Метод эритрометрии на основе модифицированного преобразования Хафа
ПИСЬМА В РЕДАКЦИЮ
УДК 004.932.2
МЕТОД ЭРИТРОМЕТРИИ НА ОСНОВЕ МОДИФИЦИРОВАННОГО ПРЕОБРАЗОВАНИЯ ХАФА
© 2013 г. И. Н. Жданов, аспирант; А. С. Потапов, доктор техн. наук; О. В. Щербаков, аспирант СПбНИУ ИТМО, Санкт-Петербург
Е-mail: pas.aicv@gmail.com
Рассмотрено решение задачи автоматической эритрометрии с использованием модифицированного преобразования Хафа на основе ранее разработанного метода выделения и подсчета эритроцитов. Предложенный метод позволяет строить кривую Прайса–Джонса по изображениям мазков крови.
Ключевые слова: эритрометрия, преобразование Хафа, эритроциты, кривая Прайса–Джонса.
Коды OCIS: 170.1530, 100.3008.
Поступила в редакцию 19.12.2012.
Введение
В последнее время в биомедицинской практике получило широкое распространение использование информационных технологий как для хранения и передачи биомедицинских данных, так и для их автоматической обработки, в том числе при решении задач подсчета эритроцитов в мазке крови [1] и эритрометрии. Эритроцит – безъядерная клетка розового цвета, имеющая форму несколько уплощенного эллипсоида с вдавлением в центре при среднем размере 8 мкм. Задача эритрометрии заключается в построении графика зависимости N(R), где N – количество эритроцитов с радиусом, равным R.
Существует несколько подходов к решению задачи подсчета эритроцитов в мазке крови. Например в [2–4] обсуждается возможность применения нейронных сетей. Кроме того, существуют методы, основанные на морфологической обработке [5] и выделении особенностей на изображении [6]. В настоящей работе метод обнаружения и подсчета эритроцитов основан на модифицированном преобразовании Хафа. Существуют различные модификации преобразования Хафа для случая выделения эллипсоидальных объектов на изображении [7–11]. Применение этого преобразования для подсчета эритроцитов было представлено нами в [12].
В данной работе решение задачи подсчета эритроцитов расширяется до решения задачи эритрометрии.
Подсчет эритроцитов с применением преобразования Хафа
Алгоритм подсчета эритроцитов состоит из нескольких этапов:
1) нормализация изображения по размеру, 2) контрастирование изображения, 3) размытие изображения фильтром Гаусса, 4) применение фильтра Канни для выделения граней, 5) нумерация контуров, 6) “голосование” за центры контуров (эритроцитов), 7) обработка полученных “голосов”, 8) размытие изображения с результатами голосования фильтром Гаусса, 9) нумерация результирующего изображения центров, 10) подсчет количества итоговых центров эритроцитов. На рис. 1 представлен пример результатов выполняемых шагов алгоритма подсчета эритроцитов. Более подробно описанный выше алгоритм подсчета эритроцитов изложен в работе [12].
“Оптический журнал”, 80, 3, 2013
97
(а) (б) (в) (г)
(д)
Рис. 1. Этапы обработки изображения при выявлении и подсчете эритроцитов. а – исходное изображение, б – контрастированное изображение, в – результат выделения и нумерации контуров, г – результат голосования за центры контуров, д – итоговое изображение размытых и пронумерованных центральных областей эритроцитов.
Задача эритрометрии
Задача эритрометрии сводится к построению кривой Прайса–Джонса. Кривая Прайса–Джонса – это гистограмма распределения числа эритроцитов по их размеру (диаметру). По результатам измерений диаметров эритроцитов строят график, в котором по оси абсцисс откладывают значения диаметра в микрометрах, а по оси ординат – процент клеток с соответствующим диаметром. Эта кривая служит для анализа здоровья человека. Алгоритм решения задачи эритрометрии заключается в следующих шагах:
1) подсчет радиусов красных кровяных телец,
2) подсчет количества эритроцитов с равным радиусом,
3) построение кривой Прайса–Джонса.
