Реферат 3

Введение 3

Раздел 1 Теоретические основы обработки люминесцентных изображений биологических объектов 4

1.1 Биологические объекты 4

1.2 Люминесцентная микроскопия 4

1.3 Цифровая обработка изображений 5

1.4 Обзор существующего программного обеспечения 6

Раздел 2 Разработка алгоритмов анализа изображений и моделирования 7

2.1 Сегментация изображения 7

2.2 Экспериментальные изображения клеток раковой опухоли 9

Раздел 3 Результаты 10

3.1 Сегментация экспериментальных изображений 10

3.2 Программный пакет CellAnalyser 13

Заключение 15

Литература 16

Предметный указатель к реферату 18

Интернет ресурсы в предметной области исследования 19

Действующий личный сайт в WWW 21

Граф научных интересов 22

Тестовые вопросы по Основам информационных технологий 23

Презентация магистерской диссертации 24

Список литературы к выпускной работе 25

Приложение 27

В основе большинства методов исследований изображений срезов тканей и клеток лежит метод люминесцентной микроскопии [1]. В структуре клетки, цитоплазме или ядре, находится люминесцирующий на определенной длине волны биомаркер – белок связанный с изучаемым биологическим процессом. В данном методе регистрируется интенсивность биомаркера в ядрах и цитоплазмах клеток. Информативность и достоверность биомедицинских изображений определяются качеством подготовки и окрашивания биологических образцов, правильно выбранным набором экспериментальных условий регистрации изображений. Для обработки биомедицинских изображений разработано множество специальных и универсальных алгоритмов, среди которых можно выделить пороговые, градиентные, водораздельные методы и методы, в основе которых лежит вычислительная геометрия. Данные алгоритмы анализа и обработки изображений реализованы в свободно распространяемых пакетах программного обеспечения CellProfiler и ImageJ [2,3]. В то же время применение разработанных алгоритмов для анализа изображений клеток раковых опухолей ограничено по ряду причин, связанных прежде всего с нестабильностью и неустойчивостью работы методов в условиях большого объема набора данных (более 10 Гб информации), неопределенностью и неоднородностью популяций раковых клеток, высокими статистическими шумами и экспериментальными погрешностями [4].

Целью данной работы является:

• Реализация наиболее эффективных алгоритмов обработки изображений.

• Разработка и программная реализация специализированных алгоритмов сегментации ядер и цитоплазм клеток на основе люминесцентных изображений.

• Анализ экспериментальных данных.

• Разработка программного средства для обработки трёхканальных люминесцентных изображений.

1. Феофанов, А. В. Спектральная лазерная сканирующая конфокальная микроскопия в биологических исследованиях/ А.В. Феофанов// Успехи биологической химии. т. 47. –2007. –С. 371-410.

2. Lamprecht, M. R. CellProfiler: free, versatile software for automated biological image analysis/ M. R. Lamprecht, David M. Sabatini, and Anne E. // Carpenter BioTechniques. –2007. – Vol. 42. –P.71-75.

3. Abramoff, M.D. Image processing with ImageJ/ M.D. Abramoff, P.J. Magalhaes, and S.J.Ram// Biophotonics International. –2004. –Vol. 11. – P. 36-42.

4. Ronneberger, O. Spatial quantitative analysis of fluorescently labeled nuclear structures: Problems, methods, pitfalls/ O. Ronneberger [et al.]// Chromosome Research. –2008. – Vol. 16. –P.523-562

5. Карнаухов, В.Н. Люминесцентный анализ клеток/ В.Н. Карнаухов. – Пущино: «Аналитическая микроскопия», 2002. – 131 с.

6. Штейн, Г. И. Конфокальная микроскопия: мифы и реальность/ Г. И. Штейн// Школа-семинар «Конфокальная микроскопия в биологии и медицине», –Москва 2005.

7. Абламейко, С.В. Обработка изображений: технология, методы, применение/ С.В. Абламейко, Д.М. Лагуновский. – Минск: «Амалфея», 2000. – 304 с.

8. Гонсалес, Р. Обработка изображений в среде MATLAB/ Р. Гонсалес, Р. Вудс, С. Эддинс. – Москва: Техносфера, 2006. –616 с.

9. Liao, P.S. A Fast Algorithm For Multilevel Thresholding / P.S. Liao [et al.] //Journal of Informational Science and Engineering. –2001. – Vol. 17, – P. 713-727.

10. Bishop, C. M. Pattern recognition and Machine Learning/ C. M. Bishop, –Springer, 2006. 735 pp.

11. Гилевский, С.В. Теория вероятностей и математическая статистика/ Гилевский С.В., Малофеев В. М. – Минск: БГУ, 2003. –174 c.

12. Vincent, L. Watersheds in Digital Spaces: An Efficient Algorithm Based on Immersion / L. Vincent and P. Soille. //IEEE Transaction on Pattern Analysis and Machine Intelligence. –1991. –Vol. 13, –P.583-598.

13. Пpепаpата, Ф. Вычислительная геометрия: Введение/ Ф. Пpепаpата, М.Шеймос. – Москва: Мир, 1989, –481 с.

14. Jones, T. R. Voronoi-Based Segmentation of Cells on Image Manifolds/ T. R. Jones// CVBIA, 2005.– P.535-543.

15. Carpenter, A. E. CellProfiler: image analysis software for identifying and quantifying cell phenotypes/ A. E. Carpenter [et al.]// Genome Biology. 2006. –Vol. 7. –P.100.1-100.10

16. Swedlow, J. R. Open source bioimage for cell biology/ J. R. Swedlow and Kevin W.Eliceiri// Trend Cell Biology. – 2009.–Vol. 19. –P. 656-660.

17. Лисица, Е. В. Сравнительный анализ методов сегментации биомедицинских изображений/ Е. В. Лисица// Сборник материалов 67-ой науч. конф. студентов и магистрантов БГУ. Минск. 2010.

Примечаний нет.