32x32

shegenn 07.05.2019

Автоматическая обработка и анализ цифровых изображений различных типов человеческих клеток

1

Анализ биомедицинских изображений уже давно стал составным элементом как при проведении научных исследований, так при диагностике заболеваний.  Это обусловлено тем, что достаточно большая доля общего объема всех данных в медицине – это изображения. Они важный источник данных о состоянии здоровья пациента.

Технологии биомедицинской визуализации используют широкий спектр различных возможностей, это - рентгеновские снимки, различные виды томографии (магнитно-резонансная (МРТ), компьютерная томография (КТ), однофотонная эмиссионная, оптическая когерентная и т.д.), ультразвук, эндоскопия и т.д.

С недавнего времени к этому списку методов диагностики добавился анализ цифровых изображений биологических жидкостей, прежде всего, клеток крови, спинномозговой жидкости, соскоба буккального эпителия и прочих видов клеток. Примеры таких изображений представлены на рис. 1.

2

Рис. 1. Сканограмма ядер клеток соскоба буккального эпителия

Часто, мазок биологической жидкости обеспечивает первичное, а иногда и единственное свидетельство конкретного диагноза, оставаясь важным диагностическим инструментом даже в эпоху молекулярного анализа с возможностью выделения ДНК, РНК и другого материала в структуре клетки. Интерес к данной тематике обусловлен, прежде всего, возможностью автоматизации процесса диагностирования, который сводится к анализу цифровых изображений соответствующих клеток человека.

В то же время, автоматизированных инструментов, которые помогали бы врачам выполнять рутинные обязанности по анализу снимков, помогая обрабатывать и анализировать такую информацию, пока немного.

Отметим, что в настоящее время ведутся активные работы по разработке систем для автоматической обработки медицинских изображений. Большинство таких систем построено на использовании нейросетевых технологий обработки данных (искусственный интеллект) с присущими им недостатками – необходимостью обучения на очень большом объеме данных и невозможностью интерпретации полученных результатов.

Наш подход, основанный на извлечении различных признаков клеток и формировании из них обучающей выборки для последующей классификации, обеспечивает наглядность результатов и показывает высокую точность на тестовых данных. Система разрабатывалась на основе результатов работы наших специалистов в области обработки изображений. В итоге была построена система, способная сегментировать изображения клеток и извлекать из них необходимые признаки для построения таблицы «объект-свойство» (Рис. 2). Краткая презентация доступна по ссылке.

Непосредственная работа с веб-сервисом по автоматической обработке и анализу цифровых изображений человеческих клеток возможна на сайте.

3

Рис. 2. Схема работы сервиса

При анализе любое изображение делится на объекты и фон. Поэтому, первой целью анализа изображения является процесс сегментации, при котором выделяются области, соответствующие определенным объектам на изображении, при этом вся оставшаяся часть изображения относится к фону. В целом, успех анализа изображений и их распознавания зависит от надежности и корректности сегментации, что представляет собой достаточно сложную задачу. Ее решение позволило перейти к построению рекомендательной системы предобработки изображений клеток. Результат работы системы автоматического анализа показан на рис. 3.

4

Рис. 3. Изображение соскоба буккального эпителия после обработки.

Разработанное ПО призвано повысить эффективность работы медицинского персонала, в том числе исследовательского, при диагностике, лечении и мониторинге различных заболеваний, которые имеют проявления на клеточном уровне. Более того, по нашему мнению, объединение в дальнейшем рекомендательной системы и компьютерной системы диагностики, построенной на основе нейронных сетей, позволит получить автоматизированную систему обработки медицинских изображений для последующей ранней неинвазивной диагностики РМЖ, а возможно, и других видов онкозаболеваний.

Кроме того, можно рассчитывать на расширение спектра использования данной системы для анализа не только мазка слизистой, но и, например, лимфоцитов, эозинофилов, проб биопсии очагов поражения мозга, зубов, прочих систем организма и других видов человеческих клеток.

Функции системы пока предполагают анализ 2d изображений (3d не поддерживается), однако, фундаментальные алгоритмы уже показывают достаточно точные результаты, помогая специалистам быстро отследить повышение количества определенного типа клеток на пробе, увидеть их строение, а, следовательно, точнее диагностировать процессы, происходящие в органах человека, увидеть признаки различных заболеваний на ранней стадии.

И, последнее, мы открыты для сотрудничества как с людьми от науки, так и с коммерческими организациями любого вида.