Решение задачи эритрометрии
Для решения задачи эритрометрии необходимо посчитать радиусы всех найденных эритроцитов. По результатам этапов голосования и подсчета количества эритроцитов были удалены контуры, не являющиеся эритроцитами. Оставшиеся контуры использовались для подсчета диаметров эритроцитов, что описывается следующими шагами:
98 “Оптический журнал”, 80, 3, 2013
N
10 8 6 4 2
6,5 7 7,5 8 8,5 2R, мкм9 Рис. 2. Полученная кривая Прайса–Джонса.
6) выводится график полученной гистограммы, который и является кривой Прайса–Джонса.
Результат работы алгоритма приведен на рис. 2. Основным параметром кривой Прайса–Джонса, который используется для постановки диагноза о наличии болезни крови, является его ширина (или дисперсия диаметра). Автоматическое построение кривой происходит гораздо быстрее, но менее точно, чем построение этой кривой вручную. Однако необходимы более тщательные эксперименты с использованием более точной обучающей выборки с известными заранее кривыми Прайса– Джонса.
1) на основе системы голосования, подобной той, что была описана в работе [12], проводится голосование за центр для каждого эритроцита;
2) центр, получивший наибольшее количество голосов, становится центром текущего контура;
3) проводятся линии от центра-победителя до всех точек контура,
4) длины получившихся линий суммируются и усредняются, средняя длина становится радиусом эритроцита;
5) строится гистограмма распределения диаметров эритроцитов по общему количеству эритроцитов,
Заключение
В данной работе предложен метод решения задачи эритрометрии с использованием существующего метода предварительного обнаружения и подсчета эритроцитов. Полученные в ходе работы результаты говорят о возможности автоматического построения кривой Прайса–Джонса. Однако для создания устойчивого алгоритма построения кривой с большей точностью требуется обширная тестовая выборка.
Работа выполнена при финансовой поддержке Министерства образования и науки Российской Федерации.
*****
ЛИТЕРАТУРА
1. Maitra M., Gupta R.K., Mukherjee M. Detection and counting of red blood cells in blood cell images using Hough transform // International journal of computer applications. 2012. V. 53. № 16. P. 18–22.
2. Veluchamy M., Perumal K., Ponuchamy T. Feature extraction and classification of blood cells using artificial neural network // American journal of applied sciences. 2012. V. 9. №. 5. P. 615–619.
3. Poomcokrak J., Neatpisarnvanit C. Red blood cells extraction and counting // The 3rd International Symposium on Biomedical Engineering. 2008. P. 199–203.
4. Kimbahune V.V., Ukepp N.J. Blood cell image segmentation and counting // International journal of engeneering science and technology. 2011. V. 3. № 3. P. 2448–2453.
5. Nasution A.M.T., Suryaningtyas E.K. Automated morphological processing for counting the number of red blood cell // Proc. 2008 International Joint Conference in Engineering. August 4–5. Jakarta. Indonesia. 2008.
6. Hamouda A., Khedr A.Y., Ramadan R.A. Automated red blood cell counting // International journal of computing science. 2012. V. 1. № 2. P. 13–16.
7. Nguyen T.M., Ahuja S., Wu Q.M.J. A real-time ellipse detection based on edge grouping // IEEE International Conference on Systems, Man and Cybernetics. 2009. P. 3280–3286.
8. Nguyen T.P., Kerautret B. Ellipse detection through decomposition of circular arcs and line segments // International Conference on Image Analysis and Processing, Lecture Notes in Computer Science. 2011. V. 6978. P. 554–564.
“Оптический журнал”, 80, 3, 2013
99
9. Liu Z., Qiao H., Xu L. Multisets mixture learning-based ellipse detection // Pattern recognition. 2006. V. 39. P. 731–735.
10. Basca C.A., Talos M., Brad R. Randomized Hough transform for ellipse detection with result clustering // The International Conference on Computer as a Tool, EUROCON. 2005. V. 2. P. 1397–1400.
11. Chang C. Detecting ellipses via bounding boxes // Asian journal of health and information sciences. 2006. V. 1. № 1. P. 73–84.
12. Дырнаев А.В., Потапов А.С. Комбинированный метод подсчета эритроцитов на изображениях мазков крови // Научно-технический вестник информационных технологий, механики и оптики. 2012. Т. 77. № 1. С. 19–23.
