Раздел 1 Теоретические основы обработки люминесцентных изображений биологических объектов

Минск – 201 0 г.

 

Оглавление

Реферат. 3

Введение. 3

Раздел 1 Теоретические основы обработки люминесцентных изображений биологических объектов. 4

1.1 Биологические объекты.. 4

1.2 Люминесцентная микроскопия. 4

1.3 Цифровая обработка изображений. 5

1.4 Обзор существующего программного обеспечения. 6

Раздел 2 Разработка алгоритмов анализа изображений и моделирования. 7

2.1 Сегментация изображения. 7

2.2 Экспериментальные изображения клеток раковой опухоли. 9

Раздел 3 Результаты.. 10

3.1 Сегментация экспериментальных изображений. 10

3.2 Программный пакет CellAnalyser. 13

Заключение. 15

Литература. 16

Предметный указатель к реферату. 18

Интернет ресурсы в предметной области исследования. 19

Действующий личный сайт в WWW... 21

Граф научных интересов. 22

Тестовые вопросы по Основам информационных технологий. 23

Презентация магистерской диссертации. 24

Список литературы к выпускной работе. 25

Приложение. 27

 

Реферат

«Информационные технологии для обработки люминесцентных изображений биологических объектов»

 Введение

В основе большинства методов исследований изображений срезов тканей и клеток лежит метод люминесцентной микроскопии [1]. В структуре клетки, цитоплазме или ядре, находится люминесцирующий на определенной длине волны биомаркер – белок связанный с изучаемым биологическим процессом. В данном методе регистрируется интенсивность биомаркера в ядрах и цитоплазмах клеток. Информативность и достоверность биомедицинских изображений определяются качеством подготовки и окрашивания биологических образцов, правильно выбранным набором экспериментальных условий регистрации изображений. Для обработки биомедицинских изображений разработано множество специальных и универсальных алгоритмов, среди которых можно выделить пороговые, градиентные, водораздельные методы и методы, в основе которых лежит вычислительная геометрия. Данные алгоритмы анализа и обработки изображений реализованы в свободно распространяемых пакетах программного обеспечения CellProfiler и ImageJ [2, 3]. В то же время применение разработанных алгоритмов для анализа изображений клеток раковых опухолей ограничено по ряду причин, связанных прежде всего с нестабильностью и неустойчивостью работы методов в условиях большого объема набора данных (более 10 Гб информации), неопределенностью и неоднородностью популяций раковых клеток, высокими статистическими шумами и экспериментальными погрешностями [4].

Целью данной работы является:

· Реализация наиболее эффективных алгоритмов обработки изображений.

· Разработка и программная реализация специализированных алгоритмов сегментации ядер и цитоплазм клеток на основе люминесцентных изображений.

· Анализ экспериментальных данных.

· Разработка программного средства для обработки трёхканальных люминесцентных изображений.

Раздел 1 Теоретические основы обработки люминесцентных изображений биологических объектов

Биологические объекты

Ферментные процессы, протекающие в клетке, координируются системами регуляции, поэтому они строго разграничены в пространстве в специальных структурных элементах клетки и чётко распределены так же во времени [5]. Возможности спектрального анализа связаны, прежде всего, с тем обстоятельством, что многие молекулы, входящие в состав функциональных механизмов клетки, обладают характерными спектрами поглощения. В ряде случаев эти спектральные характеристики подвергаются значительным изменениям, отражая изменения в структуре данной молекулы и её окружения, которые служат физико-химической основой биологической функции [5]. В зависимости от типа люминесценции выделяют флуоресценцию, фосфоресценцию и медленную флуоресценцию.

Протеины, участвующие в ферментных процессах, называются биомаркерами. Если биомаркер не люминесцирует – используют специальные молекулы-красители. В цитоплазмах раковых клеток регистрируются процессы с участием протеина цитокератина (CK), в ядрах раковых клеток содержится протеин рецептор эстрогенов (ER), во всех ядрах, содержится протеин, который маркируется красителем 4, 6-диамидино-2-фенилиндол дигидрохлорид (DAPI).

Люминесцентная микроскопия

Метод оптической микроскопии основан на использовании различий в интенсивности и цвете люминесценции, характеризующей биологические объекты в клетке и тканях в комбинации с анализом морфологических признаков [1]. Люминесцентная микроскопия комбинирует в себе различные методы физики, биологии и химии, поэтому проведение одного эксперимента данным методом является многоступенчатым: приготовление образца [5, 6], настройка параметров конфокального микроскопа [4, 6, 7], получение изображения [4], предварительная обработка изображения [4, 7], обработка изображения [7, 8], вычисление численных характеристик идентифицированных объектов, проверка точности результатов анализа [7, 8], статистический анализ и интерпретация результатов.

Обзор существующего программного обеспечения

В настоящее время для обработки изображений активно используется коммерческое программное обеспечение (ПО) и бесплатное открытое ПО.

К достоинствам коммерческого ПО можно отнести: 1) надежность – алгоритмы разработаны под конкретный вид решаемых задач, 2) высокую точность результатов – достигается вследствие внедрения коммерческих патентов на методы сегментации, 3) простоту в использовании – дружественный интерфейс для работы. Недостатками коммерческого ПО являются высокая стоимость, отсутствие универсальности: в случае изменения технологии, необходимо менять программное обеспечение, отсутствие доступа к коду со стороны пользователя, использование специальных форматов данных [15].

Альтернативой к коммерческому программному обеспечению выступает открытое бесплатное программное обеспечение, в основном предназначенное для академического использования. Для бесплатного ПО характерны: универсальность, общедоступность, возможность модификации кода под специализированную задачу. Большинство бесплатных пакетов не обладает интерфейсом и рассчитано на пользователей имеющих навыки программирования. Наиболее распространенные пакеты бесплатного программного обеспечения представлены в таблице 1 [16].

Таблица 1 – Пакеты бесплатного программного обеспечения

Пакет	Описание	Интернет ресурс
ImageJ	Обработка изображений	http: //rsbweb.nih.gov/ij
OME	Базы данных изображений	www.openmicroscopy.org
Bio-Formats	Библиотека обмена метаданными	www.loci.wisc.edu/omel
CellProfiler	Автоматическое вычисление характеристик клеток	www.cellprofiler.org
VisBio	Многофакторный анализ изображений	www.loci.wisc.edu/visbio
Bisque	База данных для семантического анализа	www.bioimage.ucsb.edu

Раздел 2 Разработка алгоритмов анализа изображений и моделирования

Сегментация изображения

Построение маски опухоли

Так как информация о цитоплазме содержится в зелёной компоненте, то для построения монохромного изображения использовалась только зелёная компонента. Пороговое значение находилось по методу Оцу. Построение маски опухоли строилась на неслаженном изображении. Затем на полученном бинарном изображении заполнялись пустоты меньшие размеров ядер, так как эти пустоты соответствуют областям, не содержащим красителя цитоплазмы, из-за наличия ядра клетки в них.   

Построение маски ядер

Информация об интенсивности красителей ядер содержится в красной и синей компонентах, поэтому для построения полутонового изображения использовалась сумма двух этих компонент. Затем находилось пороговое значение по методу суммирования нормальных распределений. Оценки части изображения занятой ядрами (nuclei_part) строилась как отношение:

nuclei_part=N*π * R_{среднее}²/ image_square,

где N– количество локальных максимумов на изображении,

Rсреднее=0.5*(NucleuMaxDiameter+NucleuMinDiameter), image_square – площадь изображения.

Затем найденный порог применялся к сглаженному изображению. На бинарном изображении слившиеся ядра разделялись водораздельным методом на основе интенсивностей. И с разделённого бинарного изображения удалялись объекты, площадь которых меньше минимальной площади ядер[17].

Построение маски клеток

Информация об интенсивности красителей цитоплазмы содержится в зелёной компоненте, которая использовалась как полутоновое изображение. Пороговое значение находилось по методу суммирования нормальных распределений, где часть изображения занятая цитоплазмой считалась, как 0.8 части изображения занятой ядрами. Найденный порог применялся к сглаженному изображению. Полученное изображение наращивалось по методу распространения, используя маску ядер. На бинарном изображении слившиеся клетки разделялись водораздельным методом на основе интенсивностей. И с разделённого бинарного изображения удалялись объекты, площадь которых меньше минимальной площади клеток.

Раздел 3 Результаты

Заключение

В ходе данной работе разработаны алгоритмы сегментации опухоли, ядер и цитоплазм раковых клеток на основе трёхканальных люминесцентных изображений. Отличительная черта предложенных алгоритмов состоит в том, что для сегментации ядер и цитоплазм клеток производится автоматическое построение оценки занятой площади ядрами (клетками) для метода суммирования нормальных распределений.

Выполнен анализ экспериментальных изображений раковых клеток. Количество пропущенных либо раздробленных ядер и клеток не превышает 5% от общего числа клеток.

Разработанные алгоритмы легли в основу программного обеспечения CellAnalyser. Особенностью разработанного программного обеспечения является возможность интерактивного анализа биологических объектов на пиксельном уровне. CellAnalyser обладает простым и удобным интерфейсом, выходные результаты представляются в виде масок изображений, в электронных таблицах сохраняются дифференциальные и интегральные характеристики биологических объектов.

Полученные в ходе работы результаты докладывались на трех научных конференциях и были включены в сборники трудов:

· Международной научно-практической конференции “Информационные технологии, электронные приборы и системы (ITEDS’2010)”, БГУ, Минск, 6-7 апреля 2010 г.

· Международном форуме студенческой и учащейся молодежи «Первый шаг в науку – 2010», 3 – 6 мая 2010 г., Минск. Работа награждена дипломом III-ей степени.

· 69-ой научно-практической конференции студентов и аспирантов БГУ, 18-20 мая 2010 г., Минск.

· Республиканской молодёжной научно-практической конференции «Научные стремления – 2010», 1 – 3 ноября 2010 г., Минск. Работа награждена дипломом II-ой степени.

Литература

1. Феофанов, А. В. Спектральная лазерная сканирующая конфокальная микроскопия в биологических исследованиях/ А.В. Феофанов// Успехи биологической химии. т. 47. –2007. –С. 371-410.

2. Lamprecht, M. R. CellProfiler: free, versatile software for automated biological image analysis/ M. R. Lamprecht, David M. Sabatini, and Anne E. // Carpenter BioTechniques. – 2007. – Vol. 42. – P.71-75.

3. Abramoff, M.D. Image processing with ImageJ/ M.D. Abramoff, P.J. Magalhaes, and S.J.Ram// Biophotonics International. – 2004. – Vol. 11. – P. 36-42.

4. Ronneberger, O. Spatial quantitative analysis of fluorescently labeled nuclear structures: Problems, methods, pitfalls/ O. Ronneberger [et al.]// Chromosome Research. – 2008. – Vol. 16. – P.523-562

5. Карнаухов, В.Н. Люминесцентный анализ клеток/ В.Н. Карнаухов. – Пущино: «Аналитическая микроскопия», 2002. – 131 с.

6. Штейн, Г. И. Конфокальная микроскопия: мифы и реальность/ Г. И. Штейн// Школа-семинар «Конфокальная микроскопия в биологии и медицине», – Москва 2005.

7. Абламейко, С.В. Обработка изображений: технология, методы, применение/ С.В. Абламейко, Д.М. Лагуновский. – Минск: «Амалфея», 2000. – 304 с.

8. Гонсалес, Р. Обработка изображений в среде MATLAB/ Р. Гонсалес, Р. Вудс, С. Эддинс. – Москва: Техносфера, 2006. – 616 с.

9. Liao, P.S. A Fast Algorithm For Multilevel Thresholding / P.S. Liao [et al.] //Journal of Informational Science and Engineering. – 2001. – Vol. 17, – P. 713-727.

10. Bishop, C. M. Pattern recognition and Machine Learning/ C. M. Bishop, – Springer, 2006. 735 pp.

11. Гилевский, С.В. Теория вероятностей и математическая статистика/ Гилевский С.В., Малофеев В. М. – Минск: БГУ, 2003. – 174 c.

12. Vincent, L. Watersheds in Digital Spaces: An Efficient Algorithm Based on Immersion / L. Vincent and P. Soille. //IEEE Transaction on Pattern Analysis and Machine Intelligence. – 1991. – Vol. 13, – P.583-598.

13. Пpепаpата, Ф. Вычислительная геометрия: Введение/ Ф. Пpепаpата, М.Шеймос. – Москва: Мир, 1989, – 481 с.

14. Jones, T. R. Voronoi-Based Segmentation of Cells on Image Manifolds/ T. R. Jones// CVBIA, 2005. – P.535-543.

15. Carpenter, A. E. CellProfiler: image analysis software for identifying and quantifying cell phenotypes/ A. E. Carpenter [et al.]// Genome Biology. 2006. – Vol. 7. – P.100.1-100.10

16. Swedlow, J. R. Open source bioimage for cell biology/ J. R. Swedlow and Kevin W.Eliceiri//Trend Cell Biology. – 2009. – Vol. 19. – P. 656-660.

17. Лисица, Е.  В.  Сравнительный анализ методов сегментации биомедицинских изображений/ Е.  В.  Лисица// Сборник материалов 67-ой науч. конф. студентов и магистрантов БГУ. Минск. 2010.

Действующий личный сайт в WWW

http: //eugenia-lisitsa.narod.ru

Граф научных интересов

магистранта Лисицы Е.В. факультета радиофизики и электроники

Специальность радиофизика

Смежные специальности 05.13.18 – математическое моделирование, численные методы и комплексы программ, физ.-мат., техн. 1. Эффективные численные методы и алгоритмы, компьютерные средства организации и проведения вычислительного эксперимента по исследованию научных и технических проблем (разработка, обоснование и тестирование). 2. Математические методы и вычислительные алгоритмы адаптации, проверки адекватности математических моделей объектов данным наблюдений, натурного эксперимента. 3. Математические методы и алгоритмы интерпретации натурного эксперимента, прогноза на основе его математической модели.   05.13.11 – математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей 1. Математическое и программное обеспечение систем искусственного интеллекта, мультимедиа, принятия решений, функционального и логического программирования, баз данных, знаний и экспертных систем 2.  Создание системного математического и программного обеспечения, методов построения операционных систем, обеспечивающих эффективное использование ресурсов в ВМКСиС.

Основная специальность     05.00.13 – системный анализ, управление и обработка информации, физ.-мат., техн. 1. Методы и алгоритмы решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации. 2. Специальное математическое и программное обеспечение систем анализа, оптимизации, управления, принятия решений и обработки информации. 3. Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации. 4. Методы получения, анализа и обработки экспертной информации.

Сопутствующие специальности 05.11.07 – оптические и оптико-электронные приборы и комплексы, физ.-мат. 1. Методы, оптические и оптоэлектронные приборы для формирования и обработки оптических изображений. 2. Лазерные и оптические комплексы для медицинских и биологических применений. 3. Оптические и спектроскопические аналитические методы, приборы и комплексы для экспресс-диагностики в медицине, управлении технологическими процессами, для контроля состояния окружающей среды.   03.00.25 – гистология, цитология, клеточная биология 1. Системный анализ взаимоотношений клеток и тканей в организме. 2. Разработка цитологических и гистологических методов исследования и экспериментальных моделей для изучения структурной организации и жизнедеятельности клеток и тканей.

Тестовые вопросы по Основам информационных технологий

< question type=" close" id=" 064" >

< text> 1 Какой из перечисленных ниже атрибутов устанавливает положение таблицы по отношению к полям документа< /text>

< answers type=" request" >

< answer id=" 1" right=" 0" > WIDTH < /answer>

< answer id=" 2" right=" 0" > BORDER < /answer>

< answer id=" 3" right=" 1" > ALIGN < /answer>

< answer id=" 4" right=" 0" > CELLSPACING < /answer>

< /answers>

< /question>

< question type=" close" id=" 564" >

< text> 2 Основные отличия ImageJ от других пакетов бесплатного программного обеспечения< /text>

< answers type=" request" >

< answer id=" 1" right=" 1" > Возможность внедрения пользовательских плагинов < /answer>

< answer id=" 2" right=" 0" > Не требует навыков программирования для разработки плагинов< /answer>

< answer id=" 3" right=" 1" > Возможность написания пользовательских макросов < /answer>

< answer id=" 4" right=" 0" > Открытая лицензия, позволяющая распространять как платно так и бесплатно разработанные плагины. < /answer>

< /answers>

< /question>

Список литературы к выпускной работе

1. Феофанов, А. В. Спектральная лазерная сканирующая конфокальная микроскопия в биологических исследованиях/ А.В. Феофанов// Успехи биологической химии. т. 47. –2007. –С. 371-410.

