1109810382

Rozpatrywane w naszych pracach zagadnienie polega na analizie obrazow mikroskopowych, w któiych w polu widzenia liczy się i klasyfikuje obiekty oraz określa ich parametry morfologiczne. Liczba publikacji dotyczących analizy komputerowej obrazu mikroskopowego jest znaczna, a samo zagadnienie stało się elementem klasycznym w dziedzinie przetwarzania obrazów; w terminologii informatycznej określane bywa mianem digital microscopy i jest przedmiotem specjalistycznych kursów [19], Opisane w dostępnej nam literaturze systemy z zakresu digital microscopy możemy podzielić w kilku kategoriach:

1.    ze względu na format obrazu:

obraz barwny;

obraz monochromatyczny (lub barwny, w którym informacja o kolorze nie jest istotna);

2.    ze względu na statyczność obrazu:

obraz nie mc ho my;

obraz ruchomy (lub sekwencja obrazów) - badanie ruchliwości komórek:

3.    ze względu na zawartość obrazu:

obraz tkanki: celem analizy jest identyfikacja i badanie morfologii struktury tkanki;

obraz jednej komórki: cel analiz}' - identyfikacja i badanie morfologii komórki w celu wykrycia zmian patologicznych;

obraz wielu takich samych komórek - liczenie komórek w polu widzenia -najczęściej analiza komórek krwi

Lektura publikacji dotyczących algorytmów segmentacji i identyfikacji obrazów mikroskopowych pozwala stwierdzić, że najczęściej spotyka się różnorodne kombinacje istniejących. klasycznych algorytmów zastosowanych w pierwotnej formie bądź zmodyfikowanych tak, aby zwiększyć ich skuteczność dla wybranej klasy obrazu. W tym celu wprowadza się zmodyfikowane algorytmy przetwarzania wstępnego, nowe kiyteria, miaiy, współczynniki, również w ograniczonym stopniu same algorytmy.

Dla potrzeb przetwarzania wstępnego używa się zwykle algorytmów:

•    wy równania j asności tła w obrazie;

•    detekcji braku ostrości i wyrównania ostrości;

•    usunięcia szumów związanych z procesem akwizycji obrazu:

•    konwersji obrazu na obraz monochromatyczny lub transformacji składowych barwy.

Dla potrzeb segmentacji stosuje się najczęściej podejścia:

•    progowanie obrazu (obraz monochromatyczny);

•    klasyfikacja pikseli poprzez metody klasteiyzacji, lub poprzez klasyfikatoiy (najczęściej sztuczne sieci neuronowe):

•    analiza tekstury;

•    metody wykrywania obszarów, najczęściej metody rozrostu:

•    nieco rzadziej - algorytmy wykrywania konturu.

W trakcie naszych prac badawczych zaprojektowaliśmy przy współpracy z Akademiami Medycznymi w Łodzi oraz we Wrocławiu dwa systemy wizyjne. Oprócz rozwiązań sugerowanych przez autorów innych prac przetestowaliśmy pewne własne rozwiązania. Naszym wkładem własnym jest: ulepszony filtr medianowy [10. 11], zaprojektowanie algorytmu klasyfikacji pikseli [14], zmodyfikowany algorytm Bemsena [17], prace nad algorytmem watershed [15] i wreszcie połączenie tych algorytmów w optymalny sposób.