Техника раздельного мазка: Наука о цвете и живопись — А. С. Зайцев

Содержание

Наука о цвете и живопись — А. С. Зайцев

Аддитивное смешение и раздельный мазок

Произведения, в которых краски использованы таким образом, что образуют аддитивное оптическое смешение, можно найти в живописи любой эпохи, да и само явление оптического смешения присуще каждому живописному произведению в той или иной степени. Однако это не дает нам основания утверждать, что художникам давно была известна теория оптического смешения цветов, хотя, может быть, само явление эмпирически они и знали. Живописные достоинства произведений Констебля, Тернера и Делакруа во многом могут быть объяснены использованием различного цвета мазков, которые создавали своеобразную вибрацию цвета. При этом ни Тернер, ни Делакруа не применяли чистых красок. У Тернера, например, под мелкими мазками разного цвета, как правило, всегда лежит серый. Однако сознательно в полной мере, опираясь на происшедшие к тому времени научные открытия законов оптического смешения, использовать оптическое смешение в виде так называемого раздельного мазка начали лишь импрессионисты.

Неоимпрессионисты пошли еще дальше. Они вообще отказались от смешения красок на палитре и использовали только чистые цвета, определив свой метод работы как пуантилизм, поставив тем самым на место живого восприятия и чувства цвета голую цветоведческую схему.

В искусствоведческой и учебной литературе по искусству оптическое смешение цветов часто объясняется очень упрощенно и в результате не совсем правильно. Например, часто утверждается, что синий и желтый мазки с известного расстояния дают нам в восприятии зеленый цвет, красный и желтый — желто-оранжевый. Утверждается также, будто такое оптическое смешение дает цвета повышенной яркости. Все эти утверждения, однако, будут правильны с известными поправками и уточнениями.

Основные закономерности оптического смешения цветов в науке о цвете сформулированы в виде трех основных законов, о которых уже говорилось. Первый закон связывается с использованием в живописи взаимодополнительных цветов, причем принято считать, что взаимодополнительные цвета сообщают краскам чистоту и яркость.

Взаимодополнительные цвета нейтрализуют, уравновешивают друг друга. Если взаимодополнительные цвета при смешении их на вертушке дают ахроматический цвет, то же самое происходит и при их пространственном смешении, но в менее заметной степени. По мере того как берутся сочетания все меньших и меньших по размеру участков цвета, эффект цветности все более и более понижается. Сочетание мелких пятен дополнительных цветов дает нам уже впечатление, близкое к ахроматическому или, во всяком случае, неопределенного цвета.

Если составить механическую смесь пигментов, дополнительных по цвету, то поверхность красочного слоя будет также подчиняться закону оптического смешения, и цветовое впечатление будет то же самое, что и от расположенных рядом небольших цветовых пятен. Если, далее, взять масляные краски дополнительных цветов и смешать их, то и в этом случае мы получим ахроматический или близкий к нему цвет.

Согласно второму закону оптического смешения, любые два не взаимодополнительных цвета при смешении дают цвет, расположенный между ними по цветовому кругу. Если взять и раскрасить некоторую плоскость синими и желтыми квадратами, то, согласно закону, они должны восприниматься с известного расстояния как зеленое пятно, при этом достаточно насыщенное. Однако такой результат не получается. При смешении синей и желтой результат получается несколько иной. В первом квадрате гуашевые кобальт синий и лимонная желтая были смешаны в равных по площади количествах, и вместо насыщенного зеленого получился зеленый малонасыщенный — особенно если рассматривать таблицу с дальнего расстояния. При рассмотрении с более близкого расстояния замечено, что желтый цвет теряет резко свою насыщенность и выглядит бледным желтовато-зеленоватым и может казаться при некоторых условиях даже почти белым. Синий также изменяет свой цветовой тон и насыщенность, становясь грязным темно-синим с зеленым оттенком.

Если затем изменить пропорции оптически смешиваемых цветов и взять отношение желтого к синему как 1:4, то можно заметить при рассмотрении с близкого расстояния, что желтизна пропадает почти совсем, кобальт как бы «съедает» ее полностью, получая едва заметный зеленый оттенок, в основе оставаясь синим. В общем, весь квадрат с дальней дистанции будет восприниматься слабо насыщенным синим с зеленоватым оттенком. Возьмем, наконец, желтый и синий в пропорции 4:1. Если сосредоточим внимание на желтом цвете, то он будет казаться более светлым и менее зеленым, чем в отдельной накраске. Кобальт же воспринимается в виде темных пятен неопределенного цветового тона. Эти же цвета, взятые в соответствующих пропорциональных объемах, дают более насыщенный цвет при механическом смешении.

При размышлении над результатами, полученными из этих таблиц, возникает вопрос: не объясняется ли полученный результат большой разницей по светлоте смешиваемых цветов? Однако опыт, проделанный с разбеленным кобальтом, в сущности, ничего не изменил. Очевидно, характер оптической смеси зависит от спектрального состава краски. Это подтверждают и опыты, проделанные с другими цветами. Оптическая смесь кадмия красного темного с кадмием желтым средним оказалась сравнительно немного отличающейся от соответствующих механических смесей. Наиболее эффективной оказалась оптическая смесь кадмия красного темного и кобальта синего. Все три варианта смеси этих цветов дают прежде всего общий цвет более насыщенный, чем при механической смеси. Кроме того, малиново-красный и лиловый цвета отличаются своими пространственными качествами, какой-то своеобразной лучистостью.

В сущности, оптическая и механическая смеси красок дают цвета одного и того же рода, но разного качества в отношении трех переменных. Оптическая смесь темных цветов дает более насыщенный цвет, чем смесь темных и светлых или двух светлых. Получаемый при оптическом смешении цвет характерен всегда пространственными качествами, он более подвижен и зависит от установки зрения, он более многолик. По существу, при оптическом смешении устраняется причина всякого загрязнения.

Рассмотренные нами три случая смешения красок зависят также от материала. Акварель, гуашь, масло, темпера при смешении одинаковых по цветовому тону, насыщенности и светлоте красок будут иметь разные результаты, потому что различные связующие, концентрация пигментов обусловливают для каждой краски свойственную ей оптику красочного слоя.

В зависимости от этих качеств краски в различных техниках используются преимущественно те или иные виды смешения, по-разному используется основа. Для художника чрезвычайно важно таким образом построить красочный слой, чтобы наиболее полно выявить все его оптические свойства. Для этого необходимо знание и химических свойств красок, законов их смешения, а также законов оптического смешения красочного слоя.

Художественная студия «Радуга» — Пуантилизм и не только…

Точка — это много или мало?

Сто двадцать лет назад Жорж-Пьер Сёра посмел утверждать, что точка – это ключ к созданию уникальных по своему воздействию художественных полотен. 

    

Жорж-Пьер Сёра (1859-1891), Эйфелева башня

Оказывается, оптическое смешение трех чистых основных цветов (красного, синего, желтого) и пар дополнительных цветов (красный — зеленый, синий — оранжевый, желтый — фиолетовый) дает значительно большую яркость, чем механическая смесь пигментов.

Критики возразили: «Новый метод сводит на нет творческую индивидуальность художника и превращает его работу в скучное механическое нанесение мазков!»

Художники-пуантилисты ответили: «Разве это скучно!»


Жорж Сёра, Канкан, 1889


Поль Синьяк, Порт Ля Рошель


Жорж Сёра, Воскресная прогулка на острове Гранд-Жатт


Поль Синьяк, Папский дворец в Авиньоне

А зрители?

Что скажете вы?

Прикосновение кисти к холсту может быть так разнообразно.

Вот играет точка.

А вот уже  мазок.


За ним следующий, витиеватый, характерный, неповторимый,

авторский…


… гениальный мазок  Винсента Ван Гога

Легко ли освоить технику раздельного мазка?

Мы попробовали.

И оказалось, что даже для самых простых сюжетов потребуется большое внимание и терпение.  

                 

А найти свою выразительную  манеру, свой стиль? 

Гораздо сложнее.

            

 

На это могут уйти годы поисков и открытий.

Но боятся долгого пути не стоит.

Главное и самое сложное – это начать.

Так как же, точка — это много или мало?

Это целая вселенная.

К сведению любознательных:

«Пуантилизм (от фр. pointel — письмо точками) — художественный прием в живописи: письмо раздельными четкими мазками (в виде точек или мелких прямоугольников), наносимые на холст чистые краски в расчете на их оптическое смешение в глазу зрителя, в отличие от механического смешения красок на палитре».

Электронная энциклопедия «Википедия»

Авторы работ: Диана Ланская, Людмила Макарова, Светлана и Соня Ефимовы, Маша Селютина, Юлия Соколова, Ольга (ст.)  и Ольга (мл.) Галкины 

Мастер-класс по ИЗО «Техника живописи с помощью художественного мазка»

РМО учителей ИЗО 16. 12.2019г. МОУ «Школа нового века»

Автор: Литвинова Татьяна Владимировна

учитель изобразительного искусства МБОУ»СОШ№1» ЭМР

высшей квалификационной категории.

Слайд 1. Мастер-класс

Тема: Техника живописи с помощью художественного мазка.

Слайд 2.

Глядя на картины известных художников, невольно восхищаешься их творчеством, умением изобразить в ярких красках окружающий мир.

Рисование красками — увлекательное занятие, которое поможет развить воображение, воспитать чувство прекрасного, подарить положительные эмоции. Речь пойдет о технике одного мазка, которая достаточно проста в использовании.

Слайд 3.

Слайд 4.

Несмотря на ее простоту, она используется многими великими мастерами, в частности эту технику мы видим на картинах Ван Гога, где прекрасно видно направление и цвет мазка.

Слайд 5. Мазокэто след, оставляемый кистью на картинной плоскости.

С помощью мазка, используя только форму кисти, за считанные минуты можно изобразить то, что зачастую требует долгого и трудоемкого вырисовывания.

Мазки – это цветовая мозаика, когда каждый мазок (пятнышко цвета) укладывается отдельно от других, не смешиваясь с ними. Плавные переходы складываются из цветных пятнышек. Рисунок, сделанный таким способом, похож на витраж или мозаичное панно.

Слайд 6.

Если кистью двигать по-разному, оставляемые его следы тоже могут быть разные (вытянутый мазок, конусообразный, прямоугольный).

Виды мазков:

«штрих»

«запятая», «лодочка»

«кирпичик»

«дождик»

мазок «Ван-Гога»

«вальс».

Слайд 7.

Кисть может оставлять и многоцветный мазок, если на кисти несколько оттенков краски. Основная идея заключается в том, что на кисточку набирают две краски любого цвета, обычно один темнее, другой светлее. Проведя кистью по поверхности бумаги или другой основы, вы получите двухцветный объёмный мазок, который является основой рисования. На кисточку также можно набрать несколько красок любого цвета.

