Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Tăng cường ảnh sử dụng thành phần không gian màu cho phát hiện hiệu quả bệnh lao
Tóm tắt
Bệnh lao (TB) là một bệnh truyền nhiễm do vi khuẩn Mycobacterium tuberculosis gây ra. Tăng cường hình ảnh trong hình ảnh nhuộm ZN từ mẫu đờm (SSM) là một kỹ thuật thiết yếu trong phát hiện tự động bệnh lao nhằm cải thiện hiệu suất hình ảnh. Tuy nhiên, chỉ có một số ít nghiên cứu về chẩn đoán bệnh lao được công bố trên các tạp chí có ảnh hưởng cao, và hầu hết trong số đó sử dụng một kỹ thuật tăng cường hình ảnh mẫu đờm không hiệu quả, dẫn đến kết quả phân đoạn không đạt yêu cầu. Do đó, chúng tôi đề xuất một phương pháp tăng cường hình ảnh mới, gọi là 'tăng cường hình ảnh mẫu đờm sử dụng các thành phần hiệu quả của không gian màu (SSE-CCS)' cho hình ảnh SSM nhuộm ZN. Phương pháp này sử dụng bộ lọc trung bình lặp lại để giảm tiếng ồn giật cục và các thành phần hiệu quả được tăng cường của không gian màu như RGB, HSV và NTSC/YIQ nhằm cải thiện tính hiển thị trên cả vùng vi khuẩn lao chồng chéo và không chồng chéo. Bên cạnh đó, hai thuật toán tiền xử lý mạnh mẽ mới, cụ thể là 'tăng cường trong vùng vi khuẩn không chồng chéo sử dụng các thành phần V, Gray và Q (ENOB-VGQ)’ và 'Tăng cường trong vùng vi khuẩn chồng chéo sử dụng các thành phần S, Q, và Green (EOB-SQG)' cũng được đề xuất để cải thiện độ rõ của đối tượng trong cả hai vùng vi khuẩn lao. Kết quả thí nghiệm cho thấy thuật toán SSE-CCS được đề xuất cải thiện chỉ số chênh lệch trung bình lên đến 5,64 lần, cho thấy nó phù hợp tốt cho quy trình phân đoạn vi khuẩn lao. Hơn nữa, so với các thuật toán tăng cường hình ảnh hiện có khác, nó cung cấp thêm thông tin về các hình ảnh, điều này giúp các bác sĩ bệnh lý phát hiện vi khuẩn lao một cách chính xác hơn.
Từ khóa
#Bệnh lao #tăng cường hình ảnh #không gian màu #vi khuẩn lao #phân đoạn hình ảnhTài liệu tham khảo
Wikipedia: [Online]. Found at: https://en.wikipedia.org/wiki/Ziehl–Neelsen_stain#. Accessed 29 Nov 2021
Chen, P.: A highly efficient Ziehl–Neelsen stain: identifying de novo intracellular Mycobacterium tuberculosis and improving detection of extracellular M. tuberculosis in cerebrospinal fluid. J. Clin. Microbiol. 50(4), 1166–1170 (2012)
Acharya, U.K.; Kumar, S.: Genetic algorithm based adaptive histogram equalization (GAAHE) technique for medical image enhancement. Optik 230, 166273 (2021)
Gonzalez, R.C.; Woods, R.E.: Digital Image Processing, 3rd edn, p. 954. Pearson (2008)
Singh, K.; Kapoor, R.; Sinha, S.K.: Enhancement of low exposure images via recursive histogram equalization algorithms. Optik 126(20), 2619–2625 (2015)
Singh, K.; Kapoor, R.: Image enhancement via median-mean based sub-image-clipped histogram equalization. Optik 125(17), 4646–4651 (2014)
Sdiri, B.; Kaaniche, M.; Cheikh, F.A.; Beghdadi, A.; Elle, O.J.: Efficient enhancement of stereo endoscopic images based on joint wavelet decomposition and binocular combination. IEEE Trans. Med. Imaging 38(1), 33–45 (2019)
Wu, H.T.; Zheng, K.; Huang, Q.; Hu, J.: Contrast enhancement of multiple tissues in MR brain images with reversibility. IEEE Signal Process. Lett. 28, 160–164 (2021)
Costafilho, C.F.F.; Levy, P.C.; Xavier, C.M.; Costa, M.G.F.; Fujimoto, L.B.M.; Salem, J.: Mycobacterium tuberculosis recognition with conventional microscopy. In: Proceedings of the Annual International Conference on IEEE Engineering Medical Biology Society, vol. 66, pp. 6263–6268 (2012)
Haleot, R.A.; Abood, Z.M.; Karam, G.: Thermal image enhancement algorithm based on adaptive fusion technique of multi color space. Int. J. Eng. Res. Adv. Technol. 6(9), 10–15 (2020)
Bhairannawar, S.S.: Efficient Medical Image Enhancement Technique Using Transform HSV Space and Adaptive Histogram Equalization, p. 51–60. Elsevier (2018)
Gohshi, S.: Nonlinear signal processing method for medical image enhancement. In: IEEE International Conference on Systems, Man, and Cybernetics, October 5–8, pp. 2525–2528 (2014)
Mohan, K.R.; Thirugnanam, G.: A dualistic sub-image histogram equalization based enhancement and segmentation techniques for medical images. In: IEEE 2nd International Conference on Image Information Processing IEEE ICIIP 2013, pp. 566–569 (2013)
Sengee, N.; Bazarragchaa, B.; Kim, T.Y.; Choi, H.K.: Weight clustering histogram equalization for medical image enhancement. In: Proceedings of the IEEE International Conference on Communications Work (ICC 2009), p. 4 (2009)
Wang, Q.; Chen, L.; Shen, D.: Fast histogram equalization for medical image enhancement. In: Proceedings of the 30th Annual International Conference on IEEE Engineering in Medicine and Biology Society (EMBS’08), Personalized Healthcare Through Technology, pp. 2217–2220 (2008)
Yu, Y.; Wang, J.: Automatic contrast enhancement by variational minimax optimization. In: Proceedings of the International Conference on Image Processing (ICIP), vol. 1, pp. 173–177 (2015)
Somasekar, J.; Reddy, B.E.: Contrast-enhanced microscopic imaging of malaria parasites. In: IEEE International Conference on Computational Intelligence and Computing Research (IEEE ICCIC 2014), pp. 1–4 (2015)
Moradi, M.; Falahati, A.; Shahbahrami, A.; Zare-Hassanpour, R.: Improving visual quality in wireless capsule endoscopy images with contrast-limited adaptive histogram equalization. In: 2nd International Conference on Pattern Recognition Image Analysis (IPRIA 2015), p. 4 (2015)
Tiwari, M.; Gupta, B.: Brightness preserving contrast enhancement of medical images using adaptive gamma correction and homomorphic filtering. In: IEEE Students’ Conference on Electrical and Electronics Computer Science (SCEECS 2016), pp. 16–19 (2016)
Chaira, T.: A rank ordered filter for medical image edge enhancement and detection using intuitionistic fuzzy set. Appl. Soft Comput. J. 12(4), 1259–1266 (2012)
Rui, W.; Jiangli, L.; Deyu, L.; Tianfu, W.: Ultrasonic Images Using a Hybrid Method, pp. 876–879 (2007)
Sreeja, P.; Hariharan, S.: An improved feature based image fusion technique for enhancement of liver lesions. Biocybern. Biomed. Eng. 38(3), 611–623 (2018)
Li, C.; Guo, J.; Porikli, F.; Pang, Y.: LightenNet: a convolutional neural network for weakly illuminated image enhancement. Pattern Recognit. Lett. 104, 15–22 (2018)
Nie, R.; He, M.; Cao, J.; Zhou, D.; Liang, Z.: Pulse coupled neural network based MRI image enhancement using classical visual receptive field for smarter mobile healthcare. J. Ambient Intell. Humaniz. Comput. 10(10), 4059–4070 (2019)
Rachmad, A.; Chamidah, N.; Rulaningtyas, R.: Image enhancement sputum containing Mycobacterium tuberculosis using a spatial domain filter. IOP Conf. Ser. Mater. Sci. Eng. 546(5), 66 (2019)
Raof, R.A.A.; Mashor, M.Y.; Noor, S.S.M.: Image enhancement using modified partial contrast technique in Ziehl–Neelsen sputum slide images. J. Phys. Conf. Ser. 1372(1), 66 (2019)
Munadi, K.; Muchtar, K.; Maulina, N.; Pradhan, B.: Image enhancement for tuberculosis detection using deep learning. IEEE Access 8, 217897–217907 (2020)
Erkan, U.; Thanh, D.N.H.; Hieu, L.M.; Enginoglu, S.: An iterative mean filter for image denoising. IEEE Access 7, 167847–167859 (2019)
HSV Color Model: [Online]. Found at: https://programmingdesignsystems.com/color/color-models-and-color-spices/index.html. Accessed 4 July 2020
Shah, M.I.: Ziehl–Neelsen sputum smear microscopy image database: a resource to facilitate automated bacilli detection for tuberculosis diagnosis. J. Med. Imaging 4(2), 66 (2017)
Panicker, R.O.; Kalmady, K.S.; Rajan, J.; Sabu, M.K.: Automatic detection of tuberculosis bacilli from microscopic sputum smear images using deep learning methods. Biocybern. Biomed. Eng. 38(3), 691–699 (2018)
Kanyakumari Government Medical College: [Online]. Found at: http://www.kkmc.ac.in/kkmc/. Accessed 20 Nov 2020
Osman, M.K.; Mashor, M.Y.; Saad, Z.; Jaafar, H.: Contrast enhancement for Ziehl–Neelsen tissue slide images using linear stretching and histogram equalization technique. In: IEEE Symposium Industrial Electronics and Applications (ISIEA 2009—Proceedings), vol. 1, pp. 431–435 (2009)
Wahidah, M.F.N.; Mustafa, N.; Mashor, M.Y.; Noor, S.S.M.: Comparison of color thresholding and global thresholding for Ziehl–Neelsen TB bacilli slide images in sputum samples. In: Proceedings of the 2nd International Conference Biomedical Engineering (ICoBE 2015), pp. 30–31 (2015)
Kurmi, Y.; Chaurasia, V.; Goel, A.; Joshi, D.; Kapoor, N.: Tuberculosis bacteria analysis in acid fast stained images of sputum smear. Signal Image Video Process. 15(1), 175–183 (2021)