2. Lamprecht, M. R. CellProfiler: free, versatile software for automated biological image analysis/ M. R. Lamprecht, David M. Sabatini, and Anne E. // Carpenter BioTechniques. – 2007. – Vol. 42. – P.71-75.

3. Abramoff, M.D. Image processing with ImageJ/ M.D. Abramoff, P.J. Magalhaes, and S.J.Ram// Biophotonics International. – 2004. – Vol. 11. – P. 36-42.

4. Ronneberger, O. Spatial quantitative analysis of fluorescently labeled nuclear structures: Problems, methods, pitfalls/ O. Ronneberger [et al.]// Chromosome Research. – 2008. – Vol. 16. – P.523-562

5. Карнаухов, В.Н. Люминесцентный анализ клеток/ В.Н. Карнаухов. – Пущино: «Аналитическая микроскопия», 2002. – 131 с.

6. Штейн, Г. И. Конфокальная микроскопия: мифы и реальность/ Г. И. Штейн// Школа-семинар «Конфокальная микроскопия в биологии и медицине», – Москва 2005.

7. Абламейко, С.В. Обработка изображений: технология, методы, применение/ С.В. Абламейко, Д.М. Лагуновский. – Минск: «Амалфея», 2000. – 304 с.

8. Гонсалес, Р. Обработка изображений в среде MATLAB/ Р. Гонсалес, Р. Вудс, С. Эддинс. – Москва: Техносфера, 2006. – 616 с.

9. Liao, P.S. A Fast Algorithm For Multilevel Thresholding / P.S. Liao [et al.] //Journal of Informational Science and Engineering. – 2001. – Vol. 17, – P. 713-727.

10. Bishop, C. M. Pattern recognition and Machine Learning/ C. M. Bishop, – Springer, 2006. 735 pp.

11. Гилевский, С.В. Теория вероятностей и математическая статистика/ Гилевский С.В., Малофеев В. М. – Минск: БГУ, 2003. – 174 c.

12. Vincent, L. Watersheds in Digital Spaces: An Efficient Algorithm Based on Immersion / L. Vincent and P. Soille. //IEEE Transaction on Pattern Analysis and Machine Intelligence. – 1991. – Vol. 13, – P.583-598.

13. Пpепаpата, Ф. Вычислительная геометрия: Введение/ Ф. Пpепаpата, М.Шеймос. – Москва: Мир, 1989, – 481 с.

14. Jones, T. R. Voronoi-Based Segmentation of Cells on Image Manifolds/ T. R. Jones// CVBIA, 2005. – P.535-543.

15. Carpenter, A. E. CellProfiler: image analysis software for identifying and quantifying cell phenotypes/ A. E. Carpenter [et al.]// Genome Biology. 2006. – Vol. 7. – P.100.1-100.10

16. Swedlow, J. R. Open source bioimage for cell biology/ J. R. Swedlow and Kevin W.Eliceiri//Trend Cell Biology. – 2009. – Vol. 19. – P. 656-660.

17. Лисица, Е.  В.  Сравнительный анализ методов сегментации биомедицинских изображений/ Е.  В.  Лисица// Сборник материалов 67-ой науч. конф. студентов и магистрантов БГУ. Минск. 2010.

Приложение

Презентация магистерской работы

 

Минск – 201 0 г.

 

Оглавление

Реферат. 3

Введение. 3

Раздел 1 Теоретические основы обработки люминесцентных изображений биологических объектов. 4

1.1 Биологические объекты.. 4

1.2 Люминесцентная микроскопия. 4

1.3 Цифровая обработка изображений. 5

1.4 Обзор существующего программного обеспечения. 6

Раздел 2 Разработка алгоритмов анализа изображений и моделирования. 7

2.1 Сегментация изображения. 7

2.2 Экспериментальные изображения клеток раковой опухоли. 9

Раздел 3 Результаты.. 10

3.1 Сегментация экспериментальных изображений. 10

3.2 Программный пакет CellAnalyser. 13

Заключение. 15

Литература. 16

Предметный указатель к реферату. 18

Интернет ресурсы в предметной области исследования. 19

Действующий личный сайт в WWW... 21

Граф научных интересов. 22

Тестовые вопросы по Основам информационных технологий. 23

Презентация магистерской диссертации. 24

Список литературы к выпускной работе. 25

Приложение. 27

 

Реферат

«Информационные технологии для обработки люминесцентных изображений биологических объектов»

 Введение

В основе большинства методов исследований изображений срезов тканей и клеток лежит метод люминесцентной микроскопии [1]. В структуре клетки, цитоплазме или ядре, находится люминесцирующий на определенной длине волны биомаркер – белок связанный с изучаемым биологическим процессом. В данном методе регистрируется интенсивность биомаркера в ядрах и цитоплазмах клеток. Информативность и достоверность биомедицинских изображений определяются качеством подготовки и окрашивания биологических образцов, правильно выбранным набором экспериментальных условий регистрации изображений. Для обработки биомедицинских изображений разработано множество специальных и универсальных алгоритмов, среди которых можно выделить пороговые, градиентные, водораздельные методы и методы, в основе которых лежит вычислительная геометрия. Данные алгоритмы анализа и обработки изображений реализованы в свободно распространяемых пакетах программного обеспечения CellProfiler и ImageJ [2, 3]. В то же время применение разработанных алгоритмов для анализа изображений клеток раковых опухолей ограничено по ряду причин, связанных прежде всего с нестабильностью и неустойчивостью работы методов в условиях большого объема набора данных (более 10 Гб информации), неопределенностью и неоднородностью популяций раковых клеток, высокими статистическими шумами и экспериментальными погрешностями [4].

Целью данной работы является:

· Реализация наиболее эффективных алгоритмов обработки изображений.

· Разработка и программная реализация специализированных алгоритмов сегментации ядер и цитоплазм клеток на основе люминесцентных изображений.

· Анализ экспериментальных данных.

· Разработка программного средства для обработки трёхканальных люминесцентных изображений.

Раздел 1 Теоретические основы обработки люминесцентных изображений биологических объектов

Биологические объекты

Ферментные процессы, протекающие в клетке, координируются системами регуляции, поэтому они строго разграничены в пространстве в специальных структурных элементах клетки и чётко распределены так же во времени [5]. Возможности спектрального анализа связаны, прежде всего, с тем обстоятельством, что многие молекулы, входящие в состав функциональных механизмов клетки, обладают характерными спектрами поглощения. В ряде случаев эти спектральные характеристики подвергаются значительным изменениям, отражая изменения в структуре данной молекулы и её окружения, которые служат физико-химической основой биологической функции [5]. В зависимости от типа люминесценции выделяют флуоресценцию, фосфоресценцию и медленную флуоресценцию.

Протеины, участвующие в ферментных процессах, называются биомаркерами. Если биомаркер не люминесцирует – используют специальные молекулы-красители. В цитоплазмах раковых клеток регистрируются процессы с участием протеина цитокератина (CK), в ядрах раковых клеток содержится протеин рецептор эстрогенов (ER), во всех ядрах, содержится протеин, который маркируется красителем 4, 6-диамидино-2-фенилиндол дигидрохлорид (DAPI).

Люминесцентная микроскопия

Метод оптической микроскопии основан на использовании различий в интенсивности и цвете люминесценции, характеризующей биологические объекты в клетке и тканях в комбинации с анализом морфологических признаков [1]. Люминесцентная микроскопия комбинирует в себе различные методы физики, биологии и химии, поэтому проведение одного эксперимента данным методом является многоступенчатым: приготовление образца [5, 6], настройка параметров конфокального микроскопа [4, 6, 7], получение изображения [4], предварительная обработка изображения [4, 7], обработка изображения [7, 8], вычисление численных характеристик идентифицированных объектов, проверка точности результатов анализа [7, 8], статистический анализ и интерпретация результатов.

1234Следующая ⇒

Поделиться: