В основе большинства методов исследований изображений срезов тканей и клеток лежит метод люминесцентной микроскопии [1]. В структуре клетки, цитоплазме или ядре, находится люминесцирующий на определенной длине волны биомаркер – белок связанный с изучаемым биологическим процессом. В данном методе регистрируется интенсивность биомаркера в ядрах и цитоплазмах клеток. Информативность и достоверность биомедицинских изображений определяются качеством подготовки и окрашивания биологических образцов, правильно выбранным набором экспериментальных условий регистрации изображений. Для обработки биомедицинских изображений разработано множество специальных и универсальных алгоритмов, среди которых можно выделить пороговые, градиентные, водораздельные методы и методы, в основе которых лежит вычислительная геометрия. Данные алгоритмы анализа и обработки изображений реализованы в свободно распространяемых пакетах программного обеспечения CellProfiler и ImageJ [2,3]. В то же время применение разработанных алгоритмов для анализа изображений клеток раковых опухолей ограничено по ряду причин, связанных прежде всего с нестабильностью и неустойчивостью работы методов в условиях большого объема набора данных (более 10 Гб информации), неопределенностью и неоднородностью популяций раковых клеток, высокими статистическими шумами и экспериментальными погрешностями [4].

Целью данной работы является:

· Реализация наиболее эффективных алгоритмов обработки изображений.

· Разработка и программная реализация специализированных алгоритмов сегментации ядер и цитоплазм клеток на основе люминесцентных изображений.

· Анализ экспериментальных данных.

· Разработка программного средства для обработки трёхканальных люминесцентных изображений.

Раздел 1 Теоретические основы обработки люминесцентных изображений биологических объектов

1.1 Биологические объекты

Ферментные процессы, протекающие в клетке, координируются системами регуляции, поэтому они строго разграничены в пространстве в специальных структурных элементах клетки и чётко распределены так же во времени [5]. Возможности спектрального анализа связаны, прежде всего, с тем обстоятельством, что многие молекулы, входящие в состав функциональных механизмов клетки, обладают характерными спектрами поглощения. В ряде случаев эти спектральные характеристики подвергаются значительным изменениям, отражая изменения в структуре данной молекулы и её окружения, которые служат физико-химической основой биологической функции [5]. В зависимости от типа люминесценции выделяют флуоресценцию, фосфоресценцию и медленную флуоресценцию.

Протеины, участвующие в ферментных процессах, называются биомаркерами. Если биомаркер не люминесцирует – используют специальные молекулы-красители. В цитоплазмах раковых клеток регистрируются процессы с участием протеина цитокератина (CK), в ядрах раковых клеток содержится протеин рецептор эстрогенов (ER), во всех ядрах, содержится протеин, который маркируется красителем 4,6-диамидино-2-фенилиндол дигидрохлорид (DAPI).

1.2 Люминесцентная микроскопия

Метод оптической микроскопии основан на использовании различий в интенсивности и цвете люминесценции, характеризующей биологические объекты в клетке и тканях в комбинации с анализом морфологических признаков [1]. Люминесцентная микроскопия комбинирует в себе различные методы физики, биологии и химии, поэтому проведение одного эксперимента данным методом является многоступенчатым: приготовление образца [5,6], настройка параметров конфокального микроскопа [4,6,7], получение изображения [4], предварительная обработка изображения [4,7], обработка изображения [7,8], вычисление численных характеристик идентифицированных объектов, проверка точности результатов анализа [7,8], статистический анализ и интерпретация результатов.

1.3 Цифровая обработка изображений

Преобразование цветного изображения в полутоновое изображение

При работе в RGB [7,8] системе для построения полутоновых изображений часто используются: раздельная обработка цветов, когда каждый слой изображения обрабатывается независимо; псевдоцвета, когда формирование палитры проводится путём анализа распределения цветов изображения; либо одновременная обработка цветов, когда цветовые координаты рассматриваются параллельно.

Линейная пространственная фильтрация

Одним из удобных способов сгладить изображение и уменьшить количество локальных экстремумов является линейная пространственная фильтрация. Например, для этого можно использовать свёртку изображения с гауссовским низкочастотным фильтром [8], задаваемого формулой

где

- размеры маски;

- среднеквадратическое отклонение распределения Гаусса.

Пороговая обработка

Если изображение

содержит исследуемый объект достаточно однородной яркости на фоне другого однородного объекта, тогда изображение

, которое получается в результате этого порогового преобразования, определяется следующим образом [8]

где, T – пороговое значение.

Для определения порогового значения в работе использовались два метода: метод Оцу (Otsu[9]), когда алгоритм предполагает наличие в изображении двух классов пикселей (текстовые и фоновые) и ищет оптимальный порог, разделяющий эти два класса так, чтобы их внутриклассовая дисперсия была минимальна; и метод суммирования нормальных распределений[10], когда алгоритм представляет итоговое распределение интенсивностей пикселей изображения в виде суммы нормальных распределений, например соответствующих распределению фона, объекта и промежуточному распределению. Метод суммирования нормальных распределений требует предварительной оценки коэффициентов составляющих распределений.

Методы математической морфологии

Теория морфологии рассматривает двоичное изображение в виде множества его пикселей переднего плана (со значениями один), которое лежит в пространстве

, где

- множество целых чисел[11]. Наиболее часто используемыми методами математической морфологии для обработки изображений, являются эрозия, дилатация и метод водораздела [8,12].

Методы вычислительной геометрии

Задача наращивания вторичных объектов на основе первичных объектов может быть успешно решена, используя диаграмму Вороного, которая представляет такое разбиение плоскости, при котором каждая область этого разбиения образует множество точек, более близких к одному из элементов множества S, чем к любому другому элементу множества [13]. В работе использовался метод распространения, который строит диаграмму Вороного на основе первичных объектов, используя Римановскую метрику, зависящую от локальных свойств изображения[14].

1.4 Обзор существующего программного обеспечения

В настоящее время для обработки изображений активно используется коммерческое программное обеспечение (ПО) и бесплатное открытое ПО.

К достоинствам коммерческого ПО можно отнести: 1) надежность – алгоритмы разработаны под конкретный вид решаемых задач, 2) высокую точность результатов – достигается вследствие внедрения коммерческих патентов на методы сегментации, 3) простоту в использовании – дружественный интерфейс для работы. Недостатками коммерческого ПО являются высокая стоимость, отсутствие универсальности: в случае изменения технологии, необходимо менять программное обеспечение, отсутствие доступа к коду со стороны пользователя, использование специальных форматов данных [15].

«Информационные технологии для обработки люминесцентных изображений биологических объектов» (стр. 1 из 4)

Реферат

Введение

Раздел 1 Теоретические основы обработки люминесцентных изображений биологических объектов

1.1 Биологические объекты

1.2 Люминесцентная микроскопия

1.3 Цифровая обработка изображений

1.4 Обзор существующего программного обеспечения