Окрашивание контуринг схема: техника окрашивания с 21 фото до и после

Содержание

Контуринг волос. Загадочная техника окрашивания, которую выбирают в Голливуде | Красота и уход

Современная индустрия красоты не стоит на месте и радует женщин все новыми и новыми техниками в выполнении причесок и макияжа. Все они направлены на то, чтобы максимально улучшить внешний вид, визуально придать молодость лицу, скрыть незначительные дефекты, но при этом придать внешности как можно более естественный вид. Очень широкую популярность в последнее время приобрел контуринг волос — специфическая техника окрашивания волос.

Что из себя представляет контуринг волос?

Контуринг — это окрашивание волос, подразумевающая использование оттеночных цветов и позволяющая подкорректировать контуры и черты лица. Кажется, как можно всего лишь окрасив волосы полностью преобразовать лицо? Оказывается, с помощью такой техники опытный мастер может, к примеру, сделать более объемным слишком худое лицо. Для этого, в первую очередь, выделяются те участки лица, которые нуждаются в коррекции. Затем с помощью подбора оттенков они маскируются для того, чтобы скрыть тот или иной участок, берутся более темные оттенки, а для того, чтобы, наоборот, подчеркнуть, используются светлые.

Таким образом, можно худому лицу придать столь необходимые объемы в нужных местах. Кроме этого, правильно подобранные оттенки придадут глазам необычайную выразительность, а коже — естественный тон. Результат может получиться действительно ошеломляющим, особенно учитывая то, что ни к каким кардинальным вмешательствам прибегать не приходится. Конечно, для осуществления качественного контуринга важен именно хороший мастер, профессионал своего дела — можно сказать, художник, умеющий виртуозно играть оттенками, чувствующий их. В домашних условиях вряд ли получится воспроизвести что-либо действительно достойное.

Если заглянуть в историю, то можно сказать, что одним из первых мастеров контуринга стал Бен Най — легендарный визажист кинокомпании 20th Century Fox. Он создавал знакомые всем образы самым знаменитым актрисам. Но если про контуринг в визаже не понаслышке известен многим, то контуринг в окрашивании волос — не каждый способен понять, как можно добиться эффекта с помощью оттенков в прическе. Сейчас многие актрисы в Голливуде предпочитают именно такую технику окрашивания лица. Даже те дамы, которые имеют далеко не классические черты лица, выглядят великолепно благодаря контурингу. Наглядным тому примером может служить Дженнифер Энистон —  она предпочитает именно такое окрашивание и ее парикмахер добивается отличного результата в этом. В случае с Сарой Джессикой Паркер контуринг помогает визуально укоротить ее лицо путем направления света к низу — это отвлекает пристальное внимание от верхней части и делает ее образ мягче.

Не особо вдаваясь в подробности, некоторые могут подумать, что контуринг —  это то же самое, что и полюбившиеся всем техники вроде омбре, шатуш или балаяж. Здесь есть доля правды, ведь все они направлены на коррекцию лица и создания нужного эффекта. Но, помимо прочего, контуринг — это не только окрашивание, но еще и профессиональные стрижка и укладка. Именно благодаря такой совокупности удается достичь уникальнейших результатов и полностью преобразить внешний вид. Конечно, не каждый специалист может правильно подобрать оттенки и, тем более, расположить их по всей длине волос.

Для того чтобы контуринг получился качественным, важно учитывать натуральный цвет и густоту волос, форму лица и даже фигуру девушки.

Достоинства и недостатки контуринга

К несомненным достоинствам контуринга можно отнести:

  • эта техника окрашивания подразумевает отсутствие кардинальных изменений во внешности.
  • методика позволяет скрыть не совсем выигрышные черты лица.
  • происходит подчеркивание тех участков лица, которые являются наиболее привлекательными.
  • образ получается в целом более женственным и мягким.

Недостатки:

  • нет возможности сделать такое окрашивание в домашних условиях.
  • обязателен грамотный мастер по окрашиванию.

Контуринг волос по форме лица

Для того чтобы получить желаемый эффект, самое первое, на что обращает внимание опытный специалист — это тип лица. Иногда женщина одержима идеей получить образ, в точности совпадающий с приглянувшейся фотографией в интернете или журнале. Но все люди разные: то, что идеально подходит одному, может на другом смотреться некрасиво и даже нелепо. Поэтому мастер должен переубедить женщину, объяснив, что эффект может получиться не совсем тот, о котором она так мечтает. Форма лица — это его основа, исходя из которой, подбирается прическа, макияж, головной убор и прочие аксессуары.

Существуют следующие формы лица:

  • Круглая. Такая форма — это мягкие и плавные линии округлой формы. Расстояние от невысокого лба до подбородка почти одинаково с расстоянием между скулами, которые достаточно широки. Наиболее широкая его части — это линия нижнего края глаз. Подбородок непримечателен, почти не заметен и закруглен. При такой форме могут быть нарушены пропорции и тогда все черты лица кажутся крупнее или, наоборот, мельче. Особенно здесь привлекают внимание щеки. Раньше женщины использовали приемы визажа для изменения формы лица, а сейчас это стало возможно еще и с помощью окрашивания. Если, имея такое лицо, окрасить волосы в один цвет, особенно светлый, то есть вероятность, что лицо будет казаться еще круглее. Чтоб этого не произошло, пряди, идущие вниз от ушей и сзади красят в более темные оттенки. Всю остальную массу волос от уха до уха можно окрасить в более светлый цвет. Можно так же высветлить волосы на концах (ели позволяет длина) и надо лбом. Светлый оттенок надо лбом скрадывает выраженные при такой форме лица кости черепа. Такие приемы визуально вытягивает лицо, придает ему недостающей утонченности и придает яркость всему образу. Для круглого лица лучше выбирать длину волос ниже плеч и укладывать их крупными локонами, обрамляющими лицо.
  • Квадратная форма лица — это широкие скулы, тяжелый подбородок и выраженная нижняя челюсть, невысокий лоб. При этом черты лица чаще резкие с большими глазами. Здесь самое важное — смягчение углов и округление линий, особенно в области у подбородка и на висках. С помощью бликующих прядей этого вполне можно достичь. Такие пряди получаются в результате чередования светлых и темных локонов. Важно, чтобы толщина прядей не превышала 1 см. Сверху волосы надо окрашивать на 2-3 тона светлее, чем на висках. Чтобы скрыть широкие скулы и лоб, надо, чтобы длинные локоны свободно ниспадали. Зону у корней волос высветляют, это придает объема прическе. Если волосы достаточной длины, то можно придать светлый оттенок и кончикам.
  • Продолговатая форма лица, как правило, характерна неправильными пропорциями. При работе с такими лицами все приемы должны бить направлены для приближения такой формы к овалу. Для этого нужно визуально уменьшить его длину и прибавить ширины. Объем здесь должен распределяться так: минимум снизу и сверху и максимум по бокам. Но, в общем, не стоит делать слишком пышную укладку. По окрашиванию: затеняется верхняя часть волос, то есть корням и концам задних прядей придается темный оттенок. По всей окружности лица затем берутся отдельные пряди и высветляются примерно на 2 тона. На верхнюю часть головы должны приходиться все основные акценты — это помогает укоротить вытянутую форму. Нередко вытянутые лица кажутся унылыми, исправить это помогут вкрапления светлых прядей в основную массу волос.
  • Сердцевидная форма — это широкий лоб, высоки скулы, которые переходят в узкий подбородок заостренной формы. Как правило, такая форма лица имеет отличительную особенность: линия волос на лбу имеет форму сердца. Самая широкая часть — лоб и линия глаз, нижняя челюсть — самая узкая. При работе с такой формой, самое главное — это так же приблизит ее к овальной.  При подборе прически нужно уменьшать объем верхней части головы и добавлять его в районе подбородка. Короткие прически — достаточно рискованная затея, ведь весь объем может оказаться как раз таки наверху, а нижняя часть лица может и вовсе остаться открытой. Здесь неплохо подходят боб, удлиненный гарсон —  то есть все те, которые не придают объем по бокам лба. Хорошо, если будет челка, особенно длинная и косая. Если у девушки длинные волосы, то их укладывают крупными локонами с основным объемом на светлых кончиках. При окрашивании нижние пряди тонируют светлыми оттенками —  это смягчает линии у подбородка. Самый верх волосяного покрова должен быть на 2-3 тона темнее кончиков. В таких случаях отлично подходит тающее окрашивание.
  • Овальная форма — это идеал. Именно к нему подгоняют все прочие формы лица. Поэтом обладательницам таких лиц очень повезло: они могут позволить себе все что угодно. Самое главное, чтобы ни прическа, ни ее окрашивание не исказило правильную форму. При окрашивании окрашивание прядей может происходить в любой последовательности, в зависимости от желания подчеркнуть ту или иную часть лица, шею. Прекрасно будет смотреться техника стробинг, флеш-эффект — это придаст дополнительную пышность и объем. Особенно хороши при таком окрашивании всякие лесенки и каскады.

Контуринг по цвету волос

  • Для светлых волос. К русым волосам отлично подходит медовый оттенок, а так же медный и холодный коричневый.
  • Для темных волос. Если у девушки смуглая кожа, то допустимы винные и шоколадные оттенки, допустимы так же и теплые. Рекомендуется подбирать цвета, которые на 1-2 тона светлее основной массы.

Виды техник

В контуринге существует несколько популярных техник окрашивания:

  • тающее окрашивание. Эта техника имеет сходство с омбре. Но здесь присутствует плавность в переходах оттенков, без резких переходов (как в омбре).Этого эффекта можно достичь путем постепенного добавления дополнительного цвета в основной. Таким образом, получается как бы перетекание одного цвета в другой. В результате получается мягкий, женственный образ с объемной прической.
  • строббинг — здесь используется три светлых оттенка. Нанесение довольно специфическое: от самого лица наносятся сначала оттенки на широкие локоны (самый светлый оттенок), а затем на узкие (на затылке). Затем посредством специальной кисти на уже окрашенных локонах ставятся правильные акценты — так появляются блики, позволяющие сделать прическу более блестящей. Важно, чтобы контраст был не очень ярким. Это придает прическе визуальный объем и пышность. Некоторые утверждают, что стробинг — это то же мелирование, но это не совсем так. Разница заключается как в подборе оттенков, так и в способе нанесения.
  • андерлайтинг («под освещением») завоевал особенную популярность среди очень молодых девушек. Здесь оттенки идут не по всей длине, а наносятся на концы локонов. Такая разновидность контуринга допускает больше вариатива: оттенки могут быть как естественными, так и очень яркими, почти контрастными. Для того чтобы немного приглушить яркость, иногда краска наносится только на нижние волосы, а верхние при этом как бы слегка прикрывают экстремальную окраску, смягчая ее. Очень эффектно смотрятся такие локоны, собранные в высокую прическу: на обозрение выступают яркие кончики волос.
  • флеш техника — флеш-эффект. Этот способ называют еще «вспышка света» благодаря получаемому эффекту. Именно такой вариант выбирает для себя большинство голливудских звезд. На темных волосах это выглядит, действительно, как будто прошла вспышка фотокамеры по локонам. Так получается шикарный и стильный образ. Делается это с помощью контрастных оттенков, которые расположены не хаотично, а по все длине. Эти вкрапления имеют важное значение — они должны подкорректировать некоторые участки лица и его контура.
  • сочетание цветов — считается классикой этой техники. Такое направление подразумевает смешивание двух оттенков с единственным условием — они должны сочетаться друг с другом. Если же возникнет спор, то может получиться совершенно непредсказуемый эффект. Ведь целью контуринга всегда является смягчение образа, а никак не наоборот. Именно поэтому подбираются два оттенка с максимальной сочетаемостью. Такой вариант должен уравновешивать очертание лица, поэтому его чаще используют на длинных прядях, что выглядит натурально и стильно.

Советы парикмахеров

Для того чтобы получить желаемый результат, важно, чтобы соблюдались особенности контуринга волос:

  • все краски должны обладать хорошим качеством. Это необходимо для сохранения здоровья волос, а так же для сохранения наиболее продолжительного окрашивания — так можно будет сохранить полученный результат гораздо дольше.
  • лучше всего избегать сильных контрастов — они редко кому подходят. Тем более что сейчас в моде естественность.
  • огромную роль играет цветотип женщины и ее природный цвет волос. От этого в огромной степени будет зависеть выбор цветов для контуринга. Здесь важно избежать конфликта цветов, иначе не получится нужного эффекта.
  • если неправильно расставить акценты, то результат может быть плачевным.

По этой причине важно прибегнуть к услугам грамотного специалиста. Подробнее о видах контуринга волос и технике их выполнения смотрите в видео:

Фото до и после контуринга волос

Глядя на фотографии, видно, что с помощью контуринга заметно меняется овал лица, черты становятся более выразительными и, вместе с тем, нежными.

Кажется, что смотришь на лицо идеальной формы, хотя на первых фото заметно, что это далеко не так. Кроме того, правильное окрашивание придает свежесть и какую-то особенную легкость всему образу. При этом волосы выглядят максимально естественно и аккуратно.

Вывод

Контуринг волос —  отличная техника окрашивания волос. Она подходит для любой формы лица, важно лишь правильно выбрать оттенки, расставить акценты и найти настоящего профессионала своего дела.

Читайте больше на faceandcare.ru

гениальный тренд, подходит всем женщинам

Когда-то благодаря Ким Кардашьян женщины всего мира узнали, а далее стали активно применять хитрые приемы контуринга на лице. Сегодня, похожая техника успешно применяется не только визажистами, но и колористами, а тренд называется hair-контуринг.

Суть окрашивания волос в этой технике перекликается со скульптурным макияжем: основа — это создание сложной, а точнее, уникальной игры светлых и темных бликов.

Цель — коррекция недостатков и подчеркивание достоинства овала лица, выразительности глаз.

На первый взгляд все кажется очевидным и простым:

  • 1. Достоинства подчеркиваем светлыми бликами, как бы «подсвечиваем», расставляем акценты.
  • 2. Основной, более темный оттенок, выполняет роль «полотна».

Проще говоря, контуринг волос может помочь вам приблизить лицо к овальной форме, подчеркнуть красоту глаз, даже скорректировать крупный нос. Кроме этих достоинств, окрашивание в этой технике не вредит волосам, можно делать 3-4 раза в год. Это зависит от скорости роста, исходного цвета и состояния волос.

Так, вы должны понимать, что на поврежденной длине даже самый одаренный стилист не сможет выполнить качественный контуринг.

Поэтому не все так просто, есть и еще ряд нюансов. Естественный результат максимально зависит от выбора средств для контуринга волос и профессиональных навыков выбранного вами мастера.

Интересное сравнение, которое помогает сразу уловить разницу – «омбре легко можно сделать дома, а вот контуринг безусловно дело стилиста».

Рекомендуем: три крутых тренда в окрашивании волос: для рыжих, блондинок, брюнеток.

Уверены, вы попробуете сделать уникальное окрашивание, чтобы выглядеть стильно как никогда! Поделитесь информацией с подругами, они будут вам благодарны! По теме: Boost Up, новая технология создания прикорневого объема волос.

( Пока оценок нет )

Контуринг для волос -Статьи

Не  так давно мы писали о типах лица и их особенностях. В продолжении этой темы, поговорим о том как играя оттенками цвета скорректировать и даже полностью изменить свой тип. Данное окрашивание называется контурирование или контуринг. Непрофессиональным взглядом сложно заметить, что была применена такая хитрость, просто возникает ощущение хорошего шатуша, балаяжа или брондирования. Залог качественного контуринга в его ненавязчивости и незаметности. Вся суть контуринга заключается в игре света и теней, которая в умелых руках создает новый образ, позволяет скрыть недостатки, подчеркнуть достоинства и даже подстветить лицо, сделав его более выразительным.

Контуринг в макияже:

Настоящим спасением для миллионов женщин стала техника контуринга в макияже. Визажисты сочетают тональные средства разных оттенков и добиваются коррекции всех особенностей лица. самым популярным оказалось нанесение светлой полосы  на скулы и сразу под ними темной,. это позволяет сделать лицо более рельефным. Контуринг стал революцией бьюти-индустрии, ведь теперь не обязательно бежать к пластическому хирургу за новым носом или рельефными скулами — достаточно сделать правильный макияж! Однако, он не решает эту проблему надолго — мы умываемся, спим, иногда просто не наносим никакой косметики, а хорошо выглядеть хочется всегда. Эту проблему решит правильный контуринг в окрашивании волос и хорошая стрижка.

В этой статье мы и расскажем, как сделать контуринг волос для каждого типа лица.

Контурирование только на первый взгляд кажется легким в исполнении — на самом деле такое окрашивание требует не только высокого профессионализма, но и хорошего чувства цвета.

Другими словами Hair-contouring это метод окрашивания предполагающий ручную роспись бликами и темными тонами в определенных областях волос для изменения типа лица или сокрытия недостатков.

Темные оттенки позволяют сделать лицо короче и уже, а светлые отражают свет и за счет этого вытягивают и удлиняют. Правильное размещение светотеней создает оптическую иллюзию, незаметную обычному взгляду.

Контуринг для различных типов лица.

В предыдущей статье мы рассказывали о типах лица и как их определить у себя, также говорили о том, что овальная форма считается идеалом, эталоном за счет симметрии и баланса. Именно поэтому цель контуринга — расположение светлых и темных оттенков вокруг лица таким образом, чтобы добиться именно овала. Для естественности образа, оттенки должны быть в пределах 2 тонов (выше или ниже) от вашего натурального цвета и гармонировать с вашим натуральным оттенком кожи.

Контуринг для круглого типа

Светлые цвета делают лицо шире и больше, а значит, с помощью контуринга нужно удлинить и сузить лицо. Для круглого типа лица светлые тона наносятся по линии роста волос от уха до уха, что придаст яркости, а для темных волос схема нанесения  — вниз от ушей и сзади для визуального удлинения.

Контуринг волос для квадратного типа лица

Здесь применяются бликующие ряди и темные тона в области подбородка и в височной части для смягчения жестких линий, усиления глубины цвета и удлинения лица.

Контуринг волос для типа лица сердце

Сердцевидная или треугольная форма требует смягчения подбородка и нижней части лица, а значит, нужно использовать темные цвета сверху. неплохим решением будет классическое мелирование или омбре, начинающееся от подбородка.

Контуринг волос для удлиненного лица

темные корни и кончики волос сзади дают эффект затенения верхней части головы. следующим этапом нужно сделать светлее пряди вокруг лица для сбалансированности.