Чтобы овладеть техникой одного мазка ребенку не обязательно иметь выдающиеся способности, уметь рисовать. Эта техника доступна и решает не только учебную задачу, но и приближает ребёнка к успеху, дает возможность поверить в себя. Потому что мазок не может не пучиться, и его легко исправить.

Техника рисунка одного мазка идеальна для создания картин: натюрморты, пейзажи и др. Роспись в технике одного мазка украсит фотографии, шкатулки, вазы, стеклянные тарелки, рамки для фотографий и даже мебель.

Слайд 8.

Чтобы усвоить технику рисования гуашью, необходимо иметь для работы:

  • Набор гуашевых красок.

  • Лист бумаги.

  • Пару плоских кистей из свиной щетины.

  • Палитру и посуду с водой.

Слайд 9.

Рассмотрим самый простой вариант изображения техники одного мазка.

Предлагается нарисовать морской пейзаж. Рисование мазками тренирует твердость руки, развивает творческую фантазию, позволяет, не прорисовывая мелких деталей получить интересную яркую картину.

Слайд 10.

  1. Открываем краски для рисования и начинаем творить. Подберем голубой цвет, перемешивая синюю и белую краски. Размашистыми мазками по ширине закрашиваем бумагу, не оставляя белых пробелов.

  2. Чуть выше середины листа карандашом проводим линию горизонта.

Рисуем солнце. Солнышко прячется за морем и похоже на полукруг.

Слайд 11.

  1. Изображаем лучики. Смешиваем желтую и красную гуашь, получая оранжевый колер. Совершаем мазок отделяющий солнце от моря.

  2. Разбавляем белую краску с оранжевой и рисуем солнечные лучи. Делаем короткие мазки между нарисованными лучами.

  3. Подбираем голубой цвет, перемешивая синюю и белую краски. Размашистыми мазками по ширине закрашиваем бумагу.

Слайд 12.

  1. Разбавляем синюю краску белой и рисуем небо. Мазки должны являться продолжением направления лучей.

  2. Рисуем горизонтальные мазки синей краской. Более светлым оттенком синей гуаши, рисуем короткие мазки. Они могут находить на другие, это не страшно. Помните, для получения красивого рисунка, необходимо каждый последующий мазок наносить среди нарисованных. Для ощущения легкости делайте их разными.

  3. Добавляем фиолетовые мазки, они располагаются довольно близко, местами задевая соседей. Рисуем пару мазков на солнце темно-оранжевой краской и один лучик.

  4. Обводим «светило» белой гуашью и рисуем маленькие лучики. Дорисовываем окончательный вид красными мазками.

Слайд 13.

  1. Рисуем отражение света под солнцем.

  2. Желтой гуашью рисуем, чередуя различной длинны, лучики. Мазки частично покрывают белую обводку солнца.

  3. Над горизонтом с обеих сторон от солнца рисуем два желтых длинных мазка, остальные распределяем как на рисунке. Теперь наш рисунок оживает, солнышко отражается в голубой воде. Сделаем ряд оранжевых мазков для яркости. Ближе к солнцу их будет больше, а к низу рисунка всего парочка.

  4. Красной гуашью делаем заключительный шаг, ставя немного коротеньких мазков по всему рисунку.

Слайд 14.

Рассмотрим второй вариант выполненный гуашью:

Деревенский пейзаж.

Слайд 15.

  1. Синей, белой и бордовой краской рисуем небо. Смешиваем ее прямо на листе, добавляя воду.

  2. Пока эта часть рисунка сохнет, вымоем кисть. Ею нужно нарисовать деревья, расположенные на заднем плане и землю. Темно-коричневой краской изображаем ствол дерева, а тонкой кисточкой — веточки.

  3. Но какой деревенский пейзаж без сельских домиков? Их изображаем на заднем плане, используя оранжевый, черный и коричневый цвет.

  4. Листву создаем следующим интересным методом. Возьмите кисть с круглой щетиной, обмакиваем ее в желтый, бордовый, зеленый цвета и, постукивая по бумаге, таким образом, рисуем листву.

  5. Цветочки изображаем таким же образом, но при помощи краски красного, желтого, розового цветов.

  6. Получился красочный деревенский пейзаж.

Слайд 16.

ВЫВОД

Испробовав различные варианты рисования мазком, можно с уверенностью сказать, что в отличие от традиционной техники рисования – техника мазка многофункциональна и многообразна. Здесь нет жестких рамок ни в форме элементов, ни в задействованных цветах. Конечно, существуют правила, но они скорее касаются самой техники. Все остальное в руках художника.

Слайд17,18.

На слайде представлены работы моих учеников.

8 техник живописи маслом

Автор Наталья Юршина На чтение 10 мин. Просмотров 5.3k. Опубликовано

Если каждый раз, видя шикарную картину маслом, вы замираете и ловите себя на мысли, что ХОТЕЛИ БЫ тоже так уметь — настало время взять кисть в руки!

Невозможное станет возможным! Первый шаг уже ждет вас в моей статье — https://nyblog.ru/kak-nauchitsya-risovat-maslom-s-nulya/.

Мы узнаем как подобрать материалы и сколько они стоят, какими должны быть первые мазки, НАРИСУЕМ картину вместе и даже разберем, как можно ее продать!

Все это бесплатно по ссылке выше)

В современной, как и в классической живописи десятки техник. В этой статье я разберу основные техники и приемы масляной живописи, которыми сможет овладеть начинающий художник, чтобы научиться писать настоящие картины!

Введение: что такое «техника живописи маслом»?

В переводе с греческого, слово «техника» означает искусство, мастерство. В случае с живописью – умение передавать красками в определенной манере сюжет картины, создавать красивые визуальные образы.

Приходите на БЕСПЛАТНЫЙ мастер-класс и получите подарок за участие!

Приходите на БЕСПЛАТНЫЙ мастер-класс и начните писать маслом, а так же получите подарок за регистрацию!

Знать основные техники живописи нужно прежде всего для того, чтобы научиться создавать красивые и долговечные произведения, писать картины с использованием самых разнообразных и лучших материалов, учитывая все их особенности.

В современном творческом мире, особенно с развитием производства и технологий, изменились и некоторые художественные техники, появились новые приемы, порой сочетающие несочетаемое. В этой статье я хочу рассказать вам о некоторых классических и современных техниках масляной живописи, зная которые, вам будет проще и легче учиться писать картины и понимать живопись как таковую.

Лессировка


Знаменитые «Мона Лиза» да Винчи и «Кающаяся Мария Магдалина» Тициана –  написаны в технике лессировка

Итак, первая техника живописи маслом – это техника лессировки. Я уже рассказывала вам подробно про эту классическую технику, поэтому здесь остановлюсь на ней кратко.

Лессировка представляет собой нанесение краски, тонким слоем, на грунтованный холст или на просохший слой уже нанесенной краски. Эту технику чаще всего используют при написании картин прозрачными и полупрозрачными красками. Именно из-за этих свойств, и из-за того, что вы накладываете разные цвета краски друг на друга, вы можете добиться красивого и необычного эффекта, своих каких-то уникальных ярких цветов.

Помимо работы с маслом, эту технику можно использовать и при работе с акварельными красками, реже – с акриловыми. Если же сочетать прозрачные и непрозрачные краски вместе, то можно добиться красивого эффекта глубина на картине.

Алла-прима

Опять же, про эту популярную технику я уже писала отдельную статью, а также проводила бесплатный онлайн мастер-класс по картине «Гранат» в этой технике.

Так что же в ней такого особенного, что ее любят и пользуются как начинающие художники, так и профессионалы?

Начнем с того, что в переводе с итальянского, это слово означает буквально «в один присест». То есть, используя эту технику вы сразу пишите свою картину. Не откладываете ее на долгую просушку, чтобы потом нанести еще один слой краски, а тут же, на месте, доделываете работу.


Моя картина «Гранат» в технике алла-прима

Этот художественный прием можно использовать как в акварельной, так и в масляной живописи. Для работы в этой технике с акварелью художнику лучше все-таки подучить основы и знать, что и как писать – краска высохнет быстро, времени на работу будет не так много. Также есть риск создать грязь на бумаге, если вы не будете знать основные принципы смешивания красок. В любом случае, вы можете сделать работу в этой технике, а потом, уже по сухому, пройтись еще раз кисточкой с краской и расставить необходимые для завершения акценты.

Для масляной же живописи техника алла-прима подходит куда больше. В отличие от предыдущей, многослойной техники, которую так любят мастера классической живописи, техника алла-прима подразумевает картины в один, первый и последний слой. Поэтому такая работа будет выглядеть более свежей, живой и динамичной. Маслом в этой технике особенно красиво будут смотреться пейзажи и натюрморты.

Кстати, то, что масляная краска сохнет долго есть свое преимущество как раз для техники алла-прима: если вам не понравится какой-то момент или результат, вы с легкостью сможете подправить работу, как минимум, еще в течении недели.

Наложение мазков

Еще один очень интересный прием живописи – написание картины мазками. Причем есть как грубый, импасто (о нем мы еще поговорим ниже), так и менее объемный.

Этот прием используется для того, чтобы показать и передать всю красоту красок и палитру цвета художника.

Именно в этой технике очень важно знание и умение смешивать краски. Чтобы писать картины мазками, вам нужно будет создать определенные цветовые сочетания и разделить их на мазки, а затем наложить на холст.

Изначально может показаться, что это просто набор мазков разного цвета, но, когда картина будет готова, вы увидите завершенное произведение, поражающее своей насыщенностью и динамичностью.


Клод Моне любил писать мазками. Его знаменитая картина «Лондон. Парламент» написана как раз в этой технике. Густые и зернисты, мазки покрывают весь холст, усиливая эффект туманности и передавая замечательную игру света.

Импасто

Это техника живописи маслом, благодаря которой, вы можете добиться очень красивого и объемного эффекта в своих работах! Опять же, в переводе с итальянского языка, «impasto» – это пастообразный, плотный слой.

Здесь мазки уже не будут такими тонкими и легкими, наоборот, чем толще и объемнее вы будете накладывать слой краски, тем более фактурной получится ваша работа.

Для этой техники характерно использование различных шпателей, мастихинов, широких кисточек с грубым ворсом. Некоторые иногда используют даже собственные пальцы для работы, чтобы создать неповторимый и уникальный мазок. Говорят, даже сам великий Винсент Ван Гог так делал при работе над некоторыми своими работами.

«Звездная ночь» Винсента Ван Гога, написана с использованием приема наложения мазков

Если же вы хотите, чтобы ваша картина и мазки были еще более плотными, то вы можете добавить в краску текстурную пасту или другие дополнительные декоративные материалы.

А если же вы будете работать «чистыми» цветами, не смешивая краски на палитре, то для удобства и большей оригинальности картины, выдавливайте краску из тюбика сразу на холст!

