Rezumat teza - Facultatea de Electronica, Telecomunicatii si ...

FACULTATEA DE ELECTRONICĂ TELECOMUNICAŢII ŞI
TEHNOLOGIA INFORMAŢIEI
REZUMATUL TEZEI DE DOCTORAT
ARHITECTURI RECONFIGURABILE PENTRU PRELUCRĂRI
DE IMAGINI CU APLICAŢII ÎN PROCESAREA AUTOMATĂ A
IMAGINILOR MICROARRAY
Ing. Ioan Bogdan BELEAN
PREŞEDINTE: - Prof.dr.ing. Gabriel Oltean - Facultatea de Electronică,
Telecomunicaţii şi Tehnologia Informaţiei, Universitatea Tehnică
din Cluj-Napoca;
MEMBRI: - Prof.dr.ing. Monica Borda- conducător ştiinţific, Universitatea Tehnică
din Cluj-Napoca;
- Prof.dr.ing. Radu Munteanu - referent, Universitatea Tehnică
din Cluj-Napoca;
- Prof.dr.ing. Alexandru ŞŞŞŞerbănescu–referent, Academia Tehnică Militară
Bucureşti;
- Prof.dr.ing. Marius Oteşteanu- referent, Universitatea „Politehnica” din
Timişoara;
- Conf.dr.ing.Romulus Terebeş– referent, Universitatea Tehnică din Cluj-
Napoca.
2010

Cuprins
Capitolul 1 Introducere .................................................................................................................... 1
1.1 Motivaţia şi obiectivele tezei ................................................................................................ 2
1.2 Tehnologia microarray .......................................................................................................... 2
1.2.1 Experimentul microarray ............................................................................................... 3
1.3 Circuite FPGA ........................................................................................................................ 4
1.4 Organizarea lucrării ............................................................................................................... 5
1.5 Colaborări ............................................................................................................................... 6
Capitolul 2 Prelucrarea imaginilor microarray ........................................................................... 6
2.1 Etapele prelucrării imaginilor microarray ............................................................................ 7
2.2 Metode propuse pentru prelucrarea automată a imaginilor microarray ............................. 9
2.2.1 Îmbunătățirea imaginilor microarray ............................................................................ 9
2.2.2 Adresarea imaginilor microarray folosind filtrele de şoc .......................................... 10
2.2.3 Filtrul Canny în segmentarea imaginilor microarray ................................................. 12
2.3 Rezultate experimentale ...................................................................................................... 13
Capitolul 3 Arhitecturi reconfigurabile pentru prelucrarea imaginilor microarray .......... 16
3.1 Arhitectura pentru îmbunătățirea imaginilor ..................................................................... 16
3.2 Arhitectura reconfigurabilă pentru calculul profilelor de imagini .................................... 17
3.3 Arhitectura reconfigurabilă pentru adresarea imaginilor microarray ............................... 18
3.4 Arhitectura reconfigurabilă pentru segmentarea imaginilor microarray .......................... 19
3.4.1 Implementarea filtrului Canny folosind arhitectura pentru convoluția imaginilor .. 19
Capitolul 4 Sistem de achiziție şi prelucrare automată a imaginilor microarray ................ 20
4.1 Sistem de prelucrare automată a imaginilor microarray .................................................... 21
4.1.1 Rezultate experimentale şi resurse hardware folosite ................................................ 22
Capitolul 5 Concluzii, contribuţii şi dezvoltări ulterioare ........................................................ 23
5.1 Concluzii............................................................................................................................... 23
5.2 Contribuții ............................................................................................................................ 26
5.3 Dezvoltări ulterioare ............................................................................................................ 26
BIBLIOGRAFIE………………………..………………………………………………………..28
ii

Capitolul 1 Introducere
Teza de doctorat reunește domenii precum biologia moleculară, bioinformatica, domeniul
prelucrărilor de imagini şi cel al circuitelor digitale în scopul realizării unui sistem automat de
prelucrare a imaginilor genomice microarray. Lucrarea de faţă propune astfel un sistem ce
include arhitecturi reconfigurabile dezvoltate folosind tehnologia FPGA, arhitecturi care
implementează metode şi algoritmi pentru prelucrarea automată a imaginilor microarray. De
asemenea, sunt dezvoltate noi metode pentru îmbunătățirea, adresarea şi segmentarea imaginilor
microarray, care vizează automatizarea procesului de prelucrare a acestui tip de imagini
genomice.
Odată cu descoperirea structurii de dublă spirală a moleculei de Acid DezoxiriboNucleic
(ADN) de către Watson şi Crick, s-au deschis noi orizonturi în înțelegerea funcționării
organismului uman şi nu numai. Rolul principal al moleculei de ADN este acela de a contribui la
formarea proteinelor prin intermediul informațiilor stocate în molecula de ADN, sub forma unor
secvențe de nucleotide. Aceste secvențe de nucleotide ce conțin informații necesare sintezei de
proteine poartă numele de gene. Modul în care informația genetică (gene) contribuie la formarea
unei proteine poartă numele de expresie genetică [18].
Cercetările în domeniul biologiei moleculare au fost multă vreme limitate în ceea ce
priveşte determinarea şi cuantizarea expresiei genetice, însă odată cu dezvoltarea metodei de
analiza serială a expresiei genetice (SAGE) [65] şi a tehnologiei microarray [57] se permite
observarea simultană a comportamentului a mii de gene precum şi identificarea funcţiilor
genelor. Tehnologia microarray își are rădăcinile în studiile lui M. Schena [49], şi se bazează pe
crearea de microarrayuri ADNc, care reprezintă probe genetice, secvențe de ADN complementar
înșiruite pe o lamelă de microscop. Altfel spus, probe de ADN complementar prelevate din două
surse diferite, spre exemplu dintr-un țesut sănătos şi unul bolnav, sunt etichetate şi înșiruite pe
aceeași suprafață microscopică şi în același timp sunt create condițiile necesare hibridizării
acestora. Prin hibridizare se înţelege tendinţa a două molecule de ADN complementar, care au o
structură formată dintr-o singură spirală, de a se uni într-o molecula de ADN dublă spirală. În
acest fel, în urma procesului de hibridizare, tehnologia microarray compară expresia genetică a
celulelor sănătoase cu cea a celulelor bolnave, determinând şi oferind astfel informații necesare
în scopul înțelegerii şi a determinării genelor implicate în diferite maladii. Acest studiu
comparativ al expresiei genetice realizat prin intermediul tehnologiei microarray este folosit şi în
monitorizarea efectelor mediului şi a medicamentației asupra diferitor genoame [26].
Stadiul actual al cercetărilor în cazul estimării expresiei genetice folosind tehnologia
microarray presupune parcurgerea experimentului microarray (Cap. 1.1.2), în urma căruia se
obține o imagine microarray. Aceasta este ulterior supusă prelucrării folosind platformele
software existente (Agilent Feature Extraction Software, GenePix Pro etc.) care utilizează
algoritmi specifici prelucrărilor de imagini în vederea extragerii parametrilor imaginii microarray
[5]. Parametrii obținuți caracterizează expresia genetică a genelor înșiruite pe suprafața
microarray. Este de menționat că, întreg procedeul de extragere a parametrilor imaginii
microarray implică următoarele: existenţa platformei software de prelucrare, implicarea unui bioinformatician
în procesul de prelucrare a imaginilor şi necesitatea unui calculator personal pentru
procesarea imaginilor microarray.

1.1 Motivaţia şi obiectivele tezei
Motivația
Necesitatea unei stații de lucru, a unei platforme software şi a unui bio-informatician
pentru prelucrarea imaginilor genomice microarray reprezintă un dezavantaj în cazul platformelor
software existente de prelucrare, atât prin costul ridicat cât şi prin prisma eficienţei scăzute a
prelucrării din perspectiva timpului de calcul. Eliminarea intervenției utilizatorului şi
automatizarea procesului de prelucrare a imaginilor microarray este astfel un subiect deschis în
cercetarea recentă. Dezavantajele anterior menționate introduse de platformele software existente
motivează dezvoltarea unui sistem automat specializat pentru prelucrarea imaginilor microarray,
care să fie caracterizat prin următoarele: să elimine intervenția utilizatorului şi a platformei
software necesare prelucrării, să reducă implicit costurile unui experiment microarray şi să
reducă, de asemenea, timpul de calcul. În acest scop s-au propus algoritmi noi de prelucrare
automată a imaginilor microarray. Pentru a îndeplini cerințele unui astfel de sistem automat,
pentru implementarea algoritmilor propuși s-a ales tehnologia FPGA datorită posibilității de
reconfigurare, a costului redus şi a posibilităților de calcul paralel oferite de aceasta.
Obiectivele tezei
Principalele obiective ale tezei sunt orientate în două direcții, pe de o parte vizează
domeniul prelucrării de imagini microarray iar pe de altă parte urmăresc proiectarea de arhitecturi
logice reconfigurabile. Astfel, în cadrul prelucrării imaginilor microarray, teza își propune
următoarele:
- studiul metodelor şi algoritmilor existenți în literatura de specialitate şi în cadrul
platformelor software pentru prelucrarea imaginilor microarray;
- dezvoltarea de noi algoritmi ce vizează în special prelucrarea automată a imaginilor
microarray;
- validarea rezultatelor obținute folosind algoritmii propuși prin compararea acestora cu
cele livrate de platformele software existente.
Odată ce metodele propuse pentru prelucrarea automată a imaginilor microarray sunt
validate, obiectivele următoare sunt:
- dezvoltarea de arhitecturi reconfigurabile în tehnologie FPGA pentru implementarea
metodelor şi algoritmilor folosiți în scopul procesării automate a imaginilor
microarray, care include următoarele etape clasice în prelucrarea imaginilor
microarray: adresare, segmentare şi extragerea intensității;
- integrarea arhitecturilor propuse într-un sistem încapsulat, sau altfel spus „system on a
chip”, specific prelucrării automate a imaginilor microarray.
1.2 Tehnologia microarray
În domenii precum bioinformatica şi biologia moleculară, tehnologia microarray reprezintă
o nouă abordare pentru determinarea şi cuantizarea expresiei genetice [20]. Prin expresie genetică
se înţelege modul în care informaţia genetică stocată în moleculele ADN (acid deoxiribonucleic)
contribuie la formarea unei proteine. Expresia genetică a unei celule determină fenotipul acesteia,
funcţia acesteia şi răspunsul pe care aceasta îl are la acţiunea factorilor externi (mediul,
medicamentaţie etc.). Determinarea expresiei genetice a celulelor bolnave comparativ cu celulele
sănătoase are drept scop înţelegerea patologiei bolii, determinarea genelor implicate în diferite
2

maladii şi oferă indicii în ce priveşte intervenţia terapeutică împotriva bolii respective. În cele ce
urmează sunt descrise noțiuni de biologie moleculară necesare înțelegerii tehnologiei microarray
împreună cu experimentul microarray, care stă la baza acestei tehnologii [29].
1.2.1 Experimentul microarray
Tehnologia microarray permite monitorizarea şi cuantizarea expresiei genetice a mii de
gene în paralel prin înşiruirea de probe de ADN complementar pe o suprafaţă de sticlă
microscopică. Astfel, probe de ADNc din celule sănătoase (probe reper) şi probe de ADNc din
celule bolnave (probe ţintă) sunt marcate cu etichete fluorescente diferite (cyannine 3 (Cy3 -
verde) – probe reper şi cyannine 5 (Cy5 - roşu) – probe ţintă ) şi sunt imprimate pe aceeaşi
suprafaţă microscopică; suprafaţa cu probe de ADNc poartă numele de microarray [49]. Mai
apoi, cele două tipuri de probe de pe suprafaţa microarray-ului sunt supuse unui proces de
hibridizare care stă la baza experimentului microarray. Hibridizarea se defineşte ca fiind procesul
de unire a două molecule simplu-înlănțuite de ADN, a căror secvențe de nucleotide sunt
complementare, formând o moleculă de ADN dublă spirală [60]. Aceasta se datorează celor 4
elemente de bază din structura ADN-ului (adenină, timină, guanină, citozină) care au
particularitatea de a se uni două câte două prin intermediul legăturilor de hidrogen. În urma
acestui proces, folosindu-ne de etichetele fluorescente cu care au fost marcate cele două tipuri de
celule, pot fi determinate diferenţele care apar între probele ADNc din celulele sănătoase şi cele
din celulele bolnave.
Figura 1.1 Etapele unui experiment microarray
Etapele unui experiment microarray, figura 1.1, au ca rezultat imagini avand o structura
prezentată în figura 1.2, unde se pot observa spoturile şi grupurile de spoturi ce intră în
componenţa imaginilor. Fiecare spot corespunde cantității şi conținutului de ADNc prezent în
probele aflate sub investigație. Pentru a obține informații utile folosind aceste două imagini
rezultate în urma scanării, este necesară compararea spot-urilor microarray dintr-o imagine cu
cele din cea de-a doua imagine. Din acest considerent, cele două imagini sunt stocate împreună
sub forma unei imagini .tiff, având două canale, unul pentru fiecare marker fluorescent.
Dimensiunile unei astfel de imaginii, rezultate în urma utilizării tehnologiei Agilent, sunt după
cum urmează: rezoluția 6100x2160x16 bpp, numărul de spot-uri 22 000.
Figura 1.2 – Structura imaginilor microarray
3

