Otomatik Görüntü Bölümleme

Prob Tasarımı – Laboratuvar Tanı Bilimi – Laboratuvar Ödevleri – Lab Ödevleri – Kimya Mühendisliği – Kimya Ödev Yaptırma Ücretleri

Çoğu dijital fotoğraf / video kamera, üç megapikselin üzerindeki görüntüleri örneklemektedir. Bazı uzman görüntü yakalama ekipmanı, altı megapiksele kadar tek görüntü kaydedebilir.

Görüntünün çözünürlüğünü iki faktör belirler: uzamsal çözünürlük ve renk çözünürlüğü. Uzamsal çözünürlük, alanın tanımlanmış bir alanını temsil eden piksel sayısı ile belirlenir. Her piksel (“resim öğesinden” türetilen), görüntü üzerinde bir noktayı tanımlayan bir kutuyu temsil eder. Bir görüntü ne kadar çok pikselden oluşursa, uzamsal çözünürlük o kadar yüksek olur.

Bir görüntüdeki piksel sayısı uzamsal çözünürlüğünü belirlerken, yoğunluk veya renk temsili için kaç değere izin verdiğimizi de belirlememiz gerekir. Her pikselin tek bir gri değerle temsil edilebileceğini görüyoruz.

Ne kadar çok gri değer kullanılırsa, görüntünün çözünürlüğü o kadar iyi olur. İnsan gözü yalnızca 64 gri değerini güvenilir bir şekilde ayırt edebildiğinden, 256 gri değeri genellikle orijinal görüntünün kesin bir temsilini verir.

Burada her piksel, orijinal görüntüdeki o noktanın yoğunluğuna bağlı olarak, 0 1⁄4 siyah ve 255 1⁄4 beyaz olmak üzere 256 olası gri değerden herhangi birine atanabilir. Bu nedenle dijital bir görüntü, bir bilgisayar monitöründe görüntülenmek üzere depolanabilen ve geri çağrılabilen bir sayılar matrisidir.

Renkli görüntüler, ana renklerin farklı yoğunluklarına sahip piksellerden oluşur: kırmızı, yeşil ve mavi. Yine, belirli bir renge yapılan kırmızı, yeşil ve mavi katkıları temsil etmek için mevcut olası değerlerin sayısı, son görüntünün renk çözünürlüğünü belirler.

Gri seviyeli bir görüntüde olduğu gibi, her renk 0–255 aralığındaki değerlerle temsil edilebilir ve 16 milyondan fazla renk [256 (kırmızı) 256 (yeşil) 256 (mavi)] olası bir kombinasyon sağlar. Bu nedenle, her renkli görüntü, her biri renkli görüntünün kırmızı, yeşil ve mavi bileşenlerini temsil eden üç gri seviyeli görüntüye bölünebilir.

Histolojik bir görüntünün dijital temsiline sahip olmak, analog bir görüntü ile mümkün olmayan çok sayıda prosedürü gerçekleştirmemizi sağlar. Görüntünün gri seviye frekans histogramını çizerek, görüntü içindeki yoğunluk bilgisinin bir özetini elde ederiz.

Bu histogram üzerinde bir eşik belirleyerek, eşiğin üstüne veya altına düşen tüm pikselleri seçebiliriz. Buna gri seviye eşiği denir ve görüntü içinde belirli yoğunluk özelliklerine sahip olan nesneleri özel olarak tanımlamamıza izin verir, örn. çekirdekler.

Nesnelerin bu şekilde tanımlanmasına bölümleme denir. Bilgisayar, böldüğü nesnelerin profil sınırlarını otomatik olarak çıkarabilir ve bu morfometrik özelliklerden türetilebilir. Tek bir gri seviye eşiğinin ayarlanması her zaman tüm çekirdeklerin doğru segmentasyonuyla sonuçlanmaz.

Birbirine yakın duran bazı çekirdeklerin tek bir nesne olarak tanımlandığını görebiliriz. Bu nesnelerin alanı bilgisayar tarafından otomatik olarak ölçülecek olsaydı, sonuçlar yanlış olurdu.

Görüntü işleme ile Neler yapılabilir
Görüntü işleme teknikleri
Analog görüntü
Analog görüntü işleme
Görüntü işleme aşamaları
Görüntü işleme Adımları
Görüntü işleme hızı sıralaması
Dijital görüntü işleme

Bununla birlikte, bilgileri dijital formatta sakladığımızdan, bu sorunu çözmek için kullanılabilecek çeşitli prosedürler vardır. Her şüpheli nükleer profil, morfometrik (boyut, şekil, vb.) özellikleri açısından bağımsız olarak incelenebilir. Bunlar tanımlanan sınırlar dahilindeyse, nesne bir çekirdek olarak kabul edilebilir.