Сухая кисть

Про эту технику вы наверняка уже слышали и знаете, если учились у меня на курсе «Основы портретной живописи». А если еще нет, то наверняка видели уличных художников, сидящих на Арбате или Невском проспекте, или любой другой оживленной туристической улице или набережной. Так вот, практически всегда эти художники пишут портреты прохожих в технике сухая кисть! Пишут быстро, минут за 15 и масляными красками.

Собственно, именно уличные творцы и положили начало этой технике в 80-90-е года прошлого века. Многие классические живописцы так и не признали эту технику настоящей, академической, и считают ее скорее коммерческой техникой живописи из-за ее приема растушевки.

Суть этой техники состоит в том, что вы наносите масляную краску на холст сухой кистью и начинаете интенсивно растушевывать ее, создавая как бы графический эффект. Отсюда очень большое сходство портретов в технике сухая кисть с фотографией – вы буквально прорисовываете каждую деталь.


Мои работы в технике сухая кисть

Прием контраста света и тени

Еще один любимый прием живописцев классической школы – игра на контрасте света и теней.

В переводе все с того же итальянского, «chiaroscuro», значит «светлый темный» и дает название технике живописи, в которой свет и тень должны прийти к определенному балансу.

Этот прием возник в XVI веке, когда художники играли на контрастах, чтобы сделать свои картины с и без того мрачными и волнующими сюжетами, еще более драматичными.


Работы Микеланджело Меризи да Караваджо и Джованни Бальоне как яркий пример этой техники

По-русски же название этой техники звучит как чиаскуро. Этот прием помогает создать определенную иллюзию рельефа и объема, за счет создания эффекта цвета.

Сочетание разных техник между собой

Художники всегда были и будут находиться в поисках новых форм, материалов, новых звучаний. Классика — это хорошо, но вот что получится, если соединить некоторые основные классические приемы? Получится ли такая же красивая и интересная техника? И какие техники вообще можно сочетать вместе, в одной картине?

Вы можете сочетать технику лессировки совместно с непрозрачными красками, то есть корпусными письмом. Или, выборочно и опционально наносить пастозные мазки на совсем ровную и гладкую живопись.

Здесь главное выбирать художественные техники так, чтобы они контрастировали между собой. Тогда, исходя из вышеописанного приема вы сможете добиться необычного эффекта и привлечь внимание зрителя к идее и основной проблеме своей работы.

Современные техники и декоративные элементы

Современные техники рисования ушли далеко вперед от классической живописи и очень сильно удивили бы старых живописцев. Но, наверное, это и к лучшему, ведь если бы живопись не развивалась, если бы каждое десятилетие или даже столетие не создавалось бы чего-то новаторского, живопись давно бы пропахла нафталином.

Современные приемы отступают от классических канонов прежде всего формой: от способа нанесения краски на холст, до самих материалов – кроме краски теперь в ход идут самые разные декоративные элементы.


Таринан фон Анхальт, жена Австрийского принца Юргена, продолжила его работу после его смерти

Таринан фон Анхальт пишет картины при помощи реактивного двигателя самолета – абстракция создается путем разбрызгивания краски мощными потоками воздуха. 

Вообще, прием разбрызгивания краски стал очень популярен в наше время. Взять хотя бы технику флюид-арт, или работу с акриловой краской и эпоксидной смолой – как на моих мастер-классах в студии рисования в Новосибирске.

Абстрактные картины с использованием эпоксидной смолы и акрила

Художница Натали Айриш выбрала другой способ нанесения краски на холст. Нет, она не использует кисти или любые другие подручные средства. Все намного проще и интересней. Натали создает свои картины с помощью своих губ!

Накрасив губы нужным оттенком помады, девушка буквально целует холст, создавая удивительные работы. Одна из таких – ее первый портрет Мерлин Монро на фото ниже.

Этот прием живописи отсылает нас прямо к технике штампования, нанесения рисунка с помощью различных штампов и фактур.

Кроме средств, художественной выразительности в живописи современные художники пытаются достичь с помощью разных материалов.

Так появилась целая ниша художников, создающих свои работы с помощью вина или кофе!

С помощью разных сортов вин красного, белого, и розовых оттенков, Элизабетта Рогаи пишет свои картины, делая эскизы и наброски к ним простым углем. Уникальная особенность таких картин состоит в том, что со временем цвет краски на холсте изменится. Это связанно с особенностями старения вина и его реакции с окружающей средой. И как результат – уникальное и неповторимое творение.

Живопись вином очень популярна у современных художников

В отдельности, завершая эту большую статью про основные приемы и техники живописи, хочется рассказать про технику смешения красок с различными декоративными компонентами.

Такие картины, как правило, пишутся в абстракции и служат украшением и дополнением к интерьеру дома или рабочего пространства, кафе, бара, ресторана.

Такие картины часто делают на больших холстах – чтобы передать весь объем и роскошь, чтобы у зрителя точно была возможность рассмотреть все детали.

Основными декоративными элементами в таких работах являются текстурные пасты, контуры, краска из баллончиков, и, конечно же, поталь – главный источник золочения в живописи.

Финальная работа онлайн-курса «Интерьерная живопись», холст, акрил, поталь, 80*100

На своем онлайн-курсе «Интерьерная живопись» я подробно расскажу про каждый материал и покажу, как правильно их применять в живописи, чтобы создать красивые и уникальные работы.

Кстати, именно такая живопись сейчас модна и популярна как никогда: на арт-рынке, у зарубежных коллекционеров, российских предпринимателей и просто ценителей прекрасного, готовых украсить свою квартиру по всем нормам хорошего вкуса.

В любом случае, какую бы технику живописи вы ни выбрали бы, у вас получатся великолепные картины, если вы хорошо изучите теорию и будете постоянно применять полученные знания на практике!

Понравилась статья? Смело ставьте 5 звезд и пишите ваши вопросы о техниках в комментариях!

Урок 1. пейзаж: пространство, линия горизонта и цвет — Изобразительное искусство — 2 класс

Изобразительное искусство. 2 класс.

Урок№1. «Пейзаж: пространство, линия горизонта и цвет.»

Вопросы:

  1. Что такое линия горизонта?
  2. Что такое прием раздельного мазка?
  3. Как художники изображали красочность земли русской??
  4. Как сделать акцент на земле, а как сделать акцент на небе?

Теоретический материал для самостоятельного изучения:

Взгляните на живописные пейзажи созданные мастерами живописцами.

Автор левый пейзаж называется «Осенняя уборка», а правый «Сибирская деревня»

Есть ли в них что-нибудь, в этих пейзажах, что удивляет вас? Подумайте, что общего и различного в этих изображениях.

Взгляните на живописные пейзажи созданные мастерами живописцами.

Автор левый пейзаж называется «Осенняя уборка», а правый «Сибирская деревня»

Есть ли в них что-нибудь, в этих пейзажах, что удивляет вас? Подумайте, что общего и различного в этих изображениях.

«Я красному учусь у пламенного мака,

Я золото беру у солнечных лучей,

Хрустальности мечты учил меня ручей…»,

это отрывок из стихотворения Константина Бальмонта.

Этим стихотворением автор хотел сказать, что все творцы прекрасного, будь то художники, поэты или музыканты, все они черпают вдохновение у красавицы природы.

Любой деятель искусства, для начала зритель и наблюдатель.

Давайте рассмотрим пейзаж под названием «Осенняя уборка».

Каждый художник видит по-особому, наряд осенней земли. В этом пейзаже особенно выразителен контраст теплых и холодных цветов.

Обратите вниманию на живописную работу Земскова под названием «Сибирская деревня».

Как мало места выделил художник для неба. Совсем тоненькую полосу.

А теперь взгляните на фрагмент картины Михаила Малютина «Обрёзово», небу на его картине места тоже выделили не много. Акцент тут выставлен на красочности родной земли.

Как интересно и живописно выполнена земля на первом плане картины

Давайте вспомним, в первом классе мы изучали, что такое раздельный мазок. Раздельный мазок — особая техника в живописи, прием кистевого письма. Раздельный мазок бывает удлиненным, а бывает точкой, главное что бы каждый мазок клался отдельно, таким образом, эта техника несколько напоминает мозаику.

Раздельный удлиненный мазок, может иметь разные направления, как вертикально, так и горизонтально. Мазок может класться по кругу или по диагонали, если того требует форма.

Михаил Малютин в своем произведении «Обрёзово» для передачи богатства русской земли использовал именно этот живописный прием.

Как мы уже заметили во всех, этих трех работах, есть что то общее, хотя они бесспорно совершенно разные, по исполнению и цвету.

Во всех трех, картинах высокая линия горизонта.

Горизонт – так называют линию соприкосновения неба и земли.

Линия горизонта может быть, высокая, средняя и низка.

Линия горизонта всегда находится на уровне глаз. Уровень изменяется в соответствии с положением человека, который смотрит на нее.

Если человек сидит на земле, то линия горизонта будет низкая. Если человек стоит, то его пейзаж делится пополам, то есть линия будет посередине.

А если человек, стоит на возвышенности, то его взгляду будет видно больше земли чес неба. Это называется высокая линия горизонта.

Таким образом, мы делаем вывод, что все три пейзажа художники рисовали стоя на возвышенности.

Каждый художник решает сам, что он хочет в картине показать, больше неба или земли. Какую идею он закладывает.

Если художник рисует линию снизу, будет казаться, что зритель смотрит на все снизу вверх. Как будто стоит в самом низу холма, а действие картины происходит выше вас.

Или как будто перед вами расположено что-то большое или великое, а вы рядом – просто малозначимая фигурка.

Пример — Исаак Бродский «Сад осенью»

Если линия располагается посредине, то значит, что художник как бы ставит зрителя на один уровень с происходящим на картине. Пример — Исаак Левитан «Осенний день. Сокольники»

Высокая линия горизонта используется, чтобы показать большой простор или интересные объекты на переднем плане – в нижней части картины. Пример — Василий Поленов «Золотая осень»

Запомните как изображать высокую и низку линию горизонта, и используйте свои знания на практике.

Разбор типового тренировочного задания:

Тип: Подстановка элементов в пропуски в тексте, (перетаскивание слов)

Задание: Если линия располагается посередине, то значит, что художник как бы ставит зрителя _____________ с происходящим на картине.

Варианты ответов:

на много выше;

на один уровень;

на много ниже.

Стратегия выполнения задания:

1. Внимательно прочитайте вопрос, уловите его общее содержание, смысловую нагрузку, логику, последовательность.

2. Просмотрите сначала все варианты ответов, попробуйте обосновать фактами из изученного вами конспекта урока, объяснить и подтвердить каждую позицию знаниями.

3. Затем выберите верный ответ и проверьте себя.

Правильный ответ:

На один уровень.

Разбор типового тренировочного задания:

Текст вопроса: Кто автор этой картины ?

Варианты ответов:

Василий Поленов;

Исаак Бродский;

Исаак Левитан;

Михаил Малютин;

Стратегия выполнения задания:

1. Внимательно прочитайте вопрос, уловите его общее содержание, смысловую нагрузку, логику, последовательность.

2. Просмотрите сначала все варианты ответов, попробуйте обосновать фактами из изученного вами конспекта урока, объяснить и подтвердить каждую позицию знаниями.

3. Затем выберите верный ответ и проверьте себя.

Правильный ответ:

Михаил Малютин.

Обязательная и дополнительная литература для самостоятельного изучения:

Обязательная литература:

Шпикалова Т.Я., Ершова Л.В. Изобразительное искусство 2 класс. Учебник для общеобразовательных организаций/ Шпикалова Т.Я., Ершова Л.В. М.: Просвещение, 2018. 175 с.

Дополнительная литература:

Шпикалова Т. Я., Ершова Л. В., Макарова Н. Р. и др. Изобразительное искусство. 2 класс: творческая тетрадь. М.: Просвещение, 2018. 64 с.

Интернет-ресурсы:

  • Издательство «Просвещение» www.prosv.ru (раздел «Перспектива» http://old.prosv.ru/umk/perspektiva) (дата обращения к ресурсу: июль 2018 г.)
  • Российский общеобразовательный Портал www.school.edu.ru (дата обращения к ресурсу: июль 2018 г.)
  • Google Art Project https://artsandculture.google.com/ (дата обращения к ресурсу: июль 2018 г.)
  • Музеи онлайн http://musei-online.blogspot.com/ (дата обращения к ресурсу: июль 2018 г.)
  • Культура. РФ — портал популяризации культурного наследия России https://www.culture.ru/ (дата обращения к ресурсу: июль 2018 г.)
  • Гид по музеям с дополненной реальностью. Проект Министерства культуры РФ https://ar.culture.ru/ (дата обращения к ресурсу: июль 2018 г.)

как называется правополушарное нетрадиционное рисование для начинающих и что такое кляксография

Влажное по влажному- эта техника знакома любому, кто занимался акварелью, и часто применяется, когда вам нужно изобразить облака или покрытый туманной дымкой задний план.

Работая способом «влажное по влажному», вы должны развести краску немного сильнее, чем обычно, нанести ее на бумагу и быстро добавить сверху жидко разведенную краску другого цвета. После этого краски начнут расплываться, образуя причудливые фигуры с мягкими, размытыми краями.

Основные техники живописи гуашью

Если этого не произошло, значит, вы недостаточно жидко развели краски или слишком запоздали с нанесением второго слоя, и нижний слой краски успел к этому времени засохнуть.

Чтобы избежать этого, советую вам предварительно увлажнить бумагу с помощью смоченной в чистой воде кисти. Этот прием хорош тогда, когда вам нужно написать фигуру с четкими очертаниями и не размытым цветом.

При этом на картине остаются заметны отдельные мазки кисти. Это один из классических приемов работы гуашью, и с его помощью можно добиваться действительно поразительных результатов.

Особенно эффектно выглядят нанесенные рядом или поверх друг друга разноцветные, имеющие четкую форму мазки краски. Поскольку гуашь непрозрачна, можно наносить светлую краску поверх темной, и наоборот.

Валёр – тонкая тональная градация одного цвета.

Гуашевая заливка с переходом цвета — Художественный прием, который часто используется для создания красивого фона с плавным переходом по тону. Позволяющий добиться плавного перехода цвета от темного к светлому или даже свести цвет к белому фону.

Выполняется следующим образом: выбранные оттенки наносятся горизонтальными полосами, после чего постепенно начинаем размазывать краски (краски не должны успеть высохнуть). Движение кисти справа налево, потом слева направо. Для создания плавного перехода можно так же использовать губку.

Импасто – техника, заключающаяся в наложении густой краски толстыми слоями. Если вы хотите использовать импасто, возьмите тюбик, которым уже не раз пользовались: такая краска будет гуще новой, только что открытой.

Гуашь можно загустить также добавкой для акрила или специальной добавкой Aquapasto компании Winsor&Newton, созданной для применения техники импасто при работе с красками на водной основе.

Карнация -наложение красок в несколько слоев. Применялось для изображения человеческих лиц и частей тела. Техника позволяла достичь максимального реализма в изображении.

Лессировка – способ, который заключается в нанесении поверх основного цвета прозрачный слоев других тонов. За счет перекрытия основного цвета полупрозрачными слоями получается новый глубокий оттенок.

Для гуаши этот способ доступен так же, как и для акварели. Гуашь нужно разбавить довольно сильно водой, чтобы она стала прозрачной. С помощью техники лессировки можно создать неповторимый эффект тумана, гуашь для этого подходит как никакой другой материал.

Мазок – это след, оставляемый кистью. В живописи маслом мазки могут обладать большей выразительностью в связи с большей густотой материала и толщиной красочного слоя. Используя технику мазка, можно усиливать динамику, придавать работе дополнительную выразительность. Мазками пишут на бумаге любой влажности. Но лучших результатов можно достичь на чуть влажной и сухой бумаге.

Монотипия (от греческого «monos» — один, единый и «tupos» — отпечаток) — одна из простейших графических техник, истоки которой восходят к 17 столетию. Суть монотипии заключается в нанесении от руки красок на ровную и гладкую поверхность, с последующим оттиском на другую поверхность (на станке) или на бумагу, сложенную пополам.

Полученный отпечаток всегда уникален, и создать две одинаковых работы невозможно. Далее полученные цветные или монохромные кляксы либо оставляют в первоначальном виде, либо продумывают подходящий образ и прорисовывают недостающие детали.

Многослойная живопись — важнейшая техническая разновидность масляной живописи, требующая расчленения работы на ряд последовательных этапов (подмалевки, прописки, лессировка), разделенных перерывами для полного просыхания краски.

При исполнении крупной тематической композиции, а также при длительной работе вообще, многослойная живопись является единственной полноценной техникой масляной живописи.

До середины XIX в. все крупнейшие передовые художники прошлого применяли эту технику как основную. Позднее импрессионисты и их последователи отказались от нее. С узко технологической точки зрения, не связанной с техникой старых мастеров, понятию многослойная живопись могут соответствовать лишь прописки по высохшему красочному слою (без подмалевка и лессировок).

Пастозная техника также доступна гуаши. Эта техника заключается в нанесении густой, непрозрачной краски на рабочую поверхность. Такая техника присуща в основном масляной живописи. Фактура, свет и тень на картинах, написанных в пастозной технике зависят не только от цвета, но и от формы и направления положенных мазков.

Гуашью тоже можно работать в этом стиле, особенно если она на основе ПВА или акриловая. Работая в пастозной технике и используя обычную художественную гуашь, нужно помнить о том, что слишком толстый слой этой краски имеет обыкновение растрескиваться и осыпаться после высыхания.

Поэтому нужно очень осторожно добавлять слои густой гуаши на полотно, чтобы получить необходимую, для этой техники и материала, «золотую середину».

Пуантилизм -в переводе обозначает «точечность». Техника позволяет достигать визуальных эффектов за счет мазков точечной или прямоугольной формы, исключая смешивание цветов.

Равномерная заливка с помощью кисти— используется для окрашивания поверхностей или их частей. Выполняется кистью. Гуашь не должна быть слишком густой (краска ляжет комками) или слишком жидкой (появятся пятна). Заливать контур начинают с краев.

Разбрызгивание — очень простой и приятный способ создания фактуры. С помощью этой техники можно рисовать камешки на дороге, речную гальку, листья и тому подобные вещи. Лучше всего разбрызгивать гуашь с помощью маленькой малярной кисти (желательно новой и предназначенной для работы только с гуашью, но не с олифой или водоэмульсионными красками).

Хорошо загрузите кисть краской, оттяните ее щетинки назад (от картины), а затем резко отпустите их. Щетинки рванутся вперед и с них слетит целое облачко мелких капелек краски. Для того чтобы не забрызгать всю картину, сделайте бумажную маску, вырезанную из газеты или ненужного листа бумаги, и прикройте ту часть картины, которая должна остаться не забрызганной.

Сграффито— это техника сродни гравюре. Суть этого приема состоит в процарапывании влажной краски заостренной палочкой или кончиком ножа, чтобы обнажить нижний слой краски.

При работе гуашью вы должны исполнить сграффито как можно быстрее — в течение буквально нескольких секунд после нанесения верхнего слоя краски, поскольку гуашь, в отличие от масляных красок, высыхает почти мгновенно.

С помощью техники сграффито можно создавать очень красивые необычные фактуры, которые лучше всего смотрятся на переднем плане картины

Смешанная техника — кроме того, гуашь прекрасно используется в смешанных техниках живописи. Например, фон делается гуашью, а рисунок на фоне акрилом. Цветы гуашью и акрилом получаются очень эффектными. Гуашью так же можно работать в сочетании с акварелью, пастелью, темперой.

«Сухая кисть» — в живописи и графике вспомогательный технический прием, состоящий в работе слабо насыщенными краской жесткими кистями. В качестве самостоятельной техники сухая кисть применяется главным образом в декоративном искусстве. Прием внешне имитирует цветные карандаши. Прост в исполнении. Дает возможность легко смешивать цвета прямо на бумаге.

Сухая лессировка — не менее интересный метод. Сухая кисть оставляет красочный след, из-под которого светятся нижние слои.

Сфумато — тонкий переход ц вета в цвет. Смягчение очертаний фигур и предметов в светотеневой моделировке в целом, которое позволяет передать окутывающий их как воздух. Прием сфумато, как важнейший элемент воздушной перспективы был теоретически обоснован и применен Леонардо да Винчи.

Штамповка— Нанесение оттисков при помощи губки, ваты или даже скомканного листа бумаги. . Особенно удачно при этом можно имитировать грубую землю, густую траву или листву.

Кроме губки, фактуру можно создавать также полоской гофрированной бумаги или сложенного несколько раз картона, — при этом возникают очень необычные и неожиданные эффекты.

Источник: https://poznayka.org/s78495t1.html

Техники Рисования Гуашью (Особенности + Способы Нанесения)

Если вам скажут, что гуашь и акварель одно и то же, не верьте! Хотя доля правды здесь есть, поэтому спорить на этот счёт не стоит. Давайте вместе поближе познакомимся с удивительной краской и рассмотрим техники рисования гуашью.

Что надо знать про гуашь

Действительно, если перевести на русский греческое «акварель» и французское «гуашь», то получим «водяную краску». Так назывались бы на нашем языке эти совершенно разные красители. Иностранные имена позволяют различать их по названию.

В чём основное отличие гуаши от акварели? Француженка обладает большими кроющими возможностями и непрозрачна. Если для гречанки чем больше воды, тем лучше, то для французского варианта водяных красок, вода больше нужна для споласкивания кисточек, чем для письма. Многих гуашь привлекает своим бархатным обаянием.

Яркие цвета с матовой загадочностью позволяют любителям декоративного творчества создавать обворожительные произведения.

Способность ровно покрывать большие поверхности одним цветом, до изобретения компьютеров, делало её основным материалом для создания плакатов, иллюстраций и художественных проектов. Сегодня эта способность нашей героини по-прежнему в почёте у художников. Есть, правда, у неё некоторые недостатки. Вот главные из них:

  • При высыхании основополагающий пигмент сильно светлеет. Научиться правильно подбирать нужный тон бывает непросто при рисовании гуашевыми красавицами. Потребуется много времени и сил, чтобы стать настоящим виртуозом этого материала.
  • При наложении слишком толстого слоя, после высыхания, трескается и осыпается. Поэтому, хотя в отличие от акварели здесь можно исправить неудачный мазок, но если делать это больше трёх раз — вероятность, что последний вариант не приживётся, очень велика.

Если научиться бороться с недостатками, то гуашь может стать любимым материалом. С её помощью вы будете очаровывать своих почитателей, для этого у нашей героини есть всё необходимое.

Рисуют гуашью на бумаге, картоне, фанере, плотном шёлке. Грунтовка для неё не требуется, даже однотонность не обязательное требование для рабочей поверхности. Она перекроет любой фон. Чаще всего для работ с этим материалом используют подрамники обтянутые бумагой. Вот как их можно сделать своими руками:

  1. Возьмите лист ватмана. Расстелите его на ровном столе. Хорошенько смочите водой.
  2. Положите подрамник на мокрую бумагу так, чтобы со всех сторон можно было подвернуть бумагу. Для большей прочности на подрамник можно набить ДВП.
  3. Промажьте клеем ПВА края подрамника и приклейте к нему все стороны ватмана.
  4. Переверните подрамник и оставьте сушиться в горизонтальном положении. После высыхания бумага натянется и будет готова к рисованию.

В качестве палитры для гуашевых красавиц лучше использовать пластмассовые дощечки или ванночки, если вам необходимо закрашивать большие поверхности одним цветом. Кисти лучше всего использовать такие же, как для акварели. Только в плакатном творчестве часто нужны плоские кисти разных размеров. Для нашей героини мягкие кисти предпочтительнее жёстких.

В отличие от темперы и масляных красок, гуашевые сестрички не очень разнообразны в технике использования. Этими красками нельзя писать глазурью. Они не прозрачны, поэтому только густой слой может дать требуемый результат. Обычно нужный цвет подбирают на палитре, с учётом будущего осветления после высыхания. Затем плотным слоем накладывают на нужную поверхность.

Чем хороша гуашь – это правом на ошибку. Не менее двух трёх раз вы можете без проблем перекрывать неудачное место новым слоем. От старого не останется ни следа. Часто гуашевые краски применяют для трафаретного творчества. Используя тампон из поролона и разведённую смесь нужного цвета, с помощью вырезанных трафаретов можно делать разнообразные композиции.

Жидко разведённую гуашь используют шрифтовики и оформители. Она отлично заменяет тушь. Плакатные перья и заточенные плоские палочки применяются многими декораторами в сочетании с гуашью.

Хоть и говорят, что о вкусах не спорят, но гуашевые бархатные оттенки не могут оставить равнодушными эстетов любого калибра. Поэтому освоение техники письма этой краской может значительно обогатить ваш художественный потенциал.

Источник: https://www.izocenter.ru/blog/tehniki-risovaniya-guashyu/

Предварительно обученные сверточные нейронные сети как экстракторы признаков для улучшения обнаружения малярийных паразитов в тонких изображениях мазков крови [PeerJ]

Введение

Малярия — это передаваемое комарами заболевание крови, вызываемое паразитами Plasmodium , передаваемыми через укус самки комара Anopheles. Различные виды паразитов, включая P. ovale, P. malariae, P. vivax и P. falciparum , инфицируют людей; однако эффекты P.falciparum может быть смертельным. В 2016 году Всемирная организация здравоохранения (ВОЗ) сообщила о 212 миллионах случаев заболевания во всем мире (ВОЗ, 2016). Исследование толстых и жидких мазков крови под микроскопом является наиболее надежным и часто используемым методом диагностики заболеваний. Толстые мазки крови помогают обнаружить присутствие паразитов, а жидкие мазки крови помогают определить вид паразита, вызывающего инфекцию (Центры по контролю и профилактике заболеваний, 2012). Точность диагностики в значительной степени зависит от опыта человека и может быть подвергнута неблагоприятному влиянию из-за вариабельности между наблюдателями и ответственности, налагаемой крупномасштабной диагностикой в ​​эндемичных по болезням / ограниченных ресурсами регионах (Mitiku, Mengistu & Gelaw, 2003).Используются альтернативные методы, такие как полимеразная цепная реакция (ПЦР) и быстрые диагностические тесты (RDT); однако ПЦР-анализ имеет ограниченные возможности (Hommelsheim et al., 2014), а RDT менее рентабельны в эндемичных по болезни регионах (Hawkes, Katsuva & Masumbuko, 2009).

В процессе применения методов машинного обучения (ML) к анализу медицинских данных осмысленное представление функций лежит в основе их успеха для достижения желаемых результатов. В большинстве программ компьютерной диагностики на основе анализа изображений (CADx) используются методы машинного обучения с созданными вручную функциями для принятия решений (Ross et al., 2006; Дас и др., 2013; Poostchi et al., 2018). Однако этот процесс требует опыта в анализе изменчивости размера, фона, угла и положения интересующей области (ROI) на изображениях. Для решения проблем, связанных с разработкой вручную созданных функций, которые фиксируют вариации в базовых данных, со значительным успехом используется глубокое обучение (DL), также известное как глубокое иерархическое обучение (LeCun, Bengio & Hinton, 2015). Модели DL используют каскад уровней нелинейных блоков обработки для самостоятельного обнаружения иерархических представлений функций в необработанных данных.Функции более высокого уровня абстрагируются от функций более низкого уровня, чтобы помочь в изучении сложных нелинейных функций принятия решений, что приводит к сквозному извлечению и классификации функций (Schmidhuber, 2015). В отличие от алгоритмов на основе ядра, таких как машины опорных векторов (SVM), модели DL демонстрируют улучшенную производительность с увеличением размера данных и вычислительных ресурсов, что делает их хорошо масштабируемыми (Srivastava et al., 2014).

Для изображений важным источником информации является пространственная локальная корреляция между соседними пикселями / вокселями.Сверточные нейронные сети (CNN), класс моделей DL, предназначены для использования этой информации посредством механизмов локальных рецептивных полей, общих весов и объединения (Крижевский, Суцкевер и Хинтон, 2012). В 2012 году Алекс Крижевский предложил AlexNet, модель DL на основе CNN, которая выиграла конкурс ImageNet Large Scale Visual Recognition Challenge (ILSVRC) и существенно повысила производительность CNN в отношении классификации естественных изображений (Крижевский, Суцкевер и Хинтон, 2012). Несколько репрезентативных CNN, таких как VGGNet (Simonyan & Zisserman, 2015), GoogLeNet (Szegedy et al., 2014) и ResNet (He et al., 2016) продемонстрировали значительные улучшения в решении ежегодных задач ILSVRC. Была предложена модель под названием Xception, которая использует разделимые по глубине свертки (Chollet, 2016), чтобы превзойти модель Inception-V3 (Szegedy et al., 2016) в задаче классификации данных ImageNet (Deng et al., 2009). Был предложен вариант CNN под названием Densely Connected Convolutional Networks (DenseNet) (Huang et al., 2016), в котором используется сетевая архитектура, в которой каждый уровень напрямую связан с каждым последующим уровнем.Модель достигла значительных улучшений по сравнению с современной моделью при использовании значительно меньшего количества параметров и вычислений.

Многообещающая производительность CNN сопровождается доступностью огромного количества аннотированных данных. Из-за нехватки аннотированных медицинских изображений используются методы Transfer Learning (TL), где предварительно обученные модели DL либо настраиваются на базовые данные, либо используются в качестве экстракторов признаков для помощи в задачах визуального распознавания (Razavian et al., 2014). Эти модели передают знания, полученные при изучении общих функций из крупномасштабных наборов данных, таких как ImageNet, в основную задачу. Перенос ранее приобретенных навыков в новую ситуацию носит общий характер, а не является уникальным для данной ситуации. Поскольку результаты, опубликованные в Razavian et al. (2014), признается, что CNN, обученные на крупномасштабных наборах данных, могут служить экстракторами признаков для широкого круга задач компьютерного зрения, чтобы помочь в улучшении производительности по сравнению с современными методами (Bousetouane & Morris, 2015).

В настоящее время исследователи по всему миру начали применять инструменты DL и получать многообещающие результаты в широком спектре задач анализа / понимания медицинских изображений (Rajaraman et al., 2017; Suzuki, 2017). В литературе также встречаются исследования, касающиеся применения методов DL для обнаружения малярийных паразитов. Донг и др. (2017) сравнили производительность SVM и предварительно обученных моделей DL, включая LeNet (LeCun et al., 1998), AlexNet и GoogLeNet, в отношении классификации паразитированных и неинфицированных клеток.Авторы сегментировали эритроциты (эритроциты) из тонких изображений мазков крови и случайным образом разделили на обучающие и тестовые наборы. Для проверки моделей случайным образом было выбрано 25% обучающих изображений. Liang et al. (2017) предложили 16-слойную CNN для классификации незараженных и паразитированных клеток. Функции были извлечены с использованием предварительно обученного AlexNet, а классификатор SVM был обучен извлеченным функциям. Производительность предложенной модели сравнивалась с производительностью предварительно обученной CNN.В исследовании сообщается, что пользовательская модель была более точной, чувствительной и специфической, чем предварительно обученная модель. Изображения были повторно дискретизированы до разрешения 44 × 44 пикселей, чтобы компенсировать нехватку вычислительных ресурсов. Бибин, Наир и Пунита (2017) предложили 6-уровневую сеть глубоких убеждений для обнаружения малярийных паразитов в изображениях мазков периферической крови. Авторы сообщили о точности 96,4% в задаче классификации набора данных из 4100 ячеек с помощью рандомизированных разделений на поезд / тест. Gopakumar et al. (2018) использовали настроенную модель CNN для анализа видео, содержащего стек фокусировки поля представлений окрашенных по Лейшману изображений слайдов, в процессе автоматического обнаружения паразитов.Авторы использовали индивидуальный портативный сканер слайдов и готовые компоненты для сбора данных и продемонстрировали чувствительность и специфичность 97,06% и 98,50% соответственно. Таким образом, существующие исследования DL были оценены на относительно небольших наборах изображений и / или рандомизированных разделениях поездов / тестов. Ни в одном из исследований не сообщалось об эффективности прогностических моделей на уровне пациентов. Хотя опубликованные результаты являются многообещающими, существующие подходы должны подтвердить свою надежность на большем наборе изображений с помощью перекрестных проверочных исследований на уровне пациентов.Оценка на уровне пациента обеспечивает более реалистичную оценку прогностических моделей, поскольку изображения в независимом тестовом наборе представляют собой действительно невидимые изображения для процесса обучения, без информации о вариациях окрашивания или других артефактах, просачивающихся в данные обучения. Это поможет уменьшить систематические ошибки и ошибки обобщения. Тесты на наличие статистически значимых различий в производительности дополнительно помогут в процессе выбора оптимальной модели перед развертыванием.Разумно отметить, что современное состояние все еще оставляет много возможностей для прогресса в этом отношении.

