ИСТИНА |
Войти в систему Регистрация |
|
ИСТИНА ИНХС РАН |
||
Гелевые карты являются передовым инструментом для определения антигенов эритроцитов, скрининга и идентификации антител. Технология с использованием гелевых карт объединяет методы агглютинации и гель-фильтрации. Тестирование проводится в специальных пластиковых адаптерах, которые содержат микропробирки с гелем или пустые клетки. Исследованные эритроциты помещают в микропробирки, где происходит реакция агглютинации. Затем проводят центрифугирование для разделения результатов реакции. В то же время неагглютинированные эритроциты свободно проходят между частицами геля и образуют осадок на дне микропробирок, а агглютинированные находятся на поверхности или в толще геля. Расположение агглютинатов в геле определяется силой агглютинации, и положительный результат можно оценить, разделив на 9 классов. В докладе предлагается автоматический метод классификации изображений микротрубок в адаптере. Для этого создается математическая модель, которая содержит классифицированный фрагмент. Далее классификация фрагментов осуществляется с помощью нейронной сети. Тестовый эксперимент показал высокую эффективность предложенного параметра. Для определения пустых ячеек адаптера использовались методы расчета дисперсии по площади, занимаемой картой, и метод построения формы ее изображения. Наилучший результат дал применение морфологического метода. Для локализации карт на изображении использовались методы жесткой привязки координат, метод поиска границ адаптеров и меток, применяемый к адаптеру (путем выбора границ и последующего применения преобразования Хафа), локализация карты в соответствии с положения ее трубок (путем выбора границ и измененного поиска дна трубки и ее стенок). Наилучшие результаты показал метод локализации пробирок, основанный на комбинации методов поиска дна и стенок пробирки. Путем локализации расположения пробирки решаются первые два этапа решения проблемы. На следующем этапе изображение геля в пробирке требуется для решения задачи классификации на восемь классов. Основной проблемой при решении этой проблемы была ограниченная выборка. На момент отладки алгоритма насчитывалось около 340 изображений пробирок, неравномерно распределенных по 9 классам. Большинство изображений принадлежало трем классам, остальные классы содержали 5-11 изображений. Были протестированы методы выделения крови по ее цвету в различных цветовых пространствах (RGB, HSV, CMYK). Наилучший результат получается для цветовой модели CMYK при анализе цветового канала «маджента»). Испытано пороговое значение и гладкая модель разделения крови. Морфологический метод извлечения крови также был опробован, но этот метод, как и использование других цветовых моделей, дал небольшую точность в выборе агрегатов точечных сгустков крови. На основе изолированной крови, гиперпараметры области, занятые кровью, были изолированы, и на основе этих параметров использовались ручные методы пороговой классификации (точность классификации 76%, смежные классы были плохо разделены). Мы использовали методы классификации порогов на основе случайного леса (точность классификации 85% на тестовом образце), генетического алгоритма выбора пороговых значений (83% на тестовом образце), многослойной полностью связанной нейронной сети (с различными функциями активации на внутренние слои: ReLU - 89% и tanh - 94%, сигмовидная - 93% на испытуемом образце). Методы сверточных нейронных сетей на изображении RGB и на полутоновых и двоичных изображениях также были протестированы. Достигнута точность 80% на тестовом образце. Чтобы учесть неравномерное распределение данных по классам, были протестированы методы отсева, нормализации партии и единообразное представление всех классов в партии. Наилучший результат показал последний метод, поскольку повышение общей точности из-за разделения популярных классов нас не устраивает из-за почти полного исключения непопулярных классов.