CC BY
5Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 4 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 4 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 4 | 2024 год
Tibbiy tasvirlarda reprezentativ psevdoobyektlarni segmentatsiyalash algoritmi
Tillavoldiyev Azizbek Otabek o'g'li,
Sun'iy intellekt va raqamli texnologiyalarni rivojlantirish ilmiy-tadqiqot instituti tayanch doktorant [email protected]
Annotatsiya: Ushbu maqola raqamli tibbiy tasvirlardagi reprezentativ psevdoobyektlarni, xususan, qon tasvirlarini ko'pburchak usulidan foydalanib segmentatsiyalash masalasini o'rganishga bag'ishlangan. Segmentatsiya jarayonida qizil qon tanachalarining diametrlarini an iqlash asosida Prays-Jons egri chizig'ini yaratish imkoniyati beriladi, bu esa kasallik mavjudligini oldindan baholash yoki shifokorning e'tiborini shubhali tasvirlarga qaratishga yordam beradi. Maqolada algoritmning asosiy bosqichlari - konturlarni aniqlash, qovariq nuqtalarni izlash, segmentlarni guruhlash va ellipslarni joylashtirish kabi jarayonlar batafsil bayon etilgan.
Kalit so'zlar: Tibbiy tasvir, segmentatsiya, psevdoobyekt, qovariq nuqtalar, kontur segmentatsiyasi, guruhlash, ellips moslashtirish.
Kirish. Tibbiy tasvirlarni tahlil qilish jarayonida obyektlarni aniqlash va segmentatsiyalash muhim ahamiyatga ega. Ayniqsa, kuchli bog'langan va bir-birining ustiga tushuvchi obyektlarni aniq segmentatsiyalash tibbiy diagnostika va tadqiqotlar uchun alohida ahamiyat kasb etadi. Ushbu maqolada tibbiy tasvirlardagi reprezentativ psevdoobyektlarni segmentatsiyalashga yo'naltirilgan algoritmlar tavsiya etilgan. Mazkur algoritmlar obyektlar o'rtasidagi o'zaro ta'sirni minimallashtirish va ularni imkon qadar samarali ravishda ajratishga qaratilgan. Tibbiy tasvirlardagi reprezentativ psevdoobyektlarni segmentlarga ajratish algoritmlari tibbiy amaliyotda tasvirlarni qayta ishlash jarayonining ajralmas qismi hisoblanadi. Ushbu algoritmlar obyektlarni bir-biriga mos yoki o'xshash bo'lsa ham ajratib olish va tahlil qilish imkonini yaratadi, bu esa aniq tashxis qo'yish va davolash jarayonlarini samarali rejalashtirish uchun muhimdir.
Ushbu maqolaning maqsadi tibbiy tasvirlarda reprezentativ psevdoobyektlarni segmentatsiyalashga mo'ljallangan zamonaviy algoritmlarni ko'rib chiqishdan iborat. Maqolada ushbu algoritmlarning asosiy ishlash tamoyillari, ularning afzallik va kamchiliklari hamda tibbiy amaliyotda qo'llanilishi batafsil tahlil qilinadi.
Adabiyotlar sharhi. Zhang va boshqalar segmentlarni guruhlash uchun o'rtacha masofadan og'ish (O'MO) mezonini taklif qildilar [2]. O'MO mezonining asosiy tamoyili barcha zarralarning elliptik shaklda bo'lishiga asoslanadi. Agar har bir guruhning qiymati birlashtirilgan guruhlarning umumiy qiymatidan yuqori bo'lsa, ushbu usul ikki guruh segmentlarini birlashtiradi.
Ko'p sonli almashtirishlar muammosini hal qilish uchun turli xil evristik yondashuvlar qo'llaniladi. Langlard va boshqalar, bir-birining ustiga chiqadigan elliptik obyektlar klasterini bir nechta kichik guruhlarga ajratadigan usulni taklif etdilar [3]. Ushbu jarayonni amalga oshirish uchun mualliflar Farxon tomonidan taklif qilingan algoritmdan foydalanib, maxsus ajratilgan chiziqlarni aniqlashni maqsad qiladilar [4].
Zafari segmentlarni guruhlashning ikkita usulini taklif qildi. Birinchi usulda qidiruv maydoni segmentlar markazlari orasidagi masofa oldindan belgilangan chegara qiymatidan kamroq bo'lgan qoida bilan cheklanadi [5]. Ikkinchi usul esa tarmoq va chegaralarni optimallashtirish algoritmiga asoslangan. Mualliflar yangi qiymat funktsiyasini ikki qismdan iborat tarzda taqdim etdilar.