Bununla birlikte, nesne özellikleri tanımlanan aralığın dışında kalırsa, daha iyi bir segmentasyon sonucunun elde edilip edilemeyeceğini belirlemek için daha fazla işlenebilir. Örneğin, yöndeki keskin geçişler için nesnenin profilini arayabiliriz (“sivri uçlar” olarak adlandırılır). Nesnenin zıt tarafında iki tane bulunursa, bir bölme işlevi çağrılabilir ve nesne bölünebilir.

Çoğu durumda, histolojik veya sitolojik bir görüntü içindeki nesneleri veya yapıları güvenilir bir şekilde bölümlere ayırmamızı sağlayan kapsamlı bir görüntü işleme algoritmaları kitaplığı mevcuttur.

Bilgisayar algoritmalarını kullanarak önemli görüntü bileşenlerini tanımlama ve morfolojik özellikleri hızlı bir şekilde ölçme ve bunları belirli bir durumu sınıflandırmak için kullanma yeteneği, bunun otomatik bir şekilde yapılıp yapılamayacağı sorusunu akla getirir.

Otomasyon, hematoloji ve klinik biyokimya gibi diğer laboratuvar disiplinlerinde hızlı bir şekilde gelişmiştir, ancak patolojide yavaş olmuştur. Bugüne kadar tanısal patolojide otomasyon eksikliği tamamen gerekçesiz değildir.

Tanısal patoloji, standart ışık mikroskobu kullanılarak karmaşık doku ve hücresel yapıların doğrudan görselleştirilmesini gerektirir, bu da otomasyon sürecini biyokimyasal testlerin veya hücre sayımlarının kullanımına kıyasla son derece zor hale getirir.

Bununla birlikte, bilgisayarlı görüntü analizi ve makine görmesindeki gelişmelerle birlikte, morfolojik yorumlama ve tanısal sınıflandırma görevini otomatikleştirmek teorik olarak mümkündür.

Bu alandaki en büyük çaba, otomatik servikal tarama cihazlarının geliştirilmesinde olmuştur (daha sonra tartışılacaktır), ancak teknikler artık doku histolojisinde kapsamlı bir şekilde araştırılmaktadır.

Tabii ki, bunun gibi tamamen otomatik bir makine görme sisteminin geliştirilmesi zaman alıcıdır ve birçok kişi tarafından kullanılan alternatif bir yaklaşım, tüm bileşenlerin sağlanmasını sağlamak için görüntü bölümleme algoritmaları ve etkileşimli izlemenin bir kombinasyonunu kullanmaktır.

Dansitometri ve Doku

Gördüğümüz gibi, görüntüler dijital olarak kaydedildiğinde, görüntü içindeki her pikselin yoğunluğu hakkında niceliksel bilgi depolanır. Patolojide bu bilgi, belirli bir boyama reaksiyonunun optik yoğunluğunu (OD) ölçmek için etkili bir şekilde kullanılabilir. Bu, bir dizi OD filtresinin gri değerini ölçerek ve gri değeri OD’ye dönüştürmek için bir kalibrasyon eğrisi çizerek elde edilir.

Geometrik bilginin standartlaştırılması daha kolay ve sofistike görüntü yakalama ekipmanı gerektirmese de, dansitometrik ölçümler, bir görüntüden diğerine standartlaştırma ve ışık seviyelerinin kontrolünü gerektirir ve bu, dikkatli mikroskop kalibrasyonu ve tüm otomatik kazanç, renk sıcaklığı ve deklanşör ayarlarının açık olmasını gerektirir.

OD’nin ölçümü, boyama reaksiyonu stokiyometrik olduğunda, yani lekenin yoğunluğu ölçülen substratla orantılı olduğunda en etkilidir.

Bu, dansitometri ile entegre nükleer optik yoğunluğun ölçülmesinin DNA içeriğinin kantitatif bir ölçümünü sağladığı DNA’yı etiketlemek için Feulgen reaksiyonu kullanıldığında bulunur. Özellikle kötü huylu hastalıkta DNA içeriği bozulduğundan, bu ölçüm kapsamlı bir şekilde teşhis ve prognozda yararlı bir niceliksel ipucu olarak araştırılmıştır.

Bozulmuş DNA içeriği dağılımlarının belirlenmesi, malignitede artan ve genellikle kötü prognozla ilişkilendirilen kromozom dengesizliği ile ilişkili olma eğilimindedir.

Analog görüntü Analog görüntü işleme Dijital görüntü işleme Görüntü işleme Adımları Görüntü işleme aşamaları Görüntü işleme hızı sıralaması Görüntü işleme ile Neler yapılabilir Görüntü işleme teknikleri

Otomatik Görüntü Bölümleme – Laboratuvar Tanı Bilimi – Laboratuvar Ödevleri – Lab Ödevleri – Kimya Mühendisliği – Kimya Ödev Yaptırma Ücretleri