Розрізнення типів тканин за допомогою колірної сегментації на основі кластеризації методом K-середніх

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2021.242491

Ключові слова:

аналіз зображень, сегментація зображень тканин, кластеризація K-середніх, колірна сегментація

Анотація

Оперативне виявлення забарвлених тканин дозволяє врятувати мільйони життів. Для визначення форми ракових клітин можуть використовуватися алгоритми класифікації зображень, що має вирішальне значення для визначення ступеня тяжкості захворювання. Завдяки швидкому розвитку цифрових технологій цифрові зображення сьогодні відіграють вирішальну роль в результаті оперативного застосування в області медицини і візуалізації. Найважливішим завданням в цифровій патології є сегментація тканин на повнослайдових фотографіях, оскільки вона необхідна для швидкої і точної комп'ютерної діагностики. При забарвленні тканин еозином і гематоксиліном, точна сегментація тканин особливо важлива для успішної діагностики. Таке забарвлення допомагає патологам розрізняти типи тканин. У роботі пропонується підхід колірної сегментації медичних зображень на основі кластеризації, який дозволяє успішно знаходити основні точки кластерів шляхом проникнення в пари червоний-зелений-синій (ЧЗС) без попередньої інформації. Кількість пар ЧЗС представляє кількість кластерів для підвищення точності поточних алгоритмів шляхом встановлення параметрів автоматичної ініціалізації для звичайних алгоритмів кластеризації K-середніх. На зображенні тканини, забарвленої еозином і гематоксиліном, в цьому дослідженні використовується розроблена методика кластеризації K-середніх (H&E). Сині елементи знаходяться в кластері 3. Присутні елементи як світло-, так і темно-синього кольору. Результати показали, що запропонована методика може відрізняти світло-синій колір від темно-синього, використовуючи шар "L*" в колірному просторі L*a*b* (L*a*b*CS). В ході роботи були успішно розпізнані ядра клітин темно-синього кольору. В результаті даний підхід може допомогти в точній діагностиці стадії інвазії пухлини і призначенні клінічної терапії

Біографії авторів

Zinah R. Hussein, University of Baghdad

Assistant Lecturer of Multimedia Sciences

College of Law

Ans Ibrahim Mahameed, University of Al-Hamdaniya

Assistant Lecturer of Information Technology Sciences

Department of Computer Science

Jawaher Abdulwahab Fadhil, University of Duhok

Assistant Lecturer of Computer Science & Engineering

Department of Computer Science

Посилання

  1. Gorunescu, F. (2011). Introduction to Data Mining. Data Mining, 1–43. doi: https://doi.org/10.1007/978-3-642-19721-5_1
  2. Nain Chi, Y. (2020). Color-Based Forest Cover Type Image Segmentation using K-Means Clustering Approach. Journal of Forests, 7 (1), 18–31. doi: https://doi.org/10.18488/journal.101.2020.71.18.31
  3. Addanki, C. R., A, S., A, V. R. (2020). Study of the Clustering Algorithms for Hyper Spectral Remote Sensing Images. Journal of Hyperspectral Remote Sensing, 10 (2), 117. doi: https://doi.org/10.29150/jhrs.v10.2.p117-121
  4. Fu, K. S., Mui, J. K. (1981). A survey on image segmentation. Pattern Recognition, 13 (1), 3–16. doi: https://doi.org/10.1016/0031-3203(81)90028-5
  5. Rajani, S., Veena, M. N. (2019). Medicinal plants segmentation using thresholding and edge based techniques. International Journal of Innovative Technology and Exploring Engineering, 8 (6S4), 71–76. doi: https://doi.org/10.35940/ijitee.f1014.0486s419
  6. Lv, Z., Wang, L., Guan, Z., Wu, J., Du, X., Zhao, H., Guizani, M. (2019). An Optimizing and Differentially Private Clustering Algorithm for Mixed Data in SDN-Based Smart Grid. IEEE Access, 7, 45773–45782. doi: https://doi.org/10.1109/access.2019.2909048
  7. Tam, K.-M. M. (2015). Principal Stress Line Computation for Discrete Topology Design. Massachusetts Institute of Technology.
  8. Zhang, J., Xu, J., Su, J., Fu, R., Lin, J., Jiang, B. et. al. (2018). P1.11-18 A Classification-Based Machine Learning Method Reveals Exosomal miRNA Biomarkers for Patients with Pulmonary Ground Glass Nodule. Journal of Thoracic Oncology, 13 (10), S572. doi: https://doi.org/10.1016/j.jtho.2018.08.834
  9. Zhang, T. (2018). Optimized Fuzzy Clustering Algorithms for Brain MRI Image Segmentation Based on Local Gaussian Probability and Anisotropic Weight Models. International Journal of Pattern Recognition and Artificial Intelligence, 32 (09), 1857005. doi: https://doi.org/10.1142/s0218001418570057
  10. Hua, L., Xue, J., Zhou, L. (2021). An Automatic MR Brain Image Segmentation Method Using a Multitask Quadratic Regularized Clustering Algorithm. International Journal of Health Systems and Translational Medicine, 1 (2), 44–58. doi: https://doi.org/10.4018/ijhstm.2021070104
  11. Fuente-Tomas, L. de la, Arranz, B., Safont, G., Sierra, P., Sanchez-Autet, M., Garcia-Blanco, A., Garcia-Portilla, M. P. (2019). Classification of patients with bipolar disorder using k-means clustering. PLOS ONE, 14 (1), e0210314. doi: https://doi.org/10.1371/journal.pone.0210314
  12. Aukes, M. F., Laan, W., Termorshuizen, F., Buizer-Voskamp, J. E., Hennekam, E. A. M., Smeets, H. M. et. al. (2012). Familial clustering of schizophrenia, bipolar disorder, and major depressive disorder. Genetics in medicine, 14 (3), 338–341. doi: https://pubmed.ncbi.nlm.nih.gov/22241106/
  13. Saturi, R., Prem Chand, P. (2020). Implementation of Efficient Segmentation Method for Histopathological Images. 2020 International Conference on Inventive Computation Technologies (ICICT). doi: https://doi.org/10.1109/icict48043.2020.9112386
  14. MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. Proceedings of the fifth Berkeley Symposium on Mathematical Statistics and Probability, 5.1.
  15. Hartati, T., Nurdiawan, O., Wiyandi, E. (2021). Analisis Dan Penerapan Algoritma K-Means Dalam Strategi Promosi Kampus Akademi Maritim Suaka Bahari. Jurnal Sains Teknologi Transportasi Maritim, 3 (1), 1–7. doi: https://doi.org/10.51578/j.sitektransmar.v3i1.30
  16. Wu, Y., Liu, G. (2020). Research on construction of vehicle driving cycle based on Markov chain and global K-means clustering algorithm. Vehicle Dynamics, 4 (1). doi: https://doi.org/10.18063/vd.v4i1.1135
  17. Busin, L., Vandenbroucke, N., Macaire, L. (2009). Color Spaces and Image Segmentation. Advances in Imaging and Electron Physics, 65–168. doi: https://doi.org/10.1016/s1076-5670(07)00402-8
  18. Moussa, M. (2021). An iterative algorithm for color space optimization on image segmentation. TELKOMNIKA (Telecommunication Computing Electronics and Control), 19 (1), 199. doi: https://doi.org/10.12928/telkomnika.v19i1.15122
  19. Adegun, A. A., Akande, N. O., Ogundokun, R. O., Asani, E. O. (2018). Image segmentation and classification of large scale satellite imagery for land use: A review of the state of the arts. International Journal of Civil Engineering and Technology, 9 (11), 1534–1541.
  20. Zheng, Y., Jeon, B., Xu, D., Wu, Q. M. J., Zhang, H. (2015). Image segmentation by generalized hierarchical fuzzy C-means algorithm. Journal of Intelligent & Fuzzy Systems, 28 (2), 961–973. doi: https://doi.org/10.3233/ifs-141378
  21. Badawi, A., Bilal, M. (2019). High-Level Synthesis of Online K-Means Clustering Hardware for a Real-Time Image Processing Pipeline. Journal of Imaging, 5 (3), 38. doi: https://doi.org/10.3390/jimaging5030038
  22. Zheng, C., Zhang, Y., Wang, L. (2017). Semantic Segmentation of Remote Sensing Imagery Using an Object-Based Markov Random Field Model With Auxiliary Label Fields. IEEE Transactions on Geoscience and Remote Sensing, 55 (5), 3015–3028. doi: https://doi.org/10.1109/tgrs.2017.2658731
  23. He, L., Wu, Z., Zhang, Y., Hu, Z. (2020). Semantic segmentation of remote sensing imagery using object-based markov random field based on hierarchical segmentation tree with auxiliary labels. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLIII-B3-2020, 75–81. doi: https://doi.org/10.5194/isprs-archives-xliii-b3-2020-75-2020
  24. Fukunaga, K., Hostetler, L. (1975). The estimation of the gradient of a density function, with applications in pattern recognition. IEEE Transactions on Information Theory, 21 (1), 32–40. doi: https://doi.org/10.1109/tit.1975.1055330
  25. Yu, Z., Au, O. C., Zou, R., Yu, W., Tian, J. (2010). An adaptive unsupervised approach toward pixel clustering and color image segmentation. Pattern Recognition, 43 (5), 1889–1906. doi: https://doi.org/10.1016/j.patcog.2009.11.015
  26. Colorni, A., Dorigo, M., Maniezzo, V. (1991). Distributed Optimization by ant colonies. Conference: Proceedings of ECAL91 - European Conference on Artificial Life.
  27. Steinbach, M., Karypis, G., Kumar, V. (2000). A Comparison of Document Clustering Techniques. In KDD Workshop on Text Mining.
  28. Pelleg, D., Moore, A. (2015). X-means: Extending K-means with Efficient Estimation of the Number of Clusters. CEUR Workshop Proc.
  29. Shi, J., Malik, J. (2000). Normalized cuts and image segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(8), 888–905. doi: https://doi.org/10.1109/34.868688
  30. Beck, G., Duong, T., Azzag, H., Lebbah, M. (2016). Distributed mean shift clustering with approximate nearest neighbours. 2016 International Joint Conference on Neural Networks (IJCNN). doi: https://doi.org/10.1109/ijcnn.2016.7727595
  31. Khan, Z., Yang, J., Zheng, Y. (2019). Efficient clustering approach for adaptive unsupervised colour image segmentation. IET Image Processing, 13 (10), 1763–1772. doi: https://doi.org/10.1049/iet-ipr.2018.5976
  32. Cammarota, R., Bertolini, V., Pennesi, G., Bucci, E. O., Gottardi, O., Garlanda, C. et. al. (2010). The tumor microenvironment of colorectal cancer: stromal TLR-4 expression as a potential prognostic marker. Journal of Translational Medicine, 8 (1). doi: https://doi.org/10.1186/1479-5876-8-112
  33. Thanh, D. N. H., Hai, N. H., Hieu, L. M., Tiwari, P., Surya Prasath, V. B. (2021). Skin lesion segmentation method for dermoscopic images with convolutional neural networks and semantic segmentation. Computer Optics, 45 (1), 122–129. doi: https://doi.org/10.18287/2412-6179-co-748
  34. Thanh, D. N. H., Sergey, D., Surya Prasath, V. B., Hai, N. H. (2019). Blood vessels segmentation method for retinal fundus images based on adaptive principal curvature and image derivative operators. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-2/W12, 211–218. doi: https://doi.org/10.5194/isprs-archives-xlii-2-w12-211-2019

##submission.downloads##

Опубліковано

2021-10-31

Як цитувати

Hussein, Z. R., Mahameed, A. I., & Fadhil, J. A. (2021). Розрізнення типів тканин за допомогою колірної сегментації на основі кластеризації методом K-середніх. Eastern-European Journal of Enterprise Technologies, 5(2 (113), 22–28. https://doi.org/10.15587/1729-4061.2021.242491

Номер

Том 5 № 2 (113) (2021): Інформаційні технології. Системи управління в промисловості

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2021 Zinah R. Hussein, Ans Ibrahim Mahameed, Jawaher Abdulwahab Fadhil

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.