Поражение нейронов вирусом герпеса
Нейроны головного мозга человека являются сложным объектом для анализа их изображений, это связано с некоторыми проблемами при приготовлении препаратов и подготовке тканей. Поэтому для их выделения и классификации была разработана специальная программа на языке интерпретатора системы анализа изображений Bioscan по следующему алгоритму:
1. Захват изображения;
2. Адаптивная сегментация изображения;
3. Удаление ложных объектов, которые не являются нейронами:
a) уничтожение объектов с площадью меньше или равной 30 пиксел(удаление шумов);
b) уничтожение объектов с фактором формы, близким к 1 (это глиальные клетки);
c) выделение объектов с площадью больше или равной 30 пиксел.
4. Выделение нейронов из полутонового изображения посредством операции конъюнкции.
5. Выделение ядер нейронов посредством пороговой сегментации.
6. Измерение характеристик ядер по типу поражения; параметрами для классификации являются ядерно-цитоплазматическое отношение[], среднее значение полутоновой величины.
В результате измерения были получены базы данных, содержащие описание геометрических характеристик пораженных нейронов по каждому случаю болезни.
3.2. Статистический анализ.
Затем проводился элементарный статистический анализ полученных данных. Каждый человеческий организм имеет множество характеристик, которые отличают его от других. В данном случае это плотность нейронов на единицу площади и размеры площади, которые несут одинаковую функциональную нагрузку. Поэтому, чтобы получить статистическую устойчивость характеристик исследуемого материала, изучался процент среднего количества нейронов данного класса в единице площади. Использование среднего количества в единице площади позволяет избавиться от зависимости от плотности нейронов. Использование процента среднего количества на единицу площади позволяет избавиться от зависимости от размеров площадей коры головного мозга, которые несут одинаковую функциональную нагрузку.
В процессе вычислений были получены значения следующих величин: среднего значения, дисперсии и среднеквадратичной ошибки.
ТАБЛИЦА 1. Зависимость активности заболевания от количества пораженных клеток.
| Активность заболевания в месяцах | Здоровые клетки | Клетки с поражением 1-го типа | Клетки с поражением 2-го типа | |
|
7-9 |
Дисперсия |
1.17´10-2 |
1.45 ´10-3 |
4.56´10-4 |
|
Среднее |
0.35 |
0.51 |
3.49´10-2 | |
|
9-11 |
Дисперсия |
9.77´10-3 |
9.51´10-4 |
3.66´10-4 |
|
Среднее |
0.41 |
0.54 |
2.94´10-2 | |
|
11-24 |
Дисперсия |
1.1´10-2 |
3.89´10-4 |
3.83´10-4 |
|
Среднее |
0.40 |
0.54 |
3.24´10-2 | |
|
20-42 |
Дисперсия |
1.40´10-2 |
7.90´10-4 |
6.27´10-5 |
|
Среднее |
0.36 |
0.51 |
6.73´10-2 | |
|
36-60 |
Дисперсия |
1.57´10-3 |
3.87´10-4 |
3.67´10-5 |
|
Среднее |
0.45 |
0.50 |
6.13´10-2 | |
|
60-120 |
Дисперсия |
5.94´10-4 |
3.95´10-4 |
1.72´10-4 |
|
Среднее |
0.42 |
0.51 |
6.65´10-2 |
Для того чтобы получить зависимости количественных характеристик клеток с поражением определённого типа от активности заболевания проводился регрессионный анализ. Функция, позволяющая по величине одного признака находить средние(ожидаемые) значения другого признака, связанного с первым корреляционно, называется регрессией. Статистический анализ регрессии называют регрессионным анализом; он позволяет судить о том, на сколько в среднем может измениться варьирующий признак при изменении на единицу измерения другого, связанного с ним признака.
Зависимость между биологическими признаками может быть самой разнообразной. В большем числе случаев эмпирические регрессии выражаются простым уравнением линейной зависимости:
,
где 
- ожидаемое значение переменной Y, соответствующее заданному значению переменной Х; a и b - параметры уравнения; а служит свободным членом, а b является показателем пропорциональности, называемым коэффициентом регрессии.
