Регистрация / Вход
Прислать материал

Разработка математического и программного обеспечения автоматизированных диагностических комплексов для анализа и классификации изображений мазков периферической крови в процессе лекарственного воздействия

Докладчик: Филист Сергей Алексеевич

Должность: ведущий научный сотрудник, профессор, д.т.н.

Цель проекта:
1.Проект направлен на решение задачи создания автоматизированных систем визуализации и обработки данных, обеспечивающих многократное повышение эффективности обработки сигналов и изображений для целей создания медицинских диагностических комплексов. 2. Цель проекта: создание прототипа Вебсервиса, обеспечивающего мета-анализ микроскопических изображений мазков периферической крови и хранение информации о влиянии лекарственного воздействия на величину межклеточных соотношений и форменные элементы крови, вовлеченные в развитие патологических состояний

Основные планируемые результаты проекта:
1. Описание основных результатов:
1 Алгоритм мета - анализа микроскопических изображений мазков периферической крови для интеллектуальных систем мониторинга лекарственных воздействий и прогнозирования и диагностики состояния организма человека.
2 Программная документация на программное обеспечение Вебсервиса.
3 Прототип Вебсервиса, обеспечивающий мета-анализ микроскопических изображений мазков периферической крови и хранение информации о виде лекарственных воздействий и форменных элементов крови, вовлеченных в развитие патологических состояний.
4 Концептуальная модель базы данных мазков периферической крови, обеспечивающая мониторинг лекарственных воздействий на организм человека по показателям межклеточных соотношений в мазках периферической крови.
5 Алгоритмы классификации форменных элементов в мазках периферической крови.
6 Программное обеспечение для идентификации и классификации форменных элементов в мазках периферической крови.
7 Алгоритмы анализа влияния динамики межклеточных соотношений в мазках периферической крови на эффективность лекарственных назначений.
8 Программное обеспечение анализа динамики межклеточных соотношений в результате лекарственных назначений
9 Проект технического задания на проведение ОКР на диагностический комплекс анализа и классификации мазков периферической крови для мониторинга терапии инфекционных заболеваний.

2. Основные характеристики планируемых результатов (в целом и/или отдельных элементов), планируемой научной (научно-технической, инновационной) продукции.
Проект направлен на создание Вебсервиса, обеспечивающего анализ микроскопических изображений мазков периферической крови, поступающих в виде микроскопических изображений от удаленного пользователя. Вебсервис включает базу данных мазков периферической крови, доступную удаленному пользователю, каталог программ для обработки, анализа и классификации микроскопических изображений мазков периферической крови, а также базу знаний, включающую нейросетевые модели классификации форменных элементов на микроскопических изображениях мазков периферической крови и обучающие выборки, состоящие из векторов информативных признаков, полученных в результате анализа форменных элементов крови и используемых в качестве входных для нейроклассификаторов.
Программное обеспечение для идентификации, анализа и классификации форменных элементов крови осуществляет процессы сегментации и классификации сложноструктурируемых изображений на основе полного технологического цикла синтеза многоуровниевых моделей нейронных сетей, включающего процессы формирования обучающих выборок, вычисления параметров нейронных сетей и определения диагностической эффективности полученных решающих модулей. Процесс идентификации форменных элементов крови осуществляется различными методами с последующим мета-анализом их результатов.
Источником данных для программных модулей анализа и классификации форменных элементов крови служат файлы изображений в формате *.bmp. *.jpg, *.tif, *.mat или стандартный аналоговый видеовыход эндоскопической видеокамеры, видеомагнитофона, видеоэндоскопа и т.п., а также цифровая фотокамера (ЦФК), поддерживающая протокол РТР, любой TWAIN-совместимый сканер или фотоаппарат.
Програмный модуль нейросетевой классификации пикселей изображения позволяет автоматически формировать базу данных, состоящую из четырех блоков:
1) первый представляет собой базу изображений (в формате *.bmp, *.jpg. *.tif, *.mat);
2) второй – базу моделей нейронных сетей (в формате *.mns), предназначенных для сегментации изображений;
3) третий – базу моделей нейронных сетей (в формате *.mns), предназначенных для классификации сегментов изображения;
4) четвертый базу обучающих выборок (в формате *.xls).
