Авторы: А.Н. Наркевич, К.А. Виноградов
Актуальность
Одним из заболеваний, при диагностике которого применяется микроскопия, является туберкулез легких. Качество микробиологической диагностики туберкулеза в клинико-диагностических лабораториях (КДЛ) общей лечебной сети остается не на должном уровне. Это связано с довольно рутинной методикой просмотра микроскопических препаратов, согласно которой необходимо на одном препарате просмотреть большое число полей зрения. И, с тем, что общая укомплектованность КДЛ составляет 63%, а врачами-бактериологами – 50% [11]. Это приводит к тому, что при проведении бактериоскопической диагностики туберкулеза возникает большое число ошибок [3], и учреждения общей лечебной сети постепенно перестают осуществлять такую диагностику. В 2014 году доля больных туберкулезом, выявленных данным методом от впервые выявленных бактериовыделителей, составила лишь 0,23% [1].
Использование автоматизированного анализа цифровых микроскопических изображений препаратов мокроты, окрашенной по методу Циля-Нильсена, позволит свести к минимуму перечисленные выше недостатки.
Цель
Разработка схемы работы и требований к программно-аппаратному комплексу, обеспечивающему автоматизированную бактериоскопическую диагностику туберкулеза.
Материал и методы
Систематизация знаний, обзор технологий.
Ключевые тезисы
1. Рассматриваемая автоматизированная система бактериоскопической диагностики должна включать в себя две составляющие: аппаратную и программную. Задачей аппаратной части является автоматизация получения цифровых изображений, а программной – непосредственный анализ изображений.
2. Необходимо определить функционал и требования к аппаратной части. Аппаратная часть - модернизированный микроскоп, позволяющий в автоматическом режиме производить цифровую фотосъемку препаратов мокроты, окрашенной по методу Циля-Нильсена, и осуществлять передачу изображений на компьютер для анализа с помощью программной части.
3. Аппаратная часть должна обеспечивать такие функции.
- Во-первых, снизить роль человека в процессе получения цифрового материала для анализа путем автоматизации процесса.
- Во-вторых, съемка необходимого числа полей зрения.
- В‑третьих, одной из основных функций программной части является передача цифровых изображений в программную часть.
4. Основными обязательными требованиями к аппаратной части являются: реализация описанного выше функционала, минимальная кратность увеличения – 600, минимальное разрешение цифровой камеры – 0,3 MP. При этом весь процесс автофокусировки, съемки необходимого числа полей зрения и передача цифровых изображений не должна превышать 5 минут.
5. Программная часть автоматизированной системы бактериоскопической диагностики туберкулеза должна содержать 7 основных блоков, которые представлены на рис. 1.
Рис. 1. Схема программной части автоматизированной системы бактериоскопической диагностики туберкулеза
6. После передачи 20 цифровых изображений одного микроскопического препарата в программную часть необходимо осуществление сегментации данных изображений.
7. Далее производится поиск и выделение объектов. Он может осуществляется с помощью рекурсивного алгоритма. Данный алгоритм предусматривает нахождение первого попавшегося не белого пикселя на изображении и обследование вокруг него на наличие другого не белого пикселя. Если в округе находится еще один такой пиксель, то осуществляется поиск вокруг него. Этапы работы рекурсивного алгоритма проиллюстрированы на примере выделения объекта, состоящего из 3 черных пикселей, на рис. 2.
Рис. 2. Этапы работы рекурсивного алгоритма непосредственного выделения объектов на сегментированном изображении.
8. Далее необходимо осуществление измерения параметров, обнаруженных объектов, на основе которых будет осуществляться распознавание данных объектов в качестве кислотоустойчивых микобактерий.
9. Для более удобного анализа сформирована следующая классификация параметров объектов:
I. Основные морфометрические параметры объектов:
а) попиксельная площадь объектов (в пикселях);
б) размер объектов по оси X (в пикселях);
в) размер объектов по оси Y (в пикселях).
II. Радиальные размеры объектов и их соотношения:
а) размеры от центра объекта до его края с шагом 5° (всего 72 параметра);
б) соотношения противолежащих размеров от центра объекта до его края (всего 36 параметров);
в) соотношения перпендикулярных размеров от центра объекта до его края (всего 72 параметра);
г) соотношения перпендикулярных размеров от одного края объекта до его противоположного края (всего 36 параметров).
III. Цветовые параметры объектов:
а) средние, минимальные и максимальные характеристики цвета объектов в цветовой схеме RGB (всего 9 параметров);
б) средние, минимальные и максимальные характеристики цвета объектов в цветовой схеме HSV (всего 9 параметров);
в) средние, минимальные и максимальные характеристики цвета объектов в оттенках серого (всего 3 параметра).
10. Далее необходимо осуществление идентификации полученных объектов, для которой могут быть использованы различные математические интеллектуальные алгоритмы.
11. Затем должен осуществляться подсчет числа кислотоустойчивых микобактерий и определение критерия остановки цифровой съемки полей зрения (таблица 2). Если изображений, на которых представлены различные поля зрения достаточно, то процесс съемки бактериоскопического препарата заканчивается, и в случае наличия функции автоматической смены предметных стекол осуществляется переход к съемке другого препарата, а информация об анализе сохраняется в базу данных и может быть распечатана.
12. Основными требованиями к программной части программно-аппаратного комплекса автоматизированной бактериоскопической диагностики являются скорость и качество распознавания объектов на изображениях.
Заключение
Применение подобной программно-аппаратной системы автоматизированной бактериоскопической диагностики туберкулеза возможно в практике клинико-диагностических лабораторий общей лечебной сети, а также в отдаленных территориях, где отсутствуют специалисты с необходимой квалификацией для проведения ручного анализа, а также в учреждениях противотуберкулезной службы для ускорения и повышения качества диагностики.
Представленные схема работы программно-аппаратного комплекса автоматизированной бактериоскопической диагностики туберкулеза и требования к нему позволят осуществить разработку системы, обеспечивающей повышение скорости и качества диагностики туберкулеза, повышение ее доступности для населения, проживающего в отдаленных территориях.
Cписок литературы
- Еремеева Н. И., Вахрушева Д. В. Эффективность выявления больных туберкулезом с бактериовыделением в клинико-диагностических лабораториях учреждений первичной медико-санитарной помощи Урала в 2010¬2012 гг. // Туберкулез и болезни легких. – 2015. – № 7. – С. 40–42.
- Косых Н. Э., Смагин С. И., Гостюшкин В. В., Савин С. З., Литвинов К. А. Система автоматизированного компьютерного анализа медицинских изображений // Информационные технологии и вычислительные системы. – 2011. – № 3. – С. 51–56.
- Мезенцева Н. И., Евгущенко Г. В., Пузанов В. А., Попов С. А., Фрейман Г. Е. Оценка качества диагностики туберкулеза методами микроскопии в РФ за 2011–2014 гг. по результатам ФСВОК // Туберкулез и болезни легких. – 2015. – № 6. – С. 96–97.
- Мордык А. В., Пузырева Л. В., Аксютина Л. П. Современные международные и национальные концепции борьбы с туберкулезом // Дальневосточный журнал инфекционной патологии. – 2013. – № 22. – С. 92–97.
- Наркевич А. Н., Виноградов К. А., Корецкая Н. М. Параметризация объектов на цифровых микроскопических изображениях мокроты, окрашенной по методу Циля-Нильсена // Сибирское медицинское обозрение. – 2017. – № 5. – С. 53–59.
- Наркевич А. Н., Виноградов К. А., Корецкая Н. М., Соболева В. О. Сегментация микроскопических изображений мокроты, окрашенной по методу Циля-Нильсена, с использованием вейвлет-преобразования MexicanHat// ActaBiomedicaScientifica. – 2017. – № 5. – С. 141–146.
- Порев В. Н. Компьютерная графика. – СПб.: БХВ-Петербург, 2002. – 432 с.
- Приказ Минздрава РФ от 21.03.2003 № 109 «О совершенствовании противотуберкулезных мероприятий в Российской Федерации» // URL: http://www. consultant. ru.
- Сойфер В. А. Компьютерная обработка изображений. Часть 2. Методы и алгоритмы // Соросовский образовательный журнал. – 1996. – № 3. – С. 110–121.
- Филимонова Е. С., Тарасенко С. Л., Дыхно Ю. А., Хлебникова Ф. Б. Оценка эффективности цитологической диагностики злокачественных новообразований легких // Сибирское медицинское обозрение. – 2014. – № 3. – С. 65–69.
- Чередниченко А. Г., Ревякина О. В., Петренко Т. И. Состояние лабораторной службы по диагностике туберкулеза в Сибирском и Дальневосточном федеральных округах // Туберкулез и болезни легких. – 2014. – № 5. – С. 16–20.
- Agoston M. K. Computer graphics and geometric modeling: implementation and algorithms. – London: Springer, 2005. – 907 p.
- Liu D., Wang S., Huang D., Deng G., Zeng F., Chen H. Medical image classification using spatial adjacent histogram based on adaptive local binary patterns // Computers in Biology and Medicine. – 2016. – Vol. 72. – P. 185–200.
- Xu Z., Bagci U., Mansoor A., Kramer-Marek G., Luna B., Kubler A., Dey B., Foster B., Papadakis G. Z., Camp J. V., Jonsson C. B., Bishai W. R., Jain S., Udupa J. K., Mollura D. J. Computer-aided pulmonary image analysis in small animal models // Medical Physics. – 2015. – Vol. 42, № 7. – P. 3896–3910.
Полная версия статьи: журнал «Врач и информационные технологии», 2019 №4