پردازش پیشرفته تصاویر برای شناسایی نوع سلول خونی: قطعه بندی، استخراج ویژگی و مدل گراف بر پایه نمونه گیری و تجمیع

در دهه های اخیر پیشرفتهای قابل توجه در حوزه هوش مصنوعی و یادگیری ماشین تحولی چشمگیر در علوم پزشکی و تشخیص بیماریها ایجاد کرده است. یکی از مهمترین کاربردهای این فناوریها پردازش تصاویر میکروسکوپی برای شناسایی سلولهای خونی است که به دلیل تنوع ظاهری و پیچیدگی ساختاری همواره چالشی برای متخصصان بوده است. در این مطالعه یک روش نوین مبتنی بر تکنیکهای پیشرفته پردازش تصویر برای شناسایی و تفکیک گلبولهای سفید و قرمز ارائه شده است. ابتدا تصاویر میکروسکوپی با استفاده از تبدیل قدرت و فیلترهای موجک پیش پردازش شدند سپس تصاویر به فضای رنگی HSV و CMYK تبدیل شده و با استفاده از تفاوت کانالهای K و M فیلتر گوسی و آستانه گذاری اوتسو ماسک باینری هسته های گلبولهای سفید استخراج گردید. نوآوری ما در این مقاله در جداسازی گلبولهای سفید با دقت بالا بود. از اختلاف کانالهای H از Cr در فضاهای رنگی HSV، YCC استفاده شد. در ادامه، ۲۴ ویژگی از گلبولها و هسته آنها استخراج شده و با استفاده از الگوریتمهای جنگل تصادفی، آنتروپی اطلاعاتی و روش بوروتا، بهترین ویژگیها انتخاب شدند. در نهایت یک گراف شباهت کسینوسی ایجاد شده و نتایج با استفاده از شبکه عصبی گراف مبتنی بر نمونه گیری و تجمیع بهینه سازی شدند. نتایج نشان دادند که این روش با دقت ٪۹۳.۵ در شناسایی گلبولهای سفید عملکرد موفقی داشته و میتواند به عنوان ابزاری موثر در تحلیلهای تشخیصی پزشکی مورد استفاده قرار گیرد.

کلیدواژه ها:

پردازش تصویر ، گراف بر پایه نمونه گیری و تجمیع ، آستانه گذاری اوتسو ، فضای رنگی