Входной информацией для формирования обучающей выборки должны служить пары файлов одного и того же изображения: файл цветного изображения микрофотографии (расширение *.jpg, *.bmp. *.tif) и бинарный файл сегментированного изображения на классы (расширение *.mat).
Файл обучающей выборки содержит для каждого сегмента две записи, каждая из которых разбита на три группы полей, при этом данные в полях записей, относящихся к первой группе, совпадают, во вторую и третью группу полей первой записи, соответственно, заносятся данные о цвето-яркостных и геометрических характеристиках сегмента, а вторая и третья группа полей второй записи формируется на основании контрольных испытаний модели нейронной сети, полученной в результате обучения по данным, хранящимся в полях первой записи.
Программная реализация нейросетевой модели классификации сегментов сложноструктурируемых изображений обеспечивает следующие технологические операции:
1)выбор размера маски (окна) для формирования обучающей выборки для решающего модуля, осуществляющего классификацию сегментов по цвето-яркостным характеристикам;
2) выбор цветового канала, по которому осуществляется обучение;
3) формирование обучающей выборки для класса «фон» (например, плазма) путем перемещения окна и выбора соответствующей области на изображении;
4) формирование обучающей выборки для класса «сегмент», например, «форменные элементы крови», путем перемещения окна и выбора соответствующей области па изображении;
5) настройку параметров нейронной сети;
6) обучение нейронной сети;
7)сохранение модели нейронной сети в базе данных.
Нейросетевая модель реализации методов и алгоритмов анализа и классификации микроизображений биообъектов включает в себя следующие программные компоненты (модули):
1) модуль контурного анализа сегментов изображения;
2)модуль нейросетевой классификации пикселей изображения;
3)модуль морфологического анализа сегментов изображения.
Программная реализация нейросетевой модели позволяет сегментировать и классифицировать сложноструктурируемые изображения на основе полного технологического цикла синтеза многоуровневых моделей нейронных сетей, включающего процессы формирования обучающих выборок, вычисления параметров нейронных сетей и определения диагностической эффективности полученных решающих модулей.
Программная реализация нейросетевой модели осуществлена в среде Matlab 7.10 и позволяет последовательно включать каждый модуль в технологический процесс анализа микроскопических изображений.

3. Оценка элементов новизны научных (технологических) решений, применявшихся методик и решений.
Методы построения гибридных модулей классификации патологий на основе анализа оптических и геометрических характеристик сложноструктурируемых изображений биообъектов.
Алгоритм сегментации сложноструктурируемых изображений построен на основе градиентной обработки исходного полутонового изображения. Отличительная особенность приведенного алгоритма заключается в том, что процесс получения бинарного изображения, отражающего морфологическую структуру исходного изображения, разбит на три последовательных этапа. На первом этапе получают градиентное изображение, на втором ‒ производят препарирование изображения и получают препарированное градиентное изображение, а на третьем – выполняют переход к бинарному изображению, отражающему контуры границ сегментов исходного изображения; переход осуществляется посредством интеллектуального морфологического оператора, построенного на основе нечеткой нейросетевой модели.
Сформирован морфологический оператор, который основан на операциях «дилатация» и «эрозия». Отличительной особенностью является теоретико-множественный подход к формированию «окна» локальной обработки, и использование правил продукционного типа, которые осуществляют выбор между двумя морфологическими операциями в векторном подокне «окна» наблюдения, основанными на сравнении ориентации подокна и направления вектора, характеризующего активный пиксель. Применение морфологического оператора позволяет снизить влияние проекционных помех и пробелов данных при сегментации сложноструктурируемых изображений.
Структура интеллектуального оператора синтеза границы сегмента, реализованная в виде многослойной нечеткой сетевой модели, включающей базу решающих правил, агрегирующие и классифицирующие слои, позволяющая выполнять итерационный процесс активации пикселей границы сегмента.