В этой работе мы оценили эффективность предварительно обученных моделей DL на основе CNN в качестве экстракторов признаков для классификации паразитированных и неинфицированных клеток, чтобы помочь улучшить скрининг болезней. Важным вкладом в эту работу являются: (а) представление сравнительного анализа производительности настроенных и предварительно обученных моделей DL в качестве экстракторов признаков для классификации паразитированных и неинфицированных клеток, (б) перекрестная проверка эффективности прогнозируемых модели на уровне пациента, чтобы уменьшить систематические ошибки и ошибки обобщения, (c) анализ и выбор оптимального слоя в предварительно обученных моделях для извлечения признаков из базовых данных, и (d) тестирование на наличие / отсутствие статистически значимого разница в производительности изучаемых настраиваемых и предварительно обученных моделей CNN.Следующий документ организован следующим образом: «Материалы и методы» подробно рассматривают материалы и методы, «Результаты» представляют результаты, а «Обсуждения и заключение» обсуждают результаты и завершают документ.

Материалы и методы

Сбор данных

Чтобы уменьшить нагрузку на микроскопистов в регионах с ограниченными ресурсами и повысить точность диагностики, исследователи из Национального центра биомедицинских коммуникаций Листера Хилла (LHNCBC), входящего в Национальную медицинскую библиотеку (NLM), разработали мобильное приложение, которое работает на стандартный смартфон Android ® , подключенный к обычному световому микроскопу (Poostchi et al., 2018). Окрашенные по Гимзе слайды тонких мазков крови от 150 инфицированных P. falciparum и 50 здоровых пациентов были собраны и сфотографированы в больнице Читтагонгского медицинского колледжа, Бангладеш. Встроенная камера смартфона получала изображения слайдов для каждого микроскопического поля зрения. Изображения были вручную аннотированы специалистом по чтению слайдов в Исследовательском центре тропической медицины Махидол-Оксфорд в Бангкоке, Таиланд. Обезличенные изображения и аннотации заархивированы в NLM (IRB # 12972).Мы применили алгоритм на основе набора уровней для обнаружения и сегментации эритроцитов (Ersoy et al., 2012).

Исследования с перекрестной проверкой

Набор данных состоит из 27 558 изображений ячеек с одинаковыми экземплярами паразитированных и неинфицированных ячеек. Положительные образцы содержали Plasmodium , а отрицательные образцы не содержали Plasmodium , но другие типы объектов, включая окрашивающие артефакты / примеси. Мы оценили прогностические модели с помощью пятикратной перекрестной проверки.Перекрестная проверка проводилась на уровне пациента, чтобы избежать ошибок смещения модели и обобщения. Количество ячеек для различных складок показано в таблице 1.

Таблица 1:

Данные для перекрестных проверок.

Складки Паразитирует Неинфицированные
1 2 756 2 757
2 2,758 2,758
3 2 776 2 762
4 2 832 2 760
5 2 657 2 742
Всего 13,779 13,779
DOI: 10.7717 / peerj.4568 / таблица-1

Изображения были повторно дискретизированы до разрешений 100 × 100, 224 × 224, 227 × 227 и 299 × 299 пикселей, чтобы соответствовать входным требованиям настроенных и предварительно обученных CNN, и нормализованы, чтобы способствовать более быстрой сходимости. Модели были обучены и протестированы на системе Windows ® с процессором Intel ® Xeon ® CPU E5-2640v3 2,60 ГГц, жестким диском 1 ТБ, ОЗУ 16 ГБ, Nvidia ® GTX 1080 Ti с поддержкой CUDA. Графический процессор (GPU) 11 ГБ, Matlab ® R2017b, Python ® 3.6.3, Keras ® 2.1.1 с бэкэндом Tensorflow ® 1.4.0 и зависимостями CUDA 8.0 / cuDNN 5.1 для ускорения графического процессора.

Индивидуальная конфигурация модели

Мы также оценили эффективность индивидуализированной последовательной CNN в задаче классификации паразитированных и неинфицированных клеток для выявления болезней. Мы предлагаем последовательную CNN, как показано на рис. 1, аналогично архитектуре, которую LeCun & Bengio (1995) отстаивали для классификации изображений.

Рисунок 1: Архитектура настроенной модели.

Предлагаемая CNN имеет три сверточных слоя и два полностью связанных слоя. Входные данные модели представляют собой сегментированные ячейки с разрешением 100 × 100 × 3 пикселей. Сверточные слои используют фильтры 3 × 3 с шагом 2 пикселя. Первый и второй сверточные слои имеют 32 фильтра, а третий сверточный слой имеет 64 фильтра. Сэндвич-конструкция сверточных / выпрямленных линейных блоков (ReLU) и правильная инициализация веса улучшают процесс обучения (Shang et al., 2016). Слои с максимальным объединением с окном объединения 2 × 2 и 2 шагами пикселей следуют за сверточными слоями для суммирования выходных данных соседних нейронных групп на картах признаков. Объединенный вывод третьего сверточного слоя подается на первый полностью связанный слой, который имеет 64 нейрона, а второй полностью связанный слой подается в классификатор Softmax. Регуляризация выпадения (Srivastava et al., 2014) с коэффициентом выпадения 0,5 применяется к выходам первого полностью связанного слоя.Модель обучается путем оптимизации цели полиномиальной логистической регрессии с использованием стохастического градиентного спуска (SGD) (LeCun, Bengio & Hinton, 2015) и импульса Нестерова (Botev, Lever & Barber, 2017). Настроенная модель оптимизирована для гиперпараметров с помощью метода рандомизированного поиска по сетке (Bergstra & Bengio, 2012). Мы инициализировали диапазоны поиска как [1e-7 5e-2], [0,8 0,99] и [1e-10 1e-2] для скорости обучения, параметров SGD и L2-регуляризации соответственно. Мы оценили производительность настроенной модели с точки зрения точности, площади под кривой (AUC), чувствительности, специфичности, F1-балла (Lipton, Elkan & Naryanaswamy, 2014) и коэффициента корреляции Мэтьюза (MCC) (Matthews, 1975).

Извлечение признаков с использованием предварительно обученных моделей

Мы оценили производительность предварительно обученных CNN, включая AlexNet (победитель ILSVRC 2012), VGG-16 (победитель задачи локализации ILSVRC в 2014 году), Xception, ResNet-50 (победитель ILSVRC 2015) и DenseNet-121 (победитель лучшая бумажная премия в CVPR 2017) для извлечения признаков из паразитированных и неинфицированных клеток. Модели были оптимизированы по гиперпараметрам методом рандомизированного поиска по сетке.Мы инициализировали диапазоны поиска как [1e-5 5e-2], [0,8 0,99] и [1e-10 1e-2] для скорости обучения, параметров SGD и L2-регуляризации Нестерова соответственно. Мы создали сверточную часть предварительно обученных CNN и обучили полностью подключенную модель с выпадением (коэффициент отсева 0,5) поверх извлеченных функций. Мы также эмпирически определили оптимальный слой для выделения признаков, чтобы помочь улучшить классификацию. Мы оценили производительность предварительно обученных CNN с точки зрения точности, AUC, чувствительности, специфичности, F1-балла и MCC.Архитектура модели и веса для предварительно обученных CNN были загружены из репозиториев GitHub (Chollet, 2017; Yu, 2016).

Статистический анализ

Мы провели статистический анализ, чтобы выбрать лучшую модель для развертывания. Статистические методы, такие как односторонний дисперсионный анализ (ANOVA), используются для определения наличия или отсутствия статистически значимой разницы между средними значениями трех или более отдельных, не связанных между собой групп (Росси, 1987).Односторонний дисперсионный анализ (ANOVA) проверяет нулевую гипотезу (H0), заданную H0: μ 1 = μ 2 = ⋯ = μ k , где μ = среднее значение параметров для человека групп и k = общее количество групп. Если тест дает статистически значимый результат, H0 отклоняется, а альтернативная гипотеза (h2) принимается, чтобы сделать вывод о том, что существует статистически значимая разница между средними значениями по крайней мере двух исследуемых групп.Однако было бы уместно использовать этот параметрический тест только в том случае, если исходные данные удовлетворяют предположениям о независимости наблюдений, отсутствии значительных выбросов, нормальности данных и однородности дисперсий (Daya, 2003). Когда условия нарушаются, можно использовать непараметрическую альтернативу, такую ​​как H-критерий Краскела-Уоллиса (также называемый односторонним дисперсионным анализом по рангам) (Vargha & Delaney, 1998). Это комплексный тест, который не может определить конкретные группы, которые демонстрируют статистически значимые различия в своих средних значениях.Для выявления этих групп, демонстрирующих статистически значимые различия, необходим апостериорный анализ (Kucuk et al., 2016). Мы выполнили тест Шапиро-Уилка (Royston, 1992) для проверки нормальности данных и статистический тест Левена (Gastwirth, Gel & Miao, 2009), чтобы изучить однородность дисперсий для показателей производительности для различных исследуемых моделей. Статистический анализ выполнялся с использованием статистического пакета IBM ® SPSS ® (IBM SPSS Statistics для Windows, версия 23.0; IBM Corp., Армонк, Нью-Йорк, США).

Результаты

Сегментация и обнаружение клеток

Мы применили алгоритм на основе набора уровней для обнаружения и сегментации эритроцитов, как показано на рис. 2. Первым шагом является обнаружение клеток, где мы применили многомасштабный фильтр Лапласа Гаусса (LoG) для обнаружения центроидов отдельных эритроцитов. Сгенерированные маркеры используются для сегментирования ячеек в рамках активного контура с набором уровней, чтобы ограничить развивающийся контур границей ячеек.Операция открытия морфологии применяется в качестве постобработки для удаления ложно обнаруженных объектов, таких как артефакты окрашивания, с использованием среднего размера ячейки. Лейкоциты (лейкоциты) отфильтровываются с использованием взаимно-однозначного соответствия, основанного на аннотациях реальных клеток, поскольку лейкоциты не являются областями интереса для этой работы. Мы оценили обнаружение клеток на основе ручной точечной аннотации инфицированных и неинфицированных клеток. Для этого мы применили схему сопоставления точек один-к-одному: для каждой сегментированной ячейки мы проверили количество ручных наземных точек в области сегментированной ячейки.Если в регионе была ровно одна точка, мы считали это истинно положительным (TP). Если в регионе не было точки, мы засчитывали это как ложное срабатывание (FP). Если в регионе было более одной точки, мы считали это недостаточной сегментацией или ложноотрицательным (FN). Затем эти подсчеты позволили нам вычислить представленные значения для положительной прогностической ценности (PPV), чувствительности и F1-балла. Для обнаружения клеток мы получили PPV 0,944, чувствительность 0,962 и показатель F1 0,952.

Рисунок 2: Обнаружение и сегментация эритроцитов с использованием наборов уровней.
(A) Входное изображение. (B) Первоначальное обнаружение клеток с использованием LoG. (C) Окончательная маска сегментации эритроцитов. (D) Результаты сегментации накладываются на исходное изображение.

Оценка показателей производительности

Для настроенных и предварительно обученных моделей мы эмпирически определили оптимальное значение 0,9 и 1e – 6 для импульса SGD и L2-регуляризации, соответственно. Для скорости обучения мы определили оптимальное значение 1e – 5 и 1e – 6 для настроенных и предварительно обученных CNN соответственно.Второй полностью связанный уровень из AlexNet, VGG-16 и последний уровень перед финальным классификационным слоем из Xception, ResNet-50 и DenseNet-121 были выбраны для извлечения признаков. В таблице 2 перечислены показатели производительности, достигнутые моделями в процессе классификации паразитированных и неинфицированных ячеек. Мы также оценили производительность предварительно обученных CNN, извлекая признаки из разных слоев в процессе определения оптимального слоя для извлечения признаков из базовых данных.Соглашения об именах для этих слоев основаны на моделях, полученных из библиотеки Keras ® DL. Слои, которые дали наилучшие значения показателей производительности, перечислены в таблице 3. В таблице 4 показаны результаты, полученные путем извлечения признаков из оптимальных слоев для классификации зараженных и неинфицированных ячеек.

Таблица 2:

Показатели производительности.

Модели Точность AUC Чувствительность Специфичность F1-оценка MCC
AlexNet 0.937 ± 0,012 0,981 ± 0,007 0,940 ± 0,017 0,933 ± 0,034 0,937 ± 0,011 0,872 ± 0,024
VGG-16 0,945 ± 0,015 0,981 ± 0,007 0,939 ± 0.022 0,951 ± 0,019 0,945 ± 0,016 0,887 ± 0,030
ResNet-50 0,957 ± 0,007 0,990 ± 0,004 0,945 ± 0,020 0.969 ± 0,009 0,957 ± 0,008 0,912 ± 0,014
Xception 0,890 ± 0,107 0,948 ± 0,062 0,931 ± 0,039 0,835 ± 0,218 0.895 ± 0,100 0,772 ± 0,233
DenseNet-121 0,931 ± 0,018 0,976 ± 0,023 0,942 ± 0,023 0,926 ± 0,032 0,931 ± 0,017 0,894 ± 0,036
Индивидуальные 0.940 ± 0,010 0,979 ± 0,009 0,931 ± 0,026 0,951 ± 0,030 0,941 ± 0,010 0,880 ± 0,020
DOI: 10.7717 / peerj.4568 / таблица-2 Таблица 3:

Слои-кандидаты, обеспечивающие наилучшую производительность.

Модель Оптимальный слой
AlexNet fc6
VGG-16 block5_conv2
ResNet-50 res5c_branch3c
Xception блок14_sepconv1
DenseNet-121 Conv5_16_x2
DOI: 10.7717 / peerj.4568 / таблица-3 Таблица 4:

Показатели производительности, полученные с помощью извлечения функций из оптимальных слоев.

Модели Точность AUC Чувствительность Специфичность F1-оценка MCC
AlexNet 0.944 ± 0,010 0,983 ± 0,006 0,947 ± 0,016 0,941 ± 0,025 0,944 ± 0,010 0,886 ± 0,020
VGG-16 0,959 ± 0,009 0,991 ± 0.004 0,949 ± 0,020 0,969 ± 0,016 0,959 ± 0,009 0,916 ± 0,017
ResNet-50 0,959 ± 0,008 0,991 ± 0,005 0.947 ± 0,015 0,972 ± 0,010 0,959 ± 0,009 0,917 ± 0,017
Xception 0,915 ± 0,005 0,965 ± 0,019 0,925 ± 0,039 0.907 ± 0,120 0,918 ± 0,042 0,836 ± 0,088
DenseNet-121 0,952 ± 0,022 0,991 ± 0,004 0,960 ± 0,009 0,944 ± 0,048 0.953 ± 0,020 0,902 ± 0,041
Индивидуальные 0,927 ± 0,026 0,978 ± 0,012 0,905 ± 0,074 0,951 ± 0,031 0,928 ± 0,041 0,884 ± 0,002
DOI: 10.7717 / peerj.4568 / таблица-4 Таблица 5:

Сводные результаты теста Крускала – Уоллиса H и апостериорных испытаний.

Метрическая система Kruskal-Wallis H, сводка Средние звания Post-hoc
Точность χ 2 (5) = 15.508, п. = 0,008 AlexNet 11,20 Xception и ResNet-50 ( p = 0,005)
Xception и VGG-16 ( p = 0,007)
Customized и ResNet-50 ( p = 0,017)
VGG-16 22,30
ResNet-50 23.00
Xception 7,20
DenseNet-121 19.60
Индивидуальные 9,70
AUC χ 2 (5) = 18,958, p = 0,002 AlexNet 13.00 Xception и ResNet-50 ( p = 0,034)
Xception и VGG-16 ( p = 0,030)
Xception и DenseNet-121 ( p = 0,014)
VGG-16 21,70
ResNet-50 21,50
Xception 4.50
DenseNet-121 22,90
Индивидуальные 9,40
Чувствительность χ 2 (5) = 5,518, p = 0,356 AlexNet 16.20
VGG-16 17,30
ResNet-50 15,80
Xception 11,40
DenseNet-121 21,80
Индивидуальные 10.50
Специфичность χ 2 (5) = 6,639, p = 0,249 AlexNet 9,80
VGG-16 20,70
ResNet-50 21.30
Xception 13,30
DenseNet-121 14,10
Индивидуальные 13,80
Оценка F1 χ 2 (5) = 14,798, p = 0.011 AlexNet 11,70 Xception и ResNet-50 ( p = 0,005)
Xception и VGG-16 ( p = 0,006)
Xception и DenseNet-121 ( p = 0,023)
VGG-16 22,20
ResNet-50 22.60
Xception 6,90
DenseNet-121 19,50
Индивидуальные 10,10
MCC χ 2 (5) = 14,487, p = 0.013 AlexNet 11,30 Xception и ResNet-50 ( p = 0,007)
Xception и VGG-16 ( p = 0,008)
Xception & DenseNet-121 ( p = 0,034)
Customized & ResNet-50 ( p = 0,021)
VGG-16 22,30
ResNet-50 22.60
Xception 7,60
DenseNet-121 19,40
Индивидуальные 9,80
DOI: 10.7717 / peerj.4568 / table-5

При проведении статистического анализа мы заметили, что результаты теста Шапиро – Уилка были статистически значимыми для всех показателей производительности ( p <0.05) для обозначения нарушения нормальности данных. По этой причине мы решили использовать непараметрический H-тест Краскела-Уоллиса. Сводные результаты анализа Крускала-Уоллиса и апостериорного анализа приведены в таблице 5. Мы заметили, что с точки зрения точности существует статистически значимая разница в производительности между различными CNN ( χ 2 (5) = 15,508, p = 0,008). Апостериорные тесты также показали, что существует статистически значимая разница между предварительно обученными Xception, VGG-16, ResNet-50 и индивидуальной моделью.Что касается AUC, наблюдалась статистически значимая разница ( × 2 (5) = 18,958, p = 0,002) в производительности между Xception, ResNet-50, VGG-16 и DenseNet-121. Аналогичные результаты наблюдались для баллов F1 ( χ 2 (5) = 14,798, p = 0,011) и MCC ( χ 2 (5) = 14,487, p = 0,013). Статистически значимой разницы между моделями с точки зрения чувствительности не наблюдалось ( χ 2 (5) = 5.518, p = 0,356) и специфичности ( χ 2 (5) = 6,639, p = 0,249). Однако ResNet-50 получил самые высокие средние оценки точности, специфичности, F1-балла и MCC.

Обсуждения и заключение

Настроенная модель сошлась к оптимальному решению благодаря оптимизации гиперпараметров, неявной регуляризации, обусловленной меньшими размерами сверточных фильтров и агрессивным отсевами в полностью связанных слоях.Использование L2-регуляризации уменьшило эффект переобучения модели и сходимости к лучшему решению (Симонян и Зиссерман, 2015).

Каждый уровень CNN производит активацию для данного изображения. Более ранние слои захватывают примитивные элементы, такие как капли, края и цвета, которые абстрагируются более глубокими слоями, чтобы сформировать функции более высокого уровня, чтобы представить более богатое представление изображения (Zeiler & Fergus, 2014). Исследования из литературы показывают, что при использовании предварительно обученных CNN для выделения признаков объекты извлекаются из слоя непосредственно перед слоем классификации (Разавиан и др., 2014). По этой причине мы извлекли функции из второго полностью подключенного уровня для AlexNet и VGG-16 и последнего уровня перед окончательным уровнем классификации из моделей Xception, ResNet-50 и DenseNet-121. Из исследований перекрестной проверки на уровне пациентов (таблица 2) мы наблюдали, что ResNet-50 превосходит индивидуализированные и другие предварительно обученные CNN по всем показателям производительности в отношении задачи классификации паразитированных и неинфицированных клеток. Литературные исследования показывают, что DenseNet-121 превосходит ResNets и другие предварительно обученные CNN в задаче классификации данных ImageNet (Huang et al., 2016). В нашем случае для бинарной задачи классификации паразитированных и незараженных клеток изменчивость данных на несколько порядков меньше. Верхние уровни глубоких CNN, таких как DenseNet-121, вероятно, слишком специализированы, становятся все более сложными и не являются лучшим кандидатом для повторного использования для решения интересующей нас задачи. По этой причине мы оценили производительность предварительно обученных CNN путем извлечения признаков из разных слоев в процессе определения оптимального слоя для извлечения признаков из базовых данных (таблица 3).Мы заметили, что для предварительно обученных CNN производительность слоя перед классификационным слоем ухудшилась по сравнению с другими слоями. В отличие от результатов, показанных в таблице 2, DenseNet-121 достиг лучших значений чувствительности, но продемонстрировал такие же значения AUC, как ResNet-50 и VGG-16 (таблица 4). И VGG-16, и ResNet-50 были одинаково точными и продемонстрировали равные значения для AUC и F1-score. Однако ResNet-50 был высокоспецифичным, продемонстрировал высокий MCC и работал относительно лучше, чем другие исследуемые модели.Эти результаты демонстрируют, что последний уровень предварительно обученных CNN не всегда оптимален для извлечения признаков из базовых данных. В нашем исследовании элементы из мелких слоев работали лучше, чем из глубоких, что помогает улучшить классификацию паразитированных и неинфицированных клеток. Литературные исследования показывают, что MCC — это единый информативный балл для оценки производительности двоичного классификатора в контексте матрицы ошибок (Chicco, 2017). В этом отношении ResNet-50 продемонстрировал статистически значимые показатели MCC по сравнению с другими моделями.Обобщенные результаты показали, что предварительно обученный ResNet-50 относительно превосходил другие исследуемые модели в отношении классификации паразитированных и неинфицированных клеток. Выполняя анализ H и post-hoc методом Краскала-Уоллиса, мы наблюдали, что предварительно обученный ResNet-50 получил самые высокие средние оценки точности, специфичности, F1-балла и MCC. Если бы мы выбрали модель, основанную на балансе между точностью и чувствительностью, как показано с помощью F1-Score, мы могли бы заметить, что предварительно обученный ResNet-50 превзошел другие исследуемые модели.Мы продемонстрировали производительность моделей с точки зрения среднего ( μ ) и стандартного отклонения ( σ ), чтобы представить меру дисперсии показателей производительности. Предварительно обученный ResNet-50 превзошел другие модели, достигнув чувствительности 0,947 ± 0,015 и специфичности 0,972 ± 0,10. Статистический анализ показывает, что прогностическая модель может охватить все наблюдения в пределах трех стандартных отклонений от среднего [-3 σ 3 σ ], то есть модель может проявлять чувствительность и специфичность в диапазоне [0.902 0,992] и [0,942 1,00] соответственно. Однако наше исследование сосредоточено на скрининге болезней, поэтому показатель чувствительности имеет значение. Мы также определили количество эритроцитов, которые необходимо проанализировать с помощью предложенной модели, чтобы конфиденциально получить положительный результат теста. Мы использовали инструменты epiR для анализа эпидемиологических данных (Stevenson et al., 2015) для этих расчетов. Количество клеток, необходимых для диагностики (NND), определяется как количество эритроцитов, которые необходимо проверить, чтобы получить правильный положительный результат.Индекс Юдена дает меру производительности модели, значение варьируется от -1 до +1 со значениями, близкими к 1, для более высоких значений чувствительности и специфичности. При уровне достоверности (ДИ) 0,95 ( p <0,05) мы обнаружили, что для получения 10 положительных результатов необходимо проверить 11 эритроцитов.

Таблица 6:

Сравнение с современной литературой.

DOI: 10.7717 / peerj.4568 / table-6

Насколько нам известно, мы не смогли найти сопоставимой литературы, в которой проводились бы исследования перекрестной проверки на уровне пациента, с крупномасштабным набором клинических данных для основной задачи.По этой причине мы также провели исследования перекрестной проверки на уровне клеток и сравнили их с современными (Таблица 6). В процессе мы обнаружили, что предварительно обученный ResNet-50 превзошел современные по всем показателям производительности. Das et al. (2013) достигли аналогичных значений чувствительности на небольшом наборе данных, но продемонстрировали неоптимальную специфичность. Недостаточная эффективность на уровне пациента объясняется различиями в окраске между пациентами. Мы заметили, что классификатору труднее изучать различные пятна, что указывает на то, что нам может потребоваться получить больше изображений с разными цветами окрашивания для обучения или применить методы нормализации цвета.Однако, проверяя прогностические модели на уровне пациента, которые, как мы полагаем, моделируют реальные условия, мы гарантируем избавление от систематической ошибки, сокращение ошибок переобучения и обобщения в направлении оптимального развертывания модели.

В настоящее время мы проводим пилотные исследования по внедрению настроенных и предварительно обученных моделей DL на мобильные устройства и анализируем производительность. Из литературных исследований мы заметили, что можем обучать / прогнозировать на мобильном устройстве или обучать модель в автономном режиме и импортировать ее на мобильное устройство для прогнозирования (Howard et al., 2017). В настоящее время библиотеки машинного обучения Android и IOS (например, CoreMLStudio) предлагают гибкость для динамического распределения ЦП и ГП в зависимости от вычислительной стоимости, поэтому выделение памяти не является проблемой. В наших пилотных исследованиях мы заметили, что предлагаемая модель занимает всего 96 МБ и требует мало оперативной памяти для прогнозирования тестовых данных. Развернутая модель может служить инструментом сортировки и минимизировать задержки в условиях эндемичных по болезни / ограниченных ресурсов.

Дополнительная информация

Техника сплит-приседаний

Сегодня я хочу рассказать о правильной и неправильной технике выполнения сплит-приседаний.Я пойду вперед и сразу отмечу, что все, что я собираюсь обсудить, применимо и к бесчисленным вариациям выпада. Единственная разница — это добавленный компонент движения (вперед, назад, поочередно или что-то еще).

Сплит-приседания

В последнее время сплит-приседания в той или иной форме вышли на передний план из-за довольно популярного убеждения силовых тренеров, что сплит-приседания (более конкретно, сплит-приседания с приподнятыми задними ногами) могут и должны заменить приседания на спине для спортсменов.Я не собираюсь заходить так далеко, но сплит-присед, безусловно, может быть полезным движением во многих ситуациях.

Первый — это когда по какой-то причине развивается двусторонний дисбаланс ног, то есть разница в силе правой и левой ног. Сплит-приседания — один из многих способов исправить это. Второе место, где могут быть полезны раздельные приседания (и это, кажется, главный аргумент силового тренера, упомянутого выше), — это когда нижняя часть спины ограничивает веса в приседаниях.

Поскольку приседания со спиной гораздо меньше задействованы (как функция более легких нагрузок, так и более вертикальный торс) по сравнению с приседаниями на спине, сплит-приседания и их варианты могут использоваться либо для ограничения нагрузки на поясницу, либо в качестве вторичного движения для ног после нижняя часть спины устала (например,г. после становой тяги, когда что-то вроде приседания может идти плохо, потому что сдает поясница).

Кроме того, в ситуациях, когда атлет должен использовать более низкие веса (например, у него есть доступ только к ограниченному количеству веса, например, к гантелям), приседания со сплит-секцией все равно могут обеспечить некоторую перегрузку ног, требуя меньшей абсолютной нагрузки. Также существует определенный интерес к «разгрузке позвоночника» у спортсменов, и, опять же, из-за более низких абсолютных нагрузок в сочетании с меньшим наклоном вперед, сплит-приседания были бы одним из способов достижения этого.

Я хотел бы отметить, что некоторые лифтеры могут использовать в сплит-приседаниях нагрузки, которые фактически приближаются к их количеству приседаний на спине, это особенно верно, если они действительно приседают параллельно или ниже. Я считаю, что предположение о том, что сплит-приседания автоматически облегчают используемые или необходимые нагрузки, не обязательно верно. Есть две основные причины этого очевидного противоречия: как можно использовать больший вес в движении на одной ноге, чем в движении двумя ногами.

Основная причина в том, что диапазон движений при раздельном приседании ниже, чем при параллельном или полном приседании.Таким образом, использование сплит-приседаний с целью использования меньшего веса может не дать желаемого эффекта. Вторая причина особенно актуальна для высоких атлетов, у которых усталость / слабость в пояснице или массивная мертвая точка в середине имеют тенденцию ограничивать их вес в приседаниях со спиной. Избегая самой слабой части движения и убирая из движения поясницу, в сплит-приседаниях можно использовать более тяжелые веса по сравнению с приседаниями ниже параллельности или полной спиной.

Конечно, многие, если не все виды спорта проводятся в одностороннем порядке (например,г. чередование одной ноги, которая задействована максимально), и иногда утверждают, что работа на одной ноге более специфична для спорта по этой причине. Как я уже говорил, по этой причине австралийская команда по велоспорту на треке использует жим ногой одной ногой. Я хотел бы отметить, что они также включают тяжелую двустороннюю нагрузку, но на самом деле это для тренировки кора, а не ног.

Достаточно сказать, что сплит-приседания могут быть и являются полезным движением, и, как всегда, это означает, что делать его правильно.Итак, давайте посмотрим, как это сделать (и некоторые из распространенных вариантов) правильно.

Мышцы, задействованные при выполнении сплит-приседаний

Как и следовало ожидать от любого сложного движения нижней части тела, в сплит-приседаниях задействованы в основном ягодичные, подколенные сухожилия и квадрицепсы (степень задействования зависит от выполняемого варианта). Верхняя часть спины, конечно же, участвует в удержании грифа, и хотя поясница не так сильно задействована по сравнению с приседаниями со штангой (из-за меньшего наклона вперед), основная мускулатура все же явно будет задействована.

Техника сплит-приседаний

Сначала я хочу показать базовое начальное и конечное положение для сплит-приседаний. Стартовая позиция слева, нижняя позиция в центре. Обратите внимание, что заднее колено не должно касаться пола в нижнем положении. Он будет близко, но не должен касаться земли или врезаться в нее. Я также показал правильное положение верхней части тела (без веса) с высоко поднятой грудью и локтями под перекладиной (в основном) на крайнем правом рисунке.

Следует отметить, что в верхнем положении оба колена слегка согнуты, а ступни расставлены довольно далеко друг от друга.Внизу оба колена составляют примерно 90 градусов в нижнем положении. Из нижнего положения, конечно, подъемник просто встает.

Переходя к виду сзади, важно, чтобы ступни были правильной ширины из стороны в сторону. На рисунке ниже показана правильная ширина, обратите внимание, что обе ноги прямые относительно туловища, а ступни примерно на ширине бедер. Я показал начало (слева) и финиш (изображение справа) ниже, чтобы показать правильное положение ног.Обратите внимание: похоже, что левая нога спортсмена немного согнута под углом, но это из-за того, что камера установлена ​​не в том месте.

Варианты приседаний

Что касается вариантов упражнений, сплит-приседания можно выполнять одним из трех различных способов, в зависимости от того, какие мышцы атлет хочет подчеркнуть. Конечным определяющим фактором является то, где передняя ступня и вес оказываются в нижнем положении.

На левой фотографии я показал сплит-присед с доминированием квадрицепсов, обратите внимание, что колено находится очень далеко от переднего пальца ноