AUTOMATING OF THE PROCESS FOR CELL COUNTING OF LEUKOCYTES ON THE IMAGES OF BLOOD

Сюрина Е.М.¹, Адамов В.Г.²

¹Студент, ²Кандидат технических наук, Донецкий национальный технический университет

АВТОМАТИЗАЦИЯ ПРОЦЕССА ПОДСЧЕТА КЛЕТОК ЛЕЙКОЦИТОВ НА ИЗОБРАЖЕНИЯХ ПРЕПАРАТОВ КРОВИ

Аннотация

В работе рассмотрена технология автоматизации процесса подсчета клеток лейкоцитов на изображениях препаратов крови. Описаны основные методы выделения контуров ядер лейкоцитов и выделения цитоплазмы клеток. Также проведен анализ этих методов и выбран наиболее подходящий из них.

Ключевые слова: препарат крови, бинаризация, фильтрация, выделение границ.

Siurina K.M.¹, Adamov V.G.²

¹Student, ²Candidate of Technical Sciences, Donetsk National Technical University

AUTOMATING OF THE PROCESS FOR CELL COUNTING OF LEUKOCYTES ON THE IMAGES OF BLOOD

Abstract

The article considers automating of the process for cell counting of leukocytes on the images of blood. The main methods of allocation the contours of the nuclei of leukocytes and isolation cell cytoplasm are described. Also, the analysis of these methods was done and the most appropriate one was chosen.

Keywords: blood product, binarization, filtering, isolation of borders.

Постановка задачи

Общий анализ крови – это важный диагностический метод, который показывает реакцию кроветворных органов на воздействие различных физиологических и патологических факторов на организм человека [1]. Одним из показателей, вычисляемым в ходе общеклинического исследования крови является подсчет общего количества кровяных клеток, в том числе лейкоцитов. Для этой целей существует множество методик, однако в наше время до сих пор широко используется способ ручного (мануального) метода анализа кровяного состава. Такой подход требует непосредственного участия лаборанта на протяжении всего анализа, что является трудоемкой и длительной процедурой. В связи с этим в настоящее время весьма актуальной является задача автоматизации проведения общеклинического анализа крови. Понятие «общеклиническое исследование крови» включает в себя: определение концентрации гемоглобина, подсчет количества лейкоцитов, цветового показателя лейкоцитов, скорости оседания эритроцитов (СОЭ) и процентное соотношение каждого из типов лейкоцитов (лейкоцитарной формулы) [1]. Для определения количества лейкоцитов в образце крови в данной работе предложена технология автоматизации процесса подсчета клеток лейкоцитов путем выделения контуров их ядер.

Общая характеристика процесса

На рис.1 показаны клетки крови (тромбоциты, лейкоциты и эритроциты), лейкоциты самые крупные из них. Как известно, любую клетку можно разделить на ядро и цитоплазму. Ядро лейкоцитов – это плотное образование, которое может быть различного цвета от светло-розового до темно-фиолетового. Цитоплазма лейкоцитов не такая плотная, как ядро, и может быть от пурпурного до фиолетового цвета и часто содержит гранулы (включения).

Рис. 1- Изображение мазка крови

Автоматические методы выделения контуров не требуют прямого участия лаборанта и заключаются в проведение следующих этапов: начальная обработка изображения (предварительная), преобразование цветовой модели, применение алгоритмов выделения границ.

Для предварительной обработки важным фактором является качество исходного изображения, которое напрямую зависит от оборудования, применяемого в процессе получения снимка препарата крови. Чем выше разрешение используемого микроскопа, тем качественнее исходное изображение. Но высокоразрешающий микроскоп, как правило, является и дорогостоящим, что становится препятствием на пути получения изображения высокого качества. Таким образом, чтобы избавится от зашумлённости и мало контрастности снимка, применяют алгоритмы повышения контраста и очистки изображения от шума для последующей его обработки.

Для дальнейшего выделения объектов на изображении одним из основополагающих факторов является цвет, поэтому крайне важно выбрать правильное цветовое пространство. Человек воспринимает цвет по-разному в зависимости от различных внешних условий. Однако для человека цветовые модели YUV, HSL, RGB наиболее близки по цветовосприятию. В отличие от других систем, HSL имеет одно важное преимущество: она более близка по природе цвета к модели восприятия цвета человеком [2]. Именно поэтому для решения поставленной задачи выбрана модель HSL. Она представляет собой значение компонент тона, насыщенности и освещенности, которые позволяют контролировать цвет изображения наиболее удобным способом.

Выбор метода выделения ядер

Для выделения границ объектов на изображении (в данном случае контуров ядер лейкоцитов) существует немало алгоритмов, которые заключаются в применении оператора первой производной к исходному изображению, то есть в построении градиентного изображения [3]. Оператор градиента – это маска или квадратная матрица коэффициентов. По сути, это линейный фильтр изображения, который применяется для каждой точки изображения. Размер этой маски может быть любой, чаще выбираемый эмпирическим путем.

Для выбора подходящего метода выделения границ необходимо рассмотреть существующие. В данной работе анализировались методы Робертса, Лапласа, Уоллеса, Собеля, Кирша и статический метод. Все перечисленные методы работают со значением яркости точки, которое получается по формуле из значений цветовых составляющих. Иногда не требуется преобразовывать изображение к оттенкам серого, можно лишь определить значение яркости точки в тот момент времени, когда она обрабатывается, а затем полученное значение после преобразований повторить по всем цветовым каналам [4].

Метод Робертса – самый простой и быстрый, но при этом достаточно эффективный. Работает он с матрицей 2х2 следующего вида:

Хоть второй вариант записи работает медленнее, но с квадратным корнем формула работает точнее. Окончательное значение A' записывается в элемент A, затем рабочее окно сдвигается на один элемент вправо и так далее (слева направо и сверху вниз) [4].