✓ zarrachaning qavariqligini ifodalovchi umumiy qism;
45
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 4 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 4 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 4 | 2024 год
✓ qo'zg'almas elliptik shaklga ega bo'lgan jismlarning xossalarini ifodalovchi o'ziga xos qism.
Hozirgi kunda raqamli tasvirdagi o'xshash obyektlarni segmentlash muammosini hal qilish uchun ikkita asosiy yondashuv mavjud. Birinchi yondashuv, bir-biriga yopishgan obyektlarning geometrik markazlari sifatida maxsus nuqtalar - ildiz nuqtalarini aniqlashga asoslangan. Ikkinchi yondashuv esa botiq nuqtalarni aniqlashga qaratilgan [6,7].
Ushbu yondashuv obyektlarning ko'rinadigan chegaralarini ajratib olishga va bir-biriga yopishgan obyektlar orasidagi burchak bo'yicha qovariq qirralarni aniqlashga imkon beradi. Masalaning qo'yilishi Asosiy belgilanishlar:
I - piksel intensivligining ikki o'lchovli matritsasi sifatida taqdim etilgan tibbiy tasvir, S - har bir obyekt alohida hudud yoki yorliq bilan ifodalangan segmentlangan tasvir bo'lsin.
Maqsad - tibbiy tasvirlarda o'zaro ta'sir qiluvchi reprezentativ psevdoobyektlarni aniqlik bilan segmentatsiyalash uchun yangi algoritm ishlab chiqish va uning samaradorligini baholashdir. Taklif etilgan algoritmning asosiy maqsadi tasvirlarda obyektlarni o'zaro to'qnashish yoki bir-birining ustiga chiqish holatlarida aniq ajratish, diagnostika jarayonini avtomatlashtirish va shu orqali diagnostika samaradorligini oshirishdir. Bu algoritm turli bosqichlarda (binarizatsiya, qiziqish hududlarini ajratish, qovariq nuqtalarni aniqlash, segmentlarni guruhlash va baholash) tibbiy tasvirlar segmentatsiyasi jarayonining ishonchliligini oshirishga qaratilgan.. Taklif etilayotgan usullar Ajratish nuqtasi asosidagi yondashuvi Ushbu usulning g'oyasi, bir-biriga mos obyektlar guruhini qovariq nuqtalar deb ataladigan maxsus nuqtalar yordamida ajratilgan ko'plab segmentlarga bo'lishdan iboratdir.
а в с D
a - obyektlarning konturi; b — burchak nuqtalarini aniqlash; c — botiq nuqtalarni aniqlash; d - kontur segmentatsiyasi
1-rasm. Ajratish nuqtalariga asoslangan usulning vizualizatsiyasi
Ushbu yondashuvning asosiy bosqichlari quyidagi algoritmda keltirilgan. Usulning vizualizatsiyasi 1-rasmda ko'rsatilgan
1. Tasvirni binarizatsiyalash, masalan, Otsu usuli yordamida.
2. Qismchalar yoki bir-birining ustiga chiqadigan qismchalar guruhlarini o'z ichiga olgan alohida qiziqish hududlariga (QH) bo'lish.
3. QHning butunlay konturini ajratish.
4. Qovariq nuqtalarini tanlash orqali qirralar bo'ylab konturni ajratish.
5. Bitta zarrachaning qismlari bo'lgan segmentlarni guruhlash.
6. Obyektning to'liq konturini (masalan, ellipsni tanlash orqali) baholash.
Kontur segmentatsiyasi
Kontur segmentatsiyasi odatda qovariq nuqtalarni aniqlash orqali amalga oshiriladi. Qovariq nuqtalarni aniqlash uchun bir nechta usullar mavjud. Ushbu ishda, OpenCV kutubxonasining o'rnatilgan funktsiyalaridan foydalaniladi, bunda konturlarni qidirish ko'pburchak usulini amalga oshiradi. Ushbu usulning asosiy g'oyasi, elementning konturini dominant nuqtalar ketma-ketligi sifatida ifodalashdan iboratdir. Dominant nuqta, qo'shnilari orasidagi chiziqda yotmaydigan konturdagi nuqtadir. Agar qo'shni dominant nuqtalar orasidagi chiziq obyektning ichidan o'tmasa va bu nuqtalar orasidagi burchak oldindan belgilangan chegaralar oralig'ida bo'lsa, u
ЭйШ:
46
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 4 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 4 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 4 | 2024 год
holda qovariq nuqta dominant nuqta sifatida qabul qilinadi.
