Разработка и исследование алгоритма текстурного анализа клеток для выявления информативных параметров на электронно-микроскопических изображениях ультраструктуры белого вещества головного мозга человека

Проблема шизофрении интенсивно разрабатывается во многих странах мира. По данным ВОЗ она входит в десятку ведущих причин инвалидности, ее называют «наихудшим заболеванием, поражающим человека». Это связано не только с большой распространенностью заболевания (21 млн. по данным ВОЗ на 2016г), вызываемым им высоким уровнем инвалидизации и соответственно значительным экономическим бременем для общества, но и невыясненностью этиологии и патогенеза этого страдания [1].

На сегодняшний день существует множество подтверждений, что при патологии наблюдаются морфологические изменения в ультраструктуре белого вещества головного мозга человека. Однако на данный момент нет полного количественно-морфологического описания клинической картины.

Важными патогенными факторами, по предположительным данным, полученным в исследованиях, являются генетическая предрасположенность, условия жизни в раннем детстве, нейробиологические нарушения, психологические и социальные взаимодействия. В настоящее время активно изучаются нейробиологические механизмы заболевания.

Одной из гипотез является то, что в белом веществе головного мозга человека при шизофрении происходит изменение нейронных связей и нарушение процессов миелинизации. Качественные исследования показали, что ультраструктура миелинизированных нервных волокон хорошо сохраняется у больных шизофренией и в контрольной группе. Таким образом, важно выделить наиболее информативные морфологические показатели изменений белого вещества головного мозга, сопряженные с заболеванием, а также возрастом больных [2]. Для этого необходимо разработать алгоритм сегментации миелиновых оболочек и текстурного анализа клеток.

Пример анализируемого изображения приведен на рисунке 1. Исследуемые изображения имеют разрешение 12,1 нм/пиксель.

Рис. 1. Пример исходного изображения

Разрабатываемый алгоритм можно условно разделить на следующие этапы:

1. Этап текстурного анализа изображения ивыделение внутренних областей.
   1. Вычисление текстурных параметров изображений;
   2. Выделение внутренних областей;
   3. Оценка различий между тремя параметрами на основании расчета ошибок первого и второго рода.
2. Этап выявления информативных признаков.

2.1. вычисление локальных параметров изображения;

2.3. оценка распределения изображений и аксонов по рассчитанным параметрам;

2.4. количественная оценка различий между двумя группами изображений по уровням рассматриваемых параметров с помощью статистических критериев.

Для сегментации осевых цилиндров и цитоплазматических набуханий был произведен расчет локальных характеристик. Размеры окна были выбраны эмпирически таким образом, чтобы наблюдалось визуально хорошее качество сегментации. В качестве основных характеристик были рассчитаны локальные СКО, среднее значение, энтропия, гладкость и однородность.

Для уменьшения времени вычисления в качестве исходного изображения была использована его часть, содержащая в себе одну клетку.

Рис. 2. Изображение клетки

Далее по каждой из характеристик строилось бинарное изображение. В качестве порога выбиралось значение, подобранное вручную. В результате наиболее удовлетворительными оказались изображения, полученные по локальным СКО, среднему значению и гладкости.

Рис. 3. Бинарные изображения, полученные по трем характеристикам: а) по параметру СКО, б) по среднему значению, в) по параметру гладкости

В качестве «проверки» алгоритма был произведен расчет ошибок первого и второго рода следующим образом:

1. Были получены маски размеченных изображений
2. Были получены маски неразмеченных изображений
3. Из одной маски вычиталась другая, в результате были получены областями «истинных» пикселей принятых за «ложные» и «ложных» пикселей принятых за «истинные»
4. Производился подсчет количества пикселей каждой из областей и расчет ошибок первого и второго рода для метода, основанного на параметре средней яркости
5. Результаты расчета ошибок I и II рода представлены в Таблице 1:

Таблица 1

Результаты расчета ошибок Iи II рода для 3 параметров

В результате анализа трех методов сегментации с визуальной точки зрения был выбран метод сегментации на основе параметра средней яркости. В результате вычисления ошибок первого и второго рода (определение «истинных» пикселей как «ложных» и «ложных пикселей как «истинных») выяснилось, что у выбранного метода они являются минимальными, что является ключевым требованием для выбора алгоритма.

Под интегральными параметрами изображения подразумеваются показатели, рассчитываемые в целом для всего изображения, а именно:

1. плотность миелинового волокна;
2. плотность аксонов.

Под плотностью, как миелинового волокна, так и аксонов подразумевается отношение площади этих областей на всем изображении к общей площади изображения. Плотность аксона учитывает, как его внутреннюю область, так и миелиновую оболочку. Расчёт параметров производится для аксонов, чьи внутренние области не находятся на границе изображения. Под параметрами аксонов подразумеваются:

1. толщина миелиновой оболочки;
2. отношение площади миелиновой оболочки к площади аксона;
3. степень округлости аксона;
4. эксцентриситет аксона.

Таблица 2

Критическое значение обоих критериев при уровне значимости 0,05 составляет 1,960

Гипотезы об отсутствии различий в распределениях толщины миелиновой оболочки, отношения площади миелиновой оболочки аксона к площади всего аксона и степени округлости аксонов в двух группах отклоняются с уровнем значимости 0,05. Гипотезы об отсутствии различий в распределениях эксцентриситета аксонов, количества аксонов, плотности аксонов и плотности миелина в двух группах принимаются с уровнем значимости 0,05. Таким образом, с помощью разработанного алгоритма возможно анализировать изображения препаратов белого вещества головного мозга человека, рассчитывать параметры этих изображений, а также параметры отдельных аксонов, выявляя при этом информативные для шизофрении признаки.

Литература:

1. Уранова Н. А. Дофаминергическая система мозга при шизофрении: Автореф. дис. на соиск. уч. степ. д-ра мед. наук. М.:1995. — 32 с.
2. Шашин А. Е. Разработка и исследование алгоритмов анализа ультраструктуры белого вещества головного мозга человека по электронно-микроскопическим изображениям // Молодежный научно-технический вестник. — 2012. — № 7. — С. 1–2.
3. Самородова О. А., Самородов А. В. Разработка алгоритма автоматической сегментации флуоресцентно-микроскопических изображений препаратов клеточных культур для задач микробиологии // Молодежный научно-технический вестник. — 2013. — № 6. — С. 5–6.