دوره 32، شماره 304: هفته اول آذر ماه 1393:1659-1667

تشخیص کاندیدیازیس واژینال با استفاده از استخراج اتوماتیک قارچ کاندیدا در تصاویر مربوط به نمونه‌‌های پاپ اسمیر

محمدرضا مؤمن‌زاده, اردشیر طالبی, علیرضا مهری دهنوی, حسین ربانی

چکیده


مقدمه: کاندیدیازیس واژینال، بیماری شایع زنان است که در اثر رشد غیر طبیعی کاندیدا در مخاط دستگاه تناسلی زنان ایجاد می‌شود. هدف از این مطالعه، تشخیص اتوماتیک کاندیدیازیس واژینال از طریق شناسایی و استخراج قارچ کاندیدا در تصاویر میکروسکوپی مربوط به نمونه‌های پاپ اسمیر با استفاده از تکنیک‌های پردازش تصویر بود.

روش‌ها: فضای نمونه شامل 200 تصویر دیجیتال میکروسکوپی بود. به منظور جمع‌آوری مجموعه‌ی تصاویر، از تعداد 49 نمونه‌ی پاپ اسمیر به وسیله‌ی دوربین عکس‌برداری دیجیتال 1Nikon1 V متصل به میکروسکوپ نوری i50 Nikon Eclipse تصویربرداری صورت گرفت. برای یکنواخت‌سازی تصویر، از فیلتر کلاهکی پیش زمینه و برای افزایش کنتراست، از ناهمبستگی رنگی به همراه کشش خطی کنتراست استفاده گردید. به منظور آستانه‌گذاری از روش آستانه‌گذاری Otsu در باند سبز تصویر استفاده گردید. برای استخراج میسلیوم و کونیدیوم، از ویژگی‌های هندسی مانند مساحت، قطر بزرگ، قطر کوچک، گریز از مرکز، محیط و تراکم به وسیله‌ی دسته‌بندی درخت تصمیم استفاده گردید.

یافته‌ها: الگوریتم طراحی شده در تشخیص کونیدیوم قارچ کاندیدا، دارای ویژگی 54/91 درصد و حساسیت 32/92 درصد و در تشخیص میسلیوم قارچ کاندیدا دارای ویژگی 64/98 درصد و حساسیت 88/96 درصد بود.

نتیجه‌گیری: در صورتی که این نرم‌افزار به صورت موتورایز درآید، به جهت جلوگیری از خستگی چشم و افزایش دقت پاتالوژیست‌ها به عنوان همیار پزشک در تشخیص، قابل استفاده خواهد بود.

 


واژگان کلیدی


کاندیدیازیس؛ واژینال؛ کاندیدا؛ پاپ اسمیر؛ پردازش تصویر

تمام متن:

PDF

مراجع


Sobel JD. Epidemiology and pathogenesis of recurrent vulvovaginal candidiasis. Am J Obstet Gynecol 1985; 152(7 Pt 2): 924-35.

Sobel JD. Candidal vulvovaginitis. Clin Obstet Gynecol 1993; 36(1): 153-65.

Sobel JD. Vulvovaginal candidosis. Lancet 2007; 369(9577): 1961-71.

White DJ, Vanthuyne A. Vulvovaginal candidiasis. Sex Transm Infect 2006; 82(Suppl 4): iv28-iv30.

Fidel PL, Jr. History and new insights into host defense against vaginal candidiasis. Trends Microbiol 2004; 12(5): 220-7.

Moreira D, Paula CR. Vulvovaginal candidiasis. Int J Gynaecol Obstet 2006; 92(3): 266-7.

Garcia HM, Garcia SD, Copolillo EF, Cora EM, Barata AD, Vay CA, et al. Prevalence of vaginal candidiasis in pregnant women. Identification of yeasts and susceptibility to antifungal agents. Rev Argent Microbiol 2006; 38(1): 9-12.

Vincent JL, Anaissie E, Bruining H, Demajo W, el-Ebiary M, Haber J, et al. Epidemiology, diagnosis and treatment of systemic Candida infection in surgical patients under intensive care. Intensive Care Med 1998; 24(3): 206-16.

Barnett JA. A history of research on yeasts 12: medical yeasts part 1, Candida albicans. Yeast 2008; 25(6): 385-417.

Kasiulevicius V, Sapoka V, Filipaviciute R. Sample size calculation in epidemiological studies. Gerontologija 2006; 7(4): 225-31.

Akyuz AO, Reinhard E. Noise reduction in high dynamic range imaging. J Vis Commu Image R 2007; 18(5): 366-76.

Ellenberger J. Noise reduction in digital imaging- an exploration of the state of the art. for CS525-Multimedia Computing and Communications. Colorado Springs, CO: University of Colorado; 2010.

Jalba C, Wilkinson HF, Roerdink BTM. Morphological hat-transform scale spaces and their use in pattern classification. Pattern Recognition 2004; 37(5): 901-15.

Gentav A, Aksoy S, Onder S. Unsupervised segmentation and classification of cervical cell images. Pattern Recognition 2012; 45(12): 4151-68.

Saleh Al-amri SS, Kalyankar NV, Khamitkar SD. Linear and non-linear contrast enhancement image. International Journal of Computer Science and Network Security ed. 2010.

Gillespie AR, Kahle AB, Walker RE. Color enhancement of highly correlated images. I. Decorrelation and HSI contrast stretches. Remote Sensing of Environment 1986; 20(3): 209-35.

Siena I, Adi K, Gernowo R, Mirnasari N. Development of algorithm tuberculosis bacteria identification using color segmentation and neural networks. International Journal of Video and Image Processing and Network Security 2012; 12(4): 9-13.

Costa MG, Costa Filho CF, Sena JF, Salem J, de Lima MO. Automatic identification of mycobacterium tuberculosis with conventional light microscopy. Conf Proc IEEE Eng Med Biol Soc 2008; 2008: 382-5.

Otsu N. A threshold selection method from gray-level histograms. Systems, Man and Cybernetics, IEEE Transactions on 1979; 9(1): 62-6.

Forero MG, Sroubek F, Cristbal G. Identification of tuberculosis bacteria based on shape and color. Real-Time Imaging 2004; 10(4): 251-62.

Hiremath PS, Parashuram B. Automatic identification and classification of Bacilli bacterial cell growth phases. IJCA,Special Issue on RTIPPR 2010; 1: 48-52.

Loh WY. Classification and regression trees. WIREs Data Mining Knowl Discov 2011; 1(1): 14-23.

Sadaphal P, Rao J, Comstock GW, Beg MF. Image processing techniques for identifying Mycobacterium tuberculosis in Ziehl-Neelsen stains. Int J Tuberc Lung Dis 2008; 12(5): 579-82.

Tadrous PJ. Computer-assisted screening of Ziehl-Neelsen-stained tissue for mycobacteria. Algorithm design and preliminary studies on 2,000 images. Am J Clin Pathol 2010; 133(6): 849-58.

Glas AS, Lijmer JG, Prins MH, Bonsel GJ, Bossuyt PM. The diagnostic odds ratio: a single indicator of test performance. J Clin Epidemiol 2003; 56(11): 1129-35.




Creative Commons Attribution-NonCommercial 4.0

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 Unported License which allows users to read, copy, distribute and make derivative works for non-commercial purposes from the material, as long as the author of the original work is cited properly.