تعداد نشریات | 44 |
تعداد شمارهها | 1,302 |
تعداد مقالات | 15,916 |
تعداد مشاهده مقاله | 52,193,345 |
تعداد دریافت فایل اصل مقاله | 14,969,597 |
شناسایی و شمارش گلبولهای سفید جوجه گوشتی با استفاده از پردازش تصویر | ||
پژوهش های علوم دامی (دانش کشاورزی) | ||
دوره 31، شماره 1، خرداد 1400، صفحه 27-36 اصل مقاله (1.11 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22034/as.2021.36381.1528 | ||
نویسندگان | ||
محمد صدقی* 1؛ سید امیر حسین مهدوی1؛ رحیمه برومندپور2 | ||
1اصفهان- دانشگاه صنعتی اصفهان- دانشکده کشاورزی- گروه علوم دامی | ||
2دانش آموخته کارشناسی ارشد گروه علوم دامی دانشکده کشاورزی دانشگاه صنعتی اصفهان | ||
چکیده | ||
چکیده زمینه مطالعاتی: شمارش خودکار گلبولهای سفید طیور به دلیل حضور گلبولهای قرمز و ترومبوسیتهای هستهدار بسیار مشکل است و شمارش، عموماً به صورت دستی انجام میشود. هدف: این مطالعه به منظور بررسی امکان استفاده از روشهای پردازش تصویر جهت تشخیص گلبولهای سفید خون طیور صورت گرفت. روشکار: در ابتدا 42 عکس رنگی RGB با فرمت JPG از گسترشهای خونی تهیه شده به روش لام به لام و با رنگآمیزی گیمسا آماده شد. تصاویر به کمک نرمافزارهای MATLAB R2017a و CellProfiler 2.0 r10997 پردازش شدند. با استفاده از نرمافزار MATLAB تصاویر لایه a از فضای رنگی L*a*b انتخاب شدند و به چهار روش مورد بررسی قرار گرفتند. روش اول بررسی چهار شی بزرگتر تصویر، روش دوم حذف مساحتهای کمتر از 5000 پیکسل (به منظور حذف گلبولهای قرمز که مساحت کوچکتری دارند)، روش سوم استفاده از بازهی 25/1-1 فاکتور شکل برای باقیماندن اشیای گرد و روش چهارم تلفیق دو روش دوم و سوم (شکل و اندازه) بود. در نرمافزار CellProfiler به کمک ماژولهای مختلف و در نظرگیری قطر عمومی 52-18 پیکسل تشخیص اشیا بررسی شد. نتایج: بین روشهای مورد استفاده با نرمافزار MATLAB ، روش دوم یعنی حذف مساحتهای کمتر از 5000 پیکسل، توانست بیشترین تعداد گلبول سفید را درست تشخیص دهد (84 درصد). در حالیکه روشهای اول، سوم و چهارم به ترتیب 35، 48 و 39 درصد از گلبولهای سفید را تشخیص دادند. با استفاده از نرمافزار Cell Profiler نیز نتایجی مشابه با روش دوم نرمافزار MATLAB بدست آمد. نتیجهگیری نهایی: هر دو نرم افزار مورد استفاده پتانسیل پردازش تصویر سلولهای خونی طیور را دارند، اما استفاده از الگوریتمهای پیشرفتهتر یادگیری ماشین جهت شمارش گلبولهای سفید مورد نیاز است. | ||
کلیدواژهها | ||
پردازش رنگی تصاویر؛ پردازش هندسی تصاویر؛ جوجه گوشتی؛ گلبولهای سفید | ||
مراجع | ||
Al-Khafaji KH and Al-Khafaji AH, 2018. Diagnoses of blood disorder in different animal species depending on counting methods in blood cell images. International Journal of Engineering and Technology 7: 660-664.
Beaufrere H, Ammersbach M and Tully Jr TN, 2013. Complete blood cell count in psittaciformes by using high throughput image cytometry: a pilot study. Avian Medicine and Surgery 27: 211-217.
Bhagavati SL and Thomas N, 2016. An automatic system for detection and counting rbc and wbc using fuzzy logic. Engineering of Application Science 11: 6891-6894.
Bhatt M and Prabha S, 2015. Detection of abnormal blood cells using image processing technique. International Journal of Electrical and Electronics Engineers 7: 89-94.
Edraki A and Razminia A, 2017. Classification of white blood cells using convolutional neural network. Iran South Medical Journal 21(1): 65-80.
Gonzalez RC, Woods RE and Eddins SL, 2009. Digital image processing using matlab. Gatesmark Publishing.
Ghane N, Vard A, Talebi A and Nematollahy P, 2017. Segmentation of white blood cells from microscopic images using an ovel combination of k-means clustering and modified watershed algorithm. Journal of Medical Signals & Sensors 7: 92-101.
Harrison G and Lightfoot T, 2005. Diagnostic value of hemathology. Pp. 587-610. Avian medicine press.
Khan S, Khan A, Khattak FS and Naseem A, 2012. An accurate and cost effective approach to blood cell count. International Journal of Computer Application 50: 18-24.
Kratz A, Bengtsson H and Casey J, 2005. Performance evaluation of the cellavision dm96 system; wbc differentials by automated digital image analysis supported by an artificial neural network. Clinical Pathology 124: 770-781.
Lillihook IE and Tvedten HW, 2011. Canine differential leukocyte counting with the cellavision dm96 vision, sysmex xt-2000iv and advia 2120 hematology analyzers and a manual method. Veterinary Clinical Pathology 40: 324-339.
Lin SF and Hong YB, 2012. Differential count of white blood cell in noisy normal blood smear. Pp. 1784-1789. Proceedings of the 7th ICIEA Conference. Singapore, Singapore.
Maitra M, Kumar Gupta R and Mukherjee M, 2012. Detection and Counting of Red Blood Cells in Blood Cell Images using Hough Transform. International Journal of Computer Applications 53: 18-22.
Massachusetts Institute of Technology, 2003. CellProfiler cell image analysis Software Version 2.0 (r10997), NC: Massachusetts Institute of Technology Inc.
MathWorks Institute, 2017. MATLAB R2017a (9.2.0.538062), NC: MathWorks Institute.
Mircic S and Jorgovanovic N, 2006. Automatic classification of leukocytes. Automatic Control 16: 29-32.
Naazifi S, 1998. Hematology and clinical bio chemistry of avian. Shiraz university press, Shiraz, Iran.
Ramesh N, Dangot B, Salama ME and Tasdizen T, 2012. Isolation and two-step classification of normal white blood cells in peripheral blood smears. Pathology Information 36: 3-13.
Sakas P, 2002. Essentials of avian medicine: a practitioner’s guide (2nd ed). AAHA press, USA.
Sparavigna AC, 2017. Measuring the blood cells by means of an image segmentation. Philicia 4: 40-49.
Vives-corrons JL, Besson I, Mariajou J and Gutierrez G, 1996. Evaluation of the abbott cell-dyn 3500 hematology analyzer in a university hospital. Clinical Pathology 105: 553-559.
Zhang C, Xiao X, Li X, Chen Y, Zhen W, Chang J, Zheng C and Liu Z, 2014. White blood cell segmentation by color-space-based k-means clustering. Sensors 14: 16128-16147. | ||
آمار تعداد مشاهده مقاله: 1,547 تعداد دریافت فایل اصل مقاله: 638 |