Исследование эффективности классификации изображений клеток костного мозга в компьютерных системах диагностики острых лейкозов и минимальной остаточной болезни

Статья посвящена оценке модели классификации изображений клеток костного мозга при диагностике острого лейкоза и минимальной остаточной болезни с применением нейронной сети. В эксперименте использовалась выборка из 13 типов клеток: базофилы, лимфоциты, моноциты, палочкоядерные нейтрофилы, сегментоядерные нейтрофилы, эозинофилы, лимфобласты, миелобласты, пролимфоциты, промиелоциты, нормоциты, метамиелоциты, миелоциты. Изображения клеток костного мозга получены с препаратов Лаборатории иммунологии гемопоэза Национального медицинского исследовательского центра онкологии им. Н.Н. Блохина. Описание клеток выполнялось двадцатью шестью признаками. Представлены модели используемых признаков – средних значений цветовых компонент H, S цветовой модели НSB (H - цветовой тон, S – насыщенность, B – яркость), морфологических характеристик – площади, коэффициента формы, диаметра, отношение максимального расстояния от центра масс до края объекта к минимальному); текстурные характеристики области изображения, ограниченной контуром клетки, для матрицы пространственной смежности - энергия, момент инерции, энтропия, локальная однородность, максимальная вероятность по цветовым компонентам R, G, B и значению яркости. Проведены экспериментальные испытания рассматриваемого классификатора. Экспериментальная выборка содержала 636 клеток тринадцати разных типов. Установлено, что применение модели нейронной сети при выбранной системе признаков обеспечивает 90% точность классификации исследуемых типов клеток. Полученные результаты носят предварительный характер. Для повышения достоверности оценок в дальнейших исследованиях требуется увеличение обучающей выборки с учетом типов клеток и вариабельности изображений клеток.

1. Zheng X, Wang Y, Wang G, Liu J. Fast and robust segmentation of white blood cell images by self-supervised learning. Micron. 2018;107:55-71. Epub. https://doi.org/10.1016/j.micron.2018.01.010

2. Acharya V., Kumar P. Detection of acute lymphoblastic leukemia using image segmentation and data mining algorithms. Medical & Biological Engineering & Computing. 2019;57(8):1783–1811. https://doi.org/10.1007/s11517-019-01984-1

3. Mohapatra, S., Patra, D., Kumar, S. et al. Lymphocyte image segmentation using functional link neural architecture for acute leukemia detection. Biomed. Eng. Lett. 2012;2:100–110. https://doi.org/10.1007/s13534-012-0056-9

4. F. Cao, J. Lu, Jianjun Chu, Zhenghua Zhou, J. Zhao and Guoqiang Chen, "Leukocyte image segmentation using feed forward neural networks with random weights," 2015 11th International Conference on Natural Computation (ICNC), Zhangjiajie, 2015:736-742 https://doi.org/10.1109/ICNC.2015.7378082

5. Bhende P.G. Analysis of Blood Cells using Image Processing. International Journal of Science & Technology. 2012;2(3):59-64.

6. Alférez S. et al. Automatic recognition of atypical lymphoid cells from peripheral blood by digital image analysis. American journal of clinical pathology. 2015;143(2):168-176.

7. Rawat J., Bhadauria H., Singh A., Virmani J. Review of leukocyte classification techniques for mi-croscopic blood images. Computing for Sustainable Global Development (INDIACom), 2015 2nd Interna-tional Conference on IEEE. 2015:1948-1954.

8. Wang Q., Wang J., Zhou M. et al. Spectral-spatial feature-based neural network method for acute lymphoblastic leukemia cell identification via micro-scopic hyperspectral imaging technology. Biomedical Optics Express. 2017;8(6):3017-3028.

9. Rawat J., Singh A., Bhadauria H. et al. Clas-sification of acute lymphoblastic leukaemia using hy-brid hierarchical classifiers. Multimedia Tools and Applications. 2017:1-29.

10. Amin M. M. et al. Recognition of acute lymphoblastic leukemia cells in microscopic images using K-means clustering and support vector machine classifier. Journal of medical signals and sensors. 2015;5(1).

11. Linder J., Zahniser D. J. Digital imaging in hematology. MLO: Medical Laboratory Observer. 2012;44(5)

12. Horn C. L., Mansoor A., Wood B. etal. Performance of the CellaVision® DM96 system for detecting red blood cell morphologic abnormal-ities. Journal of pathology informatics. 2015;6.

13. Su M.-C., Cheng C.-Y., Wang P.-C. A neural-network-based approach to white blood cell classification .The Scientific World Journal. 2014;2014.

14. Tay D., Poh C. L., Kitney R. I. A novel neural-inspired learning algorithm with application to clinical risk prediction. Journal of biomedical informatics. 2015;54:305-314

15. Поляков Е.В. Анализ эффективности методов и моделей обработки изображений препаратов крови и костного мозга для автоматизированной диагностики острых лейкозов. Системный анализ и управление в биомедицинских системах. 2019;18(2):133-144.Поляков Е.В. Анализ эффективности методов и моделей обработки изображений препаратов крови и костного мозга для автоматизированной диагностики острых лейкозов. Системный анализ и управление в биомедицинских системах. 2019;18(2):133-144.

16. Nikitaev, V.G., Pronichev, A.N., Polyakov, E.V. et al. Application of texture analysis methods to computer microscopy in the visible range of electromagnetic radiation. Bull. Lebedev Phys. Inst. 2016;43:306–308. https://doi.org/10.3103/S1068335616100055

17. Nikitaev V.G., Pronichev A.N., Polyakov E.V. et al. Textural characteristics of bone marrow blast nucleus images with different variants of acute lymphoblastic leukemia. Journal of Physics: Conference Series. 2018;(945):012008. https://doi.org/10.1088/1742- 6596/945/1/012008.

18. Nikitaev V.G., Pronichev A.N., Polyakov E.V., Dmitrieva V. Approach to building knowledge bases in information-measuring systems diagnostics of acute leukemias. Journal of Physics: Conference Series. 2018;(945):012007. https://doi.org/10.1088/1742- 6596/945/1/012007

19. Haralick R. M., Shanmugam K., Dinstein I. Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics. 1973; SMC-3: 610-621.