набор значений параметров ООИ;
n – номер последовательно идущей операции обработки изображения;
i – порядковый номер ООИ из набора доступных;
Nn – набор промежуточных изображений, полученных на предыдущих шагах на основе
которых строится изображение Мn:
(Ошибка! Текст указанного стиля в документе отсутствует..2)
Поскольку неизвестно, какая именно цветовая схема обеспечит наиболее
эффективную процедуру сегментации, то предложено представить входное
изображение как набор цветовых плоскостей:
(Ошибка! Текст указанного стиля в документе отсутствует..3)
Каждая цветовая плоскость содержит значения пикселей изображения в одной из
цветовых схем (ЦС): RGB, HLS, Lab и Luv.
Следовательно, первые 12 цветовых плоскостей будут фиксированы:
(Ошибка! Текст указанного стиля в документе отсутствует..4)
Таким образом, для решения поставленной задачи достаточно применить к одной из
цветовых плоскостей последовательно две операции:
(Ошибка! Текст указанного стиля в документе отсутствует..5)
(Ошибка! Текст указанного стиля в документе отсутствует..6)
где ClipLo – операция порогового ограничения, при которой все значения пикселей
ЦС с номером field (field О {0, 1, 2, …, 11}) ниже значения параметра CL (CL О
[0…255]), устанавливаются в 0, остальные сохраняют свои значения;
ClipHi – все значения пикселей, которые превышают значение параметра CH (CH О
[0…255]), устанавливаются в 0, остальные в 1.
В результате выполнения приведенных операций получаем бинарное изображение M13.
Задача синтеза эффективного алгоритма обработки и сегментации изображения (с
точки зрения значения целевой функции ) заключается в том, чтобы для
изображений заданного вида гистологического исследования определить такую
последовательность операторов обработки изображений с соответствующими
значениями параметров, при которых функция оценки точности сегментации F(Z)
стремится к экстремуму:
(Ошибка! Текст указанного стиля в документе отсутствует..7)
Точность обработки изображения определяется с помощью оценки целевой функции
(ЦФ) F, которую в зависимости от специфики вида гистологического исследования
предложено вычислять двумя способами:
1. Если анализ гистологического исследования не зависит от взаиморасположения
элементов на изображении, то в качестве ЦФ предложено использовать минимизацию
отклонения полученного количества элементов от количества элементов,
определенного по обучающей выборке (с известными результатами классификации)
[30].
, (),
(Ошибка! Текст указанного стиля в документе отсутствует..8)
где Nj – количество элементов изображения гистологического среза, полученное с
помощью многомерной пороговой сегментации;
Kj – количество элементов, полученное из обучающей выборки;
С – количество классов элементов.
2. Функция F2 определяется путем сравнения сегментированного изображения Mk с
изображением из обучающей выборки Gl:
(Ошибка! Текст указанного стиля в документе отсутствует..9)
где D – мера различия между эталоном Gl и изображением Mk:
(Ошибка! Текст указанного стиля в документе отсутствует..10)
Сходство с эталоном существует, если
(Ошибка! Текст указанного стиля в документе отсутствует..11)
где LD – выбранное пороговое значение.
Для решения сформулированной выше задачи определения эффективного алгоритма
обработки и сегментации изображений гистологических срезов необходимо
разработать новый метод решения, так как все ранее применявшиеся методы,
рассмотренные в первом разделе, не позволяют получить экстремальное значение
для заданного критерия эффективности.
Определение рациональных значений параметров алгоритма сегментации изображения
с помощью генетических алгоритмов
Проведенный в разделе 1 анализ методов обработки изображений гистологических
срезов показал, что при классификации изображений используются в основном
статистическая оценка характеристик и алгоритмы машинного обучения. Решение
задачи оптимизации обработки и сегментации изображений сводится к обучению с
учителем с учетом минимизации ошибки. Оптимизируемая функция имеет сложный вид
(представлена процедурно), что затрудняет применение градиентных и нейросетевых
методов. Метод полного перебора не применим вследствие большой размерности
задачи.
Для поиска эффективного алгоритма сегментации изображений гистологических
срезов предложено использовать эволюционный подход ? генетические алгоритмы
(ГА), которые представляют собой случайный направленный поиск, основанный на
эволюционных процессах живых организмов. ГА работают с совокупностью особей
(хромосом) – популяцией [79, 96]. Механизм эволюции и наследования позволяет
последовательно улучшать хромосомы в каждой новой популяции, что приводит к
получению субоптимальных (близких к оптимальн
- Київ+380960830922