Научный журнал
Современные наукоемкие технологии
ISSN 1812-7320
"Перечень" ВАК
ИФ РИНЦ = 0,940

РАЗРАБОТКА МЕТОДИКИ СИНТЕЗА ПОСЛЕДОВАТЕЛЬНОСТНОГО АВТОМАТА РАСПОЗНАВАНИЯ ВИДОВ ПАТОЛОГИЙ ОРГАНИЗМА ЖИВОТНОГО ПРИ ГИСТОЛОГИЧЕСКОМ АНАЛИЗЕ

Костарев С.Н. 3, 1 Татарникова Н.А. 3 Новиков А.В. 2 Середа Т.Г. 3
1 ФГКВОУ ВО «Пермский военный институт войск национальной гвардии Российской Федерации»
2 ФКОУ ВО «Пермский институт Федеральной службы исполнения наказаний»
3 ФГБОУ ВО «Пермский государственный аграрно-технологический университет им. академика Д.Н. Прянишникова»
Одним из точных методов диагностики заболевания на тканевом уровне, определения выраженности патологического процесса и постановки правильного диагноза является гистологическое исследование. Гистологическое изучение тканей широко применяется практически во всех медицинских и ветеринарных специальностях и всегда выполняется после любой операции, но в онкологии оно имеет особое значение. Разработка анализаторов распознавания гистологических рисунков в рамках программы импортозамещения является весьма актуальным исследованием. На данный момент экспресс-анализаторы используются преимущественно для жидких биосред. Для диагностики твердых биосред, например в гистологии, автоматизированные экспресс-анализаторы используются редко, что создает большую нагрузку на ветеринарных врачей при постановке диагноза заболевания. В статье рассмотрено применение методики построения автомата распознавателя патологий организма животного при гистологическом анализе с использованием жесткой логики. При морфоструктурных изменениях в тканях вызывает интерес изучение древообразной структуры патологий, что позволяет понять причинно-следственную связь болезни животного. В данном исследовании глубина подпатологий для данного примера использования была взята равной трем и в перспективе может быть увеличена или уменьшена при решении конкретной задачи. Полученная система логических уравнений реализована в блочной диаграмме. Проведено имитационное моделирование по определению индикаторов видов патологий.
гистология
распознавание образов
конечные автоматы
1. Григорьева Ю.В., Суворова Г.Н., Ренц Н.А., Бормотов А.В. Способ анализа структур межклеточного вещества соединительной ткани в гистологических срезах шейки матки у животных // Патент РФ № 2646469 C2 от 05.03.2018. Заявка № 2016133325 от 11.08.2016. Патентообладатель: Григорьева Юлия Владимировна. URL: https://new.fips.ru/registers-doc-view/fips_servlet (дата обращения: 28.09.2022).
2. Томакова Р.А., Филист С.А., Горбатенко С.А., Швецова Н.А. Анализ гистологических изображений посредством морфологических операторов, синтезированных на основе преобразования Фурье и нейросетевого моделирования // Биотехносфера. 2010. № 3 (9). С. 54–60.
3. Трухан С.В., Недзьведь А.М., Колер А. Морфологический и спектральный анализ гистологической ткани с использованием глубоких сверточных сетей // Доклады Белорусского государственного университета информатики и радиоэлектроники. 2019. № 4 (122). С. 25–31.
4. Кочетова О.В., Середа Т.Г. Разработка модели диагностики патологий при анализе гистологического снимка // Пермский аграрный вестник. 2021. № 1 (33). С. 53–63.
5. Федотов Н.Г., Шульга Л.А., Кольчугин А.С., Смолькин О.А., Романов С.В. Формирование признаков распознавания гистологических изображений на основе стохастической геометрии и функционального анализа // Математические методы распознавания образов. 2007. Т. 13. № 1. С. 545–547.
6. Лебедев А.А., Хрящев В.В., Среднякова А.С., Степанова О.А. HISTIMAGE.AI – программа для сегментации и анализа гистологических изображений // Свидетельство о регистрации программы для ЭВМ РФ № 2019611987 от 07.02.2019. Заявка № 2018664890 от 20.12.2018.; URL: https://new.fips.ru/registers-doc-view/fips_servlet (дата обращения: 28.09.2022).
7. Степанова О.А., Среднякова А.С., Болотова А.А., Хрящев В.В. Анализ гистологических изображений в задаче диагностики рака молочной железы // Перспективные технологии в средствах передачи информации – ПТСПИ-2019: материалы XIII международной научно-технической конференции. В 2-х т. 2019. С. 224–228.
8. Sereda T.G., Tatarnikova N.A. Development of an automated system histology security of food production. IOP Conference Series: Earth and Environmental Science. 2019. Vol. 315 (3). P. 032003.
9. Kostarev S.N., Sereda T.G., Tatarnikova N.A., Kochetova O.V. Creation of the automatic machine of the cell pathology recognizer. IOP Conference Series: Earth and Environmental Science. 2020. Vol. 421. P. 042003.
10. Самофалов К.Г., Риманкевич А.М., Валуйский В.Н., Каневский Ю.С., Пиневич М.М. Прикладная теория цифровых автоматов. К.: Вища шк., 1987. 357 с.
11. Постников А.И., Непомнящий О.В., Макуха Л.В. Прикладная теория цифровых автоматов: учебное пособие. Красноярск: Сибирский федеральный университет. 2017. 204 c.
12. Татарникова Н.А., Кочетова О.В. Патоморфогенез гистогематических барьеров в системе «мать – плацента – плод» при хламидиозе животных. Пермь: Пермский институт ФСИН России, 2021. 361 с.

Развитие экспресс-диагностики заболеваний в ветеринарии и медицине является актуальной задачей. В настоящее время гистологическому анализу структурных изменений в тканях животных уделяется большое внимание [1, 2]. Для автоматизированного распознавания патологий заболеваний используются подходы, основанные на морфологическом и спектральном анализе [3], нейронных сетях [4], на основе геометрии и функционального анализа [5–7]. В данной работе предложено использование теории конечных автоматов [8–10] для распознавания индикаторов видов патологий при гистологическом анализе.

Цель исследования – разработка способа распознавания патологических процессов, протекающих в организме животного на клеточном уровне, на основе индикаторов патологий.

Материалы и методы исследования

Теоретические подходы были основаны на применении теорий гистологического анализа и конечных автоматов [11]. В лабораторных исследованиях изучались гистологические образцы, пораженные хламидийной инфекцией: плацента коровы, мягкая мозговая оболочка коры больших полушарий плода и мозжечок теленка, характеризующие фазы развития патологических процессов [12]. Лабораторные исследования по гистологическому анализу осуществляли с использованием системы гистологической проводки, ротационного микротома, светового микроскопа «MicroOptix» и другого оборудования. Симуляция работы логической схемы проведена с использованием программы «Electronics Workbench».

Результаты исследования и их обсуждение

1. Лабораторный эксперимент

Натурные эксперименты проводились на фермах, содержащих крупный рогатый скот, в Пермском крае и Тюменской области. При проведении исследований материал, представляющий научный интерес, был помещен в четырехпроцентный раствор формальдегида, затем осуществлена вырезка тканей с последующей проводкой по спиртам возрастающей крепости. После обезвоживания и заливки в парафиновые блоки были сделаны срезы толщиной 5 мкм. Далее срезы были окрашены гематоксилином и эозином по ван Гизону и по Нисслю). На рис. 1–3 показаны некоторые обнаруженные патологии на примере крупных рогатых животных при инфицировании хламидией [12].

missing image file

Рис. 1. Фаза 1. Процесс воспаления, вызывающий отек оболочек (1) плаценты коровы. Окраска по ван Гизону. х 100

missing image file

Рис. 2. Фаза 2. Процесс экссудации, вызвавший полнокровие вен (1) мягкой мозговой оболочки коры больших полушарий плода и отслоение мягкой мозговой оболочки (разобщение тканей) (2). Окраска гематоксилином и эозином. х 400

missing image file

Рис. 3. Фаза 3. Процесс альтерации, вызывающий некробиоз грушевидных нейроцитов в мозжечке теленка. Окраска по Нисслю. х 100

Рассмотренные фазы отражают последовательную деструкцию ткани животного и позволяют далее перейти к построению автоматизированной системы диагностики патологий.

2. Построение автомата распознавателя

В соответствии с лабораторным экспериментом (рис. 1–3) рассмотрим построение дерева подпатологий. Рассмотрим древовидную структуру патологии клетки, приведенную на рис. 4.

missing image file

Рис. 4. Древовидная структура патологии клетки

Допустим, что верхний уровень при воспалении (П0, П1, П2) описывает соответственно процессы: «Инфекционный специфический», «Инфекционный неспецифический» и «Неинфекционный». Ветка П1 (Инфекционный специфический процесс) в свою очередь порождает подпатологии 2 уровня: (п01, п02, п03, п04), которые в свою очередь порождают подпатологии 3 уровня. Для построения автомата распознавателя индикаторов патологий воспользуемся автоматом Мура:

M = f (И, С, П, λ, δ, С0),

где И = (и1,и2,…, иn ) – множество входных сигналов (индикаторов патологий);

С = (с1, с2,…, сn ) – множество состояний, С0 – начальное состояние;

П = (п1,п2,…, пn ) – множество индикаторов патологий (выходные сигналы);

δ: И × С → С(t + 1); λ: И × С → П – функции переходов. При построении последовательностного автомата для рассмотренной структуры, размер массива И можно рассчитать по двоичной мере Хартли [10], как логарифм по основанию 2: И = Log24 = 2. Массив И = (и1,и2) примем длиной 2 бита. Обобщенная структура автомата-распознавателя показана на рис. 5. Для переключения тактов, описывающих переходы подпатологий, воспользуемся триггером с(t+1).

missing image file

Рис. 5. Обобщенная структура автомата-распознавателя индикаторов патологий

Первую ветвь патологий можно закодировать следующим способом (табл. 1).

Вторую подветвь первой ветки П1 также закодируем аналогично (табл. 2).

Кодировка индикаторов третьего подуровня ветки «Инфекционный специфический / Экссудация» показана в табл. 3.

Остальные ветки дерева патологий (рис. 4) можно закодировать по такой же методике. Рассмотрим задачу распознавания индикаторов при патологии «Инфекционный специфический / Экссудация / Альтерация», что соответствует кодировке ветки – (П0)/ п03/п032, тогда эта ветка будет представлять последовательный набор: 032.

Таблица 1

Кодировка индикаторов первого уровня ветки

Номер

и2и1

Название индикатора процесса

Индикатор

0

0 0

Инфекционный специфический

П0

1

0 1

Инфекционный неспецифический

П1

2

1 0

Неинфекционный

П2

3

1 1

Резерв

 

Таблица 2

Кодировка индикаторов второго подуровня ветки П1

Номер

и2и1

Название индикатора процесса

Индикатор

0

0 0

Необратимая адгезия к эндотелию

п00

1

0 1

Обратимая адгезия

п01

2

1 0

Гипертрофия

п02

3

1 1

Экссудация

n03

Таблица 3

Кодировка индикаторов третьего подуровня ветки «Инфекционный специфический / Экссудация»

Номер

и2и1

Название индикатора

Индикатор

0

0 0

Лимфостаз

п030

1

0 1

Склероз

п031

2

1 0

Альтерация

п032

3

1 1

Десквамация

п033

Для формирования логической функции автомата-распознавателя построена первичная таблица переходов [10]. На первом этапе построения таблицы отмечен правильный (устойчивый) код красным цветом (входящие сигналы упорядочены по коду Грея) (табл. 4). На входы автомата могут также поступать коды, соответствующие другим патологиям, которые также внесены в табл. 4. В данном случае глубина подуровней патологий была взята равной трем, соответственно, на третьем такте формируется диагноз (выход Out1=1). Если диагноз не соответствует искомому, тогда формируется сигнал на выходе «Out2».

missing image file

а)

missing image file

б)

missing image file

в)

Рис. 6. Результаты эксперимента: a) 1 такт, поступил код 00; б) 2 такт, поступил код 11 (3); в) 3 такт, поступил код 10 (2), активировался индикатор патологии п032

Таблица 4

Первичная таблица переходов

Номер

такта

и2 и1

Искомый диагноз, Out1

Out2

00

01

11

10

1

1

2

 

4

0

0

2

 

3

2

 

0

0

3

     

3

1

0

4

1

 

4

 

0

1

5

 

5

   

0

1

Для упрощения устройства автомата, методом слияния строк, была построена минимизированная таблица переходов (табл. 5).

Таблица 5

Минимизированная таблица переходов

сливаемые строки

и2 и1

00

01

11

10

1, 4

1

2

4

4

2, 3, 5

 

5

2

3

Далее построена таблица переходов-выходов на основании автомата Мура (табл. 6). По таблице переходов-выходов можно синтезировать логические уравнения для нахождения индикаторов патологии и построения характеристического уравнения триггера с(t+1). Используя табл. 6 как карту Карно, находим функцию управления триггером. Дозаполнив пустые клетки и найдя минимальную дизъюнктивную нормальную форму, получаем следующее уравнение для триггерного элемента: missing image file

Таблица 6

Таблица переходов-выходов

missing image file

Таблица 7

Логические уравнения для кодирования веток дерева распознавателя патологий*

missing image file

Примечание. Триггер обозначен символом «y».

Проведя аналогичные действия для индикатора патологии «Out1», получаем логическое уравнение в виде missing image file Выход «Out2» опишется уравнением missing image file Логическая блок-схема построена с использованием D-триггера. Результаты эксперимента показаны на рис. 6. При поступлении последовательного кода 032 активируется индикатор «Out1» (рис. 6, в), что соответствует индикатору патологии – п032. Таким образом, показано, что при наличии древовидной причинно-следственной связи подвидов патологий возможно разработать автомат-распознаватель, что может оказать помощь ветеринарному врачу при постановке диагноза заболевания.

Аналогичным образом были получены логические уравнения для некоторых других веток дерева патологий (табл. 7).

Заключение

В статье показан пример использования последовательностного автомата распознавания индикаторов, имеющих вложенную древообразную структуру при гистологическом анализе патологии морфоструктурных изменений в тканях на клеточном уровне. Показана методика построения автомата-распознавателя видов патологий организма животного при гистологическом анализе на жесткой логике, преимуществом которой является быстродействие и надежность. Полученные логические уравнения могут лечь в основу построения гистологического экспресс-анализатора и оказать помощь при постановке диагноза ветеринарному врачу.


Библиографическая ссылка

Костарев С.Н., Татарникова Н.А., Новиков А.В., Середа Т.Г. РАЗРАБОТКА МЕТОДИКИ СИНТЕЗА ПОСЛЕДОВАТЕЛЬНОСТНОГО АВТОМАТА РАСПОЗНАВАНИЯ ВИДОВ ПАТОЛОГИЙ ОРГАНИЗМА ЖИВОТНОГО ПРИ ГИСТОЛОГИЧЕСКОМ АНАЛИЗЕ // Современные наукоемкие технологии. – 2022. – № 10-1. – С. 74-79;
URL: https://top-technologies.ru/ru/article/view?id=39349 (дата обращения: 23.06.2024).

Предлагаем вашему вниманию журналы, издающиеся в издательстве «Академия Естествознания»
(Высокий импакт-фактор РИНЦ, тематика журналов охватывает все научные направления)

«Фундаментальные исследования» список ВАК ИФ РИНЦ = 1,674