Алгоритм реализации интеллектуального оператора, включающий процедуры выбора начального пикселя границы сегмента и определения конца границы сегмента. Отличительная особенность предложенного алгоритма заключается в параллельной реализации процедур трех решающих правил, которые осуществляют способы выбора предпочтительного направления движения пикселя границы сегмента. Процедуры решающих правил основаны, соответственно, на сравнении атрибута направления текущего пикселя и выделенного направления в «окне», минимизации модуля разности атрибутов направлений текущего и предыдущего пикселей; и минимизации модуля разностей атрибутов яркости текущего и предыдущего пикселей.
Метод математического описания контуров наименьшей толщины, основанный на морфологической обработке бинарных изображений. Отличительная особенность метода заключается в последовательной реализации цепочки, состоящей из четырех морфологических операторов. При этом множество пикселей изображения, описывающих границу сегмента, дополняется до двух непересекающихся подмножеств, границы которых устанавливаются по нижней и верхней границам координат пикселей, входящих в исходное множество. Метод позволяет представить любую кривую, в том числе и незамкнутую, в виде контура минимальной толщины.
Модель описания границы контура минимальной толщины в виде двумерной числовой последовательности дескрипторов Фурье, вычисленными в декартовой системе координат.
Метод формирования пространства информативных признаков для нейронной сети, классифицирующей контуры границ сегментов сложноструктурируемых изображений. Метод основан на определении дескрипторов Фурье контура минимальной толщины, соответствующего границе сегмента, позволяющий получить адекватную классификационную модель, независимо от числа отсчетов в анализируемых контурах. Отличительная особенность метода заключается в том, что полученное число отсчетов контура спектра Фурье, дополняется до наперед заданного максимального, добавлением нулевых отсчетов слева и справа от граничных отрицательной и положительной частоты. При этом амплитуда спектральных составляющих увеличивается на величину, прямо пропорциональную величине расширения спектра. Затем число дескрипторов Фурье отсекается до числа, оптимальное значение которого определяется путем минимизации ошибки, определяемой как разность между площадью восстановленного контура и площадью контура минимальной толщины.
Алгоритм получения нелинейных отображений для первого скрытого слоя первого решающего модуля, отличающийся последовательностью интерактивных процедур и комплексом интерактивных окон, соответствующих определенному этапу обработки данных, позволяющий использовать в процессе формирования нелинейных отображений как методы математической статистики, так и экспертное оценивание.
Алгоритм формирования моделей сетевых структур для классификации пикселей на сложноструктурируемых изображениях, отличающийся последовательностью итераций настройки решающих модулей, входящих в настраиваемую модель и позволяющий получать модели сетевых структур, удовлетворяющие априорно заданным параметрам качества классификации.
Алгоритм формирования моделей первого решающего модуля сетевых структур для классификации пикселей на сложноструктурируемых изображениях, отличающийся итерационным процессом управления структурой второго скрытого слоя решающего модуля посредством априорно задаваемой ошибки классификации, позволяющий получить модель первого решающего модуля, удовлетворяющую требуемым параметрам качества классификации.
Алгоритм измерения межклеточных соотношений в периферической крови, включающий двухступенчатую обработку изображения, заключающуюся в том, что на первой ступени обрабатывают изображение, полученное в результате сегментации исходного черно-белого изображения после обработки морфологическим оператором «эрозия», а на второй ступени обрабатывается изображение, полученное после обработки исходного черно-белого изображения посредством морфологического оператора «дилатация», отличающийся тем, что на каждой ступени решение принимается на основе агрегации двух оценок, полученных в результате анализа цветного изображения и в результате анализа черно-белого изображения, причем на первой ступени завышают число ошибок первого рода, а на второй ступени – число ошибок второго рода, а окончательное решение принимается на основе сопоставления решений, принятых на первой и на второй ступенях обработки, позволяющий использовать гибридные технологии для анализа сложноструктурированных изображений.
Модуль классификации сегментов цветного изображения, построенный на основе правил нечеткого вывода, анализирующих моды RGB-кодов как всего изображения, так и конкретных сегментов, отличающийся тем, что для классификации сегментов изображения используются две базы решающих правил, первая из которых определяет цветовой фон, к которому относится изображение, а вторая база – класс анализируемого сегмента, позволяющий определить коэффициенты уверенности в принадлежности анализируемого сегмента к одному из двух диагностируемых классов.
