طبقه‌بندی سلول‌های مؤثر در تشخیص سرطان میلوئیدی مزمن به روش نیمه خودکار پردازش تصاویر میکروسکوپی

نوع مقاله : مقاله های پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه بیوالکتریک و مهندسی پزشکی و کمیته‌ی تحقیقات دانشجویی، دانشکده‌ی فن‌آوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

2 استادیار، گروه بیوالکتریک و مهندسی پزشکی، دانشکده‌ی فن‌آوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

3 دانشیار، گروه پاتولوژی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

4 استادیار، گروه پاتولوژی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

چکیده

مقدمه: لوسمی میلوئیدی مزمن (CML یا Chronic myeloid leukemia)، نوعی بیماری سرطان خون است که اغلب، بزرگ‌سالان را درگیر می‌کند. آزمایش خون، شمارش و بررسی سلول‌های شناور خون، اولین گام جهت تشخیص لوسمی است. تشخیص و شمارش سلول‌ها از روی لام خون محیطی، توسط پاتولوژیست با استفاده از میکروسکوپ نوری صورت می‌گیرد. این امر، فرایندی زمان‌بر و پرهزینه است و نیاز به تجربه و فرد خبره در این زمینه دارد. همچنین، عوامل دیگری از قبیل خستگی و شرایط کاری، می‌تواند در این ارزیابی تأثیر منفی داشته باشد. بنابراین، وجود ابزاری در کنار پاتولوژیست به منظور کمک در روند تشخیص، می‌تواند بسیار سودمند باشد. در این راستا، این پژوهش یک ابزار نرم‌افرازی جدید را برای تشخیص و طبقه‌بندی سلول‌های CML ارایه می‏کند.روش‌ها: در روش پیشنهادی، پس از بخش‌بندی دستی دقیق سلول‌ها، با استفاده از تکنیک‌های پردازش تصویر، ویژگی‌های مختلف هندسی از سلول و هسته‌ی سلول‌های سفید رده‌ی نوتروفیل استخراج شدند. سپس، با به کارگیری این ویژگی‌های به دست آمده، سلول‌ها با استفاده از یک طبقه‌بندی کننده‌ی درختی طراحی شده‌ی جدید، به شش گروه دسته‌بندی شدند.یافته‌ها: روش پیشنهادی بر روی 120 تصویر میکروسکوپی شامل 714 سلول سفید مورد ارزیابی قرار گرفت. نتایج به دست آمده، برای هر شش گروه صحت بالاتر از 97 درصد، ویژگی بالاتر از 98 درصد و حساسیت بالاتر از 91 درصد را نشان داد.نتیجه‌گیری: در این پژوهش، روشی نیمه اتوماتیک جهت طبقه‏بندی سلول‌های مؤثر در تشخیص سرطان میلوئیدی مزمن از تصاویر میکروسکوپی با به کارگیری روش‌های پردازش تصویر ارایه گردید.

کلیدواژه‌ها

عنوان مقاله [English]

Classification of Effective Cells in Diagnosis of Chronic Myeloid Leukemia (CML) Using Semi-automatic Image Processing of Microscopic Images

نویسندگان [English]

  • Narjes Ghane 1
  • Alireza Vard 2
  • Ardeshir Talebi 3
  • Pardis Nematollahy 4
1 MSc Student, Department of Bioelectric and Biomedical Engineering AND Student Research Committee, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran
2 Assistant Professor, Department of Bioelectric and Biomedical Engineering, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran
3 Associate Professor, Department of Pathology, School of Medicine, Isfahan University of Medical Sciences, Isfahan, Iran
4 Assistant Professor, Department of Pathology, School of Medicine, Isfahan University of Medical Sciences, Isfahan, Iran
چکیده [English]

Background: Chronic myelogenous leukemia (CML) is a type of blood cancers that usually occur in adults. The first step for diagnosis of leukemia is blood test and counting cells. Diagnosis and counting cells from blood smear are done by pathologist using optical microscope. This is a time-consuming and costly process and needs experience and expert in this field. Besides, other factors such as fatigue and working conditions can negatively affect the diagnostic evaluation. Thus, an aid tool for pathologists to help in the diagnostic process can be so useful. This research proposed a novel software tool to diagnose and classify of chronic myeloid leukemia cells.Methods: In the proposed method, after accurate manual segmentation, various geometric features of cell and nucleus were extracted from neutrophils cells using image processing techniques. Then, applying these features by a new designed tree classifier, cells were categorized in to six groups.Findings: The proposed method was evaluated on 120 blood smear microscopic images including 714 white blood cells (WBCs). An accuracy of over 97%, specificity of over 98% and sensitivity of over 91% for all of six groups were achieved.Conclusion: In this study, a semi-automatic method was proposed for detection and classification of effective cells in diagnosis of chronic myeloid leukemia in microscopic images utilizing image processing methods.

