1.2 Особенности строения коры головного мозга у больных шизофренией
Несмотря на длительный период изучения шизофрении, в настоящее время отсутствует единая точка зрения в отношении этиологии и патогенеза этого тяжелого психического заболевания. К средине прошлого века на основании результатов качественных нейроморфологических исследований сложились представления о том, что для шизофрении характерна особая «стертая» картина дистрофического процесса с очаговыми выпадениями нейронов коры головного мозга.
В последнее время появилось множество новых данных, говорящих о том, что при шизофрении большое место занимает патология глиальных клеток и нарушения глиальных взаимодействий. Значительно ухудшена проводимость нервных импульсов, изменены миелиновые оболочки аксонов. При шизофрении по последним данным речь идет о дисфункции нейроглии.
Исследования глии и в особенности межклеточных взаимодействий требуют электронно-микроскопического подхода, однако, до сих пор имеются только единичные описания изменения структуры глии. Эти ранние работы, выполненные на небольшом количестве случаев, проводились без использования количественных методов, что лишает их необходимой доказательности.
2 Разработка алгоритмов анализа изображений срезов коры головного мозга
Данный алгоритм разрабатывался с учетом возможностей пакета прикладных программ для решения задач технических вычислений и одноимённого языка программирования MATLAB. Это чрезвычайно мощный язык, предоставляющий пользователю большое количество функций для анализа данных, покрывающие практически все области математики, удобные средства для разработки алгоритмов, большое количество функций для построения графиков.
Полный код программы – см. Приложение 1.
2 .1. Блок-схема алгоритма анализа изображений (общий вид).
Расчет
характеристик гистограммы
Конец
2.2. Подробный разбор алгоритма.
2 .2.1. Алгоритм обнаружения олигодендроцитов.
I. Ввод изображения.
I=imread('C:\123.jpg');
Данная функция обращается к указанному пути и загружает изображение (в данном примере путь задан заранее для упрощения).
figure; imshow(I);
Показ загруженного изображения.
Изображения на разных этапах работы программы – см. Приложение 2.
II. Конвертирование в серое.
a=rgb2gray(I);
III. Фильтрация.
a1=imadjust(a);
a2=medfilt2(a1, [5 5]);
figure; imshow(a2);
После применения этих функций изображение становится более контрастным, устраняются шумы.
IV. Размыкание.
bw1=a2<70;
Олигодендроциты и нейроны отделяются от фона.
st=strel('disk',10);
b=imopen(bw1,st);
st2=strel('disk',5);
b2=bw1-b;
b2=imopen(b2,st2);
Происходит фильтрация по размеру объектов, создаются изображения b(нейроны) и b2(олигодендроциты).
figure; imshow(b);
figure; imshow(b2);
V. Разделение границ олигодендроцитов.
h = fspecial('gaussian', [16 16]);
b3=imfilter(b2,h);
figure; imshow(b3);
BW2=bwmorph(b2,'erode',6);
BW2=bwmorph(BW2,'thicken',Inf);
b2=b2&BW2;
Олигодендроциты подвергаются эрозии с последующим утолщением, что позволяет четче разделить их.
gc=~b2;
d=bwdist(gc);
l=watershed(-d);
w=l==0;
g2=b2&~w;
g3=imopen(g2,st2);
figure, imshow(g3);
Реализуется алгоритм обработки по водоразделу.
VI. Связные области
figure, imshow(I);
L1=bwlabel(g3);
На бинарном изображении ищутся связные области пикселов объектов.
s1 = regionprops(L1, 'centroid');
centroids1 = cat(1, s1.Centroid);
hold on
plot(centroids1(:,1), centroids1(:,2), 'r*')
hold off
L2=bwlabel(b);
s2 = regionprops(L2, 'centroid');
centroids2 = cat(1, s2.Centroid);
hold on
plot(centroids2(:,1), centroids2(:,2), 'g*')
for i=1:length(centroids2(:,2))
text(centroids2(i,1), centroids2(i,2),[' ',int2str(i)],'Color','cyan');
end
hold off
Находятся координаты центров масс связных областей.