Segmentlarni guruhlash
Keyingi qadam, 2-rasmda ko'rsatilganidek, bir xil obyektga tegishli bo'lgan segmentlarni guruhlashdan iboratdir. Segmentlarni guruhlash algoritmi kontur segmentlarining har bir jufti ustida takrorlanadi va ularni bitta ellipsga birlashtirish mumkinligini tekshiradi. Biroq, n segmentdan iborat to'plamni p guruhga bo'lish uchun mavjud usullar soni Stirling formulasiga ko'ra juda katta bo'ladi.
n.
n1\ ...nJ.
-■n t
P(n,p) =1 £
demak, tanlash algoritmi ko'p vaqt talab etadi.
**
a - berilgan tasvir; b — kontur segmentatsiyasi; c - segmentlarni guruhlash natijasi
2-rasm. Segmentlarni guruhlash
Maxsus qism ikkita xususiyatdan iborat: simmetriya va elliptik. Umumiy maqsad funksiyasi formulasi quyidagicha ifodalanadi:
L = aL
concavity
+ ß Lellipcity + Y^symmetry
bu yerda a, ß, y- vazn koeffitsientlari.
Konturni baholash
To'silgan obyekt segmentatsiyasining oxirgi bosqichi konturni baholashdir. Konturni baholashning eng ko'p qo'llaniladigan usuli ellipsni o'rnatish usulidir. Ushbu usul bir-birining ustiga chiqadigan obyektlar mintaqasini segmentlashning ko'plab muammolarida qo'llanilishi mumkin [8, 9, 5, 3]. Bu yondashuv, bir-birining ustiga tushgan obyektlarning elliptik shaklga ega bo'lishi degan farazga asoslanadi. Ellipsni o'rnatish usuli nuqtalar va ellips orasidagi masofalar yig'indisini minimallashtirishga intiladi, shu
bilan birga obyektlarning shaklini eng yaxshi ifodalovchi ellipsni topadi.
Ellipsni o'rnatish, geometrik optimallashtirish usullaridan biri sifatida, tasvirda joylashgan ikki yoki undan ortiq o'zaro ustma-ust keladigan obyektlarni to'g'ri segmentlash imkonini beradi. Bu usulda, tasvirdagi har bir nuqta uchun ellipsning eng yaxshi mosligini hisoblash orqali optimal parametrlar (markaz, uzunlik, kenglik, orientatsiya) aniqlanadi. Ushbu yondashuv nuqtalar orasidagi masofani minimallashtirishga qaratilgan bo'lib, maksimal o'xshashlikka ega bo'lgan ellipsni hisoblash orqali segmentatsiya jarayonini aniqlashtiradi. Shuningdek, ellipsni o'rnatish usuli, obyektlar orasidagi aloqalarni yaxshiroq ifodalashga yordam beradi va tasvirdagi mintaqaviy strukturaviy o'zgarishlarni aniq ajratish imkonini yaratadi. Bu yondashuv, xususan, tibbiy tasvirlarni tahlil qilishda bir-birining ustiga chiqadigan yoki bir-biriga yaqin joylashgan patologik ob'ektlarni aniqlashda samarali bo'ladi.
Eksperimental tadqiqotlar Dasturni amalga oshirish Avvalo, zarur ma'lumotlarni to'plash va ularni batafsil tahlil qilish zarur. Ushbu tahlil yordamida tasvirlarda mavjud bo'lgan kuchli bog'langan obyektlarni aniqlash, ularning turlari, intensivlik darajasi, shakllari va o'zaro bog'lanishlari haqidagi ma'lumotlarni olish mumkin.
Algoritmning umumiy blok sxemasi 3-rasmda keltirilgan.
