Analysis of cytology images

Tato diplomová práce je zaměřena na automatizaci procesu diferenciálního rozpočtu leukocytů v periferní krvi založeném na zpracování obrazů. Zabývá se návrhem celého procesu zpracování digitálních snímků – od snímání a předzpracování snímků, segmentace jádra a cytoplazmy, výběrem příznaků a klasifikátoru, včetně jeho testování na sadě obrazů, která byla nasnímána také v rámci této práce. V teoretické části práce jsou popsány dostupné segmentační metody a klasifikační postupy. Tato práce se v praktické části zabývá segmentačními procesy, které mají za úkol separovat jádro a cytoplazmu leukocytů. Na základě těchto vyhrazených struktur je provedena jejich statistická analýza. Podle reprezentativních statistických parametrů je vybrán soubor příznaků. Tato data pak vstupují do klasifikačního procesu, realizovaného třemi umělými neuronovými sítěmi. Celkem bylo hodnoceno 5 tříd leukocytů: neutrofilní granulocyty, lymfocyty, monocyty, eozinofilní a bazofilní granulocyty. Senzitivita a specificita klasifikace u 4 z 5 (neutrofilní granulocyty, lymfocyty, monocyty, eozinofilní granulocyty) buněčných populací je vyšší než 90 %. Senzitivita klasifikace bazofilních granulocytů byla vyhodnocena na 75 % a specificita na 67 %. Celková schopnost klasifikace byla otestovaná na 111 buňkách a vykazovala přibližně 91% úspěšnost. Všechny algoritmy jsou realizovány v prostředí MATLAB.This master’s thesis is focused on automating the process of differential leukocyte count in peripherial blood using image processing. It deals with the design of the processing of digital images - from scanning and image preprocessing, segmentation nucleus and cytoplasm, feature selection and classifier, including testing on a set of images that were scanned in the context of this work. This work introduces used segmentation methods and classification procedures which separate nucleus and the cytoplasm of leukocytes. A statistical analysis is performed on the basis of these structures. Following adequate statistical parameters, a set of features has been chosen. This data then go through a classification process realized by three artificial neural networks. Overall were classified 5 types of leukocytes: neutropfiles, lymphocytes, monocytes, eosinophiles and basophiles. The sensitivity and specificity of the classification made for 4 out of 5 leukocyte types (neutropfiles, lymphocytes, monocytes, eosinophiles) is higher than 90 %. Sensitivity of classiffication basophiles was evaluated at 75 % and specificity at 67 %. The total ability of classification has been tested on 111 leukocytes and was approximately 91% successful. All algorithms were created in the MATLAB program.