Возможно Вам будут интересны следующие статьи: Стрижки с челкой

30 фото с идеями окрашивания

Шевелюра имеет неприятную привычку выцветать на солнце – это знают все. Нужно иметь по-настоящему творческий подход к жизни, чтобы на базе такого свойства пигментов волос придумать особый вид окрашивания. По сути, растяжка цвета – это контролируемое воссоздание эффекта выгоревших прядей. Только цвета у корней и на кончиках на этот раз выбираем мы, а не солнце.

Чем хороша растяжка цвета, и какие подводные камни ожидают обладательницу трендового окрашивания?

Главный плюс техники с растягиванием цвета от корней к кончикам – ее неприхотливость. Корни отрастают красиво и гармонично. К тому же этот метод колорирования затрагивает только часть волос, обычно не более трети. В общем, лучшего способа внести коррективы в образ без последствий для здоровья прядей и придумать нельзя.

Недостатки – пусть и условные – тоже есть. Во-первых, салонное выполнение этой техники влетит в копеечку. Во-вторых, в большинстве случаев часть волос все-таки придется обесцвечивать, а после этого без специального ухода не обойтись. Однако менять уход приходится и при покраске в один тон.

Официальный эксперт-креатор Garnier в России Евгений Седой считает, что выбор между однотонным окрашиванием и растяжкой цвета зависит исключительно от личных предпочтений. 

Евгений Седой: «Не стоит заявлять, что техники окрашивания с растяжкой тона лучше окрашивания тон в тон. Все они по-своему хороши и уместны для разных образов. Но без перехода цвета волосы не будут выглядеть естественно. Вполне нормально, что они выгорают под влиянием ультрафиолета, воды и даже высоких температур – например, при частой укладке. А задача растягивания цвета – повторить это выгорание, но с поправкой на индивидуальный стиль и с меньшим вредом для волос. С помощью красителей мы не столько имитируем природу, сколько совершенствуем ее. Тренд на натуральность набирает обороты, поэтому в парикмахерском искусстве переход цвета остается самым интересным направлением».

Вариантов колорирования с постепенным или резким растягиванием тона, с одним оттенком или мультиколором – множество. Остановимся на самых популярных. Они практически универсальны и остаются на вершине бьюти-олимпа далеко не первый год.

Все началось с мелирования: строго говоря, многочисленные техники растяжки цвета на волосах – разновидности этого вида окрашивания. Переход здесь направлен в горизонтальной плоскости, причем осветляются только отдельные пряди. Сейчас колористы признают исключительно тонкое мелирование, отправив «арбузное» осветление на дальнюю полку памяти.

Омбре сложно представить без плавной растяжки цвета волос от темного тона на корнях к светлому на кончиках. Но изредка можно встретить резкий переход или обратную технику, когда пряди в прикорневой зоне светлее длины. Такое окрашивание будто специально создано для блондинок, желающих почувствовать себя темноволосыми – самую чуточку.

Основа правильного шатуша – начес. В него уходит значительная часть объема прядей, а оставшиеся, как и контуры начеса, обесцвечиваются. При смывании красителя градиент получается максимально плавным.

Эта техника растяжки цвета предполагает осветление только внешних прядей с акцентом на кончики для эффекта естественного выцветания в стиле «отпуск на морском побережье». Балаяж создает впечатляющий визуальный объем по длине – идеальное решение для тонких и не отличающихся густотой волос.

Хайлайтинг в технике бейбилайтс расставляет цветовые акценты, на первый взгляд, беспорядочно. Но кажущаяся хаотичность не просто рассыпает светлые блики по волосам, но и корректирует овал лица, подсвечивая его именно там, где это нужно. 

Благодаря широчайшему выбору оттенков в палитрах современных красителей переход цвета к лицу абсолютно всем. Но кое-какие условия все-таки придется учесть. 

  • Резкий переход выделит черты лица, а мягкий, напротив, сгладит.
  • Плавная градация цвета при балаяже и шатуше полностью раскрывается на средних и длинных волосах, особенно если они вьются. Впрочем, сделать легкие локоны очень просто – иногда достаточно заплести косу на ночь.
  • На светлых прядях переход цвета создает неповторимую игру тонов. У шатенок и брюнеток растяжка более очевидна, зато именно для них придумана техника брондирования с солидным выбором русых, сливочных, бежевых и рыжеватых тонов.

Гораздо проще представить себя с тем или иным колорированием, если изучить примеры с прическами, похожими на вашу. Между прочим, в зависимости от длины прядей варьируется и эффект от перехода тонов.

Волосы до уровня плеч зачастую не позволяют добиться тончайшего плавного градиента, но правильно подобранный метод растяжки цвета выглядит на них великолепно – ярко и сочно. Именно коротковолосые могут смело решаться на резкие переходы или цветную растяжку, не рискуя выглядеть инфантильно или, напротив, агрессивно.

Когда по полотну волос идет метаморфоза близких по тональности или контрастных цветов, даже обычное каре не покажется скучным. Принцип здесь только один: выбирайте светлые сияющие оттенки для вьющихся волос и слегка пепельные для прямых.

На длинных прядях можно сочетать более одного тона краски для эффекта удлиненного перехода или, как называется эта техника в профессиональных кругах, деграде. От пепельно-русых корней к платиновой длине и белоснежным кончикам, от каштанового оттенка через медный к насыщенно-винному… Варианты окраски с постепенной растяжкой можно перечислять бесконечно!

При выборе метода окрашивания нужно отталкиваться и от формы прически – так считают профессионалы. В чем специфика градиентного перехода на популярных в этом году стрижках?

Дерзкой «рваной» прическе градиент необходим как воздух. На плотных густых волосах отлично выглядит классическое омбре. А вот для тонких волос балаяж – лучший друг, он создаст видимость воздушной копны без сложных укладок и начесов.

Под каре парикмахеры понимают и лонг боб, и боб-каре с асимметрией, и классический прямой. Это ни в коем случае не значит, что для каждой разновидности стрижки нужен уникальный вид цветового градиента. Для прямых гладких форм особенно хороши плавные переходы Airtouch, мелирование вуалью и брондирование, а для кудрей – балаяж, шатуш и бейбилайтс.

Челки включаются в игру с градиентом в обязательном порядке. По общему правилу светлые блики на удлиненных прядях у лица смягчают овал лица. Короткая челка также не будет выглядеть инородным элементом, даже если оставить ее в исходном цвете – но только тогда, когда переход цвета от темных волос начинается на уровне ушей или ниже.

Градуированные пряди обретают объем и легкость абсолютно с любой техникой растяжки. Однако для беспрецедентной глубины цвета лучше сделать ставку на мультиколор в двух-трех близких оттенках.

Законы колористики гласят, что для брюнеток и блондинок подход к градиенту не может быть идентичным. Какие переходы изысканно раскрываются на рыжих или черных волосах, а какие лучше оставить блондинкам – и как найти подходящие оттенки в палитрах Garnier? 

Брюнеткам подойдут карамельные, теплые янтарные, темно-медовые,
русые,
бронзовые и
медные оттенки. Такие цветовые решения облагораживают образ и не требуют частого освежения.

Калифорнийское или венецианское мелирование в несколько тонов подчеркивает богатство базового цвета на волнистых прядях. На темных прямых волосах такое многоцветье не всегда уместно – зачастую достаточно одного цвета.

Наш выбор: Garnier Color Sensation в оттенке 6.0 Роскошный темно-русый.

Окрашивание Airtouch | ВолосоМагия

Содержание:

Что такое Airtouch

Airtouch – дословно с английского означает «прикосновение воздуха».

При этом окрашивании, пряди волос выбираются по определенной схеме (на данный момент их несколько) и в определенном порядке. Но самое интригующее – использование незаурядных инструментов. Каждая прядь волос обдувается феном так, чтобы тонкие и короткие волоски выпали из этой массы, а прокрашиваться будут те, что остались в руках у мастера. Именно благодаря такому кропотливому разделению прядей, волосы в последствии имеют многогранные переходы и переливы. Осветленные таким образом, у них не будет жестких переходов, как это случается при мелировании или омбрэ.

Сколько носится окрашивание в технике Air touch. Как поддерживать окрашивание

Самое большое преимущество для воспользовавшихся таким окрашиванием – долгоиграемость. Носиться оно будет не менее 6 месяцев, а иногда и год. Это зависит от пожеланий клиента и правильности проведенной техники. Тем не менее, тонирование придется повторять ежемесячно, если хотите продлить жизнь холодному оттенку волос. Осветленные пряди будут отрастать постепенно, плавно. Согласно, Вашей генетической расположенности к росту волос.

Кто создатель техники

Кто же создал такую технологию, на обучение которой многие мастера тратят немыслимые суммы? Считается, что это был Владимир Сарбашев. Но есть мнения, что техника уже давно была опробована и принята сначала в Америке, голливудскими стилистами, а уже потом добралась и до наших краев. Получается, что Сарбашев только отточил технологию аир тач до совершенства, разработав схемы и правила. Мнения расхожи, но результат выглядит впечатляюще.
https://www.instagram.com/p/BfdlbSQl7C_/

Нюансы техники и схема разделения

А теперь подробней о нюансах техники и схеме разделения. Как и было сказано выше, каждая прядь разделяется посредством выдува волос феном.

Воздух фена должен быть при этом холодным, чтобы избежать излишней травматичности при нагреве пряди.

Сама прядь приподнимается от поверхности головы на градус прямого угла. Чем тоньше пряди разделения, тем качественней будет осветление. Каждая обрабатываемая красителем прядь, прокладывается фольгой, термобумагой или хлопковым валиком, чтобы избежать пятен.

Кому подойдет такая техника

Еще одно неоспоримое преимущество техники эир тач, перед техниками «свободной руки» –она не зависит от длины волос или степени их расслоенности в стрижке. А значит подойдет обладательницам всех текстур и форм, за исключением совсем коротких стрижек. Для таких случаев нужно воспользоваться другими техниками. Подойдет Балаяж, Контуринг или Nirvana Blond (темные корни, осветленные концы). Главное правильно донести свои пожелания мастеру.

Техниика balayage

Как смотрится Airtouch на различных цветах волос

Окрашивание Airtouch для темных волос

Окрашивание Airtouch блондинок

Окрашивание Airtouch для рыжих волос

Вред

Существует ли вред для волос при данной технике? Знакомьтесь с самыми популярными видами окрашвиания в 2020 году на этой странице. Было бы крайне глупо утверждать, что нет. Как и любое осветление Airtouch вредит волосам, особенно если они находятся в руках неопытного мастера.

Читайте также:

Но это не значит, что эту проблему невозможно решить. К счастью мы живем в то время, когда разработаны новейшие системы защиты для волос. И это не только знаменитейший Olaplex, но и так же Wellaplex от Wella Proffessional, Bond Ultim8 от Marix, Niophlex и пр.

Можно ли воспользоваться техникой Airtouch дома

Повторить окрашивание в технике Air touch в домашних условиях невозможно. Процесс слишком затратный и долгий. Опытный мастер в салонных условиях, даже при наличии ассистента, будет выполнять работу от 4 до 9 часов. При этом, у него под рукой будут необходимые инструменты и широкий выбор красителей. А это еще один весомый аргумент в тему эксклюзивности техники и оправдание высокой цены.

Контуринг волос : что этого такое?

Вчера я выложила на Ютюб канал видеоролик под названием «Окрашивание контуринг волос».

 

 

Некоторые комментарии под этим видео меня, честно говоря, привели в недоумение.

Сейчас объясню почему.

Чтобы раскрыть тему более точно и подробно, я расскажу вам про понятие контуринг и откуда оно пришло в парикмахерское искусство.

Понятие «контуринг» изначально зародилось в макияже, и соответственно применялось именно там.

Контуринг — это коррекция овала и черт лица с помощью игры света, тени и подсвечивающих продуктов.

Парикмахеры перенесли данный принцип в окрашивание волос.

Это позволяет также корректировать черты и овал лица, но уже не с помощью декоративной косметики, а с помощью определенного окрашивания.

В чем же заключается особенность контуринга волос?

На самом деле принцип точно такой же — игра света, тени и подсветка.
Осуществляется данный принцип за счет осветления или рассветления некоторых прядей.
Уровень глубины тона клиента не имеет значения.
Контуринг можно выполнить как для любительниц блонда, так и для предпочитающих темные оттенки.

Что необходимо учитывать при создании данного окрашивания?

Черты лица, овал лица, цветотип клиента, стрижку, структуру волос, расположение пробора, как клиент носит волосы (распущенные или собранные).

Почему так важны черты и овал лица?

Вспоминаем понятие «контуринг», пришедшее к нам из макияжа.
Ни для кого не секрет, что каждая форма лица требует абсолютно разного расположение света, тени и подсветки.

 

 

Тем же принципом должны руководствоваться парикмахеры при контурирования лица с помощью окрашивания.
То есть при контурировании с помощью окрашивания необходим строго индивидуальный подход, который будет учитывать все выше перечисленные факторы!

А это означает лишь одно- общей схемы в таком понятии, как контуринг волос нет и не может быть!

Так к чему я написала : «Некоторые комментарии под этим видео меня, честно говоря, привели в недоумение. »

Несколько человек написали, что итог моей работы не является контурингом потому, что мастера X,Y,Z сделали подобное окрашивание на своих моделях совсем по-другому.

Из всего выше изложенного вытекает лишь один вывод: контурирование волос должно осуществляться в строго индивидуальном порядке!

Мастер должен, как скульптор ваять окрашивание, которое подойдет и скорректирует черты лица каждого конкретного клиента.

В данном случае бездумное и бездушное копирование действий другого мастера невозможно!

Такой подход приведет к тому, что цель работы не будет достигнута.

Основные современные техники окрашивания/мелирования — презентация онлайн

ОСНОВНЫЕ СОВРЕМЕННЫЕ
ТЕХНИКИ
ОКРАШИВАНИЯ/МЕЛИРОВАНИЯ
МЕЛИРОВАТЬ (mêler). Cмешивать. Осветлять волосы или отдельные пряди.
Мелирование — способ окрашивания волос, а точнее, осветление отдельными
прядями.
При этом окрашиванию подвергаются не все волосы, а только часть. Волосы
выбираются разными прядями или штопкой, и при нанесении состава
изолируются фольгой или термобумагой для окрашивания, каждая прядь
отдельно. Раскладки, т.е. порядок проборов прядей, разнообразны и зависят от
фантазии мастера или от желаемого эффекта. При мелировании используются
блондирующие препараты, которые могут иметь разные оттенки, а также могут
использоваться краски светлых тонов или в паре, создавая контраст с
неокрашенными волосами.
Растяжка цвета – это горизонтальный или вертикальный переход цвета от
темного к светлому. Переход может быть контрастным (жестким) и более
мягким.
SHATUSH — Шатуш
Название технологии происходит от английского слова «shatoosh», означающего дорогой и очень редкий вид
шерсти. Шатуш не дает создать четкие линии, световые пятна.
Существует два способа выполнения техники шатуш:
КЛАССИЧЕСКИЙ и ОБЛЕГЧЕННЫЙ
Классический — для растяжки
цвета на короткой и средней длины
волос.
SHATUSH — Шатуш
Облегченный — для длинных волос – очень мягкая растяжка
цвета.
SunLights (СанЛайтс)
Растяжка цвета на коротких волосах.
Выполняется после фиксации волос лаком
BALAYAGE (Балаяж)
Балаяж (выметать) – полностью характеризует
принцип нанесения красителя. Т.е. мы наносим
краситель размашистыми движениями создавая
растяжку с вертикальными полосами. Данные полосы
могут быть, как ярко выраженными, так и более
скрытыми.
Flame Balayage (Флам Балаяж)
Флам Балаяж (языки пламени) – может быть, как
контрастным, так и мягким. Никогда не применяйте
данный метод растяжки цвета на массивной форме
стрижки. Лучше всего смотрится на теплых оттенках
волос.
OMBRE (Омбре)
Омбре – слово пришло из французского языка и в сфере дизайна
означает градацию цвета. Французский синоним растяжки цвета. В
отличии от Балаяж – выполняется более скрупулезно. Движение кисти
идет так же, как и в технике Балаяж вертикальными линиями, но
более мелкими и без формирования вертикальных полос. В
классическом виде Омбре имеет более контрастный переход оттенков
в точке перехода цвета. Без плавности и мягкости переходов.
SOMBRE (Сомбре)
Сомбре – не имеет ярко выраженной точки перехода, т.е.
растяжка цвета очень мягкая в точке перехода цвета.
OVERFLOW (Оверфлоу)
Overflow (перетекание) – самый щадящий метод колорирования, но для получения
необходимого эффекта необходимо больше времени, чем при других видах окрашивания.
Однако, это компенсируется великолепным видом – такого плавного перехода цвета
невозможно добиться ни при одном типе окрашивания. Как правило, такой метод предлагается
клиентам для создания растяжки на неокрашенных волосах и коррекции ранее выполненной
растяжки.
DIP-DYE (Дип – Дай)
Dip-dye – технология, являющаяся трендом среди стилистов и знаменитостей. В отличие от
омбре, она подразумевает окрашивание волос в другой цвет, как правило, яркий и
несколько неожиданный.
DIM-OUT (Дим-Аут)
Dim-Out — так называемая обратная растяжка цвета. Используется для перехода от базового
окрашивания на растяжку. Является идеальным вариантом для блондинок, которые не хотят
регулярно осветлять корни. Плавное затемнение корней в цвет, близкий к натуральному, будет
смотреться естественно, и уже не будет необходимости в их подкрашивании.
Калифорнийское мелирование
Калифорнийское мелирование выполняется на волосах с УГТ выше 6. В отличии от
предыдущих методов Калифорнийское мелирование очень похоже на классическое
мелирование, т.е. выполняется крупными прядями, расположенными в шахматном порядке.
Но, при этом, точка перехода цвета находится практически у корней волос.
Венецианское мелирование
Венецианское мелирование выполняется одинаково, как Калифорнийское мелирование,
но отличаются светлотой. Венецианское мелирование выполняется на волосах с УГТ ниже 6.
Точка перехода цвета также находится практически у корней волос.
Melange Highlights (Меланж Хайлайтс)
Меланжевое мелирование – идентично классическому
мелированию на фольгу, только более мягкий и
спокойный без ярко выраженных прядей. Выполняется
при помощи эффект-лопатки (планшет-лопатка).
Degrade (Деграде)
Деграде – данный способ растяжки цвета формирует четкие и
чаще всего контрастные переходы градации цвета. Часто
применяется для создания переходов между контрастными
цветами в выделенных блоках.
Baby Lights (Бэби Лайтс)
Бэби Лайтс — техника растяжки, позволяющая создавать на волосах изумительный
эффект солнечных бликов. Он особенно выигрышно смотрится на тонких волосах, в
хвосте. Свое название берет от вида выгоревших на солнце у детей волос.
Марморирование
Марморирование (Глассаж) – отличительной
чертой данного способа нанесения является тот
факт, что обесцвечивающий состав наносится
поверх красителя.
Airtouch (Айртач)
Airtouch представляет собой сложное многоцветное
окрашивание с мягкими переливами нескольких
родственных оттенков. Большим преимуществом данной
техники является плавный рассеянный переход
осветленных и неосветленных прядей. За счет этого
граница натуральных отросших корней растушевана так
мягко, что даже спустя несколько месяцев окрашивание
выглядит очень красиво и естественно. Окрашивание волос
техникой Airtouch – технологически сложный и
кропотливый процесс. Работа с длинными и густыми
волосами может занять от 4х до 6 часов.
Airtouch (Айртач)
Пример выполнения техники
Airtouch на светлых волосах.
Airtouch (Айртач)
Пример выполнения техники Airtouch на темных волосах.
Airtouch (Айртач)
Пример выполнения техники Airtouch на рыжих волосах.
Какие техники окрашивания применялись на данных моделях?
Contouring (Контуринг)
Contouring основана на принципе чередования светлых и темных прядей. Эта методика
используется для того, чтобы обрисовать выигрышные черты лица и смягчить угловатость.
Также с помощью контуринга можно сделать стрижку центром внимания и придать образу
яркость и запоминаемость. Такая новомодная тенденция, как контуринг волос, способна
визуально подправить дефекты лица и скрыть недостатки. Принцип его действия основан (как
и в контуринге с помощью макияжа) на сочетании темных и светлых оттенков. Светлые
акцентируют внимание на выигрышных областях, тогда как темные скрывают недостатки.
Контурирование — это не просто чередование оттенков одного цвета, это техника, которая
требует соблюдения правил. Только в этом случае результат будет соответствовать
ожиданиям. Темная краска выполняет роль тени и скрывает длинные или широкие части
лица, светлая же выступает, как отражатель, поэтому они принимают на себя большее
внимание и удлиняют форму.
Прежде, чем приступать к выполнению этой техники окрашивания, нужно узнать форму лица.
Также немаловажным фактором является цветотип внешности, ведь только отталкиваясь от
него можно подобрать удачный цвет.
длинные лица
короткие лица
треугольник
ромб
прямоугольник
круг
квадрат
сердце
А1: верхняя зона
темный
светлый
темный
светлый
светлый
темный
А2: центральная
зона
светлый
темный
светлый
темный
светлый
темный
А3: нижняя зона
темный
светлый
светлый
темный
темный
светлый
1.
4.
1.
2.
3.
4.
5.
2.
3.
5.
Коррекция круглой формы.
Коррекция овальной
формы.
Коррекция ромбовидной
формы.
Коррекция прямоугольной
формы.
Коррекция треугольной
формы.
СХЕМЫ
При классической работе условно выделяют три схемы разделения головы для
выполнения растяжек цвета:
1. Луковица
2. Подкова
3. Диагонали
Луковица
Хорошо подходит при работе с методами Меланжевое мелирование и Dim-Out. Во всех
остальных случаях лучше всего избегать данной схемы разделения, поскольку любая ошибка
нанесения будет видна в конечном результате.
Подкова
Хорошо применима при использовании методов нанесения – Калифорнийское
мелирование, Highlights (Хайлайтс), Degrade (Деграде), Shatush (Шатуш).
Диагонали
Отлично подходит для работы с методами растяжек цвета Shatush (Шатуш), Ombre
(Омбре), Sombre (Сомбре), Balayage (Балаяж) и Flam Balayage (Флам Балаяж).
Огромным отличительным плюсом схемы является тот факт, что ошибки в
нанесении зрительно скрываются в результате диагонального расположения
прядей.
Создание техник окрашивания
Лекала:
Волна (Три зоны)
Кольцо
Краевая
Круг
Квадрат
Треугольник
Ромб
Многоугольник
Зигзаг
На пробор
Челка
Центрическое
Золотое сечение
Параллели
Фронтальная
Хаотичная
КОНЕЦ ТЕОРИТИЧЕСКОЙ ЧАСТИ.
ПРИСТУПАЕМ К ПРАКТИЧЕСКОЙ РАБОТЕ!