47
i
2
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 4 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 4 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 4 | 2024 год
3-rasm Obyektni segmentatsiyalash algoritmining blok-sxemasi
Algoritmning kirishiga ikkilik tasvir taqdim etiladi va algoritm natijasi sifatida konturlar to'plami olinadi. Algoritm blok-sxemasida bo'lingan funksiyalarning ketma-ket chaqiruvlari aniq ko'rsatilgan bo'lib, har bir funksiyaning izchil ishlashi orqali yakuniy konturlar aniqlanadi. Konturni ajratish
OpenCV kutubxonasida konturni chiqarish uchun findContours funksiyasi yaratilgan [10]. Ushbu funksiyaning sintaksisi quyidagicha:
kontur, ierarxiya = findContours(tasvir, rejim,
usul)
Bu yerda:
• tasvir — tahlil uchun tayyorlangan rasm bo'lib, 8 bitli formatda bo'lishi kerak. findContours funksiyasi monoxrom tasvirdan foydalanadi, ya'ni nolga teng bo'lmagan barcha piksellar 1 deb talqin qilinadi, nol qiymatli piksellar esa nol bo'lib qoladi.
Funksiya natijalari:
• kontur — barcha topilgan konturlar ro'yxati bo'lib, ular vektor shaklida taqdim etilgan.
0йШ:
• ierarxiya — sxemalar topologiyasi haqida ma'lumotni o'z ichiga oladi. Ierarxiyaning har bir elementi to'rt indeksdan iborat bo'lib, ular mos keluvchi konturga taalluqli:
o ierarxiya[i][0] — joriy qatlamdagi
keyingi kontur indeksi; o ierarxiya[i][1] — joriy qatlamdagi
oldingi kontur indeksi; o ierarxiya[i][2] — joylashtirilgan
qatlamdagi birinchi kontur indeksi; o ierarxiya[i][3] — asosiy kontur indeksi. Ushbu indekslar orqali konturlar o'rtasidagi ichki va tashqi bog'lanishlar to'g'risida axborot olish mumkin, bu esa tasvirni tahlil qilishda katta ahamiyatga ega.
Konturni yaqinlashtirish Konturni yaqinlashtirish konturlarni soddalashtirish va ularni samarali segmentlash uchun muhim hisoblanadi. Bu jarayon bir-birining ustiga tushadigan obyektlarni tezroq ajratish imkonini beradi va konturdagi nosimmetrikliklarni bartaraf qiladi. OpenCV kutubxonasida konturni yaqinlashtirish uchun approxPolyDP funksiyasi mavjud [11].
approxPolyDP faqat bitta konturni yaqinlashtiradi, lekin findContours funksiyasi ko'plab konturlarni qaytaradi, shuning uchun har bir kontur uchun approxPolyDP funksiyasini tsiklda ishlatish lozim. Shuningdek, epsilon parametri, ya'ni konturni yaqinlashtirish aniqligini belgilaydigan qiymatni tanlash kerak. Bu parametr foydalanuvchi tomonidan belgilansa-da, turli uzunlikdagi konturlarni o'z ichiga olgan tasvirlar uchun har bir kontur uchun maxsus koeffitsientni hisoblash talab qilinadi, va bu koeffitsient kontur uzunligiga bog'liq.
Quyida epsilon ni hisoblash uchun formula keltirilgan:
e = к • contourJength bu yerda contour length — kontur uzunligi,, k — yaqinlashtirish aniqligini belgilaydigan koeffitsient bo'lib, uni tasvirning murakkabligiga qarab foydalanuvchi tanlaydi..
Ushbu formula yordamida har bir kontur uchun optimal epsilon qiymatini hisoblab, soddalashtirilgan va tezkor segmentatsiyaga erishish mumkin..
48
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 4 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 4 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 4 | 2024 год
Qovariq nuqtalarni topish Ajratish nuqtalariga asoslangan usulda keyingi qadam ajratuvchi botiq nuqtalarni aniqlashdir. Bu nuqtalar bir-birining ustiga chiqadigan obyektlarni ajratish va ularning konturlarini yanada aniqroq segmentlash uchun muhimdir. Ushbu usulda konturdagi har bir nuqta analiz qilinadi va d nuqta sifatida ko'rib chiqiladi.
Kontur nuqtasi Pi botiq nuqta hisoblanadi, agar u shunday joylashganki, Pt-1 va Pi+1 uchlaridan tuzilgan segmentning o'rtasi obyektdan tashqarida joylashgan bo'ladi. Boshqacha aytganda, agar Pt nuqtasining oldingi va keyingi nuqtalari bilan hosil qilgan segment tasvirdagi obyekt chegarasidan tashqarida joylashgan bo'lsa, bu nuqta ajratuvchi botiq nuqta sifatida belgilanadi.