Метод Лапласа выполняет умножение каждого элемента матрицы размером 3х3 на соответствующий элемент одной из матриц Лапласа:

Затем результаты умножения складываются, и полученное значение помещается в центр (в точку E). Иногда, при необходимости, повышается порог яркости путем сложения результата с числом около 100. Затем рабочее окно сдвигается на один элемент вправо (далее – слева направо и сверху вниз) [4].

Матрицы Лапласа могут иметь следующий вид:

Метод Уоллеса работает со следующей матрицей размером 3х3:

Метод заключается в нахождении значения центрального пикселя по формуле выше. При этом, если знаменатель равен нулю, то к нему и к числителю добавляется единица [4].

Метод Собела работает с двумерной апертурой 3х3 следующего вида:

Сначала определяются значения X и Y по формулам, приведённым выше. Затем находится новое значение центрального элемента выделением квадратного корня из суммы квадратов полученных значений переменных X и Y  [4].

Метод Кирша использует матрицу 3х3 следующего вида:

Сперва в цикле находятся все значения переменных S_i и T_i, где i изменяется от 0 до 7, по приведённым выше формулам, где знак «(+)» означает сложение по модулю 8. После находятся значения модуля разности  для каждого i от 0 до 7 и значение максимума среди этих модулей:

Полученное F' записывается на место центрального пикселя (F), затем рабочее окно сдвигается на один элемент вправо (далее – слева направо и сверху вниз) [4].

Статистический метод является двухпроходовым и применим для любой апертуры, даже для прямоугольной. Вначале вычисляется среднее значение яркости в рабочем окне:

Далее вычисляется значение среднеквадратичного отклонения значений элементов рабочего окна от среднеарифметического значения:

Потом значения всех элементов рабочего окна умножаются на полученное значение отклонения:

Стоит заметить, что при использовании статистического метода изменяются значения сразу всех элементов матрицы, в отличие от остальных способов, где преобразовывается значение только центрального пикселя [4].

Для того чтобы выбрать подходящий метод для задачи выделения ядер, были проведены эксперименты с каждым из представленных методов по выделению границ объектов на изображениях. Результаты приведены на рис.2.

Рис. 2 - Изображения с выделенными границами, полученные методом а) Кирша, б) Лапласа, в) Робертса, г) Собеля, д) Уоллеса

По результатам экспериментов можно сделать вывод, что для решения текущей проблемы метод Уоллеса не справляется, а приемлемым результат является изображение, полученное после обработки методом Собеля. Следовательно, для дальнейшей работы будет применяться метод Собеля.

Основные этапы технологии выделения цитоплазмы

Чтобы провести процесс выделения цитоплазмы клеток, воспользуемся информацией о положении ядер из предыдущего этапа и таким образом определим интервал, в котором лежит цветность ядер. Зная, что цитоплазма по цвету близка к ядру, необходимо задать отклонение цветности, и определить положение цитоплазмы.

Если полученное изображение будет иметь неровные края, применим ранговую фильтрацию, подобрав необходимые параметры.

Заключение

В работе рассмотрена технология автоматизации процесса подсчета клеток лейкоцитов на изображениях препаратов крови. Описаны основные методы выделения контуров на изображениях, проведены исследования этих методов применительно к поставленной задаче выделения ядер лейкоцитов для дальнейшего их подсчета. На основе полученных результатов выбран наиболее подходящий метод – метод Собеля.

Описана технология процесса подсчета лейкоцитов, которая заключается в последовательном выделении сначала ядер, затем цитоплазмы клеток. Приведенная технология может использоваться не только для подсчета количества клеток, но и для проведения автоматизированного общеклинического исследования крови, что может значительно облегчить работу лаборанта, так как не требует его непосредственного участия.

Литература

1. W. Kern. PDQ Hematology. – B.C. Decker. Published October 2002. – 440 Pages.
2. Технология выделения лейкоцитов на изображениях препаратов крови. Е.С. Жулькова, Н.Ю. Ильясова, А.В. Куприянов. Институт систем обработки изображений Российской академии наук, Самарский государственный аэрокосмический университет. [Электронный ресурс] URL: http://www.smr.ru/ (дата обращения 20.08.2015)
3. Многомасштабный подход к определению контуров объектов на цифровых изображениях. Казанов М.Д., Институт Системного Анализа Российской Академии Наук. [Электронный ресурс] URL: http://www.cognitive.ru/ (дата обращения 20.08.2015)
4. Методические указания к выполнению курсовой работы по курсу «Обработка сигналов и изображений» - ДонНТУ, Донецк – 2011.

References

1. W. Kern. PDQ Hematology. – B.C. Decker. Published October 2002. – 440 Pages.
2. Tekhnologiya vydeleniya leykotsitov na izobrazheniyakh preparatov krovi. Ye.S. Zhul'kova, N.YU. Il'yasova, A.V. Kupriyanov. Institut sistem obrabotki izobrazheniy Rossiyskoy akademii nauk, Samarskiy gosudarstvennyy aerokosmicheskiy universitet. [Elektronnyy resurs] URL: http://www.smr.ru/ (data obrashcheniya 20.08.2015)
3. Mnogomasshtabnyy podkhod k opredeleniyu konturov ob"yektov na tsifrovykh izobrazheniyakh. Kazanov M.D., Institut Sistemnogo Analiza Rossiyskoy Akademii Nauk. [Elektronnyy resurs] URL: http://www.cognitive.ru/ (data obrashcheniya 20.08.2015)
4. Metodicheskiye ukazaniya k vypolneniyu kursovoy raboty po kursu «Obrabotka signalov i izobrazheniy» - DonNTU, Donetsk – 2011.