100 “Оптический журнал”, 80, 3, 2013
УДК 004.932.2
МЕТОД ЭРИТРОМЕТРИИ НА ОСНОВЕ МОДИФИЦИРОВАННОГО ПРЕОБРАЗОВАНИЯ ХАФА
© 2013 г. И. Н. Жданов, аспирант; А. С. Потапов, доктор техн. наук; О. В. Щербаков, аспирант СПбНИУ ИТМО, Санкт-Петербург
Е-mail: pas.aicv@gmail.com
Рассмотрено решение задачи автоматической эритрометрии с использованием модифицированного преобразования Хафа на основе ранее разработанного метода выделения и подсчета эритроцитов. Предложенный метод позволяет строить кривую Прайса–Джонса по изображениям мазков крови.
Ключевые слова: эритрометрия, преобразование Хафа, эритроциты, кривая Прайса–Джонса.
Коды OCIS: 170.1530, 100.3008.
Поступила в редакцию 19.12.2012.
Введение
В последнее время в биомедицинской практике получило широкое распространение использование информационных технологий как для хранения и передачи биомедицинских данных, так и для их автоматической обработки, в том числе при решении задач подсчета эритроцитов в мазке крови [1] и эритрометрии. Эритроцит – безъядерная клетка розового цвета, имеющая форму несколько уплощенного эллипсоида с вдавлением в центре при среднем размере 8 мкм. Задача эритрометрии заключается в построении графика зависимости N(R), где N – количество эритроцитов с радиусом, равным R.
Существует несколько подходов к решению задачи подсчета эритроцитов в мазке крови. Например в [2–4] обсуждается возможность применения нейронных сетей. Кроме того, существуют методы, основанные на морфологической обработке [5] и выделении особенностей на изображении [6]. В настоящей работе метод обнаружения и подсчета эритроцитов основан на модифицированном преобразовании Хафа. Существуют различные модификации преобразования Хафа для случая выделения эллипсоидальных объектов на изображении [7–11]. Применение этого преобразования для подсчета эритроцитов было представлено нами в [12].
В данной работе решение задачи подсчета эритроцитов расширяется до решения задачи эритрометрии.
Подсчет эритроцитов с применением преобразования Хафа
Алгоритм подсчета эритроцитов состоит из нескольких этапов:
1) нормализация изображения по размеру, 2) контрастирование изображения, 3) размытие изображения фильтром Гаусса, 4) применение фильтра Канни для выделения граней, 5) нумерация контуров, 6) “голосование” за центры контуров (эритроцитов), 7) обработка полученных “голосов”, 8) размытие изображения с результатами голосования фильтром Гаусса, 9) нумерация результирующего изображения центров, 10) подсчет количества итоговых центров эритроцитов. На рис. 1 представлен пример результатов выполняемых шагов алгоритма подсчета эритроцитов. Более подробно описанный выше алгоритм подсчета эритроцитов изложен в работе [12].
“Оптический журнал”, 80, 3, 2013
97
(а) (б) (в) (г)
(д)
Рис. 1. Этапы обработки изображения при выявлении и подсчете эритроцитов. а – исходное изображение, б – контрастированное изображение, в – результат выделения и нумерации контуров, г – результат голосования за центры контуров, д – итоговое изображение размытых и пронумерованных центральных областей эритроцитов.
Задача эритрометрии
Задача эритрометрии сводится к построению кривой Прайса–Джонса. Кривая Прайса–Джонса – это гистограмма распределения числа эритроцитов по их размеру (диаметру). По результатам измерений диаметров эритроцитов строят график, в котором по оси абсцисс откладывают значения диаметра в микрометрах, а по оси ординат – процент клеток с соответствующим диаметром. Эта кривая служит для анализа здоровья человека. Алгоритм решения задачи эритрометрии заключается в следующих шагах:
1) подсчет радиусов красных кровяных телец,
2) подсчет количества эритроцитов с равным радиусом,
3) построение кривой Прайса–Джонса.