Există o multitudine de aplicaţii ale tehnologiei microarray în domenii precum medicină şi
farmacie. Compararea profilelor de expresie genetică furnizează informaţii utile în ce priveşte
înțelegerea organismelor şi a proceselor biologice din punct de vedere genetic, în special a
patologiei moleculare în cazul diferitelor boli [5]. Astfel, funcțiile unei celule sunt determinate de
proteinele produse de aceasta, care la rândul lor sunt sintetizate cu ajutorul informației genetice.
Determinarea şi cuantizarea expresiei genetice pentru diferite tipuri de țesuturi răspunde la
următoarea întrebare: de ce celule corespunzătoare unui anumit tip de țesut se comportă diferit
faţă de celule altor țesuturi?
Cuantizarea expresiei genetice are ca rezultat informații referitoarea la diferențele ce apar
între celulele sănătoase şi cele bolnave, contribuind la înțelegerea diferitor maladii precum
cancerul. Informațiile obținute pot fi folosite ulterior pentru a crea medicamentația necesară
pentru a modifica genele sau proteinele implicate în aceste maladii, fără a cauza şi alte efecte
secundare, oferind o soluție eficientă pentru înlăturarea bolii respective. În concluzie, tehnologia
microarray poate fi folosită în situațiile în care expresia genetică necesită a fi determinată şi
comparată.
1.3 Circuite FPGA
Circuitele FPGA reprezintă o structură bidimensională de blocuri logice, care oferă
utilizatorului posibilitatea de a concepe, a programa şi a aduce modificările dorite circuitului său.
Blocurile logice componente sunt reprogramabile, permiţând atât dezvoltarea de circuite logice
specializate cât şi modificarea funcţionalităţii implementărilor realizate. Pentru programarea
circuitelor FPGA este folosit limbajul de descriere hardware HDL (Hardware Description
Language) [21].
Contrar circuitelor logice convenţionale, circuitele logice programabile FPGA permit
dezvoltarea de arhitecturi specifice diferite prin reprogramarea acestora, folosind aceelasi circuit
FPGA. Astfel nu este necesară fabricarea în uzine specializate a arhitecturilor dezvoltate pentru a
fi testate, ceea ce duce la reducerea costurilor de producție. Acesta este un principal avantaj al
circuitelor FPGA, folosit pentru implementarea de noi arhitecturi şi de circuite logice specializate
VLSI (Very Large Scale Integration). De asemenea, este de menţionat timpul scurt de ieşire pe
piaţă a acestora, ceea ce favorizează dezvoltarea de circuite logice digitale în domenii a căror
evoluţie se face rapid de la o etapă la alta. Un alt avantaj major este reducerea semnificativă a
ciclului de proiectare şi producție a circuitelor logice specializate, ceea ce a făcut ca în ultimii
ani, utilizarea circuitelor FPGA să fie răspândită pe scară largă. Implementările arhitecturilor
hardware pentru prelucrarea imaginilor microarray cuprinse în lucrarea de faţă sunt realizate cu
circuite logice FPGA [44]. Avantajele oferite de tehnologia FPGA în proiectarea circuitelor
logice specializate, aduc în prim plan o nouă abordare în prelucrarea de imagini în general şi în
prelucrarea imaginilor microarray în special. Aceasta constă în implementarea de arhitecturi
hardware pentru algoritmi specifici prelucrărilor de imagini. Arhitecturile hardware vizează
utilizarea capacităţilor de calcul paralel ale tehnologiei FPGA, dintre care menţionăm accesul
concurent la sute de locaţii de memorie, în scopul reducerii timpului de calcul necesari
algoritmilor specifici prelucrării imaginilor. În acest fel, se va urmări exploatarea celor două
forme de paralelism, temporal şi spaţial, în implementarea de arhitecturi hardware pentru
algoritmi specifici prelucrării automate a imaginilor microarray. În această manieră, cantitatea
vastă de informaţie conţinută în imaginile microarray nu mai este un impediment în procesare.
Alături de paralelismul temporal şi spaţial sunt folosite şi alte tehnici în prelucrarea imaginilor
4

pentru a exclude necesitatea utilizării unei unităţi aritmetice logice. Astfel, pentru implementarea
unor funcţii logice mai complexe precum extragerea radicalului sau logaritm sunt folosite
tabelele LUT (Look Up Table). Această abordare care implică utilizarea de circuite specializate
în prelucrarea imaginilor este un prim pas în dezvoltarea unui sistem automat de prelucrare a
imaginilor microarray care să excludă necesitatea unui stații de lucru şi a unui bio-informatician
în prelucrare. Fiind reprogramabilă şi de asemenea eficientă atât ca şi cost cât şi ca implementare,
oferind posibilități de calcul paralel, tehnologia FPGA a fost aleasă pentru implementarea de
arhitecturi hardware pentru prelucrarea automată a imaginilor microarray.
1.4 Organizarea lucrării
Teza de doctorat sintetizează activitatea mea de cercetare în domeniul prelucrării
imaginilor genomice şi al proiectării arhitecturilor reconfigurabile în cadrul sistemelor digitale.
Lucrarea este organizată în 5 capitole, primul dintre ele reprezentând descrierea domeniilor în
care se încadrează tema tezei. Cel de-al doilea capitol tratează prelucrarea imaginilor microarray,
iar capitolele 3 şi 4 prezintă arhitecturi reconfigurabile pentru prelucrarea imaginilor microarray
integrate într-un sistem încapsulat dedicat acestui tip de prelucrări de imagini. În capitolul final
sunt prezentate concluziile şi posibilele dezvoltări ulterioare.
Capitolul 1 începe prin descrierea temei şi a obiectivelor urmărite pe parcursul tezei. De
asemenea sunt prezentate succint domeniile de interes, cel al tehnologiei microarray şi al
circuitelor FPGA utilizate în dezvoltarea arhitecturilor propuse pentru prelucrarea automată a
imaginilor microarray. Sunt descrise aici şi noțiuni de biologie moleculară necesare înțelegerii
tehnologiei microarray şi a rolului pe care aceasta îl are în cuantizarea expresiei genetice.
Capitolul 2 este dedicat prelucrării imaginilor microarray. Sunt prezentate metodele şi
algoritmii folosiți de platformele software existente în prelucrarea imaginilor microarray. De
asemenea, sunt propuși noi metode şi algoritmi în cadrul etapelor specifice de prelucrare a
imaginilor microarray: îmbunătățire de imagini, adresare şi segmentare. Rezultatele obținute de
noile metode şi algoritmi propuși pentru automatizarea prelucrării imaginilor microarray sunt
comparate cu cele obținute de platformele software existente, pentru același set de imagini
microarray.
Capitolul 3 propune arhitecturi logice reconfigurabile, sintetizate folosind limbajul de
descriere logică HDL, care implementează algoritmi pentru îmbunătățirea imaginilor microarray,
pentru calculul profilelor imaginilor, pentru adresarea şi pentru segmentarea imaginilor
microarray, în vederea extragerii parametrilor caracteristici necesari în cuantizarea expresiei
genetice. Arhitecturile sunt testate şi simulate folosind platforma software ModelSim, rezultatele
fiind de asemenea prezentate în capitolul curent. Algoritmii implementați descriu un lanț de
procesare automată a imaginilor genomice microarray.
Capitolul 4 integrează arhitecturile logice reconfigurabile dezvoltate într-un sistem
încapsulat, dedicat prelucrării automate a imaginilor microarray. Platforma hardware utilizată
pentru dezvoltarea sistemului propus este Virtex5. Rezultatele obținute în ceea ce privește timpul
de calcul al sistemului încapsulat sunt comparate cu cele obținute folosind un calculator personal
pentru implementarea lanțului de prelucrare automată a imaginilor microarray. De asemenea,
capitolul 4 propune un dispozitiv pentru scanarea lamelei microarray şi prelucrarea imaginilor
obținute folosind sistemul încapsulat dedicat prelucrării automate a imaginilor microarray.
Capitolul 5 este dedicat concluziilor şi contribuțiilor personale ce se regăsesc pe parcursul
tezei, fiind specificate de asemenea şi obiectivele propuse pentru cercetări viitoare.
5

1.5 Colaborări
Cercetările în domeniul prelucrării imaginilor microarray au debutat prin intermediul unei
mobilităţi SOCRATES ERASMUS în perioada 20.02.2005 – 20.05.2005, în Madrid (Spania) la
Universitatea Politehnica din Madrid, în vederea elaborării proiectului de diplomă „Microarray
image processing algorithm implemented on FPGA” sub îndrumarea doamnei profesoare Monica
Borda şi a domnului profesor Pedro Gomez.
Formarea mea ca cercetător în domeniul prelucrărilor de imagini microarray şi al
proiectării circuitelor digitale s-a concretizat prin intermediul proiectului de cercetare PN II IDEI
cod 909, nr. 332/2007 condus de doamna prof. dr. ing. Monica Borda, în cadrul căruia am fost
membru permanent pe perioada 1.10.2007 – 31.09.2010. De asemenea, pe perioada stagiului
doctoral 1.10.2007 – 31.09.2010 am beneficiat de o bursa BD, acordata de CNCSIS obținuta prin
concurs.
Activitatea de cercetare in domeniul proiectării circuitelor digitale folosind tehnologia
FPGA a fost susținută de bursa de perfecționare din cadrul laboratorul IMS (Intégration des
Matériaux au Systèmes), al Universităţii Bordeaux 1, Franța, oferita de Agenția Universitara a
Francofoniei pentru perioada 15.01.2010 – 15.03.2010, in urma unui concurs. Prin intermediul
acesteia s-a inițiat o colaborare între laboratorul IMS, Universitatea Bordeaux 1, Franța şi
Universitatea Tehnică din Cluj Napoca.
Capitolul 2 Prelucrarea imaginilor microarray
Prelucrarea imaginilor microarray urmărește extragerea informațiilor conținute în imaginile
microarray şi are ca obiective principale detecţia locaţiei fiecărui spot, determinarea intensităţii
acestora şi în acelaşi timp determinarea intensităţii zonei de fundal din vecinătatea fiecărui spot.
În cadrul unui experiment microarray, aceste obiective sunt realizate cu ajutorul tehnicilor
specifice prelucrării de imagini. Diferiţi producători de microarray, pun la dispoziţia utilizatorului
atât scannere pentru obţinerea imaginilor microarray cât şi platforme soft pentru prelucrarea
acestor imagini. Cele mai cunoscute platforme software pentru prelucrarea imaginilor microarray
sunt GenePix Pro (Molecular Devices, Inc.), ImaGene (Biodiscovery, Inc.), SpotFinder
(Affymetrix, Inc [2]) şi Feature Extraction (Agilent, Inc.). Aceste platforme includ algoritmi
specifici de prelucrare a imaginilor microarray, care urmăresc etapele clasice în prelucrarea
imaginilor microarray: adresarea, segmentarea imaginilor iar pe baza acestora extragerea
intensităţii spot-urilor şi a zonei de fundal. Rezultatele obținute în urma prelucrărilor sunt livrate
unor utilitare software precum Agilent GeneSpring, cu rolul de a determina semnificația biomedicală
a rezultatelor obținute.
Platformele software existente rezolvă problema extragerii informaţiilor din imaginile
microarray, dar aduc cu sine o serie de dezavantaje. Astfel, utilizarea acestora implică pe lângă
necesitatea unei staţii de lucru, şi supravegherea întregului proces al analizei imaginilor
microarray de către un bio-informatician. Acest fapt duce la un cost ridicat al procesului de
analiză a imaginilor. Totodată, durata analizei imaginilor microarray poate fi un inconvenient în
cazul în care este necesar un număr ridicat de analize microarray. Lucrarea de faţă este orientată
spre îmbunătățirea tehnicilor şi algoritmilor specifici prelucrărilor de imagini în vederea
automatizării procesului de prelucrare a imaginilor microarray.
6

2.1 Etapele prelucrării imaginilor microarray
Preprocesarea imaginilor microarray
Imaginile microarray sunt în mare măsură afectate de zgomot, astfel că înainte de
procesare, este de dorit aplicarea unor filtre şi transformări care să reducă zgomotul şi să
accentueze informația utilă. Rolul preprocesării în prelucrarea imaginilor microarray este tocmai
acela de a îmbunătăți calitatea imaginii.
În cazul imaginilor microarray, este frecvent întâlnită situația în care spot-urile
microarray sunt slab exprimate, astfel, atât în literatura de specialitate cât şi în cazul platformelor
software existente, asupra imaginii microarray se aplică o transformare logaritmică, pentru
evidențierea acestor spot-uri slab exprimate [9]. Aceasta este o transformare spațială, astfel
asupra intensității fiecărui pixel I0(x,y) al imaginii de intrare se aplică transformarea definită de
ecuația (1), unde n reprezintă numărul de biți pe care este reprezentată intensitatea pixelilor.
ln( I ( x,
y)
1)
n
I L ( x,
y)
0 +
= ⋅ 2
(1)
n
ln 2
Următorul pas în preprocesare este îmbunătățirea contrastului imaginii obținute după
transformarea logaritmică. Ajustarea contrastului se poate realiza prin scalarea intensității
fiecărui pixel folosind formula ecuația (2).
b − a
I N ( x,
y)
= ⋅ ( I L − min) + a
(2)
max−
min
unde în este noua intensitate a pixelului (x,y), min şi max intensitatea minima respectiv maximă
din imagine, iar a şi b reprezintă noua intensitate minima respectiv maximă obținute după
scalare.
O altă transformare care să înlăture influenţa spot-urilor slab exprimate este prezentată în
cele ce urmează. Ideea de bază, prezentată în [15], constă în realizarea unei transformări care
introduce benzi verticale şi orizontale care radiază în jurul spot-urilor. Pentru a accentua
imaginea în jurul spoturilor filtrul aplicat este descris de ecuația (3).
Adresarea imaginilor microarray
λx
+ λy
I x y
IQ
=
0 ( , )
unde
λx
+ λy
(3)
=
−1
⋅ ∑
= 0 0
1
λ x
şi =
1 Y
−1
I ( x,
n)
⋅ ∑
y n
= 0 0
1
λ y
1 X
I ( n,
y)
x n
(4)
Prima etapă din cadrul prelucrării imaginilor microarray este adresarea sau altfel spus
alinierea grid-ului, al cărei obiectiv principal este determinarea locaţiilor fiecărui spot din
imaginea microarray. Aceasta presupune determinarea unui set de linii orizontale şi verticale (ce
poartă denumirea de grid), care, suprapuse peste imaginea microarray, descrie o matrice
bidimensională de spoturi, încadrând fiecare spot într-un pătrat. Platformele software existente
7

utilizează două abordări pentru adresare (alinierea grid-ului): prima se bazează pe un şablon
suprapus peste imaginea microarray, iar cea de-a doua se foloseşte de conţinutul imaginii pentru
adresarea spot-urilor.
În cazul utilizării şabloanelor pentru adresare, este necesară cunoaşterea apriori a
următorilor parametrii: numărul de spot-uri din imagine, dimensiunea spot-urilor şi distanţa
dintre spot-uri pentru definirea şablonului. Şablonul astfel definit este suprapus peste imagine, iar
parametrii anterior menţionaţi sunt ajustaţi astfel încât şablonul să încadreze fiecare spot într-o
suprafaţă pătratică. Platformele GenePix Pro şi Feature Extraction utilizează această tehnică
pentru adresarea spoturilor, dispunând şi de metode de ajustare automată a şabloanelor. Cu toate
acestea, dat fiind faptul că există diferite tipuri de imagini microarray, procesul de adresare nu
este automat, fiind necesar definirea şabloanelor pentru fiecare tip de imagine.
Cea de-a doua abordare pentru adresarea spot-urilor se foloseşte de conţinutul imaginii
microarray şi este întâlnită la toate platformele software existente. Pentru platformele GenePix şi
Agilent abordarea este folosită în cazul în care nu există definite șabloane. Astfel, însumând
intensităţile pixelilor pe linii şi pe coloane, se obţin vectorii proiecţiilor pe verticală VP (5) şi
orizontală HP (6) a imaginii microarray.
1 Y −1
VP ( x)
= ∑ I(
x,
y)
(5)
Y y=
0
1 X −1
HP ( y)
= ∑ I ( x,
y)
(6)
X x=
0
unde I(x, y) este imaginea microarray, X (înălţimea) şi Y (lăţimea) sunt dimensiunile imaginii, y =
0, 1,...,Y-1 şi x = 0,1,…,X-1.
Pe baza analizei acestor proiecţii unidimensionale, se determină extremele locale care
reprezintă locaţia centrelor spot-urilor microarray. Din cauza iregularităţii profilelor,
autocorelaţia este folosită ulterior pentru determinarea dimensiunii spot-urilor şi a distanţei dintre
acestea.
Segmentarea imaginilor microarray
Această etapă de prelucrare a imaginilor microarray vizează separarea pixelilor ce aparțin
spot-ului microarray de cei ce constituie fundalul local din vecinătatea spot-ului. În prelucrarea
clasică a imaginilor microarray există următoarele abordări pentru segmentarea imaginilor
microarray: abordare bazată pe şabloane şi abordare bazată pe conţinutul imaginii microarray (pe
intensitatea pixelilor din imagine) [13]. Referitor la prima abordare, există un şablon oferit de
producători care suprapus peste imaginea microarray, defineşte zonele corespunzătoare
spoturilor, separându-le de fundalul imaginii. Diferite platforme soft folosesc diferite strategii
pentru definirea şabloanelor, ilustrate în figura 2.1 [19]; ScanAlyze foloseşte pixelii ce se găsesc
între zona care defineşte spot-ul microarray şi regiunea marcată cu un pătrat punctat ca fiind
reprezentativi pentru definirea fundalului local, ArrayVision consideră o suprafaţă definită de
două cercuri ca fiind informaţie de fundal local, iar GenePix estimează fundalul bazându-se pe
pixelii ce se regăsesc în zonele de forma unor romburi. Această abordare necesită şabloane
diferite pentru fiecare producător de microarray, astfel abordarea nu oferă generalitate şi eşuează
în cazul spot-urilor cu raze diferite.
8

Figura 2.1 Metode de segmentare a imaginilor microarray. a) Metode utilizate de platformele software existente; b)
Metode propuse pentru segmentare.
Cea de-a doua abordare se bazează pe tehnici specifice prelucrării de imagini. Vor fi
descrise astfel, metode şi algoritmi de segmentare care sunt folosite în cadrul prelucrării
imaginilor microarray, printre care amintim „seeded region growing”, segmentare morfologică şi
contururi active.
Extragerea intensității şi măsuri de calitate
Marea provocare în analiza informațiilor genetice livrate de analizele microarray este de a
obține rezultate de încredere în urma procesării de imagini. Platforma software produsă de
Agilent conține metode şi algoritmi pentru procesarea imaginilor microarray. Aceasta determină
locațiile tuturor spoturilor şi grupurilor de spoturi, determină caracteristicile fiecărui spot, elimină
informația neconcludentă şi realizează rapoarte statistice de încredere. FE este o componentă care
integrează astfel tehnologii complementare oferind rezultate compatibile cu platforme software
precum Genespring GX, Genespring Workgroup, softul DNA de Analytics, şi pentru aplicaţiile
de analiza microarray Rosetta Resolver. Aceste caracteristici fac din Feature Extraction o
platformă de încredere pentru validarea rezultatelor. Astfel vor fi utilizaţi aceeaşi identificatorii şi
rapoartele de calitate pentru compararea rezultatelor obținute cu ajutorul algoritmilor propuși
pentru prelucrarea automată a imaginilor microarray cu rezultatele livrate de platforma Feature
Extraction pentru diferite experimente microarray. Rezultatele livrate de Feature Extraction sunt
preluate din baza de date publică GEO (Gene Expression Omnibus).
2.2 Metode propuse pentru prelucrarea automată a imaginilor
microarray
2.2.1 Îmbunătățirea imaginilor microarray
Este bine cunoscut faptul că în cazul imaginilor microarray se întâlnesc foarte multe spoturi
slab exprimate, sau altfel spus spot-uri care au valori ale intensităţii pixelilor foarte apropiate
de valorile fundalului. Astfel de spot-uri fac imposibilă adresarea şi pot duce chiar la pierderea
informaţiilor, astfel că este nevoie de o metodă de accentuare a spoturilor slab exprimate.
O transformare cu bune rezultate care îndepărtează acest neajuns este una de tip
logaritmic. Ea este cel mai des folosită în imaginile microarray şi este descrisă de ecuația (7).
I = c ⋅ln(
I0
+ 1)
(7)
9

În cele ce urmează este propusă o nouă metodă de îmbunătățire a imaginilor microarray,
şi anume transformarea arc-tangentă hiperbolică IA, ecuaţia (8), care este comparată cu metoda
bazată pe transformări logaritmice IL, ecuaţia (9). Menționăm că ambele metode implică
transformări spațiale, altfel spus, atât transformarea propusă cât şi cea logaritmică se aplică pe
intensitatea luminoasă a fiecărui pixel (x, y).
ln( I ( x,
y)
1)
n
I L ( x,
y)
0 +
⋅ 2
n
ln 2
= (8)
⎧ n I(
x,
y)
− k
⎪2
atgh(
)
k + 1
⎪
, I(
x,
y)
k;
⎪
n
⎪
2 −1
atgh(
)
⎪
n
⎩ 2
Figura 2.2 Transformări pentru îmbunătățirea imaginilor microarray: a) imagine originală, b) imagine rezultată
după transformarea atanh, c) imagine rezultată după transformarea logaritmică.
În figura 2.2 sunt prezentate rezultatele obținute în urma celor două transformări aplicate
pe o secțiune a unei imagini microarray. Se poate observa o mai bună evidențierea a spot-urilor
în cazul utilizării transformării arc-tangent hiperbolic, datorată faptului că transformarea propusă
tratează diferit pixeli de fundal faţă de cei reprezentând informația utilă, adică intensitatea spoturilor
microarray. Astfel fundalul este atenuat, în timp ce intensitățile spot-urilor sunt
intensificate.
2.2.2 Adresarea imaginilor microarray folosind filtrele de şoc
În acest paragraf este descris principiul filtrelor de şoc, folosit pentru prima dată în
prelucrarea imaginilor microarray. În domeniul prelucrării de imagini, filtrele de şoc sunt folosite
la îmbunătăţirea şi restaurarea imaginilor degradate. Vizând îmbunătăţirea contururilor în
imagini, Osher şi Rudin propun primul filtru de şoc pornind de la o ecuaţie hiperbolică [55].
10

Modelul unidimensional este descris în (10), unde operatorul F trebuie să îndeplinească
următoarele condiţii: F(0)=0 şi F(s)·sign(s)≥0.
⎧∂U
⎪ + F(
U xx ) U x = 0
⎨ ∂t
⎪
⎩U
( x,
0)
= U0
( x)
Filtrele de şoc clasice utilizează semnul derivatei de ordinul 2 a semnalului filtrat ca fiind
operatorul F. Astfel obţinem ecuaţia (11).
(10)
U t = −signe(
U xx ) U x
(11)
Pentru aproximarea modelului unidimensional a filtrelor de şoc este folosită următoarea
ecuaţie de discretizare (12), cu paşii de inprementare în spaţiu şi timp h>0 şi ∆t>0:
unde,
n+
1 n
n 2 n
U i = Ui
− Δt
⋅ DU i ⋅ sign(
D U i ) , (12)
n
n n
DU i = m(
Δ + U i , Δ −U
i ) / h
(13)
2 n
n 2
D Ui
= ( Δ+Δ
−Ui
) / h
(14)
m( x,
y)
= [ sign(
x)
+ sign(
y)]
⋅ min( x , y )
(15)
Δ ±
± = ± ( Ui 1 −Ui
)
(16)
Menţionăm că i reprezintă numărul de iteraţii necesare, determinat empiric, pentru
evoluţia ecuaţiei discrete (13).
Acest model discret al filtrului de şoc unidimensional este aplicat pe profilele orizontal şi
vertical al imaginii microarray, păstrând neschimbate punctele de inflexiune în urma filtrării.
Profilul orizontal şi cel vertical se calculează conform ecuaţiilor (17) respectiv (18), unde VP
reprezintă profilul vertical, iar HP profilul orizontal, cu I(x, y) fiind imaginea microarray, X
(înălţimea) şi Y (lăţimea) fiind dimensiunile imaginii, y = 0, 1,...,Y-1 şi x = 0,1,…,X-1.
1 Y −1
VP ( x)
= ∑ I(
x,
y)
Y y=
0
(17)
1 X −1
HP(
y)
= ∑ I(
x,
y)
X x=
0
(18)
Prin aplicarea filtrelor de soc, profilele imaginii evoluează conform ecuaţiei (12), unde
Uxx reprezintă derivate de ordinal 2 a profilului şi Ux derivate de ordinal 1. O mai bună
reprezentare a efectului filtrelor de şoc se poate observa în fig. 2.3.a, unde linia subţire continuă
reprezintă profilul original al imaginii care evoluează în direcţia marcată de săgeţi. Rezultatul
este reprezentat de linia continuă groasă, în timp ce liniile întrerupte simbolizează paşi
intermediari în evoluţia profilelor.
11

Principalul avantaj al filtrelor de şoc este crearea de discontinuităţi puternice în zonele
punctelor de inflexiune. Determinând astfel punctele de inflexiune pentru ambele profile, perechi
de linii perpendiculare pot fi trasate pe suprafaţa imaginii microarray după cum este arătat în fig.
2.3.b. Locaţia spot-urilor este determinată ţinând cont de colţurile din stânga sus de forma
A(2i,2j) şi cele din dreapta jos de forma B(2(j+1)+1, 2(i+1)+1). Mai mult, se poate distinge o
regiune corespunzătoare fundalului din vecinătatea spot-ului, regiune delimitată de 2 pătrate după
cum este arătat pe spotul decupat din fig. 2.3.b. în acest fel, putem afirma că filtrele de soc, pe
lângă adresarea spot-urilor, livrează informaţii utile referitoare la segmentarea imaginilor
microarray.
Figura 2.3 Adresarea imaginii microarray pe baza evoluţiei profirelor obţinută în urma aplicării filtrelor de şoc
Menţionăm că filtrele de şoc nu au fost folosite până la momentul de faţă în prelucrarea
imaginilor microarray. Această metodă este validată în termeni de generalitate şi eficienţă prin
aplicarea ei pe diferite tipuri de imagini microarray provenite de la diferiţi producători (Molecular
Devices, Affymetrix şi Agilent) şi compararea rezultatelor obţinute cu cele livrate de platformele
software corespunzătoare (GenePix Pro, SpotFinder şi Feature Extraction). Abordarea bazată pe
principiul filtrelor de şoc, reprezintă o metodă automată pentru localizarea spot-urilor din
imaginile microarray, locaţia acestora fiind definită de o suprafaţă pătratică ce include un spot
microarray.
2.2.3 Filtrul Canny în segmentarea imaginilor microarray
Conturul este definit ca locul în care există o puternică diferenţă de intensitate într-o
imagine şi reprezintă marginile obiectelor. Detecţia de contur este folosită în segmentarea
imaginilor când se doreşte separarea zonelor corespunzătoare diferitelor obiecte din cadrul
acesteia. De asemenea, reprezentarea unei imagini doar prin contururile obiectelor componente
reduce spaţiul necesar imaginii. În practica contururile se detectează prin aplicarea unor anumite
măşti de convoluție. Calculul gradienţilor este de asemenea folosit în detecţia de contur.
Filtrul Canny s-a dovedit a fi o metodă eficientă în segmentarea imaginilor microarray,
astfel că s-a dezvoltat o arhitectură hardware reconfigurabilă pentru implementarea filtrului lui
Canny [53]. Aceasta este prezentată în Capitolul 3. Prin intermediul filtrului Canny, în cazul
imaginilor microarray, informația corespunzătoare spoturilor microarray este determinată, fiind
realizată o separare a pixelilor aparținând spot-urilor de cei ce reprezintă fundalul local al
imaginii. în cazul imaginilor prezentate anterior, filtrul Canny s-a aplicat pe întreaga imagine.
12

Este de menționat că, utilizarea filtrelor de şoc în adresarea imaginilor microarray introduce
informații legate de procesul de segmentare. Astfel, aceasta abordare oferă posibilitatea aplicării
filtrului Canny pe regiunile corespunzătoare informației utile din cadrul imaginilor microarray,
reducând astfel semnificativ timpul de calcul.
2.3 Rezultate experimentale
În acest sub-capitol vor fi prezentate rezultatele obținute de tehnicile propuse pentru
adresarea şi segmentarea imaginilor microarray, în comparație cu rezultatele livrate de
platformele software existente. Pentru început, vor fi ilustrate rezultatele metodelor propuse în
cazul imaginii microarray GSM135599 (22575 spoturi, 16 biți grayscale, două canale) obținută
prin intermediul bazei de date publice GEO (Gene Expression Omnibus). Astfel, în figura 2.4
este prezentat modul în care, folosind filtre de şoc, s-au determinat pozițiile spot-urilor
microarray sunt detectate pentru imaginea GSM135599.
Figura 2.4 – Adresarea imaginilor microarray folosind filtre de soc
În tabelul 1 sunt prezentate comparativ rezultatele obţinute folosind metodele propuse şi
rezultatele obţinute folosind platformele software GenePix Pro şi Affymetrix SpotFinder pe
diferite imagini microarray. Numărul de identificare al experimentului microarray în baza de date
publică GEO se regăseşte pe coloana „ID Experiment”. Coloana intitulată „spot-uri omise”
reprezintă numărul de spot-uri care nu au fost detectate, iar cea intitulată „spot-uri localizate”
reprezintă procentul de spot-uri din imagine microarray considerat ca fiind relevant din punctul
de vedere al informaţiei genetice conţinute.
În tabelul 2 sunt prezentate comparativ rezultatele obţinute prin metoda propusă şi cele
livrate de platforma software Agilent Feature Extraction. Numărul de identificare al
experimentului microarray în baza de date GEO se regăseşte pe coloana „ID Experiment”. Pentru
fiecare imagine microarray, poziţiile spot-urilor (Xi, Yi) sunt determinate folosind filtrele de şoc
ca metodă de adresare. De asemenea, pentru aceleaşi imagini, sunt cunoscute locaţiile spot-urile
determinate folosind Feature Extraction Software (Xi AG ,Yi AG ) (locaţiile obţinute folosind Agilent
Feature Extraction Software sunt extrase pentru fiecare experiment din baza de date GEO). Pe
13

coloanele „MSE X” şi „MSE Y” se găsesc erorile medii pătratice între coordonatele (Xi, Yi) şi
(Xi AG ,Yi AG ) calculate conform (19) şi (20).
MSE
MSE
X
Y
n
1
= ∑( Xi
− X
n
i=
1
n
1
= ∑ ( Yi
−Yi
n
i=
1
AG 2
i )
Tabelul 1. Detecţia spoturilor pe diferite imagini microarray. Comparaţie intre rezultatele obţinute de
diferite platforme software cu cele obţinute folosind filtrele de şoc pe aceeaşi serie de imagini microarray. Imaginile
microarray s-au obţinut prin intermediul bazei de date publice GEO (Gene Expression Omnibus)
ID Experiment
(GEO)
GSM17139 Sacharomyces
cerevisiae
GSM17144 Sacharomyces
cerevisiae
GSM17192 Sacharomyces
cerevisiae
GSM17137 Sacharomyces
cerevisiae
GSM72701 Chicken pituitary
gland
GSM72705 Chicken pituitary
gland
GSM72709 Chicken pituitary
gland
Numele probei Scaner & Platforma
Software
GenePix 4000A &
GenePix Pro
GenePix 4000A &
GenePix Pro
GenePix 4000A &
GenePix Pro
GenePix 4000A &
GenePix Pro
Affymetrix 418 &
SpotFinder
Affymetrix 418 &
SpotFinder
Affymetrix 418 &
SpotFinder
AG
)
2
Rezultate livrate de producatori Rezultate obţinute
Spot-uri
omise
Spot-uri
localizate
Spot-uri
omise
(19)
(20)
Spot-uri
localizate
544 91.14% 514 91.63%
436 92.90% 418 93.19%
350 94.30% 387 93.70%
797 87.02% 730 89.40%
Cy3 1402 80.54% 1341 81.37%
Cy5 528 92.66% 506 92.97%
Cy3 1219 83.06% 1258 82.52%
Cy5 576 92% 593 91.76%
Cy3 1349 81.26% 1284 82.16%
Cy5 625 91.31% 591 91.79%
Tabelul 2. Detecția spot-urilor microarray. Comparație între rezultatele obținute şi cele livrate de Feature Extraction.
ID Experiment
(GEO)
ID Scaner
Agilent
Eroarea medie pătratica
pentru poziţia spot-urilor
MSE X MSE Y
US45102867_1 11472 0.1056 0.0723
US45102867_2 11868 1.4376 0.5818
US45102867_3 11978 0.0216 0.0028
GSM135595 11978 0.0168 0.9994
GSM135596 11978 0.1603 0.2933
14

În figura 2.5 sunt prezentate comparativ grafice cu rezultatele livrate de platforma Agilent
Feature Extraction Software (dreapta) şi rezultate obținute folosind tehnicile propuse specifice
prelucrării de imagini (stânga). Intensitatea mediană a spotului cu valoarea mediană a fundalului
extrasă pentru canalele corespunzătoare etichetelor Cy3 (roșu) şi Cy5 (verde) sunt reprezentate pe
axele X (rBSubMedian) respectiv Y (gBSubMedian). Mai mult, grafice pentru log ratio (logaritm
din raportul intensităților spot-urilor de pe canalul roșu şi cel verde – log(R/G)) în funcție de log
processed signal (logaritm din produsul dintre intensitățile mediane ale spoturilor pe cele două
canale log(R*G)) sunt reprezentate în figura 2.6 pentru rezultatele livrate de Agilent Feature
Extraction (dreapta) şi pentru rezultatele obținute folosind metodele propuse (stânga).
Figura 2.5 - Intensitatea mediană a zonei de informație utilă cu intensitatea fundalului extrasă
Figura 2.6 - Grafice de tipul MA - Log(R/G) funcție de Log(RG)
Rezultatele obținute dovedesc că această nouă abordare automată folosind filtrele de soc
pentru adresarea imaginilor microarray este eficientă şi în același timp cu caracter de generalitate,
ea fiind aplicată pe diferite imagini microarray. Dezavantajul acestei abordări îl constituie
numărul de iterații i ≈ 100, determinat empiric, necesar evoluției profilelor imaginii pentru
determinarea punctelor de inflexiune. Arhitectura hardware propusă în capitolul 3.3 rezolvă
problema automatizării procesului de detecție a spoturilor microarray şi reduce timpul de calcul
necesar iterațiilor în evoluția profilelor. Tehnologia propusă pentru implementarea arhitecturii
este FPGA (Field Programmable Gate Arrays), datorită posibilităților de exploatare a
paralelismului temporal şi spațial în implementare.
15

Capitolul 3 Arhitecturi reconfigurabile pentru prelucrarea
imaginilor microarray
În acest capitol sunt prezentate arhitecturile hardware implementate în tehnologie FPGA pentru
fiecare din etapele prelucrării imaginilor microarray: îmbunătățire, adresare şi segmentare. În
dezvoltarea acestor arhitecturi s-a folosit paralelismul spațial şi temporal în vedere reducerii
timpului de calcul. În descrierea arhitecturilor s-a folosit limbajului de descriere hardware VHDL
(Verilog Hardware Description Language), iar sinteza circuitelor logice descrise în VHDL [21] sa
realizat folosind platforma software Xilinx ISE. Testarea funcționalității arhitecturilor propuse
s-a făcut prin intermediul platformei de simulare ModelSim.
3.1 Arhitectura pentru îmbunătățirea imaginilor
Strategia aleasă pentru implementarea funcţiei logaritm este aproximarea acesteia prin
segmente de dreaptă. Alegem astfel un număr i=1..n de frângeri ale funcţiei logaritm notate cu Ai.
Graficul funcţiei este astfel transformat în n segmente de dreaptă. Fiecare dreaptă este descrisă de
ecuaţia corespunzătoare, în funcţie de panta acesteia şi un punct de pe dreaptă. Ecuaţia unei
drepte d determinată de panta m şi un punct de pe dreaptă A(x2,y2) este descrisa de ecuaţia (21).
y +
2 2 ) ( y x x m b x m − = + ⋅ = (21)
dy y
unde
1 − y
m = =
2 .
dx x1
− x2
În cele ce urmează va fi descrisă implementarea hardware a transformatei logaritmice
pentru îmbunătăţirea imaginilor microarray, utilizând memorii ROM şi aproximarea liniară a
funcţiei logaritm. O imagine de ansamblu a blocului care implementează transformanta mai sus
menţionată se poate observa în figura 3.1.
Figura 3.1 – Arhitectura hardware pentru transformarea logaritmica
Referitor la resursele hardware folosite utilizând cip-ului FPGA xc5vlx110t, se poate
menţiona utilizarea a 2 memorii Block RAM (1%), 4 multiplicatoare pentru calculul luminanţei şi
3 sumatoare pentru livrarea valorilor logaritmilor corespunzători intensităţilor pixelilor imaginii
la fiecare perioadă de ceas TCLK. De asemenea blocurile logice configurabile, CLB –
Configurable Logic Blocks, sunt folosite într-o proporţie mai mică de 0.1%. Rezultatele obţinute
subliniază eficienţa unei implementări hardware a transformatei logaritmice atât din punct de
vedere al timpului de calcul cât şi din punct de vedere al resurselor hardware utilizate.
16