Ushbu nuqtalarni aniqlash orqali bir-biriga yopishgan obyektlar orasidagi aniqlikni oshirish mumkin, chunki botiq nuqtalar obyektlarning yopishgan qismlarini ajratish uchun muhim chegaraviy belgilarni beradi. Bu esa segmentatsiya jarayonini yanada optimallashtirishga yordam beradi. Qovariq nuqtani qidirish funktsiyasi
ularni segmentlarga ajratishda asos bo'luvchi bo'linish nuqtalari massivi xizmat qiladi. Algoritm natijasi sifatida segmentlar massivi hosil qilinadi. Bu segmentatsiya jarayoni, konturlarning har bir bo'linish nuqtasidan bo'linib, alohida segmentlarga ajratilishi asosida amalga oshiriladi. Shu tariqa, kontur tahlilining aniqligi oshadi va ko'p qismlardan iborat ob'ektlarni oson segmentlash imkoniyati yaratiladi.
Segmentatsiya kontur funktsiyalari
import numpy as np import cv2
def findConcavePoints(binImage, contours): concavePoints = [] for contour in contours: cntConcavePoints = [] tmpContour = np.concatenate((contour, contour[:2]), axis=0)
for cInd in range(1, len(tmpContour)
- 1):
coord = np.round((tmpContour[cInd + 1][0] + tmpContour[cInd - 1][0]) / 2).astype(int)
if binImage[coord[1]][coord[0]]
== 0:
cntConcavePoints.append(tmpContour[cInd][0])
concavePoints.append(np.array(cntConcavePoints) )
return concavePoints
Kontur segmentatsiyasi
Qovariq nuqtalar aniqlangandan so'ng, bu nuqtalar orqali konturlarni alohida segmentlarga ajratish talab etiladi. Kontur segmentatsiyasi algoritmi uchun kirish ma'lumotlari sifatida konturlar hamda
points[i][p]) points[i][p + 1])
import numpy as np
def findPointInContour(contour, point): for i, cnt_point in enumerate(contour):
if np.array_equal(cnt_point[0], point): return i return -1
def contourSegmentation(contours, points): segments = []
for i, contour in enumerate(contours): objSegments = []
if len(points[i]) != 0: if len(points[i]) > 1: for p in range(0, len(points[i])): if p < len(points[i]) - 1: startCoord = findPointInContour(contour,
endCoord = findPointInContour(contour, else:
startCoord = findPointInContour(contour, points[i][p]) endCoord =
findPointInContour(contour, points[i][0]) if startCoord < endCoord:
objSegments.append(contour[startCoord: end Coord + 1]) else:
segment =
np.concatenate((contour[startCoord: ], contour[:endCoord + 1]), axis=0)
objSegments.append(segment)
else:
coord =
findPointInContour(contour, points[i][0]) segment =
np.concatenate((contour[coord:], contour[: coord + 1]), axis=0)
objSegments.append(segment) else:
objSegments.append(contour) objSegments = np.array(objSegments) segments.append(objSegments) return segments
Segmentlarni guruhlash
49
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 4 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 4 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 4 | 2024 год
Kontur segmentatsiyasidan keyingi qadam segmentlarni guruhlashdir. Guruhlash uchun barcha segmentlarni takrorlash kerak. Segmentlar quyidagi qoidalarga ko'ra guruhlanadi:
- qo'shni segmentlarni guruhlash mumkin emas;
- agar segmentlar, boshqa segmentlar bilan kesishmasa, ularni guruhlash mumkin;
- agar segmentlar qavariq shakl hosil qilsa, ularni guruhlash mumkin.
Segmentlarni guruhlash algoritmiga kirish ma'lumotlari segmentlar massividir. Bu algoritmdan chiqish guruhlangan segmentlarga ega massiv bo'ladi. Ellipslarni moslashtirish Oxirgi qadam ellipslarni guruhlangan segmentlarga moslashtirishdir. OpenCV
kutubxonasida ellipslarni o'rnatish uchun FitEllipse funktsiyasi mavjud, uning ko'rinishi quyida keltirilgan. rotatedRect = fitEllipse (points) bunda
- points - nuqtalar to'plami (to'plamda kamida beshta nuqta),
- rotatedRect - ellipsni tasvirlaydigan aylantirilgan to'rtburchak.
Algoritmning blok sxemasi 4-rasmda keltirilgan.