Система для количественной оценки цифровых изображений биопсии рака молочной железы, окрашенных DAB и H (CHISEL)

Оптимизация

Мы протестировали четыре схемы экстракции пластырей. Схемы сравнивались по эффективности и затратам времени. Оценка эффективности была основана на показателях TPR, PPV и F1 (рис. 5, слева), и эксперимент проводился с набором данных IISPV с размером области интереса, установленным на 250 пикселей. Обычно области интереса должны быть больше, но размер аннотированных изображений требует уменьшения их размера.ANN_ROI, используемый в схемах A, B и C, был обучен на 40 000 аннотированных областей интереса и показал точность 74,3% при различении сильно размытых и пустых областей интереса.

Для оценки времени мы рассматривали реализацию blockproc как эталонный метод, и поэтому все представленные результаты являются относительными (рис. 5, справа). Для оценки времени мы протестировали его на двух размерах изображений: типичные относительно небольшие кадрированные изображения размером \ (1000 \ times 1000 \) пикселей и отдельные ядра TMA размером \ (16 {,} 000 \ times 13 {,} 000 \ ) пикселей.

Рисунок 5

Сравнительные результаты схем извлечения заплат, предложенных в этом исследовании. (слева) Сравнение показателей эффективности обнаружения. (справа) Оценка времени относительно метода blockproc . Были протестированы два размера изображений: punch_img (одно ядро ​​TMA) размером \ (16 {,} 000 \ times 13 {,} 000 \) пикселей и small_img (относительно небольшое обрезанное изображение) размером \ (1000 \ раз 1000 \) пикселей.

Есть два основных параметра CHISEL, которые определяют эффективность обнаружения ядер.Первый — это пороговый параметр алгоритма сегментации, который определяет локальный относительный уровень отсечки интенсивностей в обрабатываемом окне, и его актуальность была установлена ​​в более раннем исследовании 54 . Другой — параметр T рекурсивной локальной обработки алгоритма разделения кластера, влияющий на количество необходимых повторений. Более низкие значения параметра T работают лучше для сильно упакованных кластеров, но время обработки увеличивается, как показано в предыдущем эксперименте 58 .Эти настраиваемые параметры были скорректированы для оптимизации производительности CHISEL. Мы использовали двойную перекрестную проверку для настройки параметров в эксперименте. На рисунке 6 показаны две кривые прецизионного отзыва. Первая кривая была построена путем изменения значения порогового параметра алгоритма сегментации (рис.6, слева), а вторая — путем изменения значения параметра T рекурсивной локальной обработки алгоритма разбиения кластера (рис.6 , верно). Пороговые значения были выбраны эмпирически, чтобы максимизировать оценку F1 в наборе данных.В результате CHISEL оптимизирован для разрешения изображений и размера ядер, и его можно успешно использовать в новом наборе данных с аналогичными функциями.

Рисунок 6

Кривые прецизионного вызова для настройки параметров CHISEL. Изолинии указывают области с разными оценками F1. (слева) Кривая построена путем изменения значения порогового параметра алгоритма сегментации. (справа) Кривая построена путем изменения значения параметра T алгоритма разделения кластера.

Последняя часть структуры CHISEL, ИНС, которая классифицирует объекты, была оптимизирована путем анализа влияния количества слоев, количества нейронов и функций активации на результаты классификации. Были протестированы сети с 1, 2 и 3 скрытыми слоями, тем не менее, единственный скрытый слой смог достаточно полно решить проблему. Следуя правилу минимально необходимых требований, мы оставили только один скрытый слой. Точность классификации стабильно превышала 97%, независимо от количества нейронов в скрытом слое, тестировалось в диапазоне от 10 до 20, при снижении с меньшим количеством нейронов.Кроме того, были протестированы множественные функции активации, и было необходимо, чтобы они оказали минимальное влияние на результат. Наконец, этот классификатор состоит из одного скрытого слоя с 20 нейронами с сигмовидной функцией активации, а выходной слой представляет собой softmax с двумя выходными классами: иммунопозитивные и иммунонегативные ядра.

Обучение ИНС было основано на типовой схеме с разделением 70/15/15 примеров для подмножеств обучения, проверки и тестирования. Слои сети были инициализированы с помощью функции инициализации уровня Нгуена-Видроу.Для обучения использовался алгоритм обратного распространения масштабированного сопряженного градиента и вычислялась функция кросс-энтропии для оценки производительности сети. Обучение было установлено на 1000 эпох, где одна эпоха обучения определяется как единое представление всех входных векторов в сеть. Сеть (веса и смещение) обновляется соответственно после каждой эпохи. В итоге классификация привела к средней точности 99,2%, которая была протестирована с помощью пятикратной перекрестной проверки.

Сравнительная визуальная оценка

Мы измерили производительность системы на микроскопических изображениях из двух наборов данных, сравнив их обработанные результаты с аннотированными наземными истинами.Эффективность была подтверждена визуально, а также с использованием ранее описанного метода оценки с использованием PPV, TPR и F1.

Как показано на рис. 7, предложенный алгоритм отлично выполняет разделение кластера. Иммунопозитивные ядра были правильно разделены только с помощью CHISEL (представлены в столбце «Crop1»). Для сравнения, Tmarker показал несколько пропущенных обнаружений, хотя его классификация казалась верной. Методы Unet и IHCtoolbox предоставили только результаты обнаружения (без различия между классами), поэтому все объекты были отмечены одним (белым) цветом.И наоборот, метод Qupath обнаружил слишком много объектов по сравнению с доступной наземной истиной.

Рисунок 7

Визуальное сравнение конкретных результатов пяти различных методов. Основная правда: зеленые метки = иммунонегативные ядра; красные метки = иммунопозитивные ядра. В результате: серая зона — это объект, классифицируемый как иммунонегативный; белая область — объект, классифицируемый как иммунопозитивный. Методы IHCtoolbox и Unet позволяли обнаруживать только ядра, поэтому все объекты отображаются белым цветом.

Количественное сравнение результатов

Полезность предложенной схемы была проверена путем сравнения ее с другим современным программным обеспечением для количественной оценки в гистопатологии, доступным в Интернете, а также с методами DL.

Таблица 1 Результаты обнаружения и обнаружения с последующей классификацией CHISEL и другими современными методами, основанными на обработке набора данных IISPV.

Сравнение предложенной структуры с вышеупомянутыми методами на основе обработки набора данных IISPV представлено в таблице 1.Для сравнения с Qupath эксперт, имеющий опыт работы с этим программным обеспечением, вручную скорректировал параметры обработки для достижения наилучших результатов. В случае этого набора данных мы оценили эффективность обнаружения, а также идентификацию иммунопозитивных и иммунонегативных ядер.

Что касается обнаружения ядер, наивысший балл F1 был получен CHISEL. Qupath превзошел CHISEL по показателю TPR, но с низким PPV его окончательный результат F1 был ниже. Напротив, IHCtoolbox имел очень высокий PPV, но низкий TPR и, следовательно, имел более низкий балл F1, чем CHISEL.Также заслуживает внимания метод DL Чена, который показал довольно хорошие общие результаты.

Помимо предложенного метода, только Qupath и Tmarker позволили встроить различение между иммунопозитивными и иммунонегативными ядрами. Результаты для иммунопозитивных ядер были очень похожи на результаты обнаружения, как описано выше. Однако в случае иммунонегативных ядер метод CHISEL показал более высокие значения для всех показателей.

В таблице 2 представлено сравнение предложенной структуры с другими методами, основанными на Warwick Beta Cell Dataset.Производительность обнаружения предложенного метода сравнивалась с таковой из ранее упомянутых методов. Кроме того, мы представляем оригинальные результаты авторов, создавших этот набор данных, непосредственно из их опубликованной статьи 11 . Поскольку эти два метода локализуют только бета-клетки, мы рассматриваем их как методы обнаружения с классификацией. В наборе данных ячеек Warwick Beta основная истина была представлена ​​в виде набора двоичных масок, соответствующих каждому изображению, содержащих точечные маркеры, слитые из меток, сделанных тремя экспертами.Поскольку были предоставлены только маркировки ядер бета-клеток, эффективность этих методов при обнаружении объектов, отличных от бета-клеток, не могла быть оценена. Этот набор данных довольно сложен для задачи обнаружения. Только CHISEL и IHCtoolbox достигли TPR выше 0,5, в то время как все другие методы показали очень низкую PPV. Включение классификации в структуру CHISEL значительно улучшило его балл F1, поскольку его PPV стал наивысшим. Метод Lipsym показал наибольшее значение TPR, но его более низкий PPV привел к более низкому баллу F1 по сравнению с методом CHISEL.

Таблица 2 Результаты обнаружения и обнаружения с последующей классификацией CHISEL и другими современными методами, основанными на обработке набора данных Warwick Beta Cell.

Обсуждение результатов

Основной целью структуры CHISEL, представленной в этой статье, является автоматическая количественная оценка ядер в образцах тканей, окрашенных ИГХ. Поскольку основной целью предложенной схемы была эффективная и точная сегментация ядер клеток в гистопатологических срезах, которые были IHC-окрашены DAB & H, мы использовали набор данных IISPV ткани из биопсии пациентов с раком молочной железы, в которой использовались маркеры Т-клеток, как наши первичные данные для оценки.Как показано в Таблице 1, метод CHISEL показал в целом лучшие результаты, что подтверждено его лучшим результатом F1. Видно, что TPR Qupath был выше, но его производительность была хуже из-за низкого PPV.

Для дальнейшего установления актуальности предложенной схемы мы оценили результаты, полученные при обработке набора данных Warwick Beta Cell Dataset о DAB и H-окрашенных тканях пациентов с посмертным диабетом. Работа с этим набором данных потребовала корректировки параметров фреймворка, но это было довольно легко и не отнимало много времени.Объекты, представляющие интерес в Warwick Dataset, были достаточно похожи с точки зрения контраста и интенсивности пятен, хотя и были примерно вдвое больше, чтобы облегчить настройку.

Как показано в таблице 2, наша структура показала удовлетворительные результаты с этим набором данных. Первоначальный низкий PPV для обнаружения CHISEL был значительно улучшен, если также была рассмотрена классификация. Этот подход показал лучший результат F1 среди протестированных методов с немного большим влиянием на PPV, чем на TPR. Для сравнения, метод Lipsym (со вторым лучшим результатом F1) сбалансировал TPR и PPV, но влияние на TPR было доминирующим.

Основной проблемой, с которой мы столкнулись при работе с Warwick Beta Cell Dataset, была огромная вариативность между экспертами между наблюдателями. Сравнение этикеток, сделанных тремя экспертами, друг с другом и с объединенной наземной истиной, показало, что их чувствительность и PPV не превышали 65%. Это доказывает сложность интерпретации изображений в этом наборе данных человеком. Это также может быть причиной того, что наши и другие методы не превышали производительность человеческого уровня.

CHISEL против глубокого обучения

Сравнение предложенного рабочего процесса с методами DL показало интересный факт. Обещанная надежность DL по-прежнему недостижима, и в большинстве случаев модели приспособлены для обработки определенного набора данных. Методы DL, которые, кажется, полностью перекрывают обработку изображений, в этом сценарии работают не очень хорошо. Классификация различных видов образцов раковой ткани может быть выполнена с помощью глубоких нейронных сетей. Однако точное количественное определение ядер остается сложной задачей даже для алгоритмов DL 64 .В основном это связано с отсутствием общедоступных наборов данных с аннотированными изображениями IHC. Существует множество помеченных наборов данных изображений H&E, но в предыдущем исследовании мы доказали, что модель DL, предварительно обученная на изображениях H&E, не превосходит наш метод обнаружения 54 . В этом исследовании была предпринята попытка и показано, что с очень небольшим количеством аннотированных изображений IHC легче настроить параметры классического рабочего процесса обработки изображений, чем обучать модель DL.

Кроме того, одна из основных проблем с применением метода DL в клинической практике заключается в том, что врачи не доверяют моделям нейронных сетей из-за их «черного ящика» и из-за того, что «система здравоохранения не желает полностью доверять машине задачу, которая человек может это сделать, даже если существенно сэкономит время » 65 .

Более того, даже вывод (по сравнению с обучением) сложной модели DL требует мощной машины, что довольно дорого. Администраторы медицинского сектора не всегда считают это приоритетным ресурсом. Конечно, в развитых странах дело обстоит иначе, но по всему миру все еще есть медицинские пункты с ограниченными ресурсами. Наш метод был подготовлен для полного использования доступной вычислительной мощности, при этом он доступен пользователям с меньшими ресурсами. Это увеличивает доступность, а также полезность нашей реализации.

Преимущества CHISEL

В целом хорошие характеристики CHISEL можно отнести к нескольким важным концепциям, использованным при разработке метода. Ранее мы установили 54 , что метод, используемый для начальной сегментации, имеет высокую чувствительность как для иммунопозитивных, так и для иммунонегативных ядер, в то время как его специфичность может быть неудовлетворительной. Однако идея объединения этого достойного алгоритма обнаружения с классификацией объектов позволяет достичь хорошей производительности, о чем свидетельствуют результаты, представленные в таблице 1.Кроме того, было доказано, что первоначальное обнаружение ядер с последующим явным этапом расщепления кластера и уточнения границ в CHISEL улучшает количественную оценку 57,58 . Кроме того, поскольку широко популярный алгоритм цветовой деконволюции может привести к дополнительным неточностям в сегментации ядер 66 , мы решили использовать цветовое пространство HSV на основе результатов нашего предыдущего исследования 54 для сравнения эффективности пороговой обработки на различных типах монохроматических изображений. (отдельные каналы из разных цветовых пространств).

Более того, извлечение фрагментов на основе предварительно рассчитанного местоположения области интереса и метод сборки результатов из нескольких перекрывающихся областей интереса предназначены для бесшовного прогнозирования ядер на больших изображениях целого слайда. Этот подход облегчает правильную сегментацию ядер около границы области интереса, поскольку любой метод порога (и особенно методы адаптивного порога, используемые в этой структуре) неправильно обрабатывают объекты, которые находятся рядом с краем изображения. Из-за своего уменьшенного размера и искаженной формы частично видимые ядра около границы изображения могут отрицательно повлиять на процесс классификации.С нашим подходом эта проблема сводится к нулю.

Сравнение предложенных схем с точки зрения бесшовной обработки показало аналогичные результаты в соответствии с их оценкой F1, только с небольшим увеличением оценки F1 в случае более смещенных ROI, как показано на рис. 5. Это может быть вызвано настройки эксперимента. В этом эксперименте мы в первую очередь сосредоточились на времени обработки и чрезмерно уменьшили ROI (до 250 пикселей, чтобы она помещалась в \ (1000 \ times 1000 \) изображений), что приводит к уменьшению количества перекрывающихся областей.Это создает настройку, в которой трудно добиться улучшения оценки F1, и она не показывает фактическую ценность предложенных схем. В случае изображений целого слайда повышение точности должно быть более отчетливым, но, к сожалению, у нас нет полностью маркированных изображений целого слайда, чтобы оценить точность численно.

Для небольших изображений функция базовой обработки блоков (метод blockproc , который рассматривался как эталон для оценки времени обработки) работает быстрее, чем предлагаемые схемы.Это могло быть вызвано оптимизированной обработкой памяти встроенной функцией. Мы полагаем, что упрощение обработки изображений ускоряет нашу схему для изображений большего размера. Как показано на рис. 5, предлагаемая схема извлечения фрагментов ускоряет обработку при сохранении аналогичного уровня точности для больших изображений кернов из TMA; особенно ожидается, что эта связь будет улучшена для WSI. Как и ожидалось, схема A оказалась самым быстрым решением. Хотя схемы B и C увеличивают область обработки за счет двойной проверки границ изначально выбранных областей интереса, они также увеличивают время обработки.Схема B, кажется, балансирует между временем обработки и ожидаемым увеличением точности, и, следовательно, она была использована при реализации CHISEL.

В предлагаемой структуре изображения, которые слишком велики для размещения в памяти, разделяются на более мелкие и обрабатываются партиями, в соответствии с возможностями многопроцессорной обработки используемой машины. Это способствует масштабируемости метода; его можно использовать как на высокопроизводительной вычислительной машине, так и на обычном персональном компьютере. Таким образом, такой подход позволяет использовать эту структуру даже в экономически менее развитых странах.

Кроме того, как указывалось ранее, подход CHISEL основан на обнаружении всех ядер в обработанном изображении (с классификацией, чем на более позднем этапе). Этот способ обработки отличается от большинства программ для количественной оценки ядер, но имеет решающее преимущество. Таким образом, CHISEL больше подходит для исследования тканей, где соотношение иммунопозитивных и иммунонегативных ядер является диагностическим фактором. CHISEL предоставляет эту информацию за один проход по изображению. Естественно, типичное количество ядер на площадь также легко рассчитывается на основе результата CHISEL.

Кроме того, на основе сравнения основных характеристик формы ядер (раздел «Наборы данных») и окончательных результатов нашего метода для обоих наборов данных, мы можем предположить, что CHISEL довольно надежен в адаптации к различным изображениям. Поскольку не существует универсального метода, который можно было бы применить к каждой задаче при цифровой патологии, мы даем возможность настроить параметры CHISEL, чтобы максимизировать его производительность. Два основных параметра — это порог алгоритма сегментации и параметр T рекурсивной локальной обработки алгоритма разделения кластера (оптимизация обоих описана в разделе «Оптимизация»).Обнаружение — критический шаг, и чрезвычайно важно успешно сегментировать все ядра. Регулировка значения порога алгоритма сегментации в основном основана на контрасте между ядрами и их окружением. С другой стороны, значение параметра T вместе с пределом протестированных максимальных повторений алгоритма разделения кластеров, которые можно настроить в графическом интерфейсе пользователя CHISEL, связано со сложностью кластеров, присутствующих в анализируемых изображениях.Помимо этих параметров, мы включили возможность изменять размер ROI и размер перекрытия между ними. Кроме того, различение мелких объектов (по умолчанию менее 50 пикселей), выполняемое на этапе постобработки, может быть скорректировано, если размер интересующих объектов меньше, чем в представленных наборах данных.

Недостатки CHISEL

Как и любой метод, наше решение также имеет недостатки. Алгоритм адаптивной пороговой обработки, используемый в CHISEL, не работает хорошо, если два ядра с разной интенсивностью сгруппированы вместе.Это происходит, когда иммунопозитивные и иммунонегативные ядра расположены очень близко друг к другу, как показано на рис. 7 (столбец «кроп3»). Ядро с более светлой интенсивностью часто рассматривается как фон по отношению к более темному ядру поблизости. Кроме того, хотя алгоритм разделения кластеров был разработан специально для таких типов выборок, он неэффективен при разделении кластеров с небольшими впадинами, как показано на рис. 7 (столбец «Crop2»).

Не существует единого универсального метода обработки всех изображений.Ни классический метод, ни методы, основанные на глубоком обучении, не могут успешно количественно определить ядра в различных цифровых изображениях биопсии. Основным недостатком классического подхода к обработке изображений, такого как этот, является необходимость вручную настраивать параметры для новых данных. В CHISEL мы сократили количество переменных до минимума, и в большинстве случаев значения по умолчанию давали достойные результаты. Предоставляя пользователю возможность настраивать критические параметры, мы увеличиваем диапазон назначений, в которых может использоваться этот метод.

Еще одним ограничением является то, что эта реализация была разработана и оценена в MATLAB. Вероятный выигрыш может быть достигнут путем реализации предложенного алгоритма на более простом языке программирования, таком как C ++.

(PDF) Схема классификации для сегментации лимфоцитов на гистологических изображениях, окрашенных H&E

9

Ссылки

1. С. Ф. Бихет, А. М. Дарвиш, Х. А. Толба и С. И. Шахин. Сегментация и классификация

лейкоцитов.Международная конференция IEEE по Acostics,

Обработка речи и сигналов, ICASSP, страницы 550–553, 1992.

2. Х. Д. Ченг, Х. Дж. Ши, Р. Мин, Л. М. Ху, Х. П. Цай и Х. Н. Ду. Подходит

для автоматического обнаружения и классификации новообразований на маммограммах. Pattern

Recogn., 39 (4): 646–668, 2006.

3. D A. Clausi. Анализ статистики совместной встречаемости текстур как функции квантования уровней серого

. Может. J. Дистанционное зондирование, 28: 45–62, 2002.

4. Дорин Команичиу. Среднее смещение: надежный подход к анализу пространства признаков.

IEEE Transactions on Pattern Analysis and Machine Intelligence, 58: 71–96, 2002.

5. Ванесса Дешулместер, Марк Баай, Эрик Ван Марк, Йост Вейлер, Питер Вер-

Мёлен, Филип Лардон и Ян Верморкен. Опухоль в фильтрующих лимфоцитах:

интригующий игрок в выживании пациентов с колоректальным раком. BMC Immunology,

11 (1): 19, 2010.

6.Р. Дафри, С. Мхири, К.Б. Ромдхан, Ф. Горбель и С. Эсафи. Сегментация

и классификация клеток рака груди по хостологическим изображениям. Информация и

Коммуникационные технологии, 2006.

7. Хуссейн Фатакдавала, Аджай Басаванхалли, Джун Сюй, Гьян Бханот, Шридар Гане-

сан, Майкл Фельдман, Джон Томашевски и Анант Мадабхуши. Expectation

управляемый максимизацией геодезический активный контур с разрешением перекрытия: приложение

для сегментации лимфоцитов при гистопатологии рака молочной железы.Международная конференция

по биоинформатике и биоинженерии, 2009 г.

8. Фукунага, Кейносуке и Ларри Д. Хостетлер. Оценка градиента функции плотности

с приложениями для распознавания образов. IEEE Transactions on

Information Theory (IEEE), 21 (1): 32–40, 1975.

9. PR в HIMA. http://bmi.osu.edu/cialab/ICPR Competition.

10. A. Jemal, R. Siegel, E. Ward, Y. Hao, J. Xu, T. Murray, and M. J. Thun. Рак

статистика 2008.CA Cancer J Clin, 58: 71–96, 2008.

11. Т. Иоахимс. Делаем крупномасштабное обучение svm практичным. достижения в методах ядра

— поддержка векторного обучения. MIT-Press, 1999.

12. Латсон Л., Себек Б., К.А. Пауэлл. Автоматическая клеточная ядерная сегментация на

цветных изображениях окрашенной им биопсии молочной железы. Anal Quant Cytol Histol, 25 (321-331),

2003.

13. Лорена Лози, Джованни Понти, Кармела Ди Грегорио, Массимилиано Марино, Джузеп-

Пина Росси, Моника Педрони, Пьеро Бенатти, Лука Рончуччи и Маурицио Понц

де Леон.Прогностическое значение гистологических признаков и биологических параметров —

баллов при колоректальной аденокарциноме i стадии (pt1 и pt2). Патология — исследования и

практика, 202 (9): 663 — 670, 2006.

14. Гуклу Онгун, Угур Халичи, Кемаль Леблебичиогл и Волкан Аталай. Feature ex-

Вытягивание и классификация клеток крови для автоматизированной системы дифференциального анализа крови

. IEEE IJCNN, (2461-2466), 2001.

15. Rasband W. S. Imagej. Национальная лаборатория здравоохранения США, Бетесда, Мэриленд,

США, 1997-2005 гг.

16. Ф. Шнорренберг, К. Паттихис, К. Кириаку и К. Шизас. Компьютерное определение

ядер рака молочной железы. IEEE Transaction on Information Technology in

Bio-Medicine, pages 128–140, 1997.

17. К. Шанмугам, Р. М. Харалик и И. Динштейн. Текстурные особенности формата изображения

. Протоколы IEEE по системам, человеку и кибернетике, SMC-3: 6, ноябрь

1973 г.

Автоматическое извлечение ядер клеток из гистопатологических изображений, окрашенных H & E

1.

Введение

С появлением быстрых цифровых сканеров слайдов, слайды гистопатологии тканей теперь можно оцифровывать и сохранять в виде цифрового изображения, к которому патологи могут многократно обращаться и исследовать. 1 5 На практике различные компоненты ткани окрашиваются разными пятнами, чтобы отдельные компоненты ткани можно было различить на цифровых гистопатологических изображениях, чтобы облегчить визуальный осмотр патологами.Окрашивание гематоксилином и эозином (H&E) является широко распространенным протоколом окрашивания и широко используется при патологическом окрашивании. Гематоксилин окрашивает ядра в темно-синий цвет, а эозин окрашивает цитоплазму в розовый цвет, 5 , что позволяет анализировать морфологические особенности, связанные с ядрами клеток.

Патологическое исследование, при котором ряд гистопатологических препаратов, окрашенных гематоксилином и эозином, вручную исследуется патологами для диагностики заболевания, является трудоемкой и трудоемкой задачей.Что еще более важно, этот процесс субъективен, подвержен ошибкам и имеет большие различия между и внутри наблюдателя. Из-за неоднородности и морфологической сложности опухолей даже для хорошо подготовленных патологов сложно прийти к соглашению при диагностике образца опухоли путем визуального осмотра изображений, окрашенных H & E. Например, при ручном методе анализа воспроизводимость и последовательность классификации рака молочной железы оставляет желать лучшего. 5 7 Результаты диагностики с использованием традиционной схемы визуализации могут быть еще менее надежными в развивающихся странах из-за постоянной нехватки достаточно подготовленных патологоанатомов.Поэтому очень важно разработать автоматизированную систему анализа для повышения эффективности и точности диагностики заболеваний с помощью цифровых патологических изображений.

Автоматическая сегментация ядер клеток — важный этап предварительной обработки в различных автоматизированных системах анализа, которые используют цифровые гистопатологические изображения, включая классификацию, распознавание и оценку рака. 5 10 На этапе сегментации цифровое изображение разделяется на несколько частей, каждая из которых имеет одинаковое значение текстуры или интенсивности. 11 14 Сегментация обычно является первым и наиболее важным шагом, поскольку результаты сегментации напрямую определяют успех окончательного анализа. Следовательно, было разработано множество подходов к сегментации. В широком смысле методы сегментации можно разделить на шесть категорий: пороговая обработка, 11 , 15 , рост по регионам, 11 , 16 кластеризация, 11 , 17 водораздел. , 11 , 18 модель активного контура, 19 , 20 и вырезание графика. 21 , 22 Сегментация ядер клеток была предпринята с использованием пороговых методов. 23 26 Однако эти методы могут привести к проблемам недостаточной и избыточной сегментации из-за вариабельности изображений или неоднородности ядер клеток. С другой стороны, методы на основе пороговых значений очень эффективны и широко используются в качестве начального шага для дальнейшей обработки или в сочетании с другими методами, такими как морфологическая операция 24 , 27 , 28 и метод преобразования водораздела 29 для достижения окончательных результатов сегментации.В исх. 30, алгоритм выращивания области используется для извлечения ядер клеток. Предложенные в [5] методы. 30 все равно приведет к проблеме чрезмерной сегментации, когда в ядрах клеток появится гетерогенность, что является обычной ситуацией на изображениях, окрашенных гематоксилином и эозином. Несмотря на то, что метод, основанный на выращивании области в [5]. 31 может до некоторой степени решить проблему неоднородности за счет использования изображений в нескольких масштабах, он не может обрабатывать соприкасающиеся и перекрывающиеся ядра клеток. В работах. 3233.34.35.36. – 37, методы, основанные на кластеризации, были применены к сегментации ядер, но было обнаружено, что метод кластеризации чувствителен к вариациям интенсивности внутри ядер.Кроме того, сложно определить количество кластеров, когда изображение является сложным. Поэтому алгоритм кластеризации иногда используется как этап предварительной обработки для дальнейшей сегментации ядер. 38 В справочниках. 33, 3940.41. – 42, ядра клеток были идентифицированы с помощью алгоритма водораздела, а сегментированные области были далее объединены другими методами, такими как выращивание областей и разрезание графа. Чтобы уменьшить проблему чрезмерной сегментации, при сегментации клеток и ядер клеток используется алгоритм водораздела, управляемый маркерами. 5 , 29 , 43 , 44 Метод водораздела, контролируемый маркером, также широко используется для разделения соприкасающихся или перекрывающихся ядер в качестве этапа постобработки. 45 47 Сложность этого алгоритма состоит в том, как лучше идентифицировать эти маркеры на изображениях ядер. В исх. 47, маркеры определяются с помощью преобразования расстояния, 11 , тогда как в Ref. 5, маркеры оцениваются с помощью преобразования расстояния градиент-вес. 5 В исх. 48, маркеры определяются с помощью преобразования H-минимумов. 48 , 49 Однако эти методы обнаружения маркеров иногда заставляют одну цель иметь более одного маркера, потому что они не могут определить количество целей в пределах области. Следовательно, они по-прежнему создают проблему чрезмерной сегментации. В работах. 5051. – 52, модели активного контура используются для сегментации ядер клеток. Однако эти методы по-прежнему создают проблему чрезмерной сегментации, когда в ядрах существуют большие вариации и невозможно разделить соприкасающиеся или перекрывающиеся ядра без дальнейшей обработки.Более того, эти методы чувствительны к инициализации и другим артефактам, присутствующим на изображении ткани. Они также ограничены в вычислительной эффективности. В работах. 53 и 54, методы, основанные на разрезе графа, используются для сегментации ядер клеток. Однако они не могут расщепить соприкасающиеся и перекрывающиеся ядра. В исх. 42, двухэтапный разрез графа применяется для сегментирования перекрывающихся ядер, но присвоить соответствующий вес нелегко. В исх. 54, разрез графа в сочетании с алгоритмом α-расширения 54 , 55 используется для сегментации ядер.Это затратно с точки зрения вычислений и теряет глобальное оптимальное минимальное значение разреза графа. В исх. 56, сегментация ядер достигается за счет включения информации о форме ядер в разрез графа. Но он учитывает только здоровые ядра, что ограничивает его применение.

Таким образом, не существует единого метода, который мог бы хорошо справиться со всеми проблемами сегментации. Перед автоматизированной сегментацией ядер клеток для гистопатологических изображений, окрашенных H & E, есть три проблемы. 48 , 57 Во-первых, существует большая разница между изображениями, окрашенными H & E, что, вероятно, вызвано процессом подготовки слайдов и получения изображения.Во-вторых, интенсивности фоновых областей (областей, не являющихся ядрами) на изображениях, окрашенных H & E, неодинаковы, что затрудняет разделение ядер и неядер. В-третьих, трехмерная структура опухолевых тканей фиксируется как двухмерное гистопатологическое изображение, на котором ядра клеток часто «соприкасаются» и «перекрываются» друг с другом, что затрудняет разделение отдельных ядер клеток. Например, два гистопатологических изображения, окрашенных H и E, показаны на рис. 1. Для решения вышеупомянутых проблем необходим надежный алгоритм сегментации ядер клеток.

Рис. 1

Два гистопатологических изображения, окрашенных H и E (увеличение: 40 ×).

В этом исследовании мы стремимся разработать полностью автоматический метод сегментации ядер на гистопатологических изображениях, окрашенных H & E. Техника цветной деконволюции, пороговая обработка и морфологические операции применяются в качестве этапов предварительной обработки для сегментации ядер, чтобы сделать метод устойчивым к вариациям и гетерогенности, существующим в изображениях ядер. Контролируемый маркером водораздел используется для решения проблемы касания ядер, в то время как k-средние в сочетании с целевой функцией используются для поиска подходящего количества ядер в перекрывающихся областях.Работа организована следующим образом: в разд. 2 подробно представлен предлагаемый алгоритм. В гл. 3 представлены экспериментальные результаты. В гл. 4 даем выводы и дальнейшие работы.

2.

Методология

Метод начинается с алгоритма цветной деконволюции, который разделяет гистопатологическое изображение, окрашенное H & E, на каналы H&E. Затем к каналу гематоксилина применяются морфологические операции и методы пороговой обработки, так что маркеры определяются для использования сегментации ядер с помощью алгоритма преобразования водораздела, контролируемого маркерами.Наконец, результаты сегментации снова уточняются с помощью подхода водораздела, контролируемого маркерами, путем минимизации целевой функции, которая может оценить количество перекрывающихся ядер в сегментированных областях. Блок-схема предлагаемого нами метода представлена ​​на рис. 2.

Рис. 2

Блок-схема предлагаемого алгоритма сегментации.

2.1.

Цветовая деконволюция

Схема цветной деконволюции была предложена Руифроком и Джонстоном 58 в 2001 году и успешно применялась в гистопатологических изображениях. 5 Метод цветной деконволюции основан на том факте, что процесс визуализации может быть смоделирован с помощью закона Ламберта-Бера. 58 Следовательно, взаимосвязь между цветовым пространством RGB и новым цветовым пространством €, определяемым пятнами, может быть выражена как

, где M — матрица пятен или матрица свертки. Следовательно, интенсивность, относящаяся к концентрации пятна в новом цветовом пространстве €, получается как где M − 1 — это обратная матрица M окрашивания, а £ = −log (Ω) представляет собой оптическую плотность, которая объединила информацию о поглощении. и концентрация пятен. 58 Следовательно, количество каждого пятна в цветовом пространстве € может быть достигнуто после оценки матрицы пятен или матрицы свертки M. Несмотря на то, что было предложено множество методов для оценки матрицы пятен, метод, представленный в [3]. 59, который показал лучшую производительность и нечувствителен к условиям визуализации, применяется в предлагаемом нами методе сегментации ядер. Пример цветовой деконволюции из пространства RGB в пространство H&E показан на рис. 3. Визуально можно увидеть, что принятый алгоритм устойчив к разделению изображения RGB на изображение H&E.Вся последующая обработка проводится на изображении канала гематоксилина, поскольку ядра клеток в срезе ткани окрашены гематоксилином.

Рис. 3

Цветовая деконволюция: (а) изображение, окрашенное гематоксилином и эозином, (б) изображение канала гематоксилина и (в) изображение канала эозина.

2.2.

Морфологические операции

Несмотря на то, что алгоритм цветовой деконволюции может разделить изображение из пространства RGB в пространство H&E, изображение гематоксилина все еще имеет проблему изменения интенсивности в ядрах клеток.К счастью, морфологические операции могут удалить ненужные структуры в ядрах и сделать их более гладкими. Две основные морфологические операции, применяемые к изображению гематоксилина, — открытие реконструкцией и закрытие реконструкцией. 11 Открытие путем реконструкции — это морфологическая трансформация, включающая морфологическую эрозию. 11 с последующей морфологической реконструкцией. 11 Он может отфильтровывать несвязанные яркие цели, которые меньше структурирующего элемента, и сохранять форму объектов изображения, которые больше, чем структурирующий элемент.И наоборот, закрытие путем реконструкции определяется как операция морфологического расширения 11 , за которой следует операция морфологической реконструкции. 11 Эта операция позволяет удалить несвязанные темные объекты, размер которых меньше структурирующего элемента в ядрах клетки, при этом фон остается неизменным. Как описано в Ref. 5, разные размеры структурирующего элемента , 11, , используемого в морфологических операциях, приведут к различным результатам сегментации. Также утверждается, что размер структурирующего элемента следует выбирать в соответствии с размером ядер и разрешением изображения, окрашенного H & E. 5 В этом исследовании используется дискообразный структурирующий элемент с радиусом ∼7, в то время как увеличение гистопатологического изображения слайда составляет 40 ×. Мы также экспериментально проверяем, что наш алгоритм не очень чувствителен к размеру структурирующего элемента, когда радиус структурирующего элемента меньше 8 на этом этапе. Кроме того, операция , 11, морфологического заполнения применяется к изображению после применения открытия путем реконструкции и закрытия путем реконструкции, чтобы сделать результат сегментации менее чувствительным к размеру структурирующего элемента.

2.3.

Порог

После серии морфологических операций с каналом гематоксилина ядра клеток становятся плоскими, а разница между ядрами и фоном увеличивается. То есть изображение начинает состоять из двух классов (переднего плана и фона), а пиксели изображения следуют бимодальной гистограмме. Следовательно, автоматический метод определения пороговых значений будет хорошо работать для кратковременного обнаружения ядер клеток. С другой стороны, если фиксированный порог используется для идентификации ядер в пороговой сегментации, он потерпит неудачу, когда необходимо обработать разные изображения с большим разбросом.В этой статье метод Оцу 11 для автоматического определения порогового значения применяется для краткого сегментации ядер клеток. Алгоритм Оцу исчерпывающе ищет порог, который может минимизировать внутриклассовую дисперсию, которая задается как 11

Ур. (3)

σω2 (T) = ω1 (T) σ12 (T) + ω2 (T) σ22 (T), где σi2 (1≤i≤2) — дисперсии двух классов, а веса ωi — вероятности два класса, разделенные порогом T. Веса ω1 (T) и ω2 (T) могут быть дополнительно получены с помощью следующих уравнений:

Eq.(4)

ω1 (T) = ∑i = 1TP (i) и ω2 (T) = ∑i = T + 1IP (i), где I — максимальное значение интенсивности, а P (i) — вероятность значения интенсивности i. произошло на изображении. Пример применения метода Оцу к морфологически обработанному изображению показан на рис. 4 (б).

Рис. 4

Процессы сегментации: (а) изображение канала гематоксилина, (б) пороговая обработка, (в) маркеры (зеленый цвет) и (г) результаты сегментации.

2.4.

Сегментация преобразования водосбора, контролируемого маркерами

Для сегментации водораздела, контролируемого маркерами, основным шагом является надлежащая идентификация маркеров, которые состоят из внутренних и внешних маркеров. 11 13 Внутренние маркеры представляют собой ядра клеток, которые мы ищем, в то время как внешние маркеры представляют фоновые области вокруг всех ядер клеток. Внешние маркеры должны быть связным компонентом изображения. Когда маркеры определены, преобразование водораздела может найти пики или водоразделы между внутренними и внешними маркерами на основе изображения градиента величины гематоксилина.

После применения операции пороговой обработки с помощью метода Оцу к морфологически управляемому изображению гематоксилина, границы некоторых ядер в результирующем двоичном изображении будут казаться неправильными и иметь некоторые выступы.Следовательно, для сглаживания границы используется операция морфологического раскрытия, которая представляет собой морфологическую эрозию с последующей операцией расширения, 11 . Для морфологического отверстия используется дискообразный структурирующий элемент с радиусом 3, который может одновременно сглаживать границу и удалять небольшие выступы. Чтобы отметить внутренние маркеры, относящиеся к ядрам клеток, алгоритм 11 преобразования расстояния сначала применяется к сглаженному двоичному изображению. Чтобы быть конкретным, преобразование расстояния пикселя p переднего плана (местоположение с 1 значением в двоичном изображении) вычисляется как 11

Eq.(5)

D (p) = minq∈B d (p, q), p∈F, где пиксель p принадлежит набору фоновых пикселей B (местоположения с нулевым значением в двоичном изображении), F — набор пиксели переднего плана, а d (p, q) означает расстояние между пикселем p и пикселем q. Здесь принято евклидово расстояние, в то время как другие метрики расстояния, такие как шахматная доска, городской блок и квази-евклидово, также могут использоваться. 60 При таком преобразовании расстояния значения будут равны нулю в фоновых областях, а относительно высокие значения будут иметь тенденцию быть в местах расположения центров ядер клеток.Затем внутренние маркеры получают с использованием преобразования 48, H-максимума с пороговым значением 3 на изображении с преобразованием расстояния. Преобразование H-максимумов может подавить все максимумы в изображениях интенсивности со значением интенсивности, меньшим, чем пороговое значение, до нуля, и оно может сделать значения других местоположений максимумов пороговыми значениями. Следовательно, местоположения, имеющие пороговое значение в преобразовании H-максимумов, рассматриваются как передний план и используются как внутренние маркеры.Преобразование расстояния и преобразование H-максимума могут заставить внутренние маркеры сохранять форму ядер клетки. Поскольку пороговое значение, используемое в преобразовании H-максимумов, является малым значением 3, оно может разделять только слегка соприкасающиеся ядра клеток. Однако мы фокусируемся на разделении ядер в части уточнения сегментации и стараемся сделать предыдущие процессы как можно более гибкими. Небольшое пороговое значение в преобразовании H-максимума сделало бы его достаточно устойчивым, чтобы избежать потери некоторых ядер небольших клеток.С другой стороны, местоположения с нулевыми значениями в преобразовании H-максимумов принимаются в качестве фона, а морфологический каркас 11 фона рассматривается как внешние маркеры. Морфологический скелет связанной области I выражается в терминах эрозий и отверстий и может быть задан как 11

Ур. (6)

S (I) = ⋃K = 0K {(I⊖kB) — [(I⊖kB) ∘B]}, где B — структурирующий элемент, (I⊖kB) означает k-последовательные эрозии области I, в то время как K — это последний итерационный шаг перед тем, как I станет пустым, а ∘ указывает на морфологическую операцию открытия. 11

После определения внутренних и внешних маркеров они объединяются в качестве конечных маркеров и используются для модификации изображения градиента величины гематоксилина, которое может быть достигнуто с помощью методов обнаружения Собеля или морфологических операций. 11 Градиентное изображение настраивается с использованием техники наложения минимумов 11 , так что региональные минимумы в градиентном изображении возникают только в тех местах, где есть маркеры. Применяя алгоритм наложения минимумов к изображению градиента гематоксилина, Ig с конечными маркерами M описывается следующим образом: 11

Eq.(7)

Ig ‘= R [(Ig + 1) M] ϵ (M), где RAϵ (B) означает реконструкцию морфологической эрозии B из A и ∧; обозначает точечный минимум между (Ig + 1) и M. Таким образом, проблема избыточной сегментации уменьшается, когда метод преобразования водораздела применяется к измененному градиентному изображению гематоксилина. Пример изображения, окрашенного гематоксилином и эозином, помеченного маркерами (внутренними и внешними маркерами), и результат сегментации алгоритма преобразования водораздела, управляемого маркером, показаны на рис.4 (c) и 4 (d).

2,5.

Уточнение сегментации

Несмотря на то, что на предыдущих этапах обработки можно быстро получить грубые результаты сегментации и разделить слегка соприкасающиеся ядра клеток, некоторые перекрывающиеся ядра не могут быть разделены, и, таким образом, необходим процесс уточнения. Основным методом, применяемым для разделения перекрывающихся ядер, является также управляемый маркером алгоритм преобразования водораздела, и ключевым моментом является определение количества ядер клеток в соединенной области.Другие алгоритмы, используемые в этом разделе, состоят из взвешенного по градиенту преобразования расстояния, 61 k-средних, 32 и минимального остовного дерева. 62

На этом этапе уточнения каждая область ϑ в сегментированном изображении гематоксилина из предыдущего результата оценивается отдельно. Сначала для каждой области region выполняется преобразование расстояния, взвешенное по градиенту. 61 Градиентно-взвешенное преобразование расстояния, как следует из названия, объединяет градиент изображения с информацией о пространственном расстоянии.Математически это можно выразить как 11

Eq. (8)

Dg = D × exp (1 − G − GminGmax − Gmin), где D — карта преобразования расстояния, G — карта преобразования градиента, а Gmin и Gmax — минимальное и максимальное значения в карте градиента G, соответственно. Можно отметить, что значение Dg имеет тенденцию быть высоким в положениях, более близких к целевому центру, и в местах с меньшими значениями градиента. С другой стороны, значение Dg становится меньше на границе объекта и в положениях с большими значениями градиента.Преобразование расстояния, взвешенное по градиенту, подходит для обеспечения сигнала разделения, потому что пиксели с большими значениями градиента с большей вероятностью будут расположены на границе ядер или на границе между перекрывающимися ядрами клеток. Затем обнаруживаются региональные максимумы в изображении Dg с градиентно-взвешенным преобразованием расстояния. Предположим, что на этом этапе достигается всего n региональных максимумов, это означает, что в этой области может быть не более n объектов, потому что на некоторых целях может быть обнаружено более одного регионального максимума из-за неправильной формы цели.Некоторые области с несколькими региональными максимумами представлены на рис. 5.

Рис. 5

Обнаружение региональных максимумов: (a) преобразование расстояния, взвешенного по градиенту, в маску сегментированного изображения и (b) региональные максимумы (отмечены зеленой точкой).

Затем алгоритм k-средних применяется к n точкам региональных максимумов. k-среднее — это метод кластеризации, направленный на минимизацию внутрикластерной суммы квадратов, определяемой как

Eq. (9)

O = ∑j = 1k∑i = 1m‖xi (j) −cj‖2, где k — количество кластеров, m — количество точек данных в i-м кластере, xi (j) — это i-я точка данных в j-м классе, cj представляет собой среднее значение точек в j-й группе, а ‖xi (j) -cj‖ — евклидово расстояние между xi (j) и cj.Для использования алгоритма k-средних необходимо заранее определить количество кластеров. Здесь мы знаем, что количество кластеров (количество целей в этом регионе) может быть любым числом от 1 до n. В результате мы применили подход k-средних к n точкам региональных максимумов, варьируя количество кластеров от 1 до n соответственно. Затем точки данных в каждом кластере соединяются с использованием схемы 62, минимального связующего дерева и рассматриваются как внутренние маркеры. Мы используем связанные точки максимумов, но не точку центроида кластера в качестве маркеров, потому что центроиды кластера могут быть удалены от точек максимумов, тогда как минимальное остовное дерево может соединять все элементы внутри кластера вместе с минимальным общим весом для его ребер.После определения внутренних маркеров результаты морфологической эрозии в дополнение к области ϑ с использованием структурирующего элемента с радиусом 3 используются в качестве внешних маркеров. Затем управляемый маркером алгоритм преобразования водораздела применяется к изображению градиента гематоксилина, модифицированному внутренними и внешними маркерами, с использованием техники наложения минимумов. Следовательно, мы можем получить k сегментированных областей в пределах области, в то время как каждая подобласть моделируется как эллипс, который представлен как

Eq.(10)

[(x − cx) cos (α) + (y − cy) cos (α)] 2a2 + [(x − cx) sin (α) — (y − cy) cos (α)] 2b2 = 1 , где a и b — большая и малая оси, соответственно, cx и cy — центральные точки, а α — угол поворота между осью x и большой осью. Все эти параметры эллипса измеряются путем анализа связного компонента в ранее сегментированном изображении, полученном из области. Тем не менее, потенциальное количество соприкасающихся объектов в области ϑ до сих пор неизвестно, и мы разработали целевую функцию для оценки целевого числа на основе предположения, что каждый объект имеет тенденцию иметь эллиптическую форму.Целевая функция выражается как

Eq. (11)

ξ (K) = ∑i = 1K∑j = 1J | Pij∉ϑ | + ∑m = 1M | Pϑm∉⋃i = 1KEi |, где Pij — j-я точка i-го подгоночного эллипса, Pϑm обозначает m-ю точку в области ϑ, Ei представляет i-й подобранный эллипс, K означает количество кластеров, J — общее количество точек в i-м эллипсе, а M — общее количество точки в пределах региона ϑ. | Pij∉ϑ | равно 1, если Pij∉ϑ. В противном случае это 0. Определение | Pϑm∉⋃i = 1KEi | похож на | Pij∉ϑ |. Иллюстрация приведенного выше уравнения приведена на рис.6.

Рис. 6

Иллюстрация целевой функции в уравнении. (11). [Область под красной точкой — это значение уравнения. (11) белый объект — это ячейки, а подобранный эллипс отмечен синим.]

Следовательно, потенциальное количество целей в области ϑ оценивается путем выбора номера кластера K, который достигает минимального значения ξ, и соответствующей сегментации результаты используются как окончательные для этого региона. Все остальные области анализируются аналогичной процедурой, так что перекрывающиеся объекты должным образом разделяются.Вся процедура этой части уточнения сегментации приведена в Алгоритме 1

Алгоритме 1

Процедура уточнения сегментации.

1: Введите предыдущее изображение сегментации, полученное из разд. 2.4.
2: Обозначьте все регионы (предположим, всего M связанных регионов).
3: выполнить преобразование расстояния градиент-вес.
4: Для i от 1 до M
5: Извлеките i-ю область.
6: Удалите дополнение i-й области и используйте полученное изображение в качестве внешних маркеров.
7: Определите региональные максимумы в i-й области (предположим, что суммарные максимумы N в i-й области).
8: Для j от 1 до N
9: Примените схему k-средних к максимумам N, в то время как номер кластера установлен равным j.
10: соедините элементы кластера с помощью метода минимального связующего дерева и используйте соединенные точки в качестве внутренних маркеров.
11: Измените изображение градиента гематоксилина с помощью вышеуказанных маркеров (внутренние + внешние маркеры).
12: Применить алгоритм преобразования водораздела к измененному градиентному изображению гематоксилина.
13: Придайте каждой сегментированной области форму эллипса.
14: Измерьте значение ξ с помощью уравнения. (11).
15: Конец
16: Выберите j-й результат сегментации в качестве результата разделения i-й области, где j достигает минимального значения ξ в указанном выше цикле.
17: Конец

Из алгоритма 1 следует отметить, что итерации во внутреннем цикле обрабатываются независимо, а итерации во внешнем цикле также выполняются независимо. Следовательно, этапы уточнения сегментации подходят для параллельных вычислений. Внешний или внутренний цикл может быть спроектирован как функция ядра на устройстве [графическом процессоре (GPU)] и параллельно работать на многоядерном графическом процессоре. 63 Данные, полученные из строк 2, 3, 5, 6 и 7, обычно посещаются каждой итерацией, и лучше загрузить их в общую память на GPU, чтобы ускорить доступ к данным, если размер памяти будет разрешить это. Функция ядра из внешнего цикла может даже вызывать функцию ядра из внутреннего цикла с помощью метода динамического параллелизма Compute Unified Device Architecture. 63 Однако, когда изображение очень маленькое и обнаружено только несколько областей, например, когда общее количество итераций в цикле намного меньше, чем количество ядер в графическом процессоре, ускорение будет ограничено, потому что это задержка передачи данных между центральным процессором (ЦП) и графическим процессором.

3.

Экспериментальные результаты

В этом разделе из набора данных Атласа генома рака (TCGA) случайным образом были выбраны 10 гистопатологических слайд-изображений, окрашенных H и E, с раком легких. Все изученные нами изображения слайдов были измерены на основе ткани рака легких и проверены опытным патологом, тогда как изображения слайдов низкого качества, например, содержащие серьезные артефакты, были исключены из нашего исследования. Эти изображения слайдов в TCGA были получены с использованием всего сканера слайдов при увеличении 40 × с разрешением 0.25 мкм / пиксель или 20 × с разрешением 0,50 мкм / пиксель. В этом исследовании мы использовали только изображения слайдов с разрешением 0,25 мкм / пиксель. Тем не менее, предложенный подход к извлечению ядер был также выполнен на изображениях слайдов с разрешением 0,50 мкм / пиксель либо путем изменения размера этих изображений, либо путем уменьшения размера элемента структурирования, используемого в морфологической операции в нашем алгоритме. Из каждого изображения слайда два изображения размером 350 × 350 и в среднем 70 клеточных ядер были случайным образом выбраны из области опухоли, помеченной патологом, в то время как анализ неопухолевой области на изображениях слайдов выходил за рамки этой статьи.Затем на этих изображениях был проведен процесс извлечения ядер. Процедура сегментации была реализована в MATLAB ® R2015b и проводилась на настольном персональном компьютере с процессором Intel Core i7-4770 3,40 ГГц.