کلیدواژه‌ها [English]

  • Chronic myeloid leukemia
  • classification
  • Granulocytic category
  • Image processing

مراجع

  1. Hoffbrand AV, Moss PAH, Pettit JE. Essential hematology. Hoboken, NJ: Blackwell; 2006. p. 20-7.
  2. Zucker-Franklin D, Greaves MF, Grossi CE, Marmont AM. Atlas of blood cells: Function and pathology. Milan, Italy: Edi Ermes; 1988.
  3. Loffler H, Rastetter J. Atlas of clinical hematology. 5th ed. New York, NY: Springer; 2000.
  4. Habibzadeh M, Krzyzak A, Fevens T. Analysis of white blood cell differential counts using dual-tree complex wavelet transform and support vector machine classifier. In: Bolc L, Tadeusiewicz R, Chmielewski LJ, Wojciechowski K, editors. Computer Vision and Graphics: International Conference, ICCVG 2012, Warsaw, Poland, September 24-26, 2012. Berlin, Heidelberg: Springer Berlin Heidelberg; 2012. p. 414-22.
  5. Laosai J, Chamnongthai K. Acute leukemia classification by using SVM and K-Means clustering. Proceedings of the International Electrical Engineering Congress (iEECON 2014); 2014 Mar 19-21; Chonburi, Thailand.
  6. Piuri V, Scotti F. Morphological classification of blood leucocytes by microscope images. Proceedings of the IEEE International Conference onComputational Intelligence for Measurement Systems and Applications (CIMSA 2004); 2004 Jul 14-16; Boston, MA, USA.
  7. Rezatofighi SH, Soltanian-Zadeh H. Automatic recognition of five types of white blood cells in peripheral blood. Computerized Medical Imaging and Graphics35(4): 333-43.
  8. Ross NE, Pritchard CJ, Rubin DM, Duse AG. Automated image processing method for the diagnosis and classification of malaria on thin blood smears. Med Biol Eng Comput 2006; 44(5): 427-36.
  9. Sabino DMU, da Fontoura Costa L, Gil Rizzatti E, Antonio Zago M. A texture approach to leukocyte recognition. Real-Time Imaging 2004; 10(4): 205-16.
  10. Soltanzadeh R, Rabbani H. Classification of three types of red blood cells in peripheral blood smear based on morphology. Proceedings of the 10th International Conference on Signal Processing (ICSP 2010); 2010 Oct 24-28; Beijing, China.
  11. Saeedizadeh Z, Mehri DA, Talebi A, Rabbani H, Sarrafzadeh O, Vard A. Automatic recognition of myeloma cells in microscopic images using bottleneck algorithm, modified watershed and SVM classifier. J Microsc 2016; 261(1): 46-56.
  12. Chora RS. Image feature extraction techniques and their applications for CBIR and biometrics systems. Int J Biol Biomed Eng 2007; 1(1): 6-16.
  13. Huttenlocher DP, Klanderman GA, Rucklidge WA. Comparing Images Using the Hausdorff Distance. IEEE Trans Pattern Anal Mach Intell 1993; 15(9): 850-63.
  14. Wang H, Zhang H, Ray N. Clump splitting via bottleneck detection and shape classification. Pattern Recognit 2012; 45(7): 2780-7.
  15. Amin MM, Kermani S, Talebi A, Oghli MG. Recognition of acute lymphoblastic leukemia cells in microscopic images using k-means clustering and support vector machine classifier. J Med Signals Sens 2015; 5(1): 49-58.
  16. 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.
مجله دانشکده پزشکی اصفهان
دوره 34، شماره 405 - شماره پیاپی 405
آذر و دی 1395
صفحه 1304-1310

فایل ها

سابقه مقاله

  • تاریخ دریافت: 29 مرداد 1395
  • تاریخ بازنگری: 11 آبان 1403
  • تاریخ پذیرش: 17 فروردین 1401

هم رسانی

ارجاع به این مقاله

آمار