ПРОГРАММИРОВАНИЕ, 2011, No 5, с. 39-48
КОМПЬЮТЕРНАЯ ГРАФИКА -
УДК 681.3.06
АВТОМАТИЧЕСКАЯ СЕГМЕНТАЦИЯ СРЕЗОВ МОЗГА МЫШИ, ОКРАШЕННЫХ ПО NISSL, ОСНОВАННАЯ НА ОБУЧЕНИИ С УЧИТЕЛЕМ ПО РАЗМЕТКЕ ИЗ АТЛАСА
© 2011 г. О.В. Сенюкова, А.С. Лукин, Д.П. Ветров Московский Государственный Университет им. М.В. Ломоносова Факультет Вычислительной Математики и Кибернетики 119991 Москва, ГСП-1, Ленинские горы, МГУ, д. 1, стр. 52 E-mail: {osenyukova, lukin}@graphics.cs.msu.ru, vetrovd@yandex.ru Поступила в редакцию 25.02.2011 г.
Задача сегментации изображений мозга мыши на анатомические структуры является важным этапом практически любой процедуры анализа этих изображений. В рамках данного исследования предлагается новый подход для автоматической сегментации анатомических структур на изображениях гистологических срезов мозга мыши, окрашенных по технологии NISSL. Алгоритм сегментации основан на методике обучения с учителем по существующей анатомической разметке соответствующих срезов из специального атласа мозга мыши. Срез мозга мыши, на котором необходимо разметить анатомические структуры, предварительно сопоставляется с наиболее похожим срезом из атласа мозга мыши. Затем изображение этого среза подвергается процедуре предварительной обработки для того, чтобы повысить качество изображения и сделать его максимально похожим на изображение среза из атласа. Предлагается эффективный алгоритм выравнивания освещённости, являющийся расширением известного алгоритма Ретинекс. Рандомизированный решающий лес тренируется на векторах признаков пикселей, построенных по изображению среза из атласа, и сопоставленных им меткам классов, соответствующих анатомическим структурам, извлеченных из анатомической разметки из атласа. Натренированный классификатор применяется для классификации пикселей изображения экспериментального среза на анатомические структуры. Предложена новая комбинация признаков - признаки, основанные на суперпикселях, совместно с априорной пространственной информацией. Полученный результат уточняется с помощью марковского случайного поля. Процедуры выравнивания освещенности и последующей сегментации на анатомические структуры были протестированы на реальных экспериментальных срезах.
1. ВВЕДЕНИЕ1
Задача сегментации изображений мозга мыши на анатомические структуры является важным этапом практически любой процедуры анализа этих изображений. Один из способов
1 Работа выполнена в рамках ФЦП „Научные и научно-инновационные кадры новой России" (№П1295 и П1265). Russian Federal Target Program on Scientific Staff, project P1295 and P1265. Авторы выражают благодарность Константину Анохину, Александру Велижеву и Антону Осокину за ценным консультации.
сегментации - ручная разметка экспертом. Но в этом случае процесс оказывается крайне трудоемким, длительным и требует специальных знаний и навыков. Поэтому, задача автоматической анатомической сегментации представляет большой интерес и имеет практическую значимость.
Несомненным преимуществом является то, что существует ряд общедоступных атласов мозга мыши, которые могут оказаться весьма полезными для решения задачи автоматической сегментации. Например,
Алленовский атлас мозга мыши [1] состоит из 132 коронарных срезов, равномерно распределенных с промежутком в 100 микрон и детально аннотированных на анатомические структуры и подструктуры. Изображения были получены с использованием протокола окраски ШЗЭЬ [1], как и в рассматриваемой задаче, а затем обработаны вручную методами коррекции яркости, контрастности и т.п. В атласе представлены как исходные изображения гистологических срезов, так и соответствующие им цветные анатомические разметки.
В настоящей работе рассматриваются реальные экспериментальные срезы, окрашенные по ШВБЬ, предоставленные НИИ Нормальной Физиологии имени П.К. Анохина. Каждый срез рассматривается по отдельности. Предполагая, что для заданного среза, который необходимо разметить, известно, какому срезу из атласа он соответствует, можно взять анатомическую разметку среза из атласа за основу (Рисунок 1).
Если использовать ее напрямую для разметки экспериментального среза, то мы получим очень грубое приближение его анатомических структур, потому как не учитываются индивидуальные особенности конкретного мозга. Несмотря на то, что общие наборы анатомических структур на сопоставляемых срезах совпадают, размеры и форма каждой структуры на экспериментальном срезе и срезе из атласа могут различаться. Поэтому, не стоит использовать анатомическую разметку из атласа в качестве разметки экспериментального среза. Но эта разметка, совместно с исходным изображением среза из атласа, может послужить основой для создания обучающей выборки алгоритмов обучения с учителем для классификации регионов изображения экспериментального среза на анатомические структуры. В рамках данной работы рассматриваются 17 основных анатомических структур, таких как кора головного мозга, гиппокамп, таламус и др. В качестве алгоритма классификации был выбран рандомизированный решающий лес [2], поскольку это достаточно быстрый и точный алгоритм, который позволяет работать с большим количеством признаков. К тому же, алгоритм позволяет легко получить результат
классификации в виде вероятностного выхода -для каждого пикселя рассчитывается вектор вероятностей его принадлежности каждой из анатомических структур.
Так как в конечном счете разметка на анатомические структуры сводится к классификации отдельных пикселей изображения среза, то могут появиться артефакты в виде выбросов вблизи границ анатомических структур. Для минимизации этого эффекта вероятностный выход решающего леса используется для построения марковского случайного поля.
Для нормальной работы алгоритма классификации изображение экспериментального среза должно быть предварительно обработано таким образом, чтобы оно было максимально похоже на соответствующее изображение среза из атласа. Предварительная обработка практически всегда необходима для реальных экспериментальных изображений срезов ввиду различного рода артефактов, возникающих из-за несовершенства аппаратуры и условий получения изображений, - например, неравномерное освещение, плохой контраст. Процедура предварительной обработки, описанная в данной работе, начинается с предложенного алгоритма выравнивания освещенности, который является расширением известного алгоритма Ретинекс - вместо Гауссовского ядра используется нелинейное ядро.
Классификация отдельных пикселей может привести к появлению некоторого шума вблизи границ анатомических структур -выделенные структуры не будут непрерывными. Для решения этой проблемы вероятностные выходы рандомизированного решающего леса встраиваются в марковское случайное поле.
Подобные схемы алгоритмов сегментации, включающие в себя комбинацию какого-либо классификатора с марковским случайным полем, были предложены в некоторых работах, например, [3] и [4]. В [3] описан метод семантической сегментации произвольных изображений. Метод не ориентирован на биологические изображения. В качестве классификатора используется метод опорных векторов. Работа [4] посвящена сегментации
Рис. 1. Экспериментальный срез и соответствующий ему срез из атласа мозга мыши с анатомической
разметкой.
мембран нейронов на изображениях, полученных с помощью просвечивающего электронного микроскопа. Классификация построенных векторов признаков производится с помощью рандомизированного решающего леса, как и в настоящей работе, но используются другие типы признаков.
Статья имеет следующую структуру. Обзор существующих методов автоматической сегментации мозга мыши представлен в части 2. Процедура предварительной обработки изображения экспериментального среза, включающая в себя предложенный алгоритм выравнивания освещенности, описана в части 3. Предложенный автоматический метод сегментации срезов мозга мыши описан в части 4. Часть 5 посвящена описанию деталей реализации и результатов тестирования. Выводы и обсуждение представлены в заключительной 6-ой части.
2. ОБЗОР СУЩЕСТВУЮЩИХ МЕТОДОВ
Существует ряд работ, посвященных автоматической сегментации изображений мозга мыши. Большинство из них ориентированы на обработку объемов мозга, полученных методом магнитно-резонансной микроскопии. Автоматической сегментации срезов мозга мыши, окрашенных по технологии ШВБЬ, посвящено небольшое число работ.
В работе [5] описана схема регистрации изображений срезов мозга мыши, окрашенных
по ШББЬ, с изображениями из Алленовского атласа мозга мыши. Строится нелинейное поле деформаций, которое наилучшим образом переводит набор изображений из атласа в набор изображений экспериментальных срезов и таким образом создает анатомическую разметку последних. Несмотря на то, что в нашей задаче известно соответствие между срезом из атласа и экспериментальным срезом, различия в форме и размерах соответствующих анатомических структур могут оказаться слишком существенными, что затруднит применение семейства методов, основанных на нелинейных деформациях.
Другой метод сегментации гистологических срезов на анатомические структуры представлен в [6]. Сегментация производится последовательно для каждого среза методом минимизации функционала стоимости, который отвечает за соответствие выделенного региона интереса и фона их моделям, основанным на яркости и пространственном расположении, а также соответствию полученных границ градиентам яркости на изображении. Метод предназначен для выделения конкретной заданной анатомической структуры. Взаимное расположение структур не учитывается. Поэтому метод применим только для анатомических структур с четкими видимыми границами.
В [7] производится классификация отдельных вокселей объема мозга мыши, полученного методом магнитно-резонансной микроскопии, на анатомические структуры. В роли признаков
для классификации выступают признаки, основанные на интенсивности магнитного резонанса в данной точке, а также априорная пространственная информация. В качестве классификатора используется байесовский классификатор. Априорная пространственная информация включает в себя информацию о местоположен
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.