3.2 Arhitectura reconfigurabilă pentru calculul profilelor de imagini
Calculul profilelor orizontal şi vertical este esențial în abordarea propusă pentru adresarea
imaginilor microarray folosind filtre de şoc. Arhitectura propusă se foloseşte de rezultatele livrate
de blocul anterior descris pentru calculul transformatei logaritmice. Astfel, intensitatea luminoasă
pe YLog(x,y) ce reprezintă ieşirea arhitecturii descrisă în capitolul 3.1 este intrarea arhitecturii
pentru calculul profilelor. Memoriile RAM ΣX şi RAM ΣY şi cele două sumatoare (32 biți) sunt
folosite ca şi acumulatori pentru profilele orizontal şi vertical, în timp ce întreaga imagine este
scanată. Astfel, arhitectura propusă (figura 3.8) însumează datele primate de la unitatea de calcul
a logaritmului cu datele care se găsesc în memoriile RAM ΣX şi RAM ΣY la adresele menţionate de
unitatea de calcul a adresei “Address Computation Unit”. Datele ce se găsesc în cele două
memorii RAM ΣX şi RAM ΣY în urma parcurgerii întregii imagini microarray reprezintă profilele
imaginii care sunt folosite ulterior în următorii paşi specifici prelucrării imaginilor microarray şi
anume, alinierea grid-ului sau altfel spus adresare, ce are ca scop determinarea locaţiilor spoturilor
microarray.
Blocul logic pentru calculul profilelor este descris în figura 3.2. La ieșirile DataRAM_X şi
DataRAM_Y se află datele ce se scriu în memoriile RAM, memorii care conțin profilele imaginii
procesate.
I(x,y)
RGB
To
Y
Address
Computation
Unit
LOG
X
Y
RAMx
RAMy
Figura 3.2 – Arhitectura pentru calculul profilelor orizontal şi vertical
Această arhitectură reprezintă primul pas în adresarea imaginilor microarray, determinând
profilele imaginii microarray la o singură parcurgere a imaginii. Rezultatele livrate de aceasta
sunt stocate în două memorii distincte şi sunt folosite ulterior de filtrele de şoc pentru
determinarea locațiilor fiecărui spot.
Tabelul 3. Rezultate în urma sintetizării arhitecturii logice pentru calculul profilelor. Dispozitiv ținta:
Xilinx xc5vlx110t-3-ff1136.
Resurse hardware utilizate
RAMs ROMs Multiplicatoare Sumatoare Numărătoare Registre Comparatoare
4096x32 bit 1 128x12 bit 1 10x9 bit 1 12 bit 1 12 bit 1 1 bit 12 12 bit < 1
8192x32 bit 1 128x20 bit 1 8x8 bit 3 16 bit 2 13 bit 1 12 bit 4 13 bit < 1
20 bit 1 16 bit 4
32 bit 2 19 bit 1
20 bit 1
Nr. total 2 Nr. total 2 Nr. total 4 Nr. total 6 Nr. total 2 Nr. total 22 Nr. total 2
+
+
RAM
ΣX
RAM
ΣY
RAMx
RAMy
Raw
Data
Conv.
Filter
17

3.3 Arhitectura reconfigurabilă pentru adresarea imaginilor microarray
Automatizarea prelucrării imaginilor microarray este un subiect deschis în cercetarea
recenta. În capitolul de faţă este descrisă implementarea unei arhitecturi hardware pentru
adresarea automată a imaginilor microarray, utilizând tehnologia FPGA împreună cu posibilităţile
de procesare paralelă ale acesteia.
Modul de funcționare al arhitecturii propuse (figura 3.3) este după cum urmează: profilele
orizontal şi vertical al imaginii microarray sunt considerate stocate într-o memorie Block RAM
numită „RAM Profil Imagine”. Acestea sunt împărțite în blocuri de dimensiune n, aceeași cu
dimensiunea registrelor de deplasare „Registru_1” şi „Registru_2”. Pentru completarea acestor
registre sunt necesare n x Tclk perioade de ceas, deoarece informația este citită din memoria Block
RAM, iar timpul de acces la o locație este 1 x Tclk . La momentul în care „Registrul_1” este
complet, conținutul său este încărcat în paralel în registrul „Iesire (i-1") ”. În timp ce n valori noi
din profilul imaginii sunt încărcate în „Registru_1”, registrele „Iesire (i-1) " şi „Iesire (i) ” folosesc
paralelismul spațial pentru a procesa următoarele:
Loop clk = 1...
n
( i)
( i−1)
( i−1)
( i−1)
( i−1)
( i−1)
r k

- elimină necesitatea unei stații de lucru împreună cu platforma software pentru
adresarea imaginilor microarray;
- arhitectura propusă introduce, pe lângă detecția spot-urilor microarray, informații
legate de segmentarea imaginilor microarray, separând pentru fiecare spot, zona de
informație utilă şi cea de informație de fundal (după cum este arătat în figura 2.13).
- arhitectura hardware se folosește de profilele imaginii microarray pentru detectarea
locației spot-urilor, reducând astfel timpul de calcul
- utilizarea paralelismului spațial şi temporal în dezvoltarea arhitecturii propuse duce la
reducerea timpului de calcul; astfel, folosind arhitectura propusă, obținem un timp de
(2·n+L)·Tclk pentru aplicarea filtrelor de şoc asupra profilului de dimensiunea L a
imaginii microarray;
Avantajele prezentate descriu arhitectura propusă ca fiind o soluție eficientă pentru
implementarea hardware a filtrelor de şoc uni-dimensionale. Tehnologia FPGA, folosită în
implementare, oferă posibilitatea de a exploata paralelismul temporal şi spațial. Drept urmare,
arhitectura propusă reduce timpul de calcul necesar filtrelor de şoc, aplicate pe profilele imaginii
microarray.
3.4 Arhitectura reconfigurabilă pentru segmentarea imaginilor
microarray
Înainte de a descrie implementările hardware propuse pentru segmentarea imaginilor
microarray, menționăm faptul că, filtrele de şoc utilizate în adresare introduc şi informații utile
referitoare la procesul de segmentare. Astfel, fiecare spot microarray este localizat şi în același
timp încadrat într-o suprafață pătratica. Implicit, procesul de segmentare este aplicat asupra
zonelor de informație utilă (spot-uri microarray) definite în urma adresării.
Etapele folosite în implementarea filtrului sunt bazate pe operația de convoluție, utilizată
în prelucrări de imagini. Filtrul Canny implică astfel, aplicarea unui nucleu gaussian pentru
filtrarea imaginii şi calculul gradientului prin diferențierea imaginii pe două direcții ortogonale.
Ultima etapă realizează eliminarea non-maximală a pixelilor care nu constituie parte integrată a
conturului.
3.4.1 Implementarea filtrului Canny folosind arhitectura pentru convoluția
imaginilor
Convoluția este folosită pentru implementarea operatorilor care au ca şi ieșire o
combinație liniară a intensităților pixelilor din imaginea originală. Astfel, fiecare pixel din
imaginea de ieșire este obținut prin suprapunerea unei ferestre de dimensiunea NxM peste
imaginea de intrare şi calculul unei combinații liniare între pixelii aflați în fereastra NxM.
Abordarea propusă pentru implementarea hardware a convoluției este următoarea: întreaga
imagine, în cazul nostru un spot microarray, este stocat într-o memorie tampon „Frame buffer”.
Fereastra MxN culisează pe suprafața imaginii, iar la fiecare deplasare a acesteia, valorile
intensităților a MxN pixeli sunt necesare pentru calculul unui pixel din imaginea de ieșire.
Constrângerile impuse de memorie, fac imposibilă obținerea a MxN valori ale intensităților într-o
singură perioadă de ceas, astfel se realizează o operație de „caching local” după cum urmează: N-
1 rânduri din imagine sunt înregistrate folosind un registru de deplasare, ceea ce duce la schema
din figura 3.4. Astfel în schimbul deplasării ferestrei MxN pe suprafața imaginii, implementarea
19

propusă livrează secvențial, pixel cu pixel, imaginea ce trebuie a fi procesată (dimensiunea
imaginii: width x height) blocului compus din cele N-1 registre de deplasare.
Figura 3.4 – Arhitectura hardware pentru implementarea operației de convoluție (stânga), arhitectura pipeline pentru
filtrul Canny (dreapta)
Table 4. Raport de sinteză HDL – Filtrul Canny
Raport de sinteza HDL
Nr. Multiplicatoare Nr. Sumatoare Numaratoare Nr. Registre Nr. Comparatoare
(16x8 bit) 9 10 bit 2 7 bit up 3 120 bit 2 7 bit >= 4
24 bit 8 90 bit 4 7 bit < 6
9 bit 3 36 biti 14 9 bit >= 2
9 bit 2 10 biti 5 9 bit > 2
2 biti 13 9 bit

descrise în capitolul prezent. Sistemul propus este menit sa înlăture dezavantajele ce apar în cazul
platformelor software existente: intervenția utilizatorului, timpul de procesare ridicat şi costul.
Figura 4.1 – Sistem de achiziție şi procesare automată a imaginilor microarray
4.1 Sistem de prelucrare automată a imaginilor microarray
Arhitecturile hardware propuse în vederea automatizării şi reducerea costurilor pentru procesul de
prelucrarea a imaginilor microarray sunt integrate într-un sistem încapsulat cu circuite FPGA.
Implementările hardware ale arhitecturilor pentru îmbunătățirea, adresarea şi segmentarea
imaginilor microarray folosesc caracteristicile tehnologiei FPGA, care permit accesarea
simultana a mai multor locaţii de memorie. într-adevăr, tehnologia FPGA oferă posibilitatea de a
exploata paralelismul temporal şi spaţial în procesare cu scopul de a crea un proces rapid şi
automat care livrează informaţii legate de caracteristicile imaginilor microarray. Ca şi consecinţa,
după cum este arătat în [8], tehnologia FPGA este eficientă în prelucrarea imaginilor microarray.
S-a conceput astfel sistemul încapsulat cu microprocesor MicroBlaze (figura 4.2.a), care
include arhitecturi specifice tehnicilor de prelucrare a imaginilor microarray descrise în capitolul
anterior. Pentru implementarea acestuia s-a folosit platforma hardware Virtex5 ML505. Fiecare
din arhitecturile hardware propuse este conectată la magistrala FSL (Fast Simple Link) împreună
cu microprocesorul MicroBlaze 100 MHz. Magistrala FSL este implementată pe baza unei
arhitecturi FIFO de intrare (First în First Out) şi una de ieşire care realizează comunicaţia între
unităţile de procesare (arhitecturi), memorie şi microprocesor. O operaţie de scriere în registrul
FIFO de intrare a magistralei FSL este realizată de microprocesorul MicroBlaze într-o secvenţa
de ceas. O operaţie de citire transferă conţinutul magistralei FSL (FIFO de ieşire) unui registru de
uz general în 2 secvenţe de ceas. Pentru fiecare arhitectură (unitate de procesare) conectată la
magistrala FSL datele de intrare sunt copiate în registrul FIFO de intrare, iar rezultatele sunt
livrate prin intermediul registrului FIFO de ieşire. Un controller de memorie este implementat
pentru memoria de lucru de 256 DDRAM. Arhitecturile hardware incluse în sistemul anterior
amintit corespund etapelor independente din cadrul prelucrării imaginilor microarray:
21

îmbunătățire de imagini, adresare, segmentare. Folosind paralelismul temporal şi spaţial,
arhitecturile propuse realizează procesarea automata a imaginilor microarray, vizând reducerea
timpilor de calcul şi eliminarea intervenţiei utilizatorului din procesul de prelucrare a imaginilor
microarray.
FPGA
Virtex 5
Log
Transf.
Calculul
Profilelor
Segmentare
FSL bus
Aliniere
Grid
Controler
Memorie
RAM
256MB
Figura 4.2 – a) Sistem încapsulat pentru prelucrarea automata a imaginilor microarray; b) Timpi de calcul pentru
prelucrarea imaginilor microarray pe platformele PC şi Virtex5
4.1.1 Rezultate experimentale şi resurse hardware folosite
Metodele şi algoritmii specifici prelucrărilor de imagini propuși pentru automatizarea prelucrării
imaginilor microarray sunt implementați folosind limbajul de descriere logica VHDL. În urma
sintetizării, simulării şi testării acestora sunt create componente IP (proprietate intelectuală)
incluse în sistemul încapsulat propus. Lanțul de algoritmi de prelucrare descris de arhitecturile
dezvoltate automatizează procesul de prelucrare a imaginilor microarray. Pentru a elimina
necesitatea unei stații de lucru, a platformei software de prelucrare şi a intervenției utilizatorului
necesare în cazul platformelor software de prelucrare a imaginilor microarray este introdus
sistemul încapsulat descris în paragrafele anterioare. Rezultatele experimentale prezentate în a
cest subcapitol vin sa completeze avantajele sistemului încapsulat prin reducerea timpului de
calcul.
Timpul de calcul este estimat pentru fiecare arhitectura propusa în cazul prelucrării unui
set de imagini microarray de diferite dimensiuni. Pentru comparație, aceleași imagini au fost
procesate folosind aceleași tehnici de prelucrări de imagini de un calculator personal (PC). Pentru
aceasta, folosind cod C şi biblioteca de clase OpenCV, s-au implementat algoritmii specifici
prelucrărilor de imagini folosiți în dezvoltarea arhitecturilor prezentate. Timpii de calcul necesari
au fost măsurați şi în cazul procesării imaginilor microarray folosind un calculator personal.
Menționam că s-a estimat timpul de calcul necesar exclusiv funcțiilor de prelucrări de imagini,
nu şi cel al lucrului cu clase necesar în citirea imaginilor de pe suportul de memorie extern.
Pentru măsurarea acestor timpi de calcul s-a folosit funcția clock(), inclusa în librăria „time.h”.
Caracteristicile calculatorului personal folosit în prelucrarea imaginilor folosind cod C sunt:
procesor – Intel Dual Core T2370 cu 1.73 MHz frecventa de ceas, memorie RAM – 2GB. Este
menționata de asemenea frecventa de lucru a procesorului MicroBlaze al platformei Vrtex5, 125
MHz. în tabelul 5, timpii de calcul pentru fiecare etapă din procesarea imaginilor microarray
aplicata pe imaginea Agilent US45102867_1 sunt listați, atât în cazul utilizării platformei Virtex5
22

cat şi în cazul utilizării calculatorului personal (PC). Caracteristicile imaginii microarray sunt:
rezoluție 6100x2160, 8 biți/pixel, numărul de spot-uri microarray 22575.
Table 5. Timpi de calcul pentru tehnicile propuse pentru procesarea imaginilor microarray. Estimarea timpilor de
calcul s-a făcut folosind imaginea Agilent US45102867_1
Platform Logarithm
transform.
Grid
alignment
Segmentation Total
processing
time
PC 828 ms 485 ms 469 ms 1782 ms
Virtex5 527 ms 262 ms 306 ms 1095 ms
Figura 4.2.b ilustrează timpii de calcul pentru întreg procesul de prelucrare a imaginilor
microarray folosind atât platforma Virtex5 cat şi calculatorul personal amintit anterior. Pentru
prelucrarea s-au folosit imagini microarray de diferite dimensiuni. Axa abscisă reprezintă
dimensiunea imaginii măsurata în numărul de spot-uri microarray conținute, iar axa ordonata
reprezintă timpul de procesare necesar în milisecunde.
Table 6. Utilizarea resurselor hardware pentru fiecare arhitectura logica reconfigurabila propusa. Cipul FPGA
folosit: for xc5vlx110t FPGA (Virtex5 platform).
Transformare
Logaritmica
Resurse hardware utilizate
Calcul de profile şi adresare (filtre
de soc)
Segmentare Total Disponibil
Nr. slice reg. 18 355 1068 1441 69120
Nr. slice LUT - 8525 1736 10261 69120
Nr. Block RAM - 4 2 6 148
Nr. BUFG 1 - 1 2 32
Nr. DSP48E 4 2 - 6 64
Sistemul astfel implementat, parcurge secvențial etapele specifice prelucrării imaginilor
microarray. Timpul de calcul este necesar este redus, comparativ cu cel al unei stații de lucru de
tipul calculator personal. în cazul sistemului nu este necesara nici intervenția utilizatorului, iar
resursele hardware folosite sunt reduse, după cum se poate observa în tabelul 6. Avantajul ultim
menționat permite o noua abordare în prelucrarea imaginilor microarray folosind arhitecturi
reconfigurabile.
Capitolul 5 Concluzii, contribuţii şi dezvoltări ulterioare
5.1 Concluzii
Tehnologia microarray constituie o metodă eficientă de estimare şi monitorizare a expresiei
genetice, contribuind la determinarea genelor implicate în diferite maladii şi la monitorizarea
efectelor mediului sau a altor factori externi asupra organismului. Procesul de analiză microarray
constă în imprimarea lamelei microarray şi hibridizarea probelor imprimate, scanarea acesteia şi
prelucrarea imaginilor obținute în scopul estimării expresiei genetice. La momentul de faţă există
diferiți producători care pun la dispoziție roboţi de scanare a lamelei microarray şi diferite
platforme software pentru prelucrarea imaginilor obținute. Principalele dezavantaje care apar în
cazul necesitații unui număr ridicat de analize microarray sunt: intervenția utilizatorului în
23

prelucrarea imaginilor, necesitatea folosirii unei stații de lucru dedicate şi a platformei software şi
nu în ultimul rând costul ridicat pe care îl implica toate acestea. Teza propune un sistem de
achiziție şi prelucrare a imaginilor microarray care include un sistem încapsulat pentru
prelucrarea automată a imaginilor microarray, eliminând astfel dezavantajele platformelor
software existente. În cadrul tezei sunt aduse contribuții atât în domeniul prelucrărilor de imagini
microarray cât şi în cel al proiectării arhitecturilor logice reconfigurabile.
În cadrul prelucrărilor de imagini microarray, s-au studiat algoritmii existenți pentru
etapele caracteristice procesului de prelucrare: îmbunătățirea, adresarea, segmentarea şi
extragerea intensității imaginilor microarray, algoritmi incluși în platformele existente de
prelucrare a imaginilor microarray. Automatizarea procesului de prelucrare a imaginilor
microarray este un subiect de dată recentă al cercetării în domeniu. Teza a urmărit introducerea
de noi metode şi adaptarea algoritmilor clasici existenţi în prelucrări de imagini, în vederea
prelucrării automate a imaginilor microarray. În capitolul 2 sunt prezentaţi algoritmii si metodele
propuse, după cum urmează:
• În cadrul etapei de preprocesare s-au introdus două abordări noi pentru evidenţierea
spoturilor slab exprimate: prima se bazează pe o transformare exponentială [54], iar cea de-a
doua foloseşte funcţia arctangent hiperbolică pentru evidenţierea zonelor de informaţie utilă şi
atenuarea zonelor corespunzătoare fundalului [12].
• În vederea adresării automate a imaginilor microarray, s-a propus şi implementat
utilizarea filtrelor de şoc uni-dimensionale [12] ce operează pe profilele orizontale şi verticale ale
imaginilor. Rezultatele obţinute au fost validate prin compararea acestora cu cele livrate de
Agilent Feature Extraction. Este de menţionat că abordarea propusă furnizează şi informaţie
pentru segmentare, lucru neîntâlnit la nici o altă metodă de adresare.
• Pentru separarea informatiei utile de cea de fundal, s-au propus metode de segmentare
bazate pe detecţia de contur, realizată cu ajutorul filtrului Canny [11], sau a algoritmului cunoscut
sub numele de „pălăria mexicană” [14]. Metodele propuse descriu astfel un lanţ complet de
prelucrare automată a imaginilor microarray. Pentru validarea acestora s-au utilizat aceeaşi
indicatori de calitate ca şi în cazul platformei software existente Agilent Feature Extraction.
Aceste metode pentru prelucrarea imaginilor microarray, prezentate în capitolul 2, au un
caracter general, independent de tipul de imagine microarary; rezultatele experimentale confirmă
validitatea metodelor propuse în cazul unui set de imagini provenite de la diferiți producători de
microarray. Se poate concluziona astfel că, rezultatele obținute de tehnicile de prelucrări de
imagini propuse motivează şi validează în același timp crearea de arhitecturi hardware pentru
procesarea imaginilor microarray care să reducă costurile şi să automatizeze prelucrarea
imaginilor microarray.
Capitolul 3 este dedicat prezentării arhitecturilor reconfigurabile pentru prelucrarea
imaginilor microarray de tip cDNA. Pornind de la metodele şi algoritmii propuşi în capitolul 2,
pentru prelucrarea automată a imaginilor microarray, s-au dezvoltat arhitecturi reconfigurabile cu
circuite FPGA. În implementarea acestor arhitecturi s-au folosit strategii hardware care
exploatează paralelismului spaţial şi temporal oferit de tehnologia FPGA [9]. Utilizând limbajul
de descriere logica VHDL, s-au dezvoltat şi testat noi arhitecturi hardware pentru fiecare etapă
din procesul de prelucrare automată a imaginilor microarray, după cum urmează:
• În cazul etapei de preprocesare corespunzătoare evidenţierii spoturilor slab exprimate, s-a
dezvoltat o arhitectură pentru calculul transformatei logaritmice folosind aproximări liniare
24

succesive ale funcţiei logaritm [12], [13]. Pentru calculul profielor orizontal şi vertical al
imaginilor s-a propus şi implementat o arhitectură care, la o singură parcurgere a imaginii
microarray, stochează în două memorii distincte profilele imaginii, utilizate ulterior în prelucrare;
• În cadrul etapei de segmentare a imaginilor microarray, am propus două abordări pentru
implementarea operaţiei de convoluţie, considerată filtru spaţial în prelucrări de imagini. Prima
abordare, cu caracter de noutate, constă in utilizarea de memorii RAM distribuite pentru stocarea
spoturilor microarray şi realizarea de operaţii concurenţiale la nivelul pixelilor componenţi ai
spotului microarary [10]. Aceasta implică un grad ridicat de utilizare a resurselor logice (circuite
FPGA) ceea ce a condus la cea de-a doua abordare, eficientă atât din punctul de vedere al
timpului de calcul cât şi al resurselor hardware utilizate. Astfel, arhitectura utilizată pentru
implementarea convoluţiei implică utilizarea unor registre de deplasare pentru un număr de linii
din imaginea de prelucrat egal cu dimensiunea ferestrei de convoluţie [9]. De asemenea, am
implementat o structură de tip pipeline care integrează multiple instanţe ale arhitecturii anterior
menţionate, în scopul aplicării filtrului Canny pentru segmentarea imaginilor microarary folosind
arhitecturi reconfigurabile [12];
• Pentru adresarea automată a imaginilor microarray s-a propus o abordare complet nouă
care constă in aplicarea filtrelor de şoc unidmensionale pe profilele imaginii. Rezultatele obţinute
au fost validate prin compararea cu cele livrate de platformele software existente. Pornind de la
aceasta idee s-a dezvoltat de asemenea o arhitectură hardware pentru adresarea imaginilor
microarray, caracterizată prin faptul că reduce semnificativ timpul de calcul necesar evoluţiei
filtrelor de şoc pentru adresarea automată a acestui tip de imagini. Atât metoda cât şi arhitectura
anterior amintite constituie subiectul unei cereri de brevet naţional prezentată la salonul
internaţional de la Warşovia [16].
Este de menţionat faptul că, strategiile hardware propuse pentru prelucrarea imaginilor
microarray pot fi folosite de asemenea în domeniul prelucrarilor de imagini în general, în cazul în
care se doreşte un timp de calcul redus (exemplu: prelucrarea imaginilor în timp real).
În capitolul 4 a fost introdus un sistem de achiziţie şi prelucrare a imaginilor microarray
[34], [35], dezvoltat în jurul unui senzor de imagine, cu rolul de a achiziţiona imaginile
microarray prin scanarea lamelei microarray şi prin transferul imaginilor obţinute pe o platformă
hardware cu circuite FPGA, pentru prelucrari ulterioare. După achiziţie, imaginile microarray
sunt livrate unui sistem încapsulat care integrează arhitecturile reconfigurabile dezvoltate în
capitolul 3. Sistemul încapsulat a fost construit în jurul unui microprocesor MicroBlaze şi
parcurge toate etapele procesului de prelucrare a imaginilor microarray. Rolul acestuia este de a
procesa automat imaginile microarray, excluzând astfel necesitatea intervenției utilizatorului şi a
platformelor software pentru prelucrarea imaginilor microarray. Rezultatele livrate de sistemul
încapsulat astfel propus [12] au fost comparate din punct de vedere al timpului de calcul cu
rezultatele livrate de un calculator personal, obtinându-se un timp de calcul mai bun in cazul
sistemului încapsulat, dovedind astfel eficienţa acestuia atât din punct de vedere al timpului de
calcul cât si din punct de vedere al resurselor hardware utilizate. Resursele hardware utilizate în
implementarea sistemului încapsulat pentru prelucrarea automată a imaginilor microarray aduc cu
sine reducerea costului unui astfel de sistem. De asemenea, este prezentată o arhitectură pentru
achiziţionarea imaginii microarray pe platforma hardware de prelucrare prin intermediul unei
interfeţe de uz genereal USB [3].
Sistemul astfel propus în cadrul tezei, împreuna cu arhitecturile logice reconfigurabile
pentru prelucrarea automată a imaginilor microarray constituie un început de drum în dezvoltarea
25

