x - WikiDyd
Transkrypt
x - WikiDyd
Morfologia matematyczna i sztuczne sieci neuronowe w przetwarzaniu obrazów biomedycznych dla potrzeb rozpoznania i klasyfikacji dr inŜ. Tomasz Markiewicz Plan wystąpienia 1. Podstawowe operacje morfologiczne • • • 2. Zastosowanie sztucznych sieci neuronowych w procesie klasyfikacji Ocena ilościowa obrazów 3. • • • • • • Erozja, Dylatacja, Otwarcie, Zamknięcie Progowanie,Transformacja Top-hats, Rekonstrukcja Metoda działów wodnych Rodzaje barwień i zagadnienia do analizy Ocena obrazu neuroblastoma Zliczanie komórek o dodatnich odczynach cytoplazmatycznych Zliczanie komórek o dodatnich odczynach jądrowych Ocena amplifikacji w barwieniu FISH Podsumowanie i wnioski Reprezentacja dyskretna obrazu Odwzorowanie dyskretne obrazu binarnego Przykłady elementów strukturyzujących SE x Podstawowe operacje morfologiczne Erozja ε SE ( X ) = {x | SE x ⊆ X } Erozja dla obrazów w skali szarości ε SE (x ) | f = min f (x + s ) s∈SE ε SE (x ) | f = min{ f (x + s ) − SEv (s )} v s∈SEv Obraz a) wejściowy, b) obraz po erozji elementem płaskim, c) wynik erozji elementem wypukłym w kształcie dysku o wysokości 40 pikseli Dylatacja δ SE ( X ) = {x | SE x ∩ X ≠ 0} Dylatacja – cd, relacje [δ SE ( f )](x ) = max f (x + s ) s∈SE • Obraz komplementarny C C = f ( x ) = t max − f ( x ) ε SE = Cδ SE C δ SE = Cε SE C δ SE ε SE ≤ f ≤ ε SE δ SE Otwarcie γ SE ( X ) = U{SEx | SEx ⊆ X } x γ SE ( X ) = δ SE (ε SE ( X )) Erozja Dylatacja Przykład otwarcia dyskiem o promieniu 2 • Otwarcie jest operacją idempotentną Zamknięcie φSE ( X ) = U {SEx | SEx ⊆ X C } x φSE ( X ) = ε SE (δ SE ( X )) Dylatacja Erozja C Relacje γ SE = C φ γ ≤ id f ≤ g ⇒ SE C ≤ φ γ φ ( f ) ≤ γ (g ) ( f ) ≤ φ (g ) Annular opening SE Hit-or-miss transform x | (SEFG )x ⊆ X , HMTSE ( X ) = C (SEBG )x ⊆ X BG FG x Thinning and skeleton Progowanie 1 if t1 ≤ f ( x ) ≤ t 2 T[t1 ,t2 ] [ f (x )] = 0 else Wartość progu 200 Metoda Otsu σ B2 = ω 1 (µ1 − µ T )2 + ω 2 (µ 2 − µ T )2 = ω 1ω 2 (µ 2 − µ1 )2 Progowanie - przykład Wynik operacji progowania : a) obraz wejściowy, b) wynik progowania dla wartości progu t=100, c) wynik optymalnego progowania metodą Otsu Filtracja dolnoprzepustowa • Dla redukcji zakłóceń w pojedynczych pikselach bez nadmiernego wpływu na rozmycie krawędzi dobrze nadaje się maska o kształcie funkcji Gaussa i małym rozmiarze np.: 3x3, 4x4 lub 5x5 pikseli 0.0369 0.0392 WG = 0.0400 0.0392 0.0369 0.0392 0.0400 0.0392 0.0369 0.0416 0.0424 0.0416 0.0392 0.0424 0.0433 0.0424 0.0400 0.0416 0.0424 0.0416 0.0392 0.0392 0.0400 0.0392 0.0369 Transformacja Top-hats BTH ( X ) = φSE ( X ) − X Otwarcie Odjęcie obrazów Rekonstrukcja Obraz znacznika Odtworzony obraz Metoda działów wodnych Reprezentacja odległościowa Wynik metody Reprezentacja odległościowa mapa odległościowa obrazu przy zastosowaniu • ciągłej funkcji odległości • Erozji rombem o promieniu 3-ch pikseli Przykład segmentacji dla komórek szpiku Zastosowanie sztucznych sieci neuronowych w procesie klasyfikacji Metoda wektorów podtrzymujących (SVM) Istotą metody SVM do problemu klasyfikacji jest maksymalizacja marginesu separacji pomiędzy dwoma klasami. Sygnał wyjściowy y definiuje przynaleŜności do klas: y = w T Φ(x i ) + b ≥ +1 przynaleŜność do pierwszej klasy y = w T Φ(x i ) + b ≤ −1 przynaleŜność do drugiej klasy. Problem sprowadza się do minimalizacji normy wektora wag w przy ograniczeniach funkcyjnych ( ) d i w Φ(x i ) + b ≥ 1 − ξ i T Ns y (x) = ∑ αi d i K (x i , x) + wo i =1