Заключение

В данной главе рассмотрены основные условия, выполнение и исследование которых необходимо для порождения и извлечения знаний на основе анализа экспериментальных данных в биомедицинских исследованиях с помощью методов математических теорий распознавания образов и анализа изображений.

1) адекватную задачам исследования содержательную и математическую постановку задач анализа данных;

2) анализ соответствия и объема имеющихся данных для решения поставленных задач;

3) выбор методов и алгоритмов решения поставленных задач;

4) характеризацию объектов анализа и построение формализованных моделей данных;

5) интерпретацию полученных результатов и получение математических оценок точности и качества решения.

Приведен пример, демонстрирующий возможности автоматизации анализа микроскопических изображений срезов мозга экспериментальных животных с помощью описанных информационных подходов и математических методов.

Теоретической и методической основой автоматизации обработки, анализа и оценивания экспериментальных данных, получаемых при исследовании мозга, являются математическая теория распознавания образов и математическая теория анализа изображений.

Роль изображения как объекта анализа и оценивания определяется его специфическими и неотъемлемыми информационными свойствами. Изображение представляет собой некоторую совокупность отображаемых исходных данных и средств их представления, результатов процессов формирования представлений изображения и процедур их преобразований, физических и логических аспектов и моделей объектов, событий и процессов, представленных на изображении.

Специфичность и сложность задач анализа и оценивания изображений связана с необходимостью достижения некоторого баланса между такими противоречивыми факторами, как цели и задачи анализа, природа зрительного восприятия, способы и средства получения, формирования и представления изображений, и математическими, вычислительными и технологическими инструментами анализа изображений.

Рис.

Разработка математического аппарата, обеспечивающего теоретическую основу автоматизации обработки, анализа, оценивания и понимания изображений, является одной из фундаментальных задач информатики. Автоматизация обработки и анализа изображений обеспечивает разработчикам автоматизированных систем, предназначенных для работы с изображениями, и конечным пользователям, в т.ч. не являющимся специалистами в области информатики и прикладной математики, возможность в автоматическом или интерактивном режимах:

1) разрабатывать, адаптировать и проверять методы и алгоритмы распознавания, понимания и оценивания изображений;

2) выбирать оптимальные или адекватные методы и алгоритмы распознавания, понимания и оценивания изображений;

3) проверять качество исходных данных и их пригодность для решения задачи распознавания изображений;

4) использовать стандартные алгоритмические схемы распознавания, понимания, оценивания и поиска изображений.

В рамках указанных теорий и прикладных разработок, выполненных на их основе, учёные и специалисты, занятые исследованием мозга, могут найти обширный набор методов и средств, необходимых для перехода к реальной автоматизации научных исследований, извлечения информации и знаний из результатов экспериментальных исследований и, в некоторой степени, для моделирования мозга и его функций. Для прикладного анализа изображений разработаны и готовы к использованию стандартные постановки задач, алгоритмические схемы и алгоритмические библиотеки. Используя эти инструменты, исследователь может синтезировать необходимую алгоритмическую схему обработки и анализа данных из стандартных алгоритмических блоков. Следующим этапом развития является разработка на базе этого инструментария стандартных информационных технологий и алгоритмическо-программных комплексов, специализированных для обработки и анализа данных, получаемых при исследованиях мозга.

Авторы надеются, что изложенный в данной главе материал поможет исследователям, работающим в области наук о жизни, получить представление о широких возможностях использования современных методов математической теории анализа и распознавания изображений и построенных на их основе информационных технологий в автоматизациинаучных исследований, в т.ч.

Возможности современных математических методов существенно опережают степень их реального использования в исследованиях работы мозга человека.

Литература

Верхаген К., Дейн Р., Грун Ф., ЙостенЙ., ВербекП. Распознавание образов.Состояние и перспективы. Пер. с англ. Ред. И.Б. Гуревич. М.: Радио и связь, 1985.

Горелик А.Л., Гуревич И.Б., Скрипкин В.А. Современное состояние проблемы распознавания. Некоторые аспекты. М.: Радио и связь, 1985.

ГуревичИ.Б. Изображений анализ // Большая российская энциклопедия. М.: БРЭ, 2008. Т 11. С. 19-20.

Гуревич И.Б., Журавлев Ю.И. Математические и информационные аспекты исследования мозга // Вестник РАН. 2010. Т. 80. № 5-6. C. 503-513.

Гуревич И.Б., Трусова Ю.О. Тезаурус и онтология предметной области «Анализ изображений» // Материалы Всероссийской конференции с международным участием «Знания - Онтологии - Теории» (ЗОНТ-09), 22-24 октября 2009 г., Новосибирск. Новосибирск: Институт математики им. С.Л. Соболева СО РАН, 2009. Т 1. C. 213-222.

Гуревич И.Б., Журавлев Ю.И., Угрюмов М.В., Мягков А.А., Козина Е.А., Трусова Ю.О., Яшина В.В., Хаиндрава В.Г., Пронина Т.С. Патент № 2476932 на изобретение«Автоматизированная система анализа биомедицинских микроизображений для обнаружения и характеризации информативных объектов заданных классов на неоднородном фоне». Правообладатель: ФГБУН «Вычислительный центр им. А.А. Дородницына Российской академии наук». Зарегистрировано в Государственном реестре изобретений Российской Федерации 27.04.2013 г.

Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики. Вып. 33. М.: Наука, 1978.

Журавлев Ю.И., Гуревич И.Б.

ЖуравлевЮ.И., УгрюмовМ.В., Гуревич И.Б., Мягков А.А., КозинаЕ.А., ТрусоваЮ.О., ЯшинаВ.В., Хаиндрава В.Г., Пронина Т.С. Патент № 118774 на полезную модель «Автоматизированная система анализа биомедицинских микроизображений для обнаружения и характеризации информативных объектов заданного вида на неоднородном фоне». Патентообладатель: ФГБУН «Вычислительный центр им. А.А. Дородницына Российской академии наук». Зарегистрировано в Государственном реестре полезных моделей Российской Федерации 27.07.2012 г.

Козина Е.А., Хаиндрава В.Г., Кудрин В.С., Кучеряну В.Г., Клодт П.Д., Бочаров Е.В., Раевский К.С., Крыжановский Г.Н., Угрюмов М.В. Экспериментальное моделирование функциональной недостаточности нигростриатной дофаминергической системы у мышей, Российский физиологический журнал им. И.М. Сеченова. 2010. Вып. 96. 3. С. 270-282.

Пронина Т.С., Дильмухаметова Л.К., Угрюмов М.В. Модель гиперпролактинемии // Нейродегенеративные заболевания: фундаментальные и прикладные аспекты. М.: Наука, 2010. C. 229-234.

Хакимова Г..Р., Козина Е.А., Сапронова А.Я., Угрюмов М.В. Обратный захват дофамина в черной субстанции истриатуме на досимптомной и ранней симптомнойстадиях паркинсонизма у мышей- Докл. РАН. 2010. То. 435. № 2. С. 1-4.

Хакимова Г.Р., Козина Е.А., Сапронова А.Я., Угрюмов М.В. Выделение дофамина в черной субстанции и стриатуме на досимптомной и ранней симптомной стадиях паркинсонизма у мышей // Нейрохимия. 2011а. Т 28. № 1. С. 42-48.

Хакимова Г.Р., Козина Е.А., Сапронова А.Я., Угрюмов М.В. Синтез дофамина в нигростриатной системе на досимптомной и ранней симптомной стадиях паркинсонизма у мышей // Докл. РАН. 2011б. Т. 440. № 6. С. 847-849.

Alavi A., Cavanagh B., Tuxworth G., Meedeniya A., Mackay-sim V. Automated classification of dopaminergic neurons in the rodent brain // Proceedings of International Joint Conference on Neural Networks, Atlanta, Georgia, USA, June 14-19.

Albin R.L., Young А.В., Penney J£. The functional anatomy of basal ganglia disorders // Trends Neurosci. 1989. Vol. 12. P. 366-75.

BenaliA., Leefken I., Eysel U.T., WeilerE. A computerized image analysis system for quantitative analysis of cells in histological brain sections // J. Neurosci. Methods. 2003. Vol. 125, № 1-2. P. 33-43.

Dias A.V., Picango-Diniz C.W, Lotufo R.A., Gargon S. Morphological segmentation of neurons and axon terminals in rat visual cortex // Perception. 1998. Vol. 27 (ECVP Abstract Supplement).

Dougherty G. Pattern Recognition and Classification: An Introduction. Springer, 2012.

Fok Y.-L., Chan J., Chin R.T. Automated аnalysis of nerve-cell images using active contour models // IEEE Transactions on Medical Imaging. 1996. Vol. 15. № 3. P. 353-368.

GonzalezR.C., WoodsR.E. Digital Image Processing. 2 edition. Pearson Education, Inc., 2002.

Grenander U. General pattern theory. Oxford, 1993.

Gurevich I.B. Descriptive technique for image description, representation and recognition // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications in the USSR. 1991. Vol. 1. P 50-53.

GurevichI.B., Yashina V.V. Descriptive approach to image analysis: image formalization space // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. Pleiades Publishing, Ltd., 2012. Vol. 22. № 4. P 495-518.

Gurevich I., Kozina E., Myagkov A., Niemann H., Ugrumov M., Yashina V. An algorithmic scheme for construction and investigation of parkinson’s disease model // Image Mining Theory and Applications: Proceedings of the 3rd International Workshop on Image Mining Theory and Applications - IMTA 2010 (in conjunction with VISIGRAPP 2010), Angers, France, May 2010. Ed. I. Gurevich, H. Niemann, O. Salvetti. Portugal.: INSTICC Press, 2010a. P 105-114.

GurevichI.B., KozinaE.A.,MyagkovA.A., UgryumovM.V., Yashina V.V. Automating extraction and analysis of dopaminergic axon terminals in images of frontal slices of the striatum // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications.

Gurevich I., MyagkovA., Yashina V A new image-mining technique for automation of parkinson’s disease research // Proceedings of Workshop on Discrete Geometry and Mathematical Morphology (WADGMM), Istanbul, August 22, 2010. Eds. U. Kothe, A. Montanvert, P. Soille. 2010с. P. 91-95.

Gurevich I., Beloozerov V., Myagkov A., Sidorov Yu., Trusova Yu. Systems of neuron image recognition for solving problems of automated diagnoses of neurodegenerative diseases // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. 2011a. Vol. 21. № 3. P. 392-397.

Gurevich I., Myagkov A., Nedzved’A., Yashina V Extraction of neurons from images of mouse brain slices based on automated selection of connected morphological filters // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. Pleiades Publishing, Ltd., 2011b. Vol. 21. № 3. P 473-476.

Gurevich I.B., Myagkov A.A., Sidorov Yu.A., Trusova Yu.O., Yashina V.V. A new method for automated detection and identification of neurons in microscopic images of brain slices// Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. Pleiades Publishing, Ltd., 2012. Vol. 22.№ 4. P 558-569.

Gurevich I., Myagkov A., Sidorov Yu., Trusova Yu., Yashina V. Detection and identification of neurons in images of microscopic brain sections // Proceedings of IMTA 2013 - 4th International Workshop on Image Mining. Theory and Applications, Barcelona, Spain, February 2013. Ed. I. Gurevich, H. Niemann, O. Salvetti. Scitepress, 2013. P 127-136.

Inglis A., Cruz L., Roe D.L., Stanley H.E., Rosene D.L., Urbanc B. Automated identification of neurons and their locations // J. Microscopy. 2008. Vol. 230. № 3. P 339-352.

Jahne B. Digital image processing. 6th revised and extended edition. Springer, 2005.

Kozina E.A., Khakimova G.R., Khaindrava V.G., Krasnov A.N., Georgieva S.G., Kerkerian-leGoffL., Ugru- mov M.V. Tyrosine hydroxylase expression and activity in the nigrostriatal dopaminergic neurons ofMPTP-treated mice at the presymptomatic and symptomatic stages of parkinsonism // J. Neurol. Sci. 2014.

Masseroli M., Bollea A., Forloni G. Quantitative morphology and shape classification of neurons by computerized image analysis // Computer Methods and Programs in Biomedicine. 1993. Vol. 41. № 2. P 89-99.

MeijeringE. Neuron tracing in perspective // Cytometry. P A. 2010. Vol. 77. № 7. P 693-704.

Narro M.L., Yang F., Kraft R., Wenk C., Efrat A., Restifo L.L. Neuron metrics: software for semi-automated processing of cultured-neuron images // Brain Res. 2007. Vol. 1138. P 57-75.

Otsu N.A. Threshold selection method from gray-level histograms // IEEE Transactions on systems, man, and cybernetics. 1975. Vol. 9. № 1. P 62-66.

Peng S., Urbanc B., Cruz L., Hyman B.T., Stanley H.E. Neuron recognition by parallel potts segmentation // Proceedings of the National Academy of Sciences of the United States of America. 2003. Vol. 100. № 7. P 3847-3852.

Petrou M., Petrou C. Image Processing: The Fundamentals. 2nd edition. John Wiley & Sons, Ltd., 2010.

Pratt W.K. Digital Image Processing: PIKS Scientific Inside, 4th ed. Wiley-Interscience, 2007.

RosenfeldA., KakA.C. Digital Picture Processing. New York: Academic Press, Inc., 1982. Vol. 1, 2.

Russ J.C. The Image Processing Handbook, 6th ed. CRC Press, 2011.

Sciarabba M., Serrao G., Bauer D., Arnaboldi F., Borghese N.A. Automatic detection of neurons in large cortical slices // J. Neurosci. Methods. 2009. Vol. 182. P. 123-140.

Soille P. Morphological image analysis: Principles and applications. Berlin: Springer, 2004.

Solomon C., Breckon T. Fundamentals of digital image processing. UK: John Wiley & Sons, Ltd, 2010.

Sonka M., Hlavac V., Boyle R. Image processing, analysis, and machine vision, 4th ed. cengage learning, 2014.

Tanimoto S.L. An interdisciplinary introduction to image processing: pixels, numbers, and programs. The MIT Press, 2012.

UgrumovM.V., Khaindrava V.G., Kozina E.A. et al. Modeling of precliniical and clinical stages of Parkinson’s disease in mice // Neurosci. 2011. Vol. 181. P. 175-188.

Vincent L. Morphological grayscale reconstruction in image analysis: Applications and efficient algorithms // IEEE Transactions on Image Processing. 1993. Vol. 2. P. 176-201.

Vincent L., Soille P. Watersheds in digital spaces: an efficient algorithm based on immersion simulations // IEEE Trans. Pattern Anal. Machine Intell. 1991. Vol. 6. № 12. P. 583-598.

Wang Y.-Y., Sun Y.-N., Chou-Ching K., Ju M.-S. Nerve cell segmentation via multi-scale gradient watershed hierarchies // Conference Proceedings: Annual International Conference of the IEEE Engineering in Medicine and Biology Society. 2006. P. 6698-6701.

Wu Q., Merchant F., Castleman K. Microscope image processing. Elsevier Inc., 2008.