unui dispozitiv de dimensiuni mici pentru achiziționarea şi prelucrarea imaginilor microarray.
Utilitatea acestuia este dovedită prin excluderea intervenției utilizatorului şi a platformei software
din procesul de prelucrare a imaginilor microarray cDNA.
5.2 Contribuții
1. În cadrul etapei de preprocesare a imaginilor microarray s-au introdus două abordari noi
pentru evidenţierea spoturilor slab exprimate: prima foloseşte funcţia arctangent hiperbolică
pentru evidenţierea zonelor de informaţie utilă şi atenuarea zonelor corespunzătoare fundalului
[9], iar cea de-a doua se bazează pe o transformare exponenţială [54].
2. S-a propus o nouă metodă pentru adresarea automată a imaginilor microarray, pornid de
la principiul filtrelor de şoc, validată prin compararea rezultatelor obţinute cu cele livrare de
platformele software existente [16], [12].
3. S-a propus, implementat şi testat o arhitectură reconfigurabilă pentru evidenţierea
spoturilor slab exprimate folosind aproximări liniare succesive ale functiei logaritm [13].
4. S-a propus, implementat şi testat o arhitectură reconfigurabilă pentru calculul profielor
orizontal şi vertical al imaginilor, obţinute printr-o singură parcurgere a imaginii microarray [12].
5. S-au dezvoltat arhitecturi reconfigurabile pentru implementarea operaţiei de convoluţie în
vederea segmentării folosind memorii RAM distribuit [10] şi folosind o arhitectură care
exploatează paralelismul spaţial in prelucrare [9], [14].
6. S-a propus o arhitectură hardware pentru adresarea imaginilor microarray, caracterizată
prin faptul ca reduce semnificativ timpul de calcul necesar evoluţiei filtrelor de şoc pentru
adreasrea automată a acestui tip de imagini. Atât metoda cât şi arhitectura pentru adresarea
automată a imaginilor microarray constituie subiectul unei cereri de brevet naţional medaliată cu
aur la salonul international de inventică de la Warşovia [16].
7. S-a propus, implementat şi testat o arhitectură de tip pipeline pentru aplicarea filtrului
Canny în vederea segmentării imaginilor microarray [12].
8. S-a proiectat un sistem încapsulat în tehnologie FPGA care integrează arhitecturile
reconfigurabile implementate în vederea prelucrării automate a imaginilor microarray [12].
9. S-a implementat şi testat o arhitectură pentru achiziţia a imaginilor pe platforma hardware
de prelucrare prin intermediul unei interfeţe de uz general USB [3].
10. S-a propus un sistem de achiziţie şi prelucrare a imaginilor microarray dezvoltat în jurul
unui senzor de imagine şi a sistemului încapsulat propus pentru prelucrarea automată a imaginilor
microarray [35], [54].
11. S-a realizat un studiu teoretic privitor la senzorii de imagine optimi în cazul unui astfel de
sistem, capitolul 4.4.
5.3 Dezvoltări ulterioare
Teza are un caracter interdisciplinar, fiind situată la granița mai multor domenii de interes în
cercetarea recentă, cum ar fi: prelucrarea imaginilor, bioinformatica, circuite digitale şi calcul
paralel folosind arii logice programabile. Abordarea unor subiecte încadrate într-o astfel de gama
variata de domenii, aduce cu sine noi direcții în cercerare.
o Caracterul de generalitate şi automatizarea procesului de prelucrare a imaginilor
implementat în cadrul sistemului încapsulat propus reprezintă un drum deschis în dezvoltare unui
dispozitiv pentru achiziția şi procesarea imaginilor microarray cDNA. Acesta poate fi inclus în
26

oboţii de scanare microarray, livrând parametrii caracteristici microarray fără necesitatea unei
platforme software suplimentare şi a unei stații de lucru.
o Resursele logice reduse utilizate în implementarea arhitecturilor reconfigurabile, şi
structurarea procesului de prelucrări de imagini microarray în etape independente oferă
posibilitatea unei abordări ce implică calculul paralel folosind arii logice programabile. Astfel,
este posibilă crearea mai multor instanțe ale arhitecturilor reconfigurabile propuse, în vederea
realizării unui sistem „high-troughput” ce are ca obiectiv reducerea timpului de calcul.
o Arhitectura reconfigurabilă care implementează filtrele de şoc unidimensionale aplicate
pe profilele imaginilor microarray, având drept scop adresarea, reprezintă o abordare cu caracter
inovativ şi impune o direcție nouă în cercetare, şi anume extinderea acesteia pentru
implementarea filtrelor de şoc bidimensionale 2D, implementare ce vizează domeniul
prelucrărilor de imagini în general.
BIBLIOGRAFIE
[1] Abassi, T. A. & Abassim, U. A Proposed FPGA Based Architecture for Sobel Edge Detection Operator, Journal of
Active and Passive Electronic Devices, 2, 271–277, 2007
[2] Affymetrix Microarray Suite Users Guide, Affymetrix, Santa Clara, CA, version 5.0, edition 2001.
[3] Albert Fazakas, Lelia Feştilă, Monica Borda, Bogdan Belean, Image acquisition solutions for FPGA development
boards targeting microarray image processing algorithms, Applied Electronics International Conference
Proceedings, Pilsen, Czech Republic , ISBN 987-80-7043-654-7, pp. 49-52, 2008.
[4] Alhadidi, B., Fakhouri, H. N., & AlMousa, O. S., cDNA Microarray Genome Image Processing Using Fixed Spot
Position, American Journal of Applied Sciences, 3(2), 1730-1734, 2006.
[5] Ashwin Kamal Whitchurch, Gene expression microarray, IEEE Potentials, Februarie 2002
[6] Baddeley, A., şi M.N.M van Lieshout, Stochastic geometry models în high-level vision, Statistics and Images, 1, 231-
256, 1997.
[7] Bajcsy, P., An overview of DNA microarray grid alignment and foreground separation approaches, EURASIP
Journal on Applied Signal Processing, pp. 1-13, 2006.
[8] Bajcsy, P., Gridline: automatic grid alignment în DNA microarray scans, IEEE Transactions on Image Processing,
13(1), 15–25, 2004.
[9] Belean, B., Borda, M. & Fazakas A., Hardware Strategies for Image Processing în an FPGA Based Microarray
Image Processing SoC, Acta Technica Napocensis: Electronics and Telecommunications, 50 (2), 1-4, 2009
[10] Belean, B., Borda, M. & Fazakas, A., Adaptive Microarray Image Acquisition System and Microarray Image
Processing Using FPGA Technology, Lecture Notes în Computer Science / Artificial Intelligence, 5179, 327-334,
2008.
[11] Belean, B., Borda, M., Fazakas, A., Hardware Implementation for Edge Detection in cDNA Microarray Images,
International Conference on Biomedical Electronics and Devices, BIODEVICES, pp. 359-363, ISBN 978-989-8111-
64-7, 2009
[12] Belean, B., Borda, M., Le Gal, B., Terebes, R., Application specific architectures for a FPGA based cDNA
microarray image processing system, Journal of Signal Processing Systems, Springer Verlag, articol trimis spre
publicare 25.07.2010.
[13] Belean, B., Borda, M., Malutan, M., Biarge, R., V., FPGA based digital device and microarray image addressing,
aflata sub tipar in Buletinul Stiintific al Universitatii Politehnica Timisoara seria Electronica si Telecomunicatii,
ISSN: 1583 – 3380, 52(66), Fascicola 1, pp. 15 – 19, 2007
[14] Belean, B., Fazakas, A., Malutan, R., Borda, M., Hardware implementation of microarray image segmentation ,
IEEE International Conference on Automation, Quality and Testing, Robotics, Cluj Napoca, Romania, ISBN: 978-1-
4244-2577-8, Vol. 3, pp. 292 – 295, 2008.
[15] Benjamin Stetter, Gene expression estimation by automatic detection of hybridization spots în cDNA microarray
images, Raport Tehnic, august 2006
[16] Borda, M., Belean, B., Terebeş, R., Malutan, R., Metodă şi arhitectură hardware pentru adresarea automată a
imaginilor microarray, cerere de brevet național, OSIM nr. A10018, 13.09.2010.
[17] Brazma, A, Hingamp, P, Quackenbush, J, Sherlock, G, Spellman, P, Stoeckert, C, Aach, J, Ansorge, W, Ball, CA,
Causton, HC, Gaasterland, T, Glenisson, P, Holstege, FC, Kim, IF, Markowitz, V, Matese, JC, Parkinson, H,
27

Robinson, A, Sarkans, U, Schulze-Kremer, S, Stewart, J, Taylor, R, Vilo, J, Vingron, M., Minimum information
about a microarray experiment (MIAME)-toward standards for microarray data, Nature Genetics, vol. 29(4), pp.
373, 2001
[18] Brazma, A., Vilo, J., Gene expression data analysis, FEBS Letters 480, pp. 17 – 24, 2000
[19] Brown, M.P.S., Grundy, W.N., Lin, D., Cristianini, N., Sugnet, C.W., Furey, T.S., Ares, M. JR, and Haussler, D.,
Knowledge-based analysis of microarray gene expression data by using support vector machines, Proc. of the
National Academy of Science USA, vol. 97, no. 1, pp. 262 – 267, January 2000
[20] Brown, P.O., Botsein, D., Exploring the new world of the genome with DNA microarrays, Nature Genetics
Supplement, vol. 21, pp. 33 – 37, 1999
[21] Brown, S., Vranesic, S., Fundamentals of Digital Logic with VHDL Design, Mc Graw Hill, 2005
[22] C. T. Johnston, D. G. Bailey, and P. Lyons, A Visual Environment for Real-Time Image Processing în Hardware,
EURASIP Journal on Embedded Systems, 2006
[23] C. T. Johnston, K. T. Gribbon, D. G. Bailey, Implementing Image Processing Algorithms on FPGAs, Raport Tehnic,
2004.
[24] Cheng, J., Fortina, P., Surrey, S., Wilding, P., Microchip-based devices for molecular diagnosis of genetic disease,
Molecular Diagnosis, vol. 1, no. 3, pp. 183 – 200, September 1996
[25] Choe, S.E., Boutros, M., Michelson, A.M., Church, G.M., Halfon, M.S., Preferred analysis methods for Affymetrix
GeneChips revealed by a wholly defined dataset, Genome Biology, vol. 6, issue 2, pp. R16.1 – R16.2, January 2005
[26] Clarke, P.A., Poele, R., Wooster, R., Workman, P., Gene expression microarray analysis în cancer biology,
pharmacology, and drug development: progress and potential, Biochemical Pharmacology, vol. 26, pp. 1311 – 1336,
2001
[27] Daggu Venkateshwar, Implementation and Evaluation of Image Processing Algorithms on Reconfigurable
Architecture using C-based Hardware Descriptive Language, International Journal of Theoretical and Applied
Computer Sciences, Volume 1, 2006
[28] Dimitris Anastassion, Genomic Signal Processing, IEEE Signal Processing Magazine, Jully 2001
[29] Dov Stekel, Microarray Bioinformatics, Cambridge University Press, 2003
[30] Downton, A. and Crookes, D., Parallel Architectures for Image Processing, Electronics & Communication
Engineering Journal, vol.10, pp. 139-151, Jun, 1998.
[31] Eisen, M.B., Brown, P.O., DNA Arrays for Analysis of Gene Expression, Methods Enzymol, vol. 303, pp. 179 – 205,
1999
[32] Futamura, N., Aluru, S., Ranjan, D., Hariharan, B., Efficient parallel algorithms for solvent accessible surface area
of proteins, IEEE Transactions on Parallel and Distributed Systems, vol. 13, no. 6, pp. 544 – 555, June 2002
[33] Gabig, M., Wegrzyn, G., An introduction to DNA chips: principles, technology, applications and analysis, Acta
Biochimica Polonica, vol. 48, no. 3, pp. 625 – 622, 2001
[34] Gómez, P., Díaz, F., Belean, B., Malutan, R., Stetter, B., Martínez, R., Rodellar, V., An FPGA-based genetic
microarray processing device, Proceedings on 13th IEEE Int. Conf. on Electronics, Circuits and Systems, pp. 363 –
366, 2006.
[35] Gomez, P.; Diaz, F.; Belean, B.; Malutan, R.; Stetter, B.; Martinez, R.; Rodellar, V.; Robust cDNA microarray
image processing on a hand-held device, Proceedings of IEEE International Conference on Reconfigurable
Computing and FPGA's, pp. 244-251, 2006.
[36] Herr, A., et al., High-resolution analysis of chromosomal imbalances using the Affymetrix 10K SNP genotyping chip,
Genomics, vol. 85, issue 3, pp. 392 – 400, 2005
[37] Hirata, R. JR, Barrera, J., Hashimoto, R.F., Dantas, D.O., Microarray gridding by mathematical morphology, XIV
Brazilian Symposium on Computer Graphics and Image Processing, pp. 112 – 119, October 2001
[38] Huang, J. C., Morris, Q. D., Hughes, T. R., and Frey, B. J., GenXHC: a probabilistic generative model for crosshybridization
compensation în high-density genome-wide microarray data, Bioinformatics, vol. 21, suppl. 1, pp. i222
– i231, 2005
[39] J. Angulo and J. Serra, Automatic analysis of dna microarray images using mathematical morphology,
Bioinformatics, 19(5):553 – 562, 2003.
[40] J. Weickert, Coherence-enhancing shock filter, Lecture Notes in Computer Science - Patern Recognition, vol.2781,
pp. 1-8, 2003.
[41] Ji, H., et al., Integrated Fluorescence Sensing for Lab-on-a-chip Devices, IEEE/NLM Life Science Systems and
Applications Workshop, July 2006
[42] K. Blekas and N. P. G. ans A. Likas ans I. E. Lagaris. Mixture model analysis of DNA microarray images, IEEE
Transactions on Medical Imaging, 24(7):901 – 909, July 2005
28

[43] Katzer, M., Kummert, F. & Sagerer, G., Methods for automatic microarray image segmentation, IEEE Transactions
on Nanobioscience, 2(4), 202–212, 2003
[44] Kilts, Steve, Advanced FPGA Design, John Wiley and Sons, 2007.
[45] M. Benjamin Stetter, Gene expression estimation by automatic detection of hybridization spots în cDNA Microarray
images, Raport Tehnic, August 2006.
[46] M. Eisen, ScanAlyze User Manual, 1999.
[47] M.Dhammika Amaratunga and Javier Cabrera. Exploration and analysis of DNA Microarray and Protein, Array
Data, ISBN 0-471-27398-8, 2004.
[48] Mark Schena, Microarray Analysis, Wiley-Liss, 2003
[49] Mark Schena, Micropuce Biochip Technology, Oxford University Press, 1999
[50] McLean, L.A., Gathmann, I., Capdeville, R., Polymeropouluos, M.H., Dressman, M., Pharmacogenomic analysis of
cytogenetic response în chronic myeloid leukemia patients treated with Imatinib, Clinical Cancer Research, vol. 10,
pp. 155 – 165, January 2004
[51] Prakash, S.B., et al., BioLabs-On-A-Chip: Monitoring Cells Using CMOS Biosensors, IEEE/NLM Life Science
Systems and Applications Workshop, July 2006
[52] Q. Li, C. Fraley, R. E. Baumgarner, K. Y. Yeung, and A. E. Raftery, Donuts, scratches and blanks: Robust modelbased
segmentation of microarray images, Technical Report 473, Department of statistics - University of
Washington, 2005.
[53] R. C. Gonzalez and R. E. Woods, Digital Image Processing, Prentice Hall, 2002.
[54] Rodellar, V., Díaz, F., Belean, B., Malutan, R. Stetter, B., Gómez, P., Martínez, R., García, E., Peláez, J., Genomic
Microarray Image Processing on a FPGA for Portable Remote Applications, Proceedings of IEEE 3rd Southern
Conference on Programmable Logic, pp. 13-17, 2007. (Altera Best Paper Awards)
[55] S. Osher, L. Rudin, Feature-oriented image enhancement with shock filters, SIAM Journal on Numerical Analysis,
vol.27, no.3, pp. 919-940, 1990.
[56] Schena, M., Davis, R., W., Genes, genomes and chips, DNA Microarrays, ed. M. Schena, Oxford University Press,
Oxford, UK, pp. 1 – 16, 1999.
[57] Schena, M., Davis, R., W., Genes, genomes and chips, în DNA Microarrays, ed. M. Schena, Oxford University
Press, Oxford, UK, pp. 1 – 16, 1999
[58] Schena, M., Shalon, D., Davis, R.W., Brown, P.O., Quantitative monitoring of gene-expression patterns with a
complementary-DNA microarray, Science, vol. 270, no. 5235, pp. 467 – 470, October 1995
[59] Shalon, D., Smith, S.J., Brown, P.O., A DNA microarray system for analyzing complex DNA samples using twocolor
fluorescent probe hybridization, Genome Research, vol. 6, no. 7, pp. 639 – 645, July 1996
[60] Steinfath, M., Wruck, W., Seidel, H., Lehrach, H., Radelof, U. & O’Brien, J., Automated image analysis for array
hybridization experiments, Oxford Journals, Bioinformatics, 17(7), 634–641, 2001
[61] Stetter, B., Gene expression by automatic detection of hybridization spots în cDNA microarray images, MSc thesis,
Technical University of Munich, August 2006
[62] Tanvir A. Abassi, Usaid Abassim, A Proposed FPGA Based Architecture for Sobel Edge Detection Operator,
Journal of Active and Passive Electronic Devices, pp. 271–277, 2007
[63] V. Vidyadharan, Automatic gridding of microarray images, MSc thesis University of Windsor, 2004
[64] Vaidyanathan, P.P., Genomics and Proteomics: A signal Processor’s Tool, IEEE Circuits and System Magazine,
Fourth Quarter, pp. 6 – 29, 2004
[65] Velculescu, V.E., Zhang, L., Zhou, W., Traverso, G., St. Croix, B., Vogelstein, B., Kinzler, K.W., Serial Analysis of
Gene Expression, Science, vol. 270, pp. 484 – 487, 1995
[66] William, K. P., Digital Image Processing, Los Angeles: John Wiley & Sons, Inc, 2006
[67] Yang, Y.H., Buckley, M.J., Dudoit, S., Speed, T.P., Comparison of methods for image analysis on cDNA microarray
data, University of California Technical Report, November 2000
[68] Yang, Y.H., Buckley, M.J., Speed, T.P., Analysis of cDNA images, Briefings în Bioinformatics, vol. 2, no. 4, pp. 341
– 349, December 2001
[69] Zeidman, B., Introduction to FPGA and CPLD Design, Prentice Hall, 2004
Publicațiile autorului
[35] Gomez, P.; Diaz, F.; Belean, B.; Malutan, R.; Stetter, B.; Martinez, R.; Rodellar, V.; Robust
cDNA microarray image processing on a hand-held device, Proceedings of IEEE International
Conference on Reconfigurable Computing and FPGA's, pp. 244-251, 2006
29

[34] Gómez, P., Díaz, F., Belean, B., Malutan, R., Stetter, B., Martínez, R., Rodellar, V., An FPGAbased
genetic microarray processing device, Proceedings on 13th IEEE Int. Conf. on Electronics, Circuits
and Systems, pp. 363 – 366, 2006
[54] Rodellar, V., Díaz, F., Belean, B., Malutan, R. Stetter, B., Gómez, P., Martínez, R., García, E.,
Peláez, J., Genomic Microarray Image Processing on a FPGA for Portable Remote Applications,
Proceedings of IEEE 3rd Southern Conference on Programmable Logic, pp. 13-17, 2007. (Altera Best
Paper Awards)
[13] Belean, B., Borda, M., Malutan, M., Biarge, R., V., FPGA based digital device and microarray
image addressing, aflata sub tipar in Buletinul Stiintific al Universitatii Politehnica Timisoara seria
Electronica si Telecomunicatii, ISSN: 1583 – 3380, 52(66), Fascicola 1, pp. 15 – 19, 2007
[10] Belean, B., Borda, M., Fazakas, A., Adaptive Microarray Image Acquisition System and
Microarray Image Processing Using FPGA Technology , Knowledge-Based Intelligent Information and
Engineering Systems, Part III. Lecture Notes in Computer Science 5179, Springer, ISBN 978-3-540-
85566-8, 327-334, 2008
[14] Belean, B., A. Fazakas, R. Malutan, M. Borda, Hardware implementation of microarray image
segmentation , IEEE International Conference on Automation, Quality and Testing, Robotics, Cluj
Napoca, Romania, ISBN 978-1-4244-2577-8, Vol. 3, pp. 292 – 295, 2008
[3] Albert Fazakas, Lelia Feştilă, Monica Borda, Bogdan Belean, Image acquisition solutions for
FPGA development boards targeting microarray image processing algorithms, Applied Electronics
International Conference Proceedings, Pilsen, Czech Republic , ISBN 987807043-654-7, pp. 49-52, 2008
[9] Belean, B., Borda, M., Fazakas, A., Hardware strategies for image processing in an FPGA based
microarray image processing SoC, Acta Technica Napocensis: Electronics and Telecommunications,
ISSN 1221-6542, 50(2), 1-4, 2009
[11] Belean, B., Borda, M., Fazakas, A., Hardware Implementation for Edge Detection in cDNA
Microarray Images, International Conference on Biomedical Electronics and Devices, BIODEVICES, p.
359-363, ISBN 978-989-8111-64-7, 2009
[16] Monica Borda, Bogdan Belean, Romulus Terebeş, Raul Malutan, Metodă şi arhitectură hardware
pentru adresarea automată a imaginilor microarray, cerere de brevet național, OSIM nr. A10018,
13.09.2010
[12] Belean, B., Borda, M., Le Gal, B., Terebeş, R., Application specific architectures for a FPGA
based cDNA microarray image processing system, Journal of Signal Processing Systems, Springer Verlag,
articol trimis spre publicare 25.07.2010.
Barna Keresztes, Bogdan Belean, Monica Borda, Olivier Lavialle, Microarray Image Segmentation
Using Marked Point Processes, Buletinul Științific al Universităţii “Politehnica” din Timișoara, Fascicola
1, ISSN 1583-3380, pp. 124 – 129, 2010
Distincţii
Medalie de aur
Monica Borda, Bogdan Belean, Romulus Terebeş, Raul Măluţan, pentru invenția: Method and
hardware architecture for the automatic addressing of microarray images, International Warsaw
Invention Show IWIS 2010.
Medalie de argint
Monica Borda, Bogdan Belean, Romulus Terebeş, Raul Măluţan, pentru invenția: Metodă şi
arhitectură hardware pentru adresarea automată a imaginilor microarray, Salonul Inventika Bucureşti,
2010.
Altera Best Paper Award
Rodellar, V., Díaz, F., Belean, B., Malutan, R. Stetter, B., Gómez, P., Martínez, R., García, E.,
Peláez, J., Genomic Microarray Image Processing on a FPGA for Portable Remote Applications,
Proceedings of IEEE 3rd Southern Conference on Programmable Logic.
30