CC BY
25
УДК 004.931
ПРИМЕНЕНИЕ МЕТОДОВ ТЕКСТУРНОГО АНАЛИЗА
В КОМПЬЮТЕРНОЙ МИКРОСКОПИИ ВИДИМОГО ДИАПАЗОНА ЭЛЕКТРОМАГНИТНОГО ИЗЛУЧЕНИЯ
В. Г. Никитаев1, А. Н. Проничев1, Е. В. Поляков1, В. В. Дмитриева1, Н.Н. Тупицын2, М.А. Френкель2, А. В. Моженкова2
В статье рассмотрено применение методов текстурного анализа на базе компьютерной микроскопии в видимом диапазоне электромагнитного излучения для классификации клеток крови на лимфобласты и лимфоциты. Предложена модель цифровой обработки изображений клеток. Для количественного описания клеток при диагностике и дифференциальной диагностике острых лимфобластных лейкозов (ОЛЛ) применены текстурные характеристики изображений ядер с оценкой их параметров.
Ключевые слова: компьютерная микроскопия, острый лимфобластный лейкоз, диагностика лейкозов, методы цифровой обработки изображений, текстурный анализ.
Диагностика острых лейкозов базируется на изучении морфологических особенностей лейкемических клеток периферической крови и аспиратов костного мозга [1, 2]. Данные морфологического исследования свидетельствуют о значительной гетерогенности бластов при острых лейкозах. Констатация наличия лейкемических клеток, морфологически сходных с лимфобластами в крови или костном мозге, требует проведения дифференциальной диагностики с другими лимфопролиферативными заболеваниями и с реактивным лимфоцитозом. Однако иногда это представляет трудную диагностическую проблему. Поэтому применение методов, уточняющих морфологическую характеристику лимфоидных элементов, до настоящего времени представляет значительный интерес [3-8].
1 Национальный исследовательский ядерный университет "МИФИ", 115409 Россия, Москва, Каширское ш., 31; e-mail: [email protected].
2 ФГБУ "Российский онкологический научный центр им. Н.Н. Блохина" МЗ РФ, 115478 Россия, Москва, Каширское шоссе, 23.
Общие вопросы цифровой обработки изображений изложены в ряде работ [5, 7, 8].
Цель данной работы - проведение исследований по оценке применимости методов текстурного анализа изображений клеток крови для разделения на бласты костного мозга и лимфоциты крови на базе компьютерной микроскопии при диагностике и дифференциальной диагностике острых лимфобластных лейкозов.
Исследование характеристики структуры хроматина лимфоцитов проводилось на мазках периферической крови трех доноров, структуры хроматина бластов - на мазках аспиратов костного мозга семи больных ОЛЛ. Все препараты были фиксированы и окрашены по методу Май-Грюнвальд-Романовского. Морфологическое исследование мазков крови и аспиратов костного мозга осуществлялось в лаборатории иммунологии гемопоэза ФГБУ "РОНЦ им. Н. Н. Блохина" МЗ РФ двумя экспертами. Диагноз ОЛЛ был установлен на основании морфологического, цитохимического и иммунофеноти-пического исследований. На препаратах больных ОЛЛ преобладали бласты (87-99%), прочие клетки составляли 1-13%.
Система для съемки изображений включает автоматизированный микроскоп Olympus BX43 с камерой Imperx IPX-4M1ST-GCFB. Изображения представлены в формате BMP, с цветовой кодировкой RGB24 (свыше 16 млн цветов). Получено 126 изображений лимфоцитов периферической крови доноров и 1332 изображения бластов костного мозга больных ОЛЛ при одинаковых условиях (модель камеры, микроскопа, настройки микроскопа по Келлеру, освещение).
На полученных изображениях исследовалась пространственно-цветовая регулярность в структуре хроматина изображений ядер лимфоцитов и бластов и рассчитывались её характеристики с помощью программного обеспечения, разработанного на кафедре "Компьютерные медицинские системы" НИЯУ МИФИ.
Модель цифровой обработки изображений. Для проверки применимости методов текстурного анализа для классификации бластов и лимфоцитов по типам была разработана модель цифровой обработки изображений MIP = [IMN,S,Ccm, P,Cl,In,Tce}. Здесь Imn - регистрация цифрового изображения, S - сегментация ядра лейкоцита, Ccm - преобразование изображений ядер в полутоновые изображения компонент цветовых моделей [8], P - расчет текстурных характеристик для полученных изображений, Cl - классификация лейкоцитов на основе полученных данных, In - расчет порогового значения текстурной характеристики для проведения диагностики и дифференциальной диагностики ОЛЛ, Tce - оценка качества классификации.
Исследование текстурных характеристик изображений клеток для различных диапазонов спектра видимого электромагнитного излучения. В ходе исследования проводился расчет текстурных характеристик [8] по изображениям в трех диапазонах спектра видимого света (соответствующих зоне красного, зеленого и синего цветов) для рассматриваемой выборки из 126 лимфоцитов и 1332 бластных клеток. Такое представление цветного изображения соответствует цветовой модели RGB (Red, Green, Blue). Наряду с этим рассматривался ряд других цветовых моделей, таких как XYZ, HSL, Lab, Luv, HLS, HSV, YUV, YIQ, YPbPr, CMY [8].
В результате исследования текстурных характеристик среди них была найдена оптимальная для классификации типов клеток крови характеристика (Pmax), соответствующая значению характеристики "максимальная вероятность", рассчитанной по матрице пространственной смежности (МПС) в цветовом пространстве YUV для цветоразност-ного сигнала (V).
Анализ ошибок классификации клеток по типам. Для определения характерных диапазонов величины Pmax распределения клеток построены гистограммы таких распределений, анализ которых показывает, что распределение значений исследуемого признака (за исключением 14 клеток) близко к нормальному закону распределения (рис. 1).
Рис. 1: Гистограмма распределения лимфобластов по характеристике Pmax (по оси ординат отложено число клеток с соответствующим значением характеристики P )
max
Полученное распределение позволяет выявить диапазоны Ртах, характерные для лимфоцитов доноров и лимфобластов больных ОЛЛ. Большинству бластов соответствуют диапазон значения характеристики Ртах от 0.29 до 0.69 (рис. 1), при этом среди бластов есть клетки, значения Ртах которых отличаются от значений большинства бластов, и попадают в диапазон Ртах от 0.01 до 0.04, характерный для лимфоцитов.
Для найденной характеристики установлено, что для всех лимфоцитов численные значения этой характеристики распределены в диапазоне, соответствующем типовым значениям этой характеристики для лимфоцитов. Для лимфобластов в 99% случаев значения этой характеристики находятся в диапазоне, характерном для бластов, а 1% бластов имеет значение характеристики в зоне, соответствующей лимфоцитам.
Оценка вариабельности клеток. Рассчитаны статистические (х, 3, 3х) характеристики Ртах для групп лимфоцитов доноров и бластов больных ОЛЛ (в рассматриваемой выборке из расчета исключены нетипичные для бластов 14 клеток). Здесь X - среднее арифметическое, 3 среднеквадратическое отклонение, 3х среднеквадратическое отклонение среднего арифметического значения измеряемой величины от ее среднего значения для соответствующей группы клеток (бластов или лимфоцитов). Результаты расчетов представлены в табл. 1.
Таблица 1
Средние показатели характеристики Ртах бластов больных ОЛЛ и лимфоцитов доноров
Р тах
X■10-1 3 ■ 10-1 3х■10-1
Лимфобласт 4.5 0.8 0.02
Лимфоциты 0.013 0.001 0.0001
На основании данных, представленных в табл. 1, рассматриваемая текстурная характеристика Ртах может использоваться как показатель принадлежности клетки к типу лимфобластов или лимфоцитов.
Принятие решения об отнесении клетки к одному из типов основывается на оценке отличия рассчитанной для исследуемой клетки характеристики Ртах от её характерной величины (индекс I), свойственной для бластов или лимфоцитов. Для найденной текстурной характеристики рассчитано значение порога I = 0.1 для принятия решения. Следовательно, результаты компьютерной микроскопии позволяют количественно описывать характеристики клеток, которые могут быть представлены в формализованном виде как значения текстурной характеристики, отражающей принадлежности клетки к типу бластов или лимфоцитов для каждого исследуемого случая.
Проведена оценка вариабельности бластов больных ОЛЛ для элементов выборки каждого пациента. В табл. 2 представлены результаты расчетов по пациентам (П) с указанием числа изображений (к) для каждого из них.
Т а б л и ц а 2
Средние показатели характеристики Ртах бластов по больным ОЛЛ
Пациент № (количество клеток) Р тах
X ■ 10-1 3 ■ 10-1 3х ■ 10-1
П1 (200) 4.4 1.3 0.09
П2 (138) 4.5 0.7 0.06
П3 (208) 4.6 0.7 0.05
П4 (216) 4.7 0.6 0.04
П5 (138) 4.2 0.6 0.03
П6 (204) 4.2 0.5 0.04
П7 (208) 4.9 0.7 0.05
Среднее значение текстурной характеристики для бластов больных ОЛЛ изменяется в диапазоне (4.2 — 4.9) ■ 10-1. Также из представленных данных в табл. 2 видно, что для изображений бластов характерно значимое различие внутри группы пациентов больных ОЛЛ. Данное различие предположительно может быть связано с индивидуальными особенностями клеток пациентов.
Практическое использование предложенной текстурной характеристики предполагает применение системы компьютерной микроскопии с программным обеспечением, выполняющим расчет характеристик структуры хроматина ядра клеток крови лейкоцитарного ряда. Полученные данные сравниваются с определенными ранее характерными значениями характеристик по результатам эксперимента и на основании этого сравнения делаются заключения о принадлежности клетки к одному из классов.
Заключение. Проведенные предварительные исследования показали применимость методов текстурного анализа для диагностики острых лимфобластных лейкозов (ОЛЛ) с определением бластов и лимфоцитов, и это может быть использовано в высокотехнологичных программно-аппаратных комплексах диагностики ОЛЛ.
Планируемым этапом дальнейших исследований является определение различий бластов от прочих клеток костного мозга и увеличение объема экспериментальной выборки.
ЛИТЕРАТУРА [1] М. А. Френкель, Иммунология гемопоэза, 12(1-2), 18 (2014). 30
[2] С. А. Луговская, М. Е. Почтарь, Н. Н. Тупицын, Иммунофенотипирование в диагностике гемобластозов (М., Тверь, ООО «Издательство "Триада"», 2005).
[3] E.S. Jaffe (ed.), Pathology and Genetics of tumours of haematopoietic and lymphoid tissues (World Health Organization Classification of Tumours) (IARC, 2001).
[4] M. M. Amin, S. Kermani, A. Talebi, and M.G. Oghli, Journal of medical signals and sensors 5(1), 49 (2015).
[5] C. Reta, L. Altamirano, J. A. Gonzalez, et al., PLoS ONE 10(6), e0130805 (2015).
[6] S. Mohapatra, D. Patra, and S. Satpathy, Neural Computing and Applications 24(7-8), 1887 (2014).
[7] J. Rawat, H. S. Bhadauria, A. Singh, and J. Virmani, in: Proc. of 2nd International Conference on Computing for Sustainable Global Development (INDIACom) (IEEE, New Delhi, India, 2015 ), p. 1948.
[8] V. G. Nikitaev, O. V. Nagornov, A. N. Pronichev, et al., Wseas transactions on biology and biomedicine 12, 16 (2015).
По материалам V Международной молодежной научной школы-конференции "Современные проблемы физики и технологий".
Поступила в редакцию 12 июля 2016 г.
