«Информационные технологии для обработки люминесцентных изображений биологических объектов» (стр. 3 из 4)

3.2 Программный пакет CellAnalyser

В ходе анализа люминесцентных изображений с помощью программы CellAnalyser (см. Рисунок 6) не требуется введения каких-либо параметров сегментации, так как разработанные алгоритмы автоматически определяют все необходимые параметры (например, по автоматически оцененной площади занимаемой ядрами и клетками). По нажатию кнопки OpenImage открывается окно для загрузки изображения, где пользователь выбирает изображение для последующего анализа.

Рисунок 6 – Программный пакет CellAnalyser. А – главное окно Б – интерактивный уровень В – таблица объектов Г – границы ядра и клеток Д – таблицы пикселей Е – матрица спотов

При нажатии кнопки AnalyzeImage происходит построение масок биологических объектов (маски сохраняются в виде файлов с расширением .tif, включая изображения, соответствующее маскам опухоли, ядер и клеток). Затем создаются выходные txt-файлы, содержащие дифференциальные и интегральные характеристики биологических объектов: два файла содержат дифференциальные характеристики объектов и один файл – интегральное характеристики по всему изображению. Файлы автоматически сохраняются в рабочею папку (из которой было загружено изображение).

Информация на пиксельном уровне изображения объектов представляется в виде двух взаимосвязанных окон. На первом окне отображается исследуемое изображение (см. Рисунок 6Б). Нижняя панель содержит параметры выделенного ядра: номер ядра, координаты центра ядра, среднее значение и среднеквадратическое отклонение в красном, зелёном и синем каналах. Если курсор не указывает на ядро, параметры обнуляются.

В результате выделения ядра в таблице объектов (Рисунок 6В, Г), соответствующие ядру границы подсвечиваются на изображении. Автоматически создаются таблицы содержащие информацию о пикселях ядра и цитоплазмы клетки (Рисунок 6Д).

В случае если внутренне окно было закрыто или возникает необходимость очистки изображения – обновление окна осуществляется нажатием кнопки ParametrsWindow (см. Рисунок 6А)

Для дальнейшей работы с найденными клетками и ядрами реализована функция построения матрицы клеток или ячеек (см. Рисунок 6Е). Ячейка – область найденной клетки с определенными границами цитоплазм и ядер. Для обозначения границ клеток используется зелёный цвет, для границ ядер – красный цвет. Если границы ядер и цитоплазм совпадают – используется жёлтый цвет.

Заключение

В ходе данной работе разработаны алгоритмы сегментации опухоли, ядер и цитоплазм раковых клеток на основе трёхканальных люминесцентных изображений. Отличительная черта предложенных алгоритмов состоит в том, что для сегментации ядер и цитоплазм клеток производится автоматическое построение оценки занятой площади ядрами (клетками) для метода суммирования нормальных распределений.

Выполнен анализ экспериментальных изображений раковых клеток. Количество пропущенных либо раздробленных ядер и клеток не превышает 5% от общего числа клеток.

Разработанные алгоритмы легли в основу программного обеспечения CellAnalyser. Особенностью разработанного программного обеспечения является возможность интерактивного анализа биологических объектов на пиксельном уровне. CellAnalyser обладает простым и удобным интерфейсом, выходные результаты представляются в виде масок изображений, в электронных таблицах сохраняются дифференциальные и интегральные характеристики биологических объектов.

Полученные в ходе работы результаты докладывались на трех научных конференциях и были включены в сборники трудов:

· Международной научно-практической конференции “Информационные технологии, электронные приборы и системы (ITEDS’2010)”, БГУ, Минск, 6-7 апреля 2010 г.

· Международном форуме студенческой и учащейся молодежи «Первый шаг в науку – 2010», 3 – 6 мая 2010 г., Минск. Работа награждена дипломом III-ей степени.

· 69-ой научно-практической конференции студентов и аспирантов БГУ, 18-20 мая 2010 г., Минск.

· Республиканской молодёжной научно-практической конференции «Научные стремления – 2010», 1 – 3 ноября 2010 г., Минск. Работа награждена дипломом II-ой степени.

Литература

1. Феофанов, А. В. Спектральная лазерная сканирующая конфокальная микроскопия в биологических исследованиях/ А.В. Феофанов// Успехи биологической химии. т. 47. –2007. –С. 371-410.

2. Lamprecht, M. R. CellProfiler: free, versatile software for automated biological image analysis/ M. R. Lamprecht, David M. Sabatini, and Anne E. // Carpenter BioTechniques. –2007. – Vol. 42. –P.71-75.

3. Abramoff, M.D. Image processing with ImageJ/ M.D. Abramoff, P.J. Magalhaes, and S.J.Ram// Biophotonics International. –2004. –Vol. 11. – P. 36-42.

4. Ronneberger, O. Spatial quantitative analysis of fluorescently labeled nuclear structures: Problems, methods, pitfalls/ O. Ronneberger [et al.]// Chromosome Research. –2008. – Vol. 16. –P.523-562

5. Карнаухов, В.Н. Люминесцентный анализ клеток/ В.Н. Карнаухов. – Пущино: «Аналитическая микроскопия», 2002. – 131 с.

6. Штейн, Г. И. Конфокальная микроскопия: мифы и реальность/ Г. И. Штейн// Школа-семинар «Конфокальная микроскопия в биологии и медицине», –Москва 2005.

7. Абламейко, С.В. Обработка изображений: технология, методы, применение/ С.В. Абламейко, Д.М. Лагуновский. – Минск: «Амалфея», 2000. – 304 с.

8. Гонсалес, Р. Обработка изображений в среде MATLAB/ Р. Гонсалес, Р. Вудс, С. Эддинс. – Москва: Техносфера, 2006. –616 с.

9. Liao, P.S. A Fast Algorithm For Multilevel Thresholding / P.S. Liao [et al.] //Journal of Informational Science and Engineering. –2001. – Vol. 17, – P. 713-727.

10. Bishop, C. M. Pattern recognition and Machine Learning/ C. M. Bishop, –Springer, 2006. 735 pp.

11. Гилевский, С.В. Теория вероятностей и математическая статистика/ Гилевский С.В., Малофеев В. М. – Минск: БГУ, 2003. –174 c.

12. Vincent, L. Watersheds in Digital Spaces: An Efficient Algorithm Based on Immersion / L. Vincent and P. Soille. //IEEE Transaction on Pattern Analysis and Machine Intelligence. –1991. –Vol. 13, –P.583-598.

13. Пpепаpата, Ф. Вычислительная геометрия: Введение/ Ф. Пpепаpата, М.Шеймос. – Москва: Мир, 1989, –481 с.

14. Jones, T. R. Voronoi-Based Segmentation of Cells on Image Manifolds/ T. R. Jones// CVBIA, 2005.– P.535-543.

15. Carpenter, A. E. CellProfiler: image analysis software for identifying and quantifying cell phenotypes/ A. E. Carpenter [et al.]// Genome Biology. 2006. –Vol. 7. –P.100.1-100.10

16. Swedlow, J. R. Open source bioimage for cell biology/ J. R. Swedlow and Kevin W.Eliceiri// Trend Cell Biology. – 2009.–Vol. 19. –P. 656-660.

17. Лисица, Е. В. Сравнительный анализ методов сегментации биомедицинских изображений/ Е. В. Лисица// Сборник материалов 67-ой науч. конф. студентов и магистрантов БГУ. Минск. 2010.

Предметный указатель к реферату

В

вычислительная геометрия, 6

Л

люминесцентная микроскопия, 4

М

математическая морфология, 6

О

обработка изображения, 5

П

полутоновое изображение, 5, 8, 9

пороговая сегментация

Otsu, 6, 9

определение, 5

суммирование нормальных распределений, 6, 9

Программное обеспечение

CellAnalyser, 14

бесплатное открытое, 7

коммерческое, 7

С

сегментация

биологических объектов, 8

клеток, 9

опухоли, 9

ядер, 9

Ф

фильтрация

линейная пространственная, 5, 8, 9, 10

Интернет ресурсы в предметной области исследования

1. http://vac.org.by – сайт Высшей аттестационной комиссии Республики Беларусь. Здесь собраны все нормативные акты, касающиеся оформления и защиты диссертаций.

2. http://pubmed.org – текстовая база данных медицинских публикаций на английском языке, на основе раздела биотехнология национальной медицинской библиотеки США (National Library of Medicine, NLM). База данных была разработана национальным центром биотехнологической информации (National Center for Biotechnology Information, NCBI). PubMed является бесплатной версией базы данных MEDLINE.

3. http://rsbweb.nih.gov/ij – общедоступная, основанная на Java программа для анализа и обработки изображений, разработанная в National Institutes of Health. ImageJ был создан с открытой архитектурой которая обеспечивает расширяемость при помощи плагинов Java, а также записываемых макросов. Архитектура плагинов ImageJ и встроенная в программу система разработки делает эту платформу весьма популярной для работы и преподавания анализа и обработки изображений.

4. http://cellprofiler.org – общедоступная, основанная на Python программа для анализа и обработки изображений, использование которой не требует навыков программирования либо знаний о технологии обработки изображений. CellProfiler предназначен для широкого круга пользователей от разработчиков программного обеспечения до биологов.

5. http://www.mathworks.com – сайт разработчика программного обеспечения в области численных вычислений и компьютерного моделирования. Программный пакет MatLab предоставляет пользователю большое количество (несколько сотен) функций для анализа данных, покрывающие практически все области математики.

6. http://www.itlab.anitex.by/bioscan – это универсальная система редактирования, обработки и анализа изображений. Недостатки: отсутствует список опубликованных работ, подтверждающих качество реализованных алгоритмов; нет demo-версии.

7. http://ieee.org/index.html – сайт Института инженеров по электротехнике и радиоэлектронике (The Institute of Electrical and Electronics Engineers, IEEE). В настоящее время в IEEE самое большое всемирное техническое общество учёных и исследователей, профессионально связанных с электротехникой, радиоэлектроникой, компьютерами. Главная цель IEEE – информационная и материальная поддержка специалистов для организации и развития научной деятельности в электротехнике, электронике, компьютерной технике и информатике, приложение их результатов для пользы общества, а также профессиональный рост членов IEEE. Институт IEEE публикует почти треть всей мировой технической литературы, ежегодно издаёт почти 140 журналов и 400 сборников трудов конференций. Главное достоинство материалов IEEE – высокое качество.