На рисунке 7 показаны некоторые результаты сегментации с помощью предложенного нами алгоритма, из которых можно визуально увидеть, что наша схема может обеспечить приемлемые результаты извлечения ядер. Чтобы продемонстрировать надежность нашего метода, алгоритмы сегментации, представленные в работах.5, 29 и 56 использовались для сравнения. Результаты сегментации ядер, полученные с помощью метода, описанного в работах [5,16]. 5, 29 и 56 также приведены на рис. 7, и следует отметить, что метод в работах [1,2]. 5, 29 и 56 привели к еще большим проблемам с недостаточной сегментацией. Эти результаты сегментации также были проанализированы количественно. Здесь коэффициент подобия игральных костей (DCS), чувствительность (SN) и положительная прогностическая ценность (PPV) 5 были приняты в качестве показателей для оценки сегментации. DCS, которая является мерой перекрытия между двумя областями, широко используется для оценки сегментации и определяется как

Eq.(12)

DSC (Aseg, Agt) = 2 | Aseg∩Agt || Aseg | + | Agt |, где Aseg и Agt — сегментированная область и область «основной истины», которые извлекаются экспертом-патологом и | • | означает количество пикселей в определенной области (Aseg или Agt). DCS имеет тенденцию к 1, когда результаты сегментации очень похожи на основную истину. Для подхода сегментации значение DCS чем выше, тем лучше. SN и PPV, которые являются метриками для оценки обнаружения цели, задаются следующим образом:

Eq.(13)

SN = TPTP + FN, PPV = TPTP + FP, где TP — истинно положительный результат, который относится к количеству правильно обнаруженных ядер клеток; FP — ложноположительный результат, который представляет количество неправильно обнаруженных ядер клетки; и FN — это ложноотрицательный результат, который обозначает количество необнаруженных ядер клеток. Как и в случае с DCS, чем выше значения SN и PPV, тем лучше предложенный алгоритм сегментации. Здесь в общей сложности 10 изображений, извлеченных из 10 случайно выбранных изображений слайдов, интерактивно сегментируются патологом с помощью метода, представленного в Ref.64, и эти сегментированные ячейки используются в качестве основной истины для измерения показателей. Всего на 10 извлеченных изображениях содержится 600 ядер. Метод в работе. 64 был выбран для получения основных ядер, поскольку результаты сегментации могут быть улучшены путем интерактивной маркировки большего количества ядер-мишеней и фоновых областей на основе результатов сегментации с предыдущего шага до тех пор, пока не будут достигнуты удовлетворительные результаты. Поскольку процесс проверки требует много времени, оценка основана только на наборе случайно выбранных данных, что может быть потенциальным ограничением этого исследования.Результаты количественной оценки нашего предлагаемого алгоритма сегментации и те из работ. 5, 29 и 56 приведены в таблице 1. t-тест 65 был проведен для всех показателей между предложенным методом и тремя другими подходами. Все значения p были меньше 0,01, что означает, что разница значима. Следовательно, из таблицы 1 видно, что эффективность предлагаемого нами подхода превосходит остальные три метода. Основная причина, влияющая на результаты сегментации в работе.5 может быть критерием для объединения результатов сегментации при разных масштабах изображения, в то время как установить предопределенный порог в Ref. 29, что повлияет на извлечение маркера и окончательные результаты сегментации. Предполагается, что в [5] 56, что существует взаимно однозначное соответствие между маркерами и объектами. Однако это приведет к проблеме недостаточной или избыточной сегментации, если предположение не выполняется. Фактически, это предположение не выполняется на многих гистопатологических изображениях слайдов из-за сложных границ ядер клеток.

Рис. 7

Примеры некоторых результатов сегментации: (а) исходное изображение, окрашенное гематоксилином и эозином, (б) результаты сегментации с помощью предлагаемого нами метода и (в) — (д) результаты сегментации с использованием метода, описанного в справочниках. 5, 29 и 56 соответственно.

Таблица 1

Результаты оценки сегментации ядер клеток.

Метрики DSC SN PPV
Метод в справ. 5 0,815 0,900 0.928
Метод в справ. 29 0,794 0,877 0,885
Метод в справ. 56 0,755 0,819 0,932
Предлагаемый метод 0,880 0,931 0,985

Другой элемент алгоритма сегментации — это способность разделять соприкасающиеся ядра. Результаты сегментации с использованием предложенных нами методов и методов, приведенных в работах.5, 29 и 56 представлены на рис. 8. Можно обнаружить, что наш метод достаточно надежен, чтобы разделить соприкасающиеся ядра. Однако методы из работ. 5, 29 и 56 не могут разделить некоторые перекрывающиеся ядра и создают проблему избыточной сегментации. Здесь ошибки недостаточного разделения, чрезмерного разделения и вторжения используются для количественной оценки эффективности разделения ядер клеток в алгоритме сегментации. Недостаточное разделение определяется как отсутствие расщепления соприкасающихся ядер, тогда как чрезмерное разделение относится к разделению внутри одной не касающейся клетки, а ошибка вторжения описывается как неправильное разделение ядер. 66 Всего 224 области, имеющие связанные ядра, используются для статистического определения предопределенных показателей. В таблице 2 представлены результаты количественной оценки. Можно обнаружить, что предлагаемый нами метод может обеспечить лучшее разделение ядер с точки зрения ошибок недоразделения, чрезмерного разделения и вторжения. Определить количество ядер в соприкасающихся областях ядер в работах [10,11] не является робастным. 5, 29 и 56. Следовательно, иногда не удается разделить касающуюся область или возникает проблема избыточной сегментации.

Рис. 8

Разделение ядер соприкасающихся клеток: (а) исходное изображение, окрашенное гематоксилином и эозином, (б) результаты разделения с помощью предлагаемого нами метода и (в) — (д) результаты разделения с помощью метода, описанного в [5]. 5, 29 и 56 соответственно.

Таблица 2

Результаты оценки разделения ядер клеток.

Метрики Undersplit Oversplit Ошибка проникновения
Метод в Ref. 5 0,112 0.025 0,161
Метод, приведенный в справ. 29 0,192 0,029 0,138
Метод в справочнике. 56 0,143 0,056 0,143
Предлагаемый метод 0,076 0,022 0,098

Сравнение затрат времени (TC) на ЦП для предлагаемого нами метода и приведенных в ссылках 5, 29 и 56 приведен в таблице 3. Эти результаты получены для 10 изображений, каждое из которых имеет размер 350 × 350.Можно отметить, что TC нашего метода в среднем выше подходов, описанных в [1,2]. 29 и 56, а это меньше, чем в схеме в [5]. 5. Это можно объяснить тем, что на требуемое время сильно влияет сложность алгоритма, особенно в части уточнения сегментации среди этих алгоритмов. Для методов, описанных в работах. 29 и 56, этап постобработки задействован только в дистанционном преобразовании и морфологической операции, и он намного проще, чем наш метод и метод в [5].5. Однако метод в [5]. 5 более сложен, чем наш алгоритм, потому что необходимо измерить многие характеристики ячеек и обработать изображения в нескольких масштабах. Несмотря на то, что предложенный нами алгоритм не является самым эффективным с точки зрения TC, наш метод имеет лучшие результаты с точки зрения точности сегментации и разделения ядер клеток (см. Таблицы 2 и 3).

Таблица 3

Результаты оценки затраченного времени (единица: с).

905 905 2,97 905 Образец 3,97 905 6,54

905 4,62 905 2,06 905 905 2,66 2,06 905 905 Изображение 8

Изображение Метод в справ. 5 Метод, приведенный в справ.29 Метод, описанный в ссылке. 56 Предлагаемый способ
Изображение 1 8,55 2,47 2,69 2,70
Изображение 2 7,33 2,58 2,41 2,67 3,39
Изображение 4 8,50 2,58 2,88 3,85
Изображение 5 6.94 2,61 2,97 4,41
Изображение 6 9,37 2,67 2,91 4,45
Изображение 7 10,34 2,68 2,98 4,10
Изображение 9 11,50 2,60 2,67 5,09
Изображение 10

9.54 2,55 2,59 3,99
Среднее значение 8,87 2,59 2,83 4,05

В предлагаемом алгоритме есть много параметров, влияющих на гиперпараметры, и некоторые из них будут влиять на гиперпараметры. окончательные результаты сегментации. Поэтому об этих параметрах необходимо знать больше. В гл. 2.1 нет переменной, которую нужно было бы устанавливать вручную. В гл. 2.2, два вида морфологических операций — открытие реконструкцией и закрытие реконструкцией — влияют на размер структурирующего элемента.Обычно размер структурирующего элемента на этом этапе должен быть похож на размер ядер. Однако размер ядер очень гибкий и не фиксированный, что увеличивает сложность выбора размера структурирующего элемента. Мы провели анализ SN, и результаты устойчивы к выбору размера структурирующего элемента, когда он составляет около 7. В разд. 2.3 гиперпараметр отсутствует, поскольку пороговое значение автоматически ищется на основе изображения. В гл.2.4 радиус дискообразного структурирующего элемента задан равным 3, который будет использоваться в операции морфологического открытия, чтобы сделать границу объекта гладкой. Небольшого структурирующего элемента в форме диска достаточно, чтобы сгладить границу, в то время как более крупный структурирующий элемент подорвет форму ядер. Поэтому рекомендуется установить это значение радиуса равным 3. Кроме того, в разд. 2,4, что является пороговым значением. Пороговое значение используется для получения внутренних маркеров путем комбинирования с преобразованием «H-максимум».Это пороговое значение устанавливается равным небольшому значению 3, при котором внутренний маркер будет иметь форму ядер. Несмотря на то, что небольшое пороговое значение может разделить некоторые слабо связанные ядра, оно не может отправить другие ядра с большим количеством перекрывающихся областей. Однако это небольшое пороговое значение не повлияет на окончательные результаты сегментации, потому что разделение ядер специально выполняется в части уточнения сегментации. Другими словами, конечный результат не очень чувствителен к этому пороговому значению, когда оно составляет около 3.Более того, дискообразный элемент структурирования, используемый в алгоритме морфологического каркаса, имеет наименьший размер и является фиксированным. Следовательно, его можно рассматривать как постоянную величину. В гл. 2.5 количество кластеров в алгоритме k-средних задается итеративно, и правильный из них выбирается после минимизации целевой функции. То есть значение этой переменной получается автоматически. Кроме того, все параметры в формуле. (10) измеряются по результатам сегментации на предыдущем шаге. Таким образом, значение параметра не следует указывать заранее вручную.Другими словами, нет параметров, которые нужно настраивать в разд. 2.5.

4.

Выводы и дальнейшая работа

В этой статье мы разработали автоматический метод, который позволяет сегментировать ядра клеток на гистопатологических изображениях, окрашенных H & E. Изображение гематоксилина, которое может надлежащим образом представлять концентрацию пятна гематоксилина, получается с помощью алгоритма деконволюции цвета, и все следующие процессы выполняются на основе изображения гематоксилина.Морфологические операции и методы автоматического определения порога, применяемые к изображению гематоксилина, делают результат сегментации устойчивым к разнообразию ядер и неоднородности изображения, в то время как результаты сегментации дополнительно уточняются за счет минимизации разработанной целевой функции, чтобы можно было разделить кластерные ядра клеток. Наши экспериментальные результаты показывают, что предлагаемый подход к извлечению ядер может обеспечить хорошие результаты сегментации и достичь лучших характеристик с точки зрения точности сегментации и разделения ядер по сравнению с другими алгоритмами извлечения ядер.Мы пробовали разные комбинации методов, но именно эта серия методов обработки изображений дает лучшие результаты среди всех других комбинаций. Насколько нам известно, метод уточнения сегментации — это идея, которая может определять количество ядер в связанной области и разделять множественные ядра. Несмотря на то, что наш метод оказался эффективным в разделении соприкасающихся ядер, он все еще страдает проблемой чрезмерной сегментации, когда форма ядер далека от эллиптической.Добавление дополнительной информации, такой как размер ядра, в целевую функцию может быть способом решения этой проблемы.

Основываясь на результатах сегментации ядер, может быть полезно провести классификацию клеток в качестве будущей работы, которая будет полезна для патологов. Одна из идей состоит в том, чтобы извлечь характеристики клеток из сегментированных ядер клеток и классифицировать клетки с использованием традиционных схем классификации. Другой — извлечь участки изображения, центрированные с сегментированными ядрами клеток, из исходного гистопатологического изображения, окрашенного гематоксилином и эозином, и изучить саму клеточную функцию с использованием подхода глубокого обучения, чтобы исследователям больше не нужно было определять и анализировать особенности самостоятельно.Затем изученные функции можно использовать для классификации ячеек. Кроме того, предложенный алгоритм сегментации может быть полезен при отслеживании клеток, когда доступны серии покадровых изображений, а отслеживание клеток может быть полезным для анализа хода клеточного цикла и понимания воздействия лекарств на раковые клетки. Основываясь на нашем опыте, эту методологию можно распространить на другие органы, такие как грудь и почки, при той же патологии, потому что почти все злокачественные клетки имеют схожую атипию в ядре с точки зрения патолога.Стоит отметить, что текущий метод был разработан на основе изображений, окрашенных H & E, с 40-кратным увеличением (которое обычно считается относительно высоким разрешением для изображений, окрашенных H & E). При применении этого метода к изображениям, окрашенным H и E с низким разрешением, например при 20-кратном увеличении, размер структурирующего элемента, используемого в морфологических операциях, необходимо соответствующим образом скорректировать. Кроме того, этот предложенный метод больше подходит для ядер, которые имеют форму, приближенную к эллипсу. Если ядра клеток не имеют форму, приближенную к эллипсу, что является довольно необычной ситуацией, предлагаемый метод может не сработать.

Раскрытие информации

Авторы не заявляют о конфликтах интересов, финансовых или иных.

Благодарности

Эта работа была поддержана Национальными институтами здравоохранения (№№ 1R01CA172211 и 1R01GM115473) и Научно-исследовательским институтом профилактики рака Техаса (№ RP120732).

Ссылки

10.

A. Cruz-Roa et al.,
«Архитектура глубокого обучения для представления изображений, визуальной интерпретации и автоматического обнаружения рака базальноклеточной карциномы»,

в Int.Конф. Вычисление медицинских изображений и компьютерное вмешательство (MICCAI 2013),
403
–410
(2013). http://dx.doi.org/10.1007/978-3-642-40763-5_50 Google Scholar

11.

Р. К. Гонсалес и Р. Э. Вудс, Обработка цифровых изображений, Prentice Hall, Upper Saddle River, Нью-Йорк
(2002). Google Scholar

15.

Г. Э. Судджи, Ю. В. С. Лакшми и Г. В. Джиджи,
«Сегментация изображений мозга при МРТ на основе пороговых значений»,
Int. J. Adv.Comput. Res., 3
(1), 97
–101
(2013). Google Scholar

16.

С. Камди и Р. К. Кришна,
«Алгоритм сегментации изображения и увеличения области»,
Int. J. Comput. Technol. Электрон. Англ., 2
(1), 103
–107
(2012). Google Scholar

18.

С. Бала и А. Дугар,
«Автоматическое обнаружение серповидных клеток в эритроцитах с использованием сегментации водораздела»,
Int. J. Adv. Res. Comput. и Сообщество. Англ., 4
(6), 488
–491
(2015).BLOOAW 0006-4971 Google Scholar

25.

Y. J. Kim et al.,
«Автоматическая ядерная сегментация при определении индекса маркировки Ki-67 в менингиомах»,
Clin. Neuropathol., 25
(2), 67
–73
(2006). CLNPDA Google Scholar

27.

Х. Иршад, Л. Ру и Д. Ракочану,
«Многоканальные статистические и морфологические признаки, основанные на обнаружении митоза в гистопатологии рака молочной железы»,

в 35-й ежегодной международной конференции Конф.Общества инженеров в медицине и биологии (EMBC),
6091
–6094
(2013). http://dx.doi.org/10.1109/EMBC.2013.6610942 Google Scholar

29.

Х. Ян, Х. Ли и Х. Чжоу,
«Сегментация ядер с использованием контролируемого маркером водораздела, отслеживание с использованием среднего сдвига и фильтра Калмана в покадровой микроскопии»,
IEEE Trans. Circuits Syst. Regul. Пап., 53
(11), 2405
–2414
(2006). http://dx.doi.org/10.1109/TCSI.2006.884469 Google Scholar

40.

Дж. Орикава и Т. Танака,
«Сегментация клеток из фазово-контрастных изображений с использованием алгоритма гибридного водораздела и выращивания регионов для открытия геномных лекарств»,

в Proc. Ежегодной конференции SICE 2010,
84
–88
(2010). Google Scholar

47.

J. Kong et al.,
«На пути к созданию системы компьютерного анализа изображений для распознавания ядер на микроскопических изображениях диффузной глиомы»,

в IEEE Annual Int. Конф. общества инженерии в медицине и биологии (EMBC 2011),
6605
–6608
(2011).http://dx.doi.org/10.1109/IEMBS.2011.60

Google Scholar

50.

А. Хафиане, Ф. Буньяк и К. Паланиаппан,
«Кластеризация инициировала многофазные активные контуры и надежное разделение групп ядер для сегментации ткани»,

в 19-м Междунар. Конф. по распознаванию образов (ICPR 2008),
1
–4
(2008). http://dx.doi.org/10.1109/ICPR.2008.4761744 Google Scholar

52.

А. Муэли, М. Саяди и Ф. Фнайек,
«Автоматическая сегментация кластерных клеток рака груди с использованием водораздела и графа вогнутых вершин»,

в 2011 г.Конф. по коммуникационным, вычислительным и управляющим приложениям (CCCA),
1
–6
(2011). http://dx.doi.org/10.1109/CCCA.2011.6031229 Google Scholar

58.

А. К. Руифрок и Д. А. Джонстон,
«Количественная оценка гистохимического окрашивания деконволюцией цвета»,
Анальный. Quant. Цитол. Histol., 23
(4), 291
–299
(2001). Google Scholar

60.

Э. Гозе и Р. Джонсонбо, Распознавание образов и анализ изображений, Prentice Hall, Upper Saddle River, Нью-Джерси
(1997).Google Scholar

61.

G. Lin et al.,
«Гибридный трехмерный алгоритм водораздела, включающий градиентные сигналы и объектные модели для автоматической сегментации ядер в стеках конфокальных изображений»,
Цитометрия Часть A, 56
(1), 23
–36
(2003). http://dx.doi.org/10.1002/(ISSN) 1097-0320 1552-4922 Google Scholar

63.

С. Кук, Программирование CUDA: Руководство разработчика по параллельным вычислениям с графическими процессорами, Ньюнс, Оксфорд
(2012). Google Scholar

65.

W. J. Dixon и F. J. Massey, Introduction to Statistical Analysis, McGraw-Hill, New York
(1969). Google Scholar

Биография

Фалиу Йи — научный сотрудник Юго-Западного медицинского центра Техасского университета. Он получил степень бакалавра наук в области информационной безопасности в Юньнаньском университете, Куньмин, Китай, в 2008 году, а также степень магистра и доктора наук в области компьютерной инженерии в Университете Чосун, Кванджу, Республика Корея, в 2012 и 2015 годах, соответственно.Его исследовательские интересы включают обработку трехмерных изображений, компьютерное зрение, машинное обучение, информационную безопасность и параллельные вычисления.

Цзюньчжоу Хуан получил степень бакалавра наук в Университете науки и технологий Хуачжун, Ухань, в 1996 году, степень магистра в Институте автоматизации Китайской академии наук в 2003 году и степень доктора философии в Университете Рутгерса в 2011 году. Он доцент кафедры компьютерных наук и инженерии Техасского университета в Арлингтоне.Его исследовательские интересы включают биомедицинскую визуализацию, машинное обучение и компьютерное зрение.

Линь Ян — доцент и старший патологоанатом в Национальном онкологическом центре Китая. Она получила степень бакалавра медицины в области медицинской информатики и степень магистра клинической онкологии в Китайском медицинском университете в 2000 и 2003 годах, соответственно. В 2014 году она получила степень доктора медицины в области опухолевой патологии в Китайской академии медицинских наук / Медицинской школе Пекинского союза. Ее клиническая работа связана с патологической диагностикой солидных опухолей и сосредоточена на исследованиях рака легких.

Ян Се — доцент и директор Центра количественных биомедицинских исследований Юго-западного медицинского центра Техасского университета. Она получила степень бакалавра наук в области профилактической медицины в Медицинской школе Пекинского университета в 1997 году. Она получила степень магистра и доктора биостатистики в Университете Миннесоты в 2002 и 2006 годах, соответственно. Ее исследовательские интересы включают прогностическое моделирование, биомаркеры рака и медицинскую информатику.

Гуанхуа Сяо — доцент Юго-западного медицинского центра Техасского университета.Он получил степени бакалавра и магистра в области материаловедения и инженерии в Университете Цинхуа, Пекин, Китай, в 1997 и 2000 годах, соответственно, а также степень магистра электронной инженерии и докторскую степень в области биостатистики в Университете Миннесоты, города-побратимы, оба в 2006 году. Его исследовательские интересы включают пространственную статистику, байесовское моделирование, анализ патологической визуализации и биомаркеры рака.

Схема обработки изображений для обнаружения поверхностных грибковых инфекций кожи

Предполагается, что частота встречаемости поверхностных грибковых инфекций составляет от 20 до 25% мирового населения.Флуоресцентная микроскопия извлеченных образцов кожи часто используется для быстрой оценки инфекций. Для поддержки дерматолога была разработана схема анализа изображений, которая оценивает цифровые микроскопические изображения для обнаружения гиф грибов. Целью исследования было повышение качества диагностики и сокращение времени до постановки диагноза. Анализ, состоящий из предварительной обработки, сегментации, параметризации и классификации идентифицированных структур, проводился на цифровых микроскопических изображениях.Для оценки алгоритма был создан тестовый набор данных гиф и ложноположительных объектов. Кроме того, эффективность реальных клинических изображений была исследована с использованием 415 изображений. Результаты показывают, что чувствительность для гиф составляет 94% и 89% для отдельных и кластерных гиф, соответственно. Средний уровень исключения для ложноположительных объектов составляет 91%. Чувствительность для клинических изображений составила 83%, а специфичность — 79%. Хотя производительность для клинических изображений ниже, чем для тестового набора данных, можно добиться надежного и быстрого диагноза, поскольку не обязательно обнаруживать каждую гифу, чтобы сделать вывод о заражении образца, состоящего из нескольких изображений.Таким образом, предлагаемый анализ позволяет достичь высокого диагностического качества и быстрой оценки образцов.

1. Введение

Предполагается, что от 20 до 25% мирового населения поражено поверхностными грибковыми инфекциями, с постоянно увеличивающейся заболеваемостью [1]. В тропических регионах они являются основной причиной заболеваемости из-за идеальных теплых и влажных условий для роста грибков [2]. Дерматофиты, основная причина инфекций [3, 4], переваривают кератин и поэтому могут быть обнаружены на коже и ее отделах (волосах, ногтях) [5].Они передаются при прямом контакте от человека к человеку или косвенно через слущенный инфицированный эпидермис или волосы [5].

В связи с широким распространением и, как следствие, большим количеством пациентов, дерматологи часто ставят перед собой задачу диагностировать и лечить грибковые инфекции. Прямое микроскопическое исследование обычно используется как метод скрининга, поскольку он быстрый и экономичный [6]. Флуоресцентное окрашивание увеличивает контраст образца и, следовательно, еще больше облегчает обнаружение грибов [7, 8].Недостатком микроскопии является невозможность получения информации о видах грибов. Следовательно, необходимо применять дополнительные методы, такие как культивирование грибов или методы полимеразной цепной реакции на основе ДНК, когда важна информация о видах грибов [9]. Однако прямое микроскопическое исследование считается важным методом диагностики поверхностных грибковых инфекций [6].

Хотя микроскопия быстрее и дешевле, чем методы, основанные на культуре или ДНК, у нее есть некоторые недостатки.В зависимости от опыта пользователя, условий выборки и размера выборки, оценка полных выборок может занять много времени. Следовательно, одновременная диагностика нескольких образцов может быть утомительной задачей, которая может привести к ошибкам классификации и увеличению вариабельности внутри и между наблюдателями.

Чтобы преодолеть эти недостатки, была разработана схема анализа изображений, которая автоматически обнаруживает грибковые инфекции на изображениях цифровой флуоресцентной микроскопии. Использование методов обработки изображений для обнаружения грибковых структур — распространенный подход в биотехнологии для характеристики и анализа роста грибов в процессах ферментации [10–13].Однако, насколько нам известно, автоматическая оценка клинических изображений грибковых инфекций — это новая тема.

Разработанная схема анализа должна быть полезна в повседневной клинической практике и должна соответствовать конкретным требованиям. Что наиболее важно, помимо высокой чувствительности и специфичности, во время контакта с пациентом должен быть доступен надежный диагноз. Следовательно, анализ изображений и визуализация результатов должны быть адаптированы к клиническому рабочему процессу. В этом контексте необходимо максимально сократить время диагностики.Это может быть достигнуто путем выбора алгоритмов с малым временем расчета и онлайн-визуализации результатов обнаружения.

Подход, представленный в этом исследовании, использовал несколько этапов обработки изображений для предварительной обработки, сегментации и параметризации изображений, полученных с помощью автоматизированной системы визуализации флуоресценции. Параметры для описания обнаруженных структур использовались в основанной на правилах схеме классификации для определения наличия грибковой инфекции. Методы обработки изображений были выбраны для достижения приемлемого времени расчета.Эффективность метода оценивалась для выбранных вручную наборов тестовых данных и клинических изображений инфицированных и неинфицированных пациентов.

2. Материалы и методы
2.1. Материал и подготовка образца

Зараженные образцы, состоящие из небольших чешуек кожи, были взяты из клинических случаев в университетской больнице. Образцы были собраны во время планового обследования, при котором врачи диагностировали грибковые инфекции. Кроме того, в больнице были взяты неинфицированные образцы у здоровых людей.Пробоподготовка, состоящая из мацерации и окрашивания коммерчески доступным MykoColor (RSC Pharma, Гиссен, Германия), была проведена в нашей лаборатории. Чешуйки кожи помещали на предметное стекло и добавляли 0,02 мл MykoColor. Покровное стекло было использовано для осторожного выравнивания образца.

2.2. Устройство визуализации

Визуализацию выполняли с использованием экспериментальной автоматизированной системы флуоресцентной визуализации (Helmut Hund GmbH, Вецлар, Германия), которая обеспечивала полное сканирование области 1 см 2 (состоящее из 100 отдельных изображений) предметного стекла, на котором изображена кожа. шкалы располагались случайным образом.Система оснащена монохромной камерой (5 мегапикселей), объективом (10-кратное увеличение, 0,25 NA) и светодиодной подсветкой (пик возбуждения: 365 нм) и способна выполнять автофокусировку на структурах образца.

2.3. Описание изображений, гиф и других структур

Флуоресцентные изображения образцов, снятые с помощью автоматизированного устройства, обычно показывают темный фон с яркими флуоресцентными структурами. Эти структуры представляют собой либо гифы, принадлежащие грибковой инфекции, либо ложноположительные структуры и артефакты, которые могут быть ошибочно приняты за гифы.На рисунке 1 показаны два класса гиф, единичные (а) и сгруппированные (б), которые обычно наблюдаются и которые изучались в данном исследовании. Единичные гифы характеризуются относительно однородной шириной и интенсивностью. Форма часто бывает удлиненной или изогнутой без ответвлений. Сгруппированные гифы можно описать как скопление перекрывающихся одиночных и разветвленных гиф, которые могут иметь несколько стыков.

Ложно-положительные структуры, которые присутствовали в образцах, были в основном целлюлозными волокнами одежды, круговыми и нерегулярными отражениями осветительного устройства, возникающими от воздушных включений, и других различных объектов, таких как частицы пластика и грязь.

Волокна целлюлозы (см. Рис. 2 (а)) часто можно найти в образцах кожи. Характерными чертами являются удлиненная, но неровная поверхность и текстура различной ширины. Кроме того, волокна часто крупнее гиф.

Круглые и неправильные включения воздуха (рис. 2 (b) и 2 (c)) возникают в процессе подготовки образца. Небольшие включения образуют круглые структуры с яркими переходами между воздухом и окрашивающим реагентом из-за отражений осветительного прибора.Более крупные включения имеют различную неправильную форму с такими же переходами, как и мелкие включения.

Прочие конструкции — это внешние загрязнения, такие как пластиковые частицы из контейнеров для проб (рис. 2 (d)), используемые для транспортировки и хранения, грязь и пыль. Форма разных объектов изменчива, но в большинстве случаев отличается от гиф. Кроме того, эти объекты можно идентифицировать из-за высокой интенсивности.

На рисунке 3 показан примерный обзор клинических изображений с множественными структурами, такими как чешуйки кожи, волокна целлюлозы и различные частицы, которые часто можно найти.Изображения указывают на разнообразие подозрительных объектов, с которыми необходимо иметь дело при обнаружении гиф, и на проблемы оценки данных для дерматологов и программных алгоритмов.

2.4. Анализ изображений

Разработанная схема анализа изображений (обзор приведена на рисунке 4) разделена на этапы предварительной обработки и сегментации изображений, параметризации и классификации объектов. Для реализации используется среда обработки изображений с открытым исходным кодом OpenCV [14].Кроме того, был разработан графический пользовательский интерфейс для загрузки данных изображения и визуализации результатов.

Предварительная обработка и сегментация начинаются с алгоритма Кэнни [15] для уменьшения фона и обнаружения краев структуры. После бинаризации алгоритм закрывает прерывистые объекты (с использованием морфологической дилатации) и выделяет связанные структуры в единую область интересов (ROI), используя подход связанных компонентов, основанный на алгоритме роста области.

Для заполнения дыр, которые могут присутствовать в объектах, на следующем этапе предварительной обработки область интереса расширяется рамкой шириной в один пиксель, чтобы отделить объекты от поля области интереса.Затем используется алгоритм заливки заливкой для присвоения произвольного значения интенсивности всем пикселям, окружающим объект. На последнем шаге мы присваиваем значение интенсивности объекта всем пикселям, которые не соответствуют произвольному значению интенсивности.

После предварительной обработки все отдельные объекты сохраняются в наборе данных, который используется на последовательных этапах параметризации и классификации.

На рисунке 5 показан результат каждого этапа предварительной обработки гифы.

На этапе параметризации для каждого подозрительного объекта в наборе данных рассчитываются морфологические и статистические признаки.Следует отметить, что все указанные ниже пороговые значения действительны только для используемой системы визуализации и настроек камеры. Следовательно, их следует пересмотреть в других системах. Сначала выполняется предварительный отбор объектов по размеру и интенсивности объекта.

Размер объекта . Чтобы отсортировать мелкие артефакты, которые часто присутствуют в образцах, при классификации учитываются только объекты, состоящие из определенного количества пикселей. Для используемой установки изображения порог в 250 пикселей был выбран вручную на основе распределения гиф по размерам.

Интенсивность объекта. Время экспозиции и коэффициент усиления используемой камеры настраиваются в соответствии с яркостью окрашенных гиф. Поэтому был исследован порог средней интенсивности структур (значение 130 для используемой установки), чтобы отсортировать очень яркие ложноположительные структуры.

Затем для оставшихся подозрительных объектов рассчитываются следующие характеристики. Последующая классификация на основе правил использует эти характеристики и пороги, чтобы исключить ложноположительные объекты (без гиф) из набора данных объектов и сохранить истинно-положительные гифы.

Анализ гистограмм . Распределение интенсивности нерегулярных воздушных включений показывает характерный первый пик при низких интенсивностях и второй пик на спадающем наклоне первого пика. Это связано с тем, что воздух и окрашивающий реагент дают разные значения интенсивности на изображении. Следовательно, области интереса, содержащие нерегулярные включения воздуха, содержат два уровня интенсивности фона, которые присутствуют только в включениях воздуха. Эта информация используется, чтобы отличить эти структуры от гиф.Для идентификации характерной формы положение и амплитуда пиков на сглаженной гистограмме объектов рассчитываются и сравниваются с пороговыми значениями, полученными вручную (положение пика 1 не после ячейки 30 и амплитуда пика 2 не ниже 15). Эти пороговые значения были получены путем оценки всех наблюдаемых нерегулярных включений воздуха.

Обнаружение круговых структур . Для исключения круглых включений воздуха используется алгоритм, основанный на принципе преобразования Хафа [16] для круговых структур.Поскольку окружающий прямоугольник круглых объектов является квадратичным, алгоритм вычисляется только для объектов с отношением ширины к высоте от 0,8 до 1,2. Интенсивности пикселей вдоль круга с центром в середине окружающего прямоугольника с соответствующим радиусом суммируются и нормализуются по периметру круга. Порог в 10% пикселей, лежащих на круге, был исследован, чтобы решить, что объект представляет собой круглое воздушное включение.

Анализ ширины .Поскольку гифы имеют одинаковую ширину и имеют гладкую поверхность, распределение ширины, перпендикулярное каркасу структур, вычисляется между двумя соседними пикселями для каждого другого положения пикселя (пример показан на рисунке 6). Кроме того, в скелете обнаруживаются соединения, позволяющие различать отдельные гифы и гифы в кластерах. Средняя толщина и стандартное отклонение впоследствии сравниваются с пороговыми значениями (для отдельных гиф: средняя толщина от 4,4 до 9 пикселей, стандартное отклонение менее 2.8; для кластерных гиф: средняя толщина от 4,4 до 10 пикселей, стандартное отклонение менее 12). Используя эту информацию, выявляются неправильные структуры, такие как волокна целлюлозы, частицы пластика, другие загрязнения, а также слишком тонкие или толстые структуры, такие как включения воздуха, и исключаются из набора данных инфицированных структур.

После классификации все идентифицированные ложноположительные объекты исключаются из набора данных, и остаются только истинно-положительные гифы. Для представления результатов изображения, на которых обнаружены зараженные объекты, визуализируются в графическом интерфейсе пользователя.

2,5. Спецификация параметров классификации

Набор тестовых данных, состоящий из подмножеств выбранных вручную объектов всех истинных и ложноположительных результатов, был создан для определения характеристик классификации. Для подмножеств были выбраны 100 единичных гиф, 70 сгруппированных гиф, 90 круговых отражений, 90 нерегулярных отражений, 44 целлюлозных волокна и 19 различных частиц. Параметры классификации, показанные выше, были оптимизированы вручную в итеративном процессе для достижения максимальной чувствительности.Результаты классификации для тестового набора данных показаны в таблицах 1 и 2 соответственно. Поскольку были выбраны только объекты достаточного размера, выполнение критерия «размер объекта» не оценивалось.

Круговое отражение

02 94 905 9127

905


Истинно-положительные структуры Ложно-положительные структуры
Гифы: единичные Гифы: кластеры Круговое волокно

Разное.частиц

Общее количество 100 70 90 90 44 19
Правильно классифицировано
94 905 38 17

Уровень обнаружения 94% 89% 98% 86% 86% 89%
5
02 9025 905 9127 на

анализ

28

28

28


Круговые отражения Неправильные отражения Волокна целлюлозы Разное.частиц

Общее количество в наборе тестовых данных 90 90 44 19
После сегментации 40
Интенсивность 0 0 17 12
Окружность 21 2 65 1 0
Расчет ширины 15 12 23 14

3



6 2
Скорость обнаружения 98% 90 527

86% 86% 89%

2.6. Оценка

Была оценена общая эффективность метода получения изображений клинической флуоресцентной микроскопии с использованием автоматизированной системы визуализации. Поэтому были исследованы чувствительность, специфичность и время расчета для 415 изображений. Эти изображения изначально были классифицированы опытными клиницистами на «инфицированные» и «незараженные». Алгоритм был использован для автоматической классификации, и результаты сравнивались.

Результаты представлены в перспективе «для каждого изображения», что означает, что данное изображение распознается как зараженное, как только обнаруживается одна гифа.Следовательно, перспектива «на изображение» может использоваться для достижения правильной классификации без обнаружения всех гиф, присутствующих на изображении. Правильная классификация незараженного изображения, напротив, означает, что алгоритм должен отсортировать каждую ложноположительную структуру.

Метод оценки «по изображению» выбран из-за клинической значимости отдельных изображений. Дерматологам не нужно распознавать все гифы, которые действительно присутствуют в образце. Теоретически для диагностики грибковой инфекции достаточно обнаружить одну гифу.

3. Результаты

Все расчеты были выполнены на процессоре Intel Core 2 Quad Q9650 с тактовой частотой 3,00 ГГц. Хотя импорт изображения и обработка изображения выполняются отдельно на отдельных ядрах, до сих пор не было реализовано распараллеливание самой обработки изображения.

3.1. Выполнение классификации

Результаты классификации набора тестовых данных истинно- и ложноположительных структур показаны в таблице 1. В данном контексте «правильно классифицировано» означает, что объекты распознаются как гифы для истинно-положительных результатов и что объекты не распознаются как гифы для ложноположительных результатов.

Степень обнаружения после оптимизации параметров классификации алгоритма составляет 94% и 89% для единичных и кластерных гиф соответственно. Что касается ложноположительных структур, степень обнаружения круговых отражений составляет 98%, нерегулярных отражений 86%, целлюлозных волокон 86% и различных частиц 89%.

Характеристики классификационных признаков для ложноположительных структур показаны в таблице 2. Скорость обнаружения варьируется для разных типов (круговое отражение, нерегулярное отражение, целлюлозные волокна и прочее.частицы) ложноположительных структур. Функция «интенсивность объекта» была особенно полезна для целлюлозных волокон и различных частиц. Измерение округлости и анализ гистограммы успешно отсортировали ложные срабатывания из-за отражений воздушных включений, а расчет ширины обнаружил ложные срабатывания всех классов.

Кроме того, алгоритм Кэнни, используемый для сегментации, оказывает сильное влияние на эффективность классификации. В случае круговых отражений алгоритм отсортировал 50 ложноположительных объектов из-за их низкой интенсивности.С другой стороны, алгоритм не обнаруживал все изначально непрерывные объекты как единичные объекты. Он имеет тенденцию разделять большие конструкции на несколько объектов. Этот эффект можно наблюдать для целлюлозных волокон и различных частиц.

Более подробная оценка алгоритма показала, что методы, используемые для уменьшения ложноположительных структур, ошибочно исключали истинно-положительные гифы из набора данных подозрительных объектов. Расчет ширины, обнаружение круговых структур и анализ гистограммы позволили выделить две отдельные гифы.Для кластерных гиф пять и три объекта были исключены расчетом ширины и анализом гистограммы, соответственно (данные не показаны).

3.2. Производительность на клинических изображениях

Разработанный алгоритм правильно обнаружил 160 из 194 инфицированных изображений и 174 из 221 незараженных изображений. Следовательно, общая чувствительность составляет 83%, а специфичность — 79% для изображений клинической флуоресцентной микроскопии (см. Таблицу 3). Всего с использованием уменьшения фона было сегментировано 8 433 объекта.После отказа от малых конструкций, 2311 объектов остались для классификации.

1605 9025 9025 9027 9027 905


Зараженные образы Незараженные образы

Всего 905

905

905

Правильно классифицировано в% 83 79

Анализ этапов обработки показал, что время расчета на объект и на 96 миллисекунд на изображение составило 18 и 96 миллисекунд. для предварительной обработки 18 и 101 миллисекунда для сегментации и 11 и 61 миллисекунда для параметризации, включая классификацию, соответственно.Среднее время расчета для всей обработки составило 47 миллисекунд для объекта и 258 миллисекунд для изображения (см. Таблицу 4).


Время расчета Предварительная обработка Сегментация Параметризация Всего

905 905 9112 905 905 9112

47
На изображение [мс] 96 101 61 258

Всего для 415 изображений [s] 40.0 41,7 25,2 106,9

4. Обсуждение

Представлена ​​схема анализа изображений для обнаружения грибковых инфекций на изображениях цифровой флуоресцентной микроскопии. Схема состоит из этапов предварительной обработки изображения, сегментации, параметризации и классификации, которые сильно влияют на скорость обнаружения. Результаты показывают, что параметры классификации обеспечивают высокий уровень обнаружения гиф (94% и 89% для единичных и сгруппированных гиф, соответственно.) тестового набора данных. Однако общая производительность на клинических изображениях ниже. Это можно объяснить разным качеством изображения тестового набора данных и клинических изображений. Поскольку целью тестового набора данных была оценка чувствительности алгоритма к морфологическим и статистическим характеристикам, были выбраны только объекты с высоким качеством изображения с точки зрения резких контуров и высокого контраста объекта и фона. С другой стороны, качество клинических изображений оставляет желать лучшего по сравнению с тестовым набором данных.Контраст объекта и фона может быть низким, потому что другие структуры перекрывают гифы. Кроме того, из-за толщины образца некоторые структуры могут располагаться вне фокуса и, следовательно, выглядеть размытыми.

Однако подход «на изображение» увеличивает чувствительность, поскольку для диагностики инфекции достаточно обнаружить одну гифу. В этом контексте следует учитывать, что вследствие роста грибов в инфицированных образцах часто присутствуют множественные единичные и сгруппированные гифы.Таким образом, вероятность правильной классификации изображений как инфицированных возрастает с увеличением количества гиф.

Те же результаты можно наблюдать в отношении специфики метода. Частота обнаружения ложноположительных структур тестового набора данных выше общей специфичности. Здесь подход «на изображение» ухудшает результаты, поскольку изображение часто состоит из нескольких ложноположительных структур, которые все должны быть правильно классифицированы. В частности, нерегулярные воздушные включения, волокна целлюлозы и различные частицы могут снизить специфичность, поскольку более 10% объектов классифицируются неправильно (см. Таблицу 2).

Следовательно, компромисс высокой чувствительности заключается в более низкой специфичности, которая, как следствие, является причиной большого количества неинфицированных объектов, которые обнаруживаются как гифы. Чтобы облегчить процесс диагностики для дерматологов, изображения, классифицированные как истинно-положительные, представлены без выделения обнаруженных объектов. Таким образом, опытные дерматологи могут быстрее решить, содержит ли изображение гифы, поскольку им не нужно явно оценивать каждый отдельный объект.

Ограничение текущей оценки заключается в том, что анализ выполняется на основе «каждого изображения», а не «на основе пациента». Подход «на изображение» используется для оптимизации алгоритмов обработки, поскольку он более чувствителен к небольшим улучшениям алгоритмов. Используя этот подход, можно получить более глубокое представление о производительности и выявить возможности оптимизации. Однако для оценки эффективности системы в клинических испытаниях с участием множества субъектов необходимо использовать подход «на пациента» и выполнить ROC-анализ [17].

Анализ времени вычисления показывает, что изображение полностью классифицируется в среднем за 258 мс. Это означает, что инфекцию можно диагностировать сразу после начала обработки, если она присутствует на первых изображениях. С другой стороны, если заражение отсутствует или заражение обнаружено на последних изображениях, для получения полных результатов требуется около 30 секунд (при условии, что для каждого образца сканируется 100 изображений).

Минимизация времени вычислений имеет главный недостаток, заключающийся в том, что сложные алгоритмы сегментации и классификации, которые требуют больших вычислительных ресурсов, не могут быть реализованы в этом контексте.Сегментирование удлиненных объектов, таких как гифы, может быть выполнено, в частности, с помощью активных контурных моделей, представленных Liu et al. [18]. Недостатком этого итеративного метода является то, что время сегментации для легкого конусообразного объекта на идеальном фоне изображения составляет около одной секунды и до трех секунд на шумном фоне. Для удлиненных сосудов, которые напоминают гифы грибов, время расчета заявлено от 13 до 141 секунда в зависимости от используемых итераций и желаемого качества сегментации.Инглис и Грей также сообщают о дорогостоящем времени обработки контурной сегментации для кластерных гиф [19]. Эти алгоритмы обеспечивают очень точные очертания гиф, но слишком медленны для использования в контексте рутинной клинической диагностики. Чтобы использовать эти сложные алгоритмы в будущих работах, необходимо ускорить расчеты. Распараллеливание или использование вычислений на GPU может быть многообещающим подходом.

Тем не менее, менее сложный подход обнаружения краев для сегментации, использованный в этом исследовании, также успешно обнаруживает гифы или удлиненные структуры на изображениях.Baum et al. описывают структуру обработки под названием HyphArea, которая использует алгоритм обнаружения границ на основе оператора Собеля [20] для измерения роста грибов в биотехнологических приложениях. Kumar et al. сообщают об успешном использовании фильтра обнаружения краев Кэнни для поиска контуров сосудов на изображениях поперечных сечений [21]. Наше исследование также показало хорошие результаты сегментации; Однако из-за различных неоднородностей качества изображения и мешающих объектов некоторые структуры разделяются на несколько объектов.

По сравнению с исследованиями, выполненными для измерения биомассы и характеристики процессов роста грибов в процессах ферментации, используемые схемы обработки аналогичны подходу, представленному здесь. Папагианни рассмотрел широко используемые подходы в биотехнологии и резюмировал схему этапов обработки изображений следующим образом: улучшение изображения, сегментация изображения, обнаружение объектов, обработка двоичных изображений, измерения / вычисления и анализ данных [13]. Этот план также реализован в представленном исследовании.

Результаты рассмотренных исследований показали очень хорошую производительность сегментации [10–12, 22, 23]. Наиболее важным отличием клинических дерматологических изображений, используемых в нашем исследовании, от изображений, полученных с помощью биотехнологии, является повышенная сложность и широкое разнообразие структур. Подходы биотехнологии не должны иметь дело с ложноположительными структурами, непреднамеренным загрязнением и сниженной восприимчивостью структур из-за различных условий выборки, а это означает, что результаты сегментации нельзя легко сравнивать.

В общем, параметры самих алгоритмов предварительной обработки и классификации нужно настраивать очень тщательно. Все этапы обработки зависят от информации о размере и интенсивности изображений. Они зависят от используемого увеличения, числовой апертуры объектива, осветительного прибора и камеры. Таким образом, значения и пороги, используемые в этом исследовании, действительны только для используемой экспериментальной системы визуализации и показаны в качестве примеров. Учитывая, что морфология гиф грибов и ложноположительных объектов не меняется при изменении систем визуализации, представленный подход параметризации в целом можно перенести.Для классификации, напротив, маловероятно, что изображения из других систем, снятые в других условиях, могут быть успешно оценены без настройки пороговых значений, если не сохраняются разрешение изображения, увеличение, качество изображения и интенсивность флуоресценции. Однако в этом исследовании алгоритм был разработан исключительно для представленной системы визуализации, и дальнейшая оценка необходимых усилий для передачи результатов на другие платформы визуализации не проводилась.

Кроме того, следует учитывать, что результаты зависят от производительности алгоритмов, но могут быть оптимизированы путем тщательной подготовки образца.Уменьшение включения ложноположительных структур во время транспортировки и хранения и попытка избежать включения воздуха во время окрашивания являются важными шагами для повышения специфичности и минимизации времени, необходимого для диагностики. Чтобы повысить чувствительность, полезно обеспечить однородную толщину образца, чтобы избежать расфокусированных структур на изображениях. Этого можно достичь, обеспечив достаточное время для мацерации и нанесения окрашивающего реагента, а также приложив к образцу достаточное давление.

Преимущества и недостатки поддержки медицинского персонала расчетным «вторым мнением» обсуждались в области радиологии [24] с начала 1990-х годов. Здесь так называемая компьютерная диагностика (CAD) в настоящее время является распространенным и широко используемым инструментом для повышения точности и согласованности радиологической диагностики, а также для сокращения времени считывания изображений [25, 26]. Gurcan et al. сообщают, что подходы также были перенесены на патологические изображения — область, в которой начали разрабатываться алгоритмы САПР для обнаружения, диагностики и прогнозирования заболеваний, чтобы дополнить мнение патолога.Gurcan et al. далее описать необходимость количественной оценки на основе изображений, чтобы дополнить образованное, но субъективное мнение патологов [27]. Подход, представленный в этом исследовании, следует этим идеям и переносит методологии CAD в дерматологическую область поверхностных грибковых инфекций.

5. Заключение

Представленный метод может ускорить процесс диагностики грибковых инфекций для дерматологов. Он обеспечивает стандартизованные и воспроизводимые результаты, которые помогают повысить общее качество диагностики в этой области.Чтобы их можно было применять в клинической практике, микроскоп, подготовка зонда и программное обеспечение должны быть объединены в коммерчески доступную автоматизированную систему визуализации.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов в отношении публикации данной статьи.

Выражение признательности

Этот проект (проект HA № 294 / 11-39) финансируется в рамках программы Hessen Modell Projekte, финансируемой за счет средств LOEWE — Landes-Offensive zur Entwicklung Wissenschaftlich-ökonomischer Exzellenz, Förvorderlinie-3 (Государственное наступление на развитие науки и экономики).

Фарфоровые виниры — Kifer Park Dental

Фарфоровые виниры могут превратить окрашенные, деформированные, кривые, сколы и другие непривлекательные зубы в улыбку вашей мечты. После того, как виниры будут наложены, вы покинете наш офис с новой уверенной улыбкой, которую увидят люди.

Виниры — это очень тонкие куски прочного фарфора, специально разработанные для каждой конкретной формы и размера зубов. Универсальность этих виниров означает, что они могут скрыть широкий спектр косметических стоматологических проблем, таких как:

  • Сколотые зубья
  • Окрашенные зубы
  • Изношенные края зубьев
  • Промежутки между зубьями
  • Зубы неправильной формы
  • Неравномерный размер и длина зуба

Процедура начинается с индивидуального дизайна вашей улыбки путем снятия слепка ваших зубов.Затем мы разрабатываем размер, форму, контуры и цветовую схему каждого фарфорового винира, чтобы они наилучшим образом соответствовали вашим особенностям зубов и лица. После того, как готовые виниры созданы, мы тщательно устанавливаем и приклеиваем каждый индивидуальный фарфоровый винир к поверхности каждого зуба с помощью специального стоматологического клея с надлежащей изоляцией. Это дает вам совершенно естественную улыбку без ортодонтии или проволочных скоб. Фарфоровые виниры обычно можно спроектировать, изготовить и установить всего за два визита в офис, и результаты будут ошеломляющими.


Подходят ли мне фарфоровые виниры?

Лучший способ узнать, подходите ли вы для изготовления фарфоровых виниров, — это записаться на прием в наш офис. Во время вашей первичной консультации мы оценим состояние вашей полости рта и порекомендуем решения, которые наилучшим образом соответствуют вашим личным целям. Вообще говоря, идеальными кандидатами на фарфоровые виниры будут:

  • Не иметь заболеваний десен и инфекций
  • Не сжимает и не скрежетает зубы: несмотря на то, что керамические виниры прочные, они могут со временем изнашиваться.В большинстве случаев мы рекомендуем пациентам носить ночную гарду, чтобы защитить виниры.
  • Соблюдайте правила гигиены полости рта

Фотостабильные зонды AIE для сверхбыстрого высококачественного окрашивания плазматических мембран без промывки

Плазменная мембрана (ПМ), фундаментальный строительный компонент клетки, отвечает за различные клеточные функции и биологические процессы. Однако по-прежнему сложно получить информацию о его морфологии и морфологических вариациях через , что является эффективным подходом.В данном документе мы сообщаем об исследовании изображения ТЧ в отношении люминогена с эмиссией, вызванной агрегацией (AIEgen), называемого тетрафенилэтилен-нафталимид + (TPE-NIM + ), которое получено из нашего ранее сообщенного тетрафенилэтилен-нафталимида (TPE –NIM). Разработанный AIEgen (TPE – NIM + ) демонстрирует важные характеристики сверхбыстрого окрашивания, высокой фотостабильности, отсутствия отмывки и длительного времени удерживания на PM, что может быть структурно коррелировано с его положительно заряженным четвертичным амином и гидрофобной составляющей. .TPE – NIM + дополнительно применяется для окрашивания различных клеточных линий, что доказывает его универсальную способность к визуализации PM. Наиболее важно то, что мы демонстрируем, что TPE – NIM + может четко очерчивать контуры плотно упакованных живых клеток с высокой цитосовместимостью. Следовательно, TPE – NIM + в качестве реагента для визуализации PM, превосходящего доступные в настоящее время коммерческие красители PM, найдет ряд применений в биологических / биомедицинских областях и даже за ее пределами.

У вас есть доступ к этой статье

Подождите, пока мы загрузим ваш контент…

Что-то пошло не так. Попробуй еще раз?

Получите красивую улыбку за 3 шага — ABC — выравнивание, отбеливание, контур, естественная альтернатива винирам — Evolve Dentistry

Получите красивую улыбку за 3 шага — ABC — выравнивание, отбеливание, контур, естественная альтернатива винирам

Виниры уже давно считаются лучшим способом получить фантастическую улыбку и очень хорошо работают во многих случаях.Но они подходят не всем. Они искусственны, и некоторым не нравится эта идея. Они также навсегда изменят ваш рот, дороги и могут потребовать дополнительных затрат после установки, поскольку они могут нуждаться в ремонте, если они сломаются или сломаются.

Что, если бы мы сказали вам, что добиться того же эффекта собственными зубами так же просто, как ABC? Вот как…

A — Align

Тяжелые и некрасивые вчерашние брекеты остались в прошлом, поэтому не отчаивайтесь при мысли о том, чтобы выровнять зубы.Благодаря новым разработкам, таким как прозрачные брекеты, мы можем использовать ряд методов для выравнивания ваших кривых зубов. Выравнивание приводит к идеально ровным зубам, что является первым этапом красивой улыбки.

B — Отбеливание

После того, как зубы выровнены, следующим барьером, который необходимо преодолеть, может стать их цвет. Окрашенные зубы ставят под угрозу наш идеал. Мы можем отбеливать или отбеливать зубы до более яркого оттенка, используя гель, который активируется специальным светом или лазером.

C — Контурная обработка

Идеально ровные белые зубы — это то, к чему мы стремимся, поэтому вы можете подумать, что мы на этом завершаем первые два этапа, но есть некоторые последние штрихи, которые мы, возможно, захотим использовать, чтобы получить действительно идеальный вид. Формирование контура зубов включает в себя аккуратную опиливание одного или нескольких зубов, чтобы придать им лучшую форму или размер, соответствующие общему виду вашей улыбки.

Recommended Articles

Добавить комментарий

Ваш адрес email не будет опубликован.