Поражение нейронов вирусом герпеса (стр. 6 из 7)

рис3 Система анализа изображения BIOSCAN AT:

1)Световой микроскоп; 2)телевизионный датчик; 3) персональный компьютер с фреймграбером; 4) дигитайзер; 5) устройство ввода графической информации мышь.

В работе была использована компьютерная система обработки и анализа изображений "Биоскан-АТ", разработанная на базе Минского государственного мединститута. "Биоскан-АТ" представляет собой высокоинтегрированную гибкую аналитическую систему, основной принцип построения которой - получение предельно широких возможностей для обработки и анализа изображений за счет развитого и оптимизированного программного обеспечения при минимальной сложности аппаратной части.

Особенноссистемы "Биоскан-АТ" является одномониторное исполнение. “Биоскан-АТ” представляет собой многооконную интерактивную среду. Он содержит все функциональные возможности современных анализаторов изображений известных западных фирм при существенном снижении стоимости. Многооконная графическая среда дает ряд преимуществ: одновременное отображение нескольких кадров, работа с кадрами большого формата за счет скроллинга (прокрутки) изображения внутри окна , экономия места на экране при использовании накладывающихся окон. Проблема получения изображения непосредственно с телекамеры, что является необходимым для поиска объекта исследования, регулировки освещенности, наведения на резкость решена в системе "Биоскан-АТ" на аппаратном уровне установкой в компьютер специального устройства ввода изображения. Другой важной особенностью проектируемой системы является встроенный интерпретатор языка высокого уровня, позволяющий выполнять программу анализа изображений в автоматическом режиме. Система "Биоскан-АТ" комплектуется дигитайзером - устройством кодирования графической информации повышенной точности, использующимся для управления системой, редактирования изображений и полуавтоматических измерений. Возможна замена дигитайзера манипулятором "мышь", однако это увеличивает погрешность измерений и исключает возможность работы с фотографиями, картами и рисунками. Встроенные в систему функции обработки и анализа изображений реализуют большинство известных в настоящее время подходов к получению, коррекции, преобразованию, измерению, реконструкции и хранению изображений, в том числе методы математической морфологии нового поколения. Система находится в непрерывном развитии и постоянно расширяется новыми функциями и возможностями.

ГЛАВА 3. Экспериментальная часть.

3.1. Морфологическое исследование поражения нейронов вирусом простого герпеса.

В ходе работы проводился анализ поражения коры головного мозга человека (поля 4) на поражение нейронов вирусом герпеса. Для исследования отбирался материал по возрасту 60-70 лет, форма хронического заболевания, использовалась классификация нейронов на поражение первого (ВПГ1) и второго типа (ВПГ2). Посредством анализатора изображений измерялись и подсчитывались характеристики ядер всех пирамидальных нейронов, одновременно проводилась их классификация по виду поражения. Измерялись следующие характеристики: количество клеток на единицу площади, площадь, фактор формы, средняя полутоновая величина и ядерно-цитоплазматическое отношение.

Нейроны головного мозга человека являются сложным объектом для анализа их изображений, это связано с некоторыми проблемами при приготовлении препаратов и подготовке тканей. Поэтому для их выделения и классификации была разработана специальная программа на языке интерпретатора системы анализа изображений Bioscan по следующему алгоритму:

1. Захват изображения;

2. Адаптивная сегментация изображения;

3. Удаление ложных объектов, которые не являются нейронами:

a) уничтожение объектов с площадью меньше или равной 30 пиксел(удаление шумов);

b) уничтожение объектов с фактором формы, близким к 1 (это глиальные клетки);

c) выделение объектов с площадью больше или равной 30 пиксел.

4. Выделение нейронов из полутонового изображения посредством операции конъюнкции.

5. Выделение ядер нейронов посредством пороговой сегментации.

6. Измерение характеристик ядер по типу поражения; параметрами для классификации являются ядерно-цитоплазматическое отношение[], среднее значение полутоновой величины.