4-rasm. Ellipsni moslashtirish algoritmi sxemasi
Algoritm sinovi
Ushbu algoritmni sinab ko'rish uchun tasodifiy sondagi, ellipslarning joylashuvi va kesishishi bilan
sinov tasvirlari tayyorlangan. Algoritm ishlash natijalari 5-rasmda keltirilgan.
;•» to ;#» ton*
«
-л
a — sinov tasviri, b — konturli tasvir, c — obyektni segmentlash natijasi
5-rasm. Algoritmni tekshirish natijasi
Xulosa. Mazkur maqolada tibbiy tasvirlarda reprezintativ psevdoobyektlarni segmentatsiyalashga qaratilgan algoritmlar tahlil qilingan. Adabiyotlar sharhidan ma'lum bo'lishicha, Zhang va boshqalar o'rtacha masofadan og'ish (O'MO) mezonini, Langlard va boshqalar esa bir-birining ustiga chiqadigan elliptik obyektlarni ajratish metodini taklif etganlar. Zafari esa segmentlarni guruhlash uchun ikkita usulni ishlab chiqdi. Taklif etilgan metodlar tasvirlardagi reprezintativ psevdoobyektlarni aniqlik bilan segmentatsiyalash va ularning o'zaro ta'sirini minimallashtirishga yo'naltirilgan. Bu yondashuvlar tasvirni, masalan, Otsu usulidan foydalangan holda, binarizatsiyalash, qiziqish hududlarini ajratish, qovariq nuqtalarni aniqlash va konturlarni segmentatsiyalash kabi bosqichlarni o'z ichiga oladi. Algoritmni sinovdan o'tkazish natijalari uning samaradorligini tasdiqlab, tibbiy tasvirlarni tahlil qilishda yangi imkoniyatlar yaratdi va diagnostika jarayonlarini yanada samaraliroq qilishga yordam berdi.
Adabiyotlar ro'yxati
1. Гонсалес, Р. Цифровая обработка изображений. / Р. Гонсалес, Р. Вудс - 3-е издание, исп. - М.: Техносфера, 2012. - 1104 с.
2. Zhang, W.H. A method for recognizing overlapping elliptical bubbles in bubble image / W.H. Zhang, X. Jiang, Y.M. Liu // Pattern Recognition Letters. - Vol.33. - No.12. - 2012. - P. 1543-1548.
3. Langlard, M. An efficiency improved recognition algorithm for highly overlapping ellipses:
50
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 4 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 4 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 4 | 2024 год
Application to dense bubbly flows // Pattern Recognition Letters. - Vol.101. - 2018. - P. 88-95.
4. Farhan, M. Novel Method for Splitting Clumps of Convex Objects Incorporating Image Intensity and Using Rectangular Window-Based Concavity Point-Pair Search / M. Farhan , O. Yli-Harja, A.A Niemisto // Pattern Recognition. - Vol.46.
- No.3. - 2013. - P. 741-751.
5. Segmentation of Partially Overlapping Convex Objects Using Branchand Bound Algorithm / S. Zafari [et al.] // ACCV 2016 International Workshops: Revised Selected Papers. Taiwan, November 20-24, 2016, - Taipei, 2017. - P.
6. Segmentation of Partially Overlapping Nanoparticles Using Concave Points / S. Zafari [et al.] // Advances in Visual Computing: Springer. - 2015. -P. 187-197.
7. Comparison of concave point detection methods for overlapping convex objects segmentation / S. Zafari [et al.] // Scandinavian Conference on Image Analysis (SCIA), June 12-14, 2017. - Troms0, 2017.
- P. 245-256.
8. Segmentation of Overlapping Elliptical Objects in Silhouette Images / S. Zafari [et al.] // IEEE Transactions on Image Processing. - Vol.24. - No.12.
- 2015. - P. 5942-5952.
9. Modified Segmentation Approach for Overlapping Elliptical Objects with Various Sizes / G. Zhao [et al.] // 12th International Conference on Green, Pervasive, and Cloud Computing, GPC 2017, May 1114, 2017. - Cetara, 2017. - P. 222-236.
10. OpenCV: Structural Analysis and Shape Descriptors [Электронный ресурс] - Режим доступа:
https:docs.opencv.org/3.4/d3/dc0/group_imgproc_ shape.html.
11. OpenCV: Drawing Functions [Электронный ресурс] - Режим доступа: https: // docs.OpenCV.org/3.1.0/d6/d6e/groupi mgprocdraw.html.
ЭйШ:
51
