عنوان پایان‌نامه
شناسایی اتوماتیک گلبولهای سفید خون از روی تصاویر هماتولوژی
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1532;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 40517;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 1532
- تاریخ دفاع
- ۱۰ اسفند ۱۳۸۷
- دانشجو
- سید حمید رضا توفیقی
- استاد راهنما
- حمید سلطانیان زاده, رضا آقائی زاده ظروفی
- چکیده
- سیستم ایمنی یکی از مهمترین سیستمهای دفاعی بدن انسان در برابر عوامل خارجی نظیر میکروبها، ویروسها و غیره می باشد. بیماری هایی نظیر ایدز و انواع سرطانهای خونی از جمله بیماریهایی هستند که تغییراتی در یکی از مهمترین اجزای سیستم ایمنی، یعنی گلبول های سفید خون ایجاد می نمایند. بنابراین، یک متخصص خون شناسی بر اساس بررسی این تغییرات می تواند بسیاری از بیماری های خونی را تشخیص دهد. مشاهده نمونه های رنگ آمیزی شده خون توسط میکروسکوپ های نوری، یکی از رایج ترین راههای ارزیابی گلبول های سفید خون می باشد. اما، بدلیل آنکه آنالیز دستی گلبول های سفید یک پروسه مشکل، زمانبر و خطاپذیر می باشد، سیستم هایی که بتواند برخی از این وظایف دشوار را بطور اتوماتیک انجام دهد، معمولاً ترجیح داده می شوند. در این پروژه، هدف اصلی ما ارائه و پیاده سازی سیستمی جدید بر اساس روش های پردازش تصویر جهت شناسایی پنج گروه اصلی گلبول های سفید موجود در خون محیطی انسان می باشد. این پنج گروه عبارتند از: ائوزینوفیل ها، بازوفیل ها، مونوسیت ها، لنفوسیت ها و نوتروفیل ها. بطور کلی، روش پیشنهادی ما برای این منظور از سه مرحله اصلی تشکیل شده است. این سه مرحله شامل بخش بندی نواحی هسته ای و سیتوپلاسمی گلبولهای سفید، استخراج ویژگی هایی از این نواحی بخش بندی شده و دسته بندی ویژگی های استخراج شده می باشد. برای بخش بندی نواحی هسته ای، ما از یک روش بخش بندی نوین بر اساس روش گرام–اشمیت استفاده کردیم. نتیجه اعمال این روش بر روی یک تصویر هماتولوژی، تصویری است که بیشترین مقدار شدت روشنایی در نواحی مطلوب یعنی نواحی هسته ای و کمترین مقادیر شدت روشنایی در دیگر نواحی را دارد. سپس، با انتخاب یک آستانه تطبیقی و مناسب بر اساس اطلاعات هیستوگرام هر تصویر، نواحی هسته ای بخش بندی می شوند. همچنین برای بخش بندی نواحی سیتوپلاسمی، از یکی از الگوریتم های مدل دگردیس پذیر، (الگوریتم مار) استفاده شده است. قبل از اجرای الگوریتم مار، ما یک پیش پردازش مناسب بر روی تصاویر مورد بررسی برای بهبود عملکرد الگوریتم مار ارائه کردیم. همچنین، از یک الگوریتم تطبیقی برای پیدا کردن بهترین کانتور اولیه برای الگوریتم مار استفاده کردیم. بعد از انجام مراحل فوق، الگوریتم مار برای بخش بندی سیتوپلاسم گلبولهای سفید اعمال می گردد. برای ارزیابی کمی روشهای پیشنهادی در مرحله بخش بندی، ما نتایج بدست آمده توسط الگوریتم پیشنهادی خود را با نواحی بخش بندی شده توسط یک متخصص با استفاده از یک معیار شباهت، مقایسه نمودیم. بر اساس این معیار، نتیجه کلی بدست آمده برای بخش بندی حدود 93% می باشد. برای استخراج ویژگی از نواحی بخش بندی شده، سعی کرده ایم که ویژگی های استخراجی تا حد امکان با ویژگی هایی که یک هماتولوژیست حین بررسی نمونه ها استخراج می کند، مشابه باشد. ویژگی های استخراجی بطور کلی شامل دو نوع ویژگی بافتی و شکلی می باشد. ویژگی های بافتی استخراج شده یا توسط ماتریسهای هم وقوعی محاسبه شده است و یا توسط الگوی باینری محلی، که نتایج حاصل از استفاده هر کدام با یکدیگر مقایسه شده است. علاوه بر این از الگوریتم FSS برای انتخاب ویژگی های مناسب و کاهش بعد ویژگی ها استفاده کردیم. در نهایت در مرحله بخش بندی، عملکرد دسته بندی کننده های متفاوت نظیر MLP، ANFIS و SVM در ابعاد متفاوت از ویژگی ها با هم مقایسه شده اند. در این کاربرد و با توجه به نتایج بدست آمده، بهترین نتیجه وقتی حاصل می شد که ما از الگوی باینری محلی بعنوان ویژگی بافتی و از SVM بعنوان دسته بندی کننده استفاده می کردیم.
- Abstract
- Immune system is one of the most important human defensive systems against alien agents such as microbes, viruses, and Bacteria. Diseases such as AIDS and Leukemia are examples that change some apparent features of white blood cells, one of the most crucial immune system's parts. Therefore, a hematological expert based on scrutinizing the mutations of white blood cells can perceive and diagnose certain blood diseases. Observation of stained blood samples using light microscopes is one of the rampant ways to evaluate white blood cells. Nevertheless, manual analysis of white blood cells is a tedious, time-consuming and susceptible to error procedure. Therefore, an automatic system is preferable. In this research, our main purpose is to develop a new algorithm based on image possessing methods to classify five major groups of white blood cells existing in circumferential blood system. These five groups consist of eosinophis, basophils, monocytes, lymphocytes, neutrophils. In general, our proposed method consists of three major steps, including: segmentation of nucleus and cytoplasm of white blood cells, extraction of features from segmented areas, and classification of extracted features. For segmenting the nucleus area, we applied a novel method based on Gram-Schmidt orthogonalization. The result of this method is a composite image which has maximum intensity in nucleus regions and minimum intensity in other regions. Next, by choosing an appropriate threshold based on the histogram information, we segmented nucleus area. For segmenting the cytoplasm area, a deformable model algorithm (snake algorithm) was used. Before running the snake algorithm, we applied a congruous preprocessing on the images for improving the results of segmentation by the snake. Moreover, we proposed an adaptive method for finding the best initial contour for the snake. After the mentioned steps, the snake algorithm is run for segmenting the cytoplasm. To evaluate the proposed segmentation algorithms quantitatively, we compared the results with the manual segmentations by a hematologist using a similarity criterion. Based on this criterion, the overall segmentation accuracy is about 93 %. For extracting features from the above segmented areas, we used an idea which is similar to the way a hematologist would elicit characteristics from white blood cells. Our extracted features generally categorize into two main types including: morphological features and textural features. Textural features were extracted from either co-occurrence matrices or Local Binary Pattern (LBP) technique. Then, we compared the results of these textural features. Furthermore, we used a Forward Sequential Search (FSS) algorithm to select the best features. Based on this selection, we only extracted the features selected by the algorithm to save time. For the classification step, we compared the performance of classifiers such as Multi-Layer Perceptron (MLP), Adaptive Neuro-Fuzzy Inference System (ANFIS) and Support Vector Machine (SVM) using different feature sets. In this application, the best result was obtained when we used LBP as the texture feature and SVM as the classifier. In sum, the results demonstrate that our proposed schemes are sufficiently accurate and fast for their applications in hematology labratories.