Разработан модуль анализа черно-белого изображения, основанный на спектральном анализе контура границы изображения и последующем нейросетевом анализе полученного континуума информативных признаков, с последующим сокращением пространства информативных признаков на основе теоретико-множественной модели информативных признаков, позволяющий получить коэффициенты уверенности в принадлежности анализируемого сегмента к одному из двух диагностируемых классов.
Предложена структура нейронной сети, отличающаяся тем, что она состоит из последовательно соединенных макрослоев, каждый из которых состоит из одной или нескольких нейронных сетей прямого распространения, причем выходы нейронных сетей (i-1)-го макрослоя являются входами нейронной сети прямого распространения i-го марослоя, позволяющая интегрировать результаты работы анализаторов в пространствах информативных признаков с разнородной структурой и неустойчивыми показателями качества классификации, характерными для классификации сложноструктурированных изображений.
Разработана схема алгоритма автоматизированного анализа изображения микроскопической фотографии мазка периферической крови, отличающаяся возможностью адаптации классифицирующей модели к анализируемому изображению, осуществляемой, по меньшей мере, по двум контурам управления, позволяющая определить количество форменных элементов крови заданного класса.
Специализированное программное обеспечение, предназначенное для автоматизированного анализа микроскопических фотографий сложноструктурированных изображений, реализованное в среде Matlab 7.10, отличающееся функциональной последовательностью включения каждого модуля в технологический процесс гематологического анализа и гибким управлением процессом интерактивного взаимодействия программного обеспечения, предназначенного для обучения решающих модулей, с лицом, принимающим решение, осуществляемым посредством интерфейсных окон и всплывающих меню, позволяющее осуществлять процессы сегментации и классификации сложноструктурированных изображений на основе полного технологического цикла синтеза многоуровневых моделей нейронных сетей, включающего процессы формирования обучающих выборок, вычисления параметров нейронных сетей и определения диагностической эффективности, полученных решающих правил.
Для обеспечения широких возможностей работы программного комплекса в нем широко использованы методы нечеткой логики и нейросетевого моделирования.

4. Сопоставление с результатами аналогичных работ, определяющими мировой уровень
В настоящее время на рынке медицинского оборудования имеется большой выбор и разнообразие стационарных, автоматических гемоанализаторов [Комарницкий, Д.М. Возможности создания портативного гематологического анализатора / Д.М. Комарницкий, С.И. Квашнина, Е.В. Зайцев // Современные наукоемкие технологии. 2010. № 10. С. 57-57.].
Существуют два способа автоматизированного анализа клеточного состава крови: способ анализа жидкой крови, реализованный в жидкостных проточных счетчиках, и способ, основанный на анализе окрашенных мазков крови.
Способ анализа жидкой крови не позволяет получать информацию о внутренней структуре клетки, что существенно снижает объем диагностической информации. Способы, основанные на обработке изображений полей зрения окрашенных мазков крови, дают существенно больший объем диагностической информации, позволяют выявлять основные типы клеток крови, определять лейкоцитарную формулу.
Экспериментальные исследования показали, что автоматизация анализов крови имеет прекрасные перспективы на основе компьютерных технологий, опирающихся на гибридные технологии. В настоящее время во многих странах ведутся работы по данному направлению. Предлагаются полностью управляемые от компьютера видеомикроскопы (LEICA, NAVITAR) и автоматизированные рабочие места на их основе. Имеются отечественные разработки (институт гематологии РАН).
Фирмой Intelligent Medical Imaging Inc. предложена система Micro21, предназначенная для автоматизированного определения лейкоцитарной формулы по сухому мазку периферической крови, окрашенному по Романовскому-Гимза. Способ анализа мазка, заложенный в основу прибора, состоит в сканировании мазка, вводе кадров полей зрения микроскопа в компьютер и их анализе с целью получения лейкоцитарной формулы и выявления дополнительных форм лейкоцитов. Однако этот способ не позволяет выявлять эритроциты и тромбоциты, выделять формы эритроцитов и определять количественное соотношение типов клеток, а также определять количество эритроцитов, лейкоцитов и тромбоцитов в объеме крови.
Автоматизированное рабочее место врача-гематолога, разработанное фирмой Аист, г. Зеленоград, реализует способ анализа сухих мазков периферической крови [Козинец, Г.И. Исследование системы крови в клинической практике. /Под ред. Г.И. Козинца и В.А. Макарова // М.: 1997.], включающий стандартный набор действий: сканируют мазок и вводят серию кадров, содержащих изображения полей зрения видеокамеры; выделяют изображения, содержащие лейкоциты; сегментируют изображения лейкоцитов, выделяя клетки и внутриклеточные структуры; классифицируют (распределяют по типам) полученную выборку лейкоцитов. Способ реализован на базе спецпроцессора и предназначен для определения лейкоцитарной формулы.
Возможен подход к распознаванию эритроцитов по их векторному изображению. [Красовская, И. Г. Метод распознавания патологических форм эритроцитов по их векторному изображению / И.Г. Красовская // Радиоэлектроника и компьютерные системы. 2009. №4 (38). Украина. С. 106- 107].
В Национальном исследовательском ядерном университете «МИФИ» в сотрудничестве с Гематологическим научным центром РАМН и Российским онкологическим научным центром им. Н.Н. Блохина РАМН разработана автоматизированная система диагностики гематологических заболеваний АТЛАНТ.
Основное назначение системы – поддержка принятия решений в сложных случаях диагностики гематологических заболеваний, и в первую очередь - при острых лейкозах [Никитаев, В.Г. Разработка автоматизированных компьютерных систем для распознавания бластных клеток периферической крови. / В.Г.Никитаев, А.Н. Проничев, К.С. Чистов [и др.] //Научная сессия МИФИ-2006. Сборник научных трудов в 16 томах. Т.1. Автоматика. Микроэлектроника. Электроника. Электронно-измерительные системы. Компьютерные медицинские системы. М.: МИФИ, 2006. С. 288-289].
В целом, описанные способы предназначены для анализа отдельных типов клеток крови: эритроцитов, лейкоцитов, тромбоцитов, но не приспособлены к их комплексному анализу. В силу этого они не определяют их количественного соотношения и не позволяют получить качественную картину состояния клеток. Кроме того, описанные способы не позволяют получить информацию о количестве клеточных элементов в объеме крови.
Анализатор биоматериалов "Мекос-Ц" фирмы "Мекос", г. Москва [Патент №2147123. Способ анализа клеточного состава крови по мазку / С.Ф.Боев, Н.В.Верденская, А.Г. Виноградов [и др.]] реализует способ анализа сухих мазков, также состоящий из стандартного набора действий: сканирование мазка, ввод кадров, построение серии изображений, содержащих клетки исследуемого типа, сегментация и классификация. Способ позволяет определять лейкоцитарную формулу, выделять нормальные и патологические формы эритроцитов, вычислять распределение тромбоцитов по площади, а также осуществлять анализ некоторых других биоматериалов.
С.Ф. Боевым, Н.В. Веденской и др. был создан анализатор клеточного состава периферической крови [Патент №2147123. Способ анализа клеточного состава крови по мазку / С.Ф.Боев, Н.В.Верденская, А.Г. Виноградов [и др.]], который позволяет анализировать клеточный состав крови по мазку. Анализатор позволяет получать больший, по сравнению с ранее известными способами анализа, объем диагностической информации, а именно информации о количественных характеристиках крови (соотношение количества клеток разных типов: эритроцитов, лейкоцитов и тромбоцитов) одновременно с их качественным описанием (лейкоцитарная формула, выделение нормальных и патологических форм эритроцитов, регистрация распределения тромбоцитов по размерам).
В США разработана автоматизированная система изображения клеток – CellaVision DM96. Для каждой найденной клетки делается изображение, анализируемое и предварительно классифицируемое посредством современной обработки образа. Анализируемые лейкоциты предварительно классифицируются на 18 классов клеток, также осуществляется автоматическая характеристика морфологии эритроцитов. Результаты отображаются на мониторе компьютера, все клетки одного класса могут быть отображены единовременно. Все изображения и результаты исследования мазков крови сохраняются в базе данных.
А.Н. Хлопов разработал многоуровневый алгоритм автоматической классификации изображений (снимки мазка периферической крови), основанный на условно-последовательных процедурах классификации. Иерархическая структура алгоритма включает в себя этап выделения объектов (клеток) на изображении, и этап их разделения в области неоднозначных решений предыдущего этапа.
Идея предлагаемого подхода основывается на построении двухуровневого процесса классификации изображения. На первом уровне используется принцип алгоритма автоматической классификации цветных изображений, основанный на построении окрестности вокруг выбранного класса и проверки гипотезы о принадлежности точек из окрестности к данному классу. Второй уровень включает в себя логический контроль на однородность класса и, в случае неоднородности, построение карты минимальных расстояний по точкам класса с последующим перераспределением точек неоднородного класса между дополнительно выявленными классами. Каждое изображение подвергалось предварительной обработке, с целью повышения качества распознавания. Предобработка осуществлялась с помощью медианного фильтра, а также с помощью фильтров семейства «sharp» [Хлопов, А.Н. Машинное зрение в задаче автоматического подсчета клеток крови человека [Электронный ресурс] / А.Н. Хлопов // Электронный научный журнал. Исследовано в России С.1962-1969. .http://zhurnal.ape.relarn.ru/articles/2007/167.pdf].
В работе [Мартынкина, Л.П. Информативность экспресс-латекс-тестов при использовании видеоцифровой регистрации / Л.П. Мартынкина, Т.А. Старовойтова, Н.А. Стериополо [и др.] // Клинико-лабораторный консилиум. Сб - П. 2009. №6. С.56-62] описан аппаратно-программный комплекс «Эксперт-Лаб». После сканирования и передачи изображения в компьютер, специализированная программа анализа изображений («Эксперт-Лаб Агглютинация») обрабатывает сигналы именно от «зон интереса», соответствующих участкам носителя, отвечающим конкретным образцам. Алгоритм автоматической дискриминации (определения наличия или отсутствия агглютинации) разработан с учетом особенностей протекания реакции латексной агглютинации. Дополнительные возможности предоставляет математическая обработка изображения. Путем ряда преобразований получают бинарное изображение, содержащее только отдельные контрастные элементы, локализация которых соответствует зернам на исходном снимке.
Применение комплекса «Эксперт-Лаб» позволило разработать миниатюризированные матричные системы, позволяющие более чем в 10 раз снизить расход латексных реагентов, увеличить производительность аналитического этапа работы с сохранением всех характеристик метода.
Сопоставление данных научно-информационных источников и результатов теоретических и экспериментальных исследований показало, что для повышения конкурентоспособности автоматического анализа микроскопических изображений биообъектов необходима оптимизация функциональных возможностей системы, поэтому разрабатываемое программное обеспечение должно быть ориентировано на определенный сегмент в области анализа биомедицинский изображений.

5. Пути и способы достижения заявленных результатов, ограничения и риски.
Разрабатываемый Вебсервис позволит пользователю Интернета работать с программами гематологического анализа в среде Matlab. В качестве входной информации могут использоваться как фотоизображения мазков периферической крови самого пользователя, так и изображения, хранящиеся в базе данных Вебсервера. В базе данных Вебсервера хранятся также эталонные изображения с известными межклеточными соотношениями, что позволит определить диагностическую эффективность не только программных модулей Вебсервиса, но и программных модулей пользователей Интернета, предназначенных для решения аналогичных задач.
Разработанное программное обеспечение позволяет выполнить все возможные функции, выполняемые современными системами анализа изображений биообъектов и перечисленными выше. Подчеркнем две характерные особенности в развитии современных систем – аналогов. Первая особенность – расширение функциональных возможностей системы ведет к снижению опций автоматического анализа изображений и в пользу интерактивного режима. Это приводит к снижению производительности системы, увеличению нагрузки на оператора и к повышению специфических требований к квалификации оператора. Вторая особенность – реализация ряда функций автоматического анализа изображений на аппаратном уровне. Последняя тенденция позволяет преодолеть негативный фактор первой особенности, связанный со снижением производительности. Однако основная проблема, определяемая противоречием между расширением функциональных возможностей системы и временем окончания анализа, остается не преодоленной. Поэтому в настоящее время большинство потребителей, например, автоматических гематологических анализаторов, предпочитают проточные кондуктометрические анализаторы, несмотря на их весьма сомнительные метрологические характеристики.
Вебсервис для анализа сложноструктурируемых изображений в медицинских приложениях ориентирован на применение в повседневной медицинской практике, что обуславливает его востребованность на рынке медицинских технологий и продукции. Но при, этом его программное обеспечение решает далеко не тривиальные задачи и способно заменить собой работу нескольких медицинских специалистов за счет высокого уровня автоматизации, а также продуманности интерфейса пользователя.
Отличительной особенностью предлагаемого программного обеспечения является режим удаленного анализа сложноструктурируемых изображений посредством применения сети Интернет для передачи данных, который позволит провести высокотехнологичный и качественный анализ в короткое время даже в отдаленных районах Российской Федерации.
Наиболее эффективным методом коммерциализации предлагаемых к разработке технологий и решений является работа в узком сегменте рынка производителей узкоспециализированной техники по модели продажи интеллектуальной собственности и аутсорсинга разработки алгоритмов и аппаратно-программных решений, т.к. очевидно, что конкурировать с крупными компаниями - производителями многофункционального оборудования, не представляется возможным ввиду их большего потенциала по продвижению собственной продукции и большего коллектива разработчиков. При этом стоимость продажи интеллектуальной собственности должна быть невысокой, и основной доход должен быть получен от увеличения пользователей сайта путем доступности цитологического анализа в режиме on - line заказной доработки и встраивания разработанных алгоритмов с учетом специфических требований конкретного заказчика.

Назначение и область применения, эффекты от внедрения результатов проекта:
1. Описание областей применения планируемых результатов (области науки и техники; отрасли промышленности и социальной сферы, в которых могут использоваться или планируемая на их основе инновационная продукция);
В настоящее время среди всех лабораторных исследований биоматериалов наиболее трудоемким и зависимым от квалификации исследователя является морфологический анализ изображений клеток. Визуальный морфологический анализ до сих пор остается «золотым стандартом» в цитологии, несмотря на сложность формализации параметров клеток и их зависимость от качества приготовления препарата, а также противоречивость систем классификации.
Программное обеспечение гематологического анализа имеет открытую архитектуру и позволит пользователям Интернета не только воспользоваться сервисом, но и включать свои программные модули анализа и обработки сложноструктурируемых изображений в каталог Вебсервиса.
Одним из наиболее важных применений результатов разработки Вебсервиса морфологического анализа цитологических препаратов является оценка функционального состояния клеток, позволяющая осуществлять мониторинг эффективности лекарственных назначений, что имеет большое значение в персонализированной медицине. Функциональное состояние клеток определяется характером протекающих в них процессов, что отражается в морфологических параметрах клеточных элементов. Результат оценки функционального состояния используется как в научных исследованиях, так и в медицинской практике, в первую очередь в онкологии, где показатели функционального состояния позволяют решать задачи дифференциальной диагностики (см. Биомедицинская радиоэлектроника. 2007. №10. С.21-27). Результаты морфологического анализа клеток позволяют также контролировать функциональное состояние человека.

2. Описание практического внедрения планируемых результатов или перспектив их использования;
Программное обеспечение для анализа сложноструктурируемых изображений в медицинских приложениях ориентировано на применение в повседневной медицинской практике, что обуславливает его востребованность на рынке медицинских технологий и продукции. Но при, этом оно обеспечивает решение далеко не тривиальных задач и способна заменить собой работу нескольких медицинских специалистов за счет высокого уровня автоматизации, а также продуманности интерфейса пользователя.
Компьютерные анализаторы изображений микрообъектов являются в высшей степени востребованными для анализов патологически измененных клеточных и тканевых структур, особенно для морфометрического анализа этих структур, необходимого для достоверности и надежности диагностики заболеваний, для обучения студентов мединститутов, врачей клинической лабораторной диагностики, для теледиагностики и телеконсультаций. Они могут быть использованы как в повседневной деятельности врача — практика (гематолога, цитолога, гистолога, морфолога, андролога и др.) в клинико-диагностической лаборатории для повышения производительности труда, так и при проведении фундаментальных и прикладных исследований в медико-биологических учреждениях, в судебной медицине и т.д., для совершенствования морфологической микродиагностики.

3. Оценка или прогноз влияния планируемых результатов на развитие научно-технических и технологических направлений; разработка новых технических решений; на изменение структуры производства и потребления товаров и услуг в соответствующих секторах рынка и социальной сфере. Оценка или прогноз влияния планируемых результатов на развитие исследований в рамках международного сотрудничества, развитие системы демонстрации и популяризации науки, обеспечении развития материально-технической и информационной инфраструктуры.
Отличительной особенностью предлагаемой системы является один из режимов ее работы, а именно режим удаленного анализа сложноструктурируемых изображений посредством применения сети Интернет для передачи данных, который позволит провести высокотехнологичный и качественный анализ в короткое время даже в отдаленных районах Российской Федерации
Наиболее эффективным методом коммерциализации предлагаемых к разработке технологий и решений является работа в узком сегменте рынка производителей узкоспециализированной техники по модели продажи интеллектуальной собственности и аутсорсинга разработки алгоритмов и аппаратно-программных решений, т.к. очевидно, что конкурировать с крупными компаниями - производителями многофункционального оборудования не представляется возможным ввиду их большего потенциала по продвижению собственной продукции и большего коллектива разработчиков. При этом стоимость продажи интеллектуальной собственности должна быть невысокой, и основной доход должен быть получен от заказной доработки и встраивания разработанных алгоритмов с учетом специфических требований конкретного заказчика.
Результаты НИР могут быть использованы в медицинском приборостроении:
- приборы и системы гематологического анализа;
- системы гистологического анализа;
- системы офтальмологических исследований;
- системы автоматизированного анализа флюоресцентных ангиограмм;
- системы цифровой рентгенографии.
Кроме медицинского приборостроения результаты НИР могут использоваться в смежных отраслях народного хозяйства, где необходим автоматизированный анализ растровых цветных и полутоновых изображений:
- автоматический поиск изображений в базах данных, когда в качестве ключа поиска выступает изображение интересующего фрагмента или объекта (таким ключом может быть растровое изображение, CAD-модель объекта или даже нарисованный от руки контур объекта);
- автоматический поиск заданного объекта на аэрокосмических фотографиях по эталонному изображению этого объекта, когда в качестве эталонного изображения может быть использовано изображение контура или эскиз контура, нарисованный от руки, при этом распознавание не зависит от изменений ракурса наблюдения, сезонных и суточных изменений и от типа сенсора, использующегося для формирования изображения.



Текущие результаты проекта:
1 Выполнен аналитический обзор современной научно-технической, нормативной, методической литературы, затрагивающей научно-техническую проблему.
2 Проведены патентные исследования по ГОСТ 15.011-96.
3 Исследованы, обоснованы и выбраны методы, средства и направления исследований, а также способы решения поставленных задач.
4 Разработана концептуальная модель базы данных мазков периферической крови, обеспечивающая мониторинг лекарственных воздействий на организм человека по показателям межклеточных соотношений в мазках периферической крови.
5 Обоснована и выбрана программная и аппаратная платформы Вебсервиса.
6 Выполнен анализ сравнительной диагностической эффективности современных автоматических гематологических анализаторов и автоматизированных систем обработки изображений мазков периферической крови для диагностики и профилактики сердечнососудистых, инфекционных и онкологических заболеваний.
7. Выполнен обзор и анализ современных научно-технических решений, основанных на нечеткой логики принятия решений и нейросетевом моделировании, затрагивающих решение научно-технической проблемы сегментации и классификации сложноструктурируемых изображений в медицинских приложениях.
8. Разработаны структурно-функциональные решения, основанные на гибридных методах, предназначенные для сегментации и классификации микроскопических изображений мазков периферической крови.