Решение задачи эритрометрии
Для решения задачи эритрометрии необходимо посчитать радиусы всех найденных эритроцитов. По результатам этапов голосования и подсчета количества эритроцитов были удалены контуры, не являющиеся эритроцитами. Оставшиеся контуры использовались для подсчета диаметров эритроцитов, что описывается следующими шагами:
98 “Оптический журнал”, 80, 3, 2013
N
10 8 6 4 2
6,5 7 7,5 8 8,5 2R, мкм9 Рис. 2. Полученная кривая Прайса–Джонса.
6) выводится график полученной гистограммы, который и является кривой Прайса–Джонса.
Результат работы алгоритма приведен на рис. 2. Основным параметром кривой Прайса–Джонса, который используется для постановки диагноза о наличии болезни крови, является его ширина (или дисперсия диаметра). Автоматическое построение кривой происходит гораздо быстрее, но менее точно, чем построение этой кривой вручную. Однако необходимы более тщательные эксперименты с использованием более точной обучающей выборки с известными заранее кривыми Прайса– Джонса.
1) на основе системы голосования, подобной той, что была описана в работе [12], проводится голосование за центр для каждого эритроцита;
2) центр, получивший наибольшее количество голосов, становится центром текущего контура;
3) проводятся линии от центра-победителя до всех точек контура,
4) длины получившихся линий суммируются и усредняются, средняя длина становится радиусом эритроцита;
5) строится гистограмма распределения диаметров эритроцитов по общему количеству эритроцитов,
Заключение
В данной работе предложен метод решения задачи эритрометрии с использованием существующего метода предварительного обнаружения и подсчета эритроцитов. Полученные в ходе работы результаты говорят о возможности автоматического построения кривой Прайса–Джонса. Однако для создания устойчивого алгоритма построения кривой с большей точностью требуется обширная тестовая выборка.
Работа выполнена при финансовой поддержке Министерства образования и науки Российской Федерации.
*****
ЛИТЕРАТУРА
1. Maitra M., Gupta R.K., Mukherjee M. Detection and counting of red blood cells in blood cell images using Hough transform // International journal of computer applications. 2012. V. 53. № 16. P. 18–22.
2. Veluchamy M., Perumal K., Ponuchamy T. Feature extraction and classification of blood cells using artificial neural network // American journal of applied sciences. 2012. V. 9. №. 5. P. 615–619.
3. Poomcokrak J., Neatpisarnvanit C. Red blood cells extraction and counting // The 3rd International Symposium on Biomedical Engineering. 2008. P. 199–203.
4. Kimbahune V.V., Ukepp N.J. Blood cell image segmentation and counting // International journal of engeneering science and technology. 2011. V. 3. № 3. P. 2448–2453.
5. Nasution A.M.T., Suryaningtyas E.K. Automated morphological processing for counting the number of red blood cell // Proc. 2008 International Joint Conference in Engineering. August 4–5. Jakarta. Indonesia. 2008.
6. Hamouda A., Khedr A.Y., Ramadan R.A. Automated red blood cell counting // International journal of computing science. 2012. V. 1. № 2. P. 13–16.
7. Nguyen T.M., Ahuja S., Wu Q.M.J. A real-time ellipse detection based on edge grouping // IEEE International Conference on Systems, Man and Cybernetics. 2009. P. 3280–3286.
8. Nguyen T.P., Kerautret B. Ellipse detection through decomposition of circular arcs and line segments // International Conference on Image Analysis and Processing, Lecture Notes in Computer Science. 2011. V. 6978. P. 554–564.
“Оптический журнал”, 80, 3, 2013
99
9. Liu Z., Qiao H., Xu L. Multisets mixture learning-based ellipse detection // Pattern recognition. 2006. V. 39. P. 731–735.
10. Basca C.A., Talos M., Brad R. Randomized Hough transform for ellipse detection with result clustering // The International Conference on Computer as a Tool, EUROCON. 2005. V. 2. P. 1397–1400.
11. Chang C. Detecting ellipses via bounding boxes // Asian journal of health and information sciences. 2006. V. 1. № 1. P. 73–84.
12. Дырнаев А.В., Потапов А.С. Комбинированный метод подсчета эритроцитов на изображениях мазков крови // Научно-технический вестник информационных технологий, механики и оптики. 2012. Т. 77. № 1. С. 19–23.
100 “Оптический журнал”, 80, 3, 2013