В результате измерения были получены базы данных, содержащие описание геометрических характеристик пораженных нейронов по каждому случаю болезни.

3.2. Статистический анализ.

Затем проводился элементарный статистический анализ полученных данных. Каждый человеческий организм имеет множество характеристик, которые отличают его от других. В данном случае это плотность нейронов на единицу площади и размеры площади, которые несут одинаковую функциональную нагрузку. Поэтому, чтобы получить статистическую устойчивость характеристик исследуемого материала, изучался процент среднего количества нейронов данного класса в единице площади. Использование среднего количества в единице площади позволяет избавиться от зависимости от плотности нейронов. Использование процента среднего количества на единицу площади позволяет избавиться от зависимости от размеров площадей коры головного мозга, которые несут одинаковую функциональную нагрузку.

В процессе вычислений были получены значения следующих величин: среднего значения, дисперсии и среднеквадратичной ошибки.

ТАБЛИЦА 1. Зависимостьактивностизаболеванияотколичествапораженныхклеток.

Активность заболевания в месяцах	Здоровые клетки	Клетки с поражением 1-го типа	Клетки с поражением 2-го типа
7-9	Дисперсия	1.17´10-2	1.45 ´10-3	4.56´10-4
Среднее	0.35	0.51	3.49´10-2
9-11	Дисперсия	9.77´10-3	9.51´10-4	3.66´10-4
Среднее	0.41	0.54	2.94´10-2
11-24	Дисперсия	1.1´10-2	3.89´10-4	3.83´10-4
Среднее	0.40	0.54	3.24´10-2
20-42	Дисперсия	1.40´10-2	7.90´10-4	6.27´10-5
Среднее	0.36	0.51	6.73´10-2
36-60	Дисперсия	1.57´10-3	3.87´10-4	3.67´10-5
Среднее	0.45	0.50	6.13´10-2
60-120	Дисперсия	5.94´10-4	3.95´10-4	1.72´10-4
Среднее	0.42	0.51	6.65´10-2

Для того чтобы получить зависимости количественных характеристик клеток с поражением определённого типа от активности заболевания проводился регрессионный анализ.Функция, позволяющая по величине одного признака находить средние(ожидаемые) значения другого признака, связанного с первым корреляционно, называется регрессией. Статистический анализ регрессии называют регрессионным анализом; он позволяет судить о том, на сколько в среднем может измениться варьирующий признак при изменении на единицу измерения другого, связанного с ним признака.

Зависимость между биологическими признаками может быть самой разнообразной. В большем числе случаев эмпирические регрессии выражаются простым уравнением линейной зависимости:

,

где

- ожидаемое значение переменной Y, соответствующее заданному значению переменной Х; a и b - параметры уравнения; а служит свободным членом, а b является показателем пропорциональности, называемым коэффициентом регрессии.

Регрессионный анализ проводится следующим образом. Из нескольких математических моделей выбирается та, которая с большей точностью описывает экспериментальную зависимость (по максимуму коэффициента корреляции, по минимуму стандартной ошибки и т.п.). Для описания экспериментальных зависимостей в работе были использованы следующие модели:

1.линейная модель:

;

2.логистическая:

;

Линейная модель применима для зависимостей, у которых первая производная (скорость изменения Y) постоянна. Логистическая модель используется для описания ограниченных монотонно возрастающих и монотонно убывающих экспериментальных зависимостей в случае двух пределов. В данной модели значение параметра "а" определяет нижний предел, а значение параметра "b" - расстояние между нижним и верхним пределами.

3.2. Построениемоделизаболевания.

В результате анализа полученных данных можно сделать вывод о том, что процесс поражения ВПГ не является линейным , поэтому для его характеристики с помощью линейных уравнений необходимо использовать систему, которая описывает как средние величины исследуемых характеристик, так и величину, характеризующую разброс, т.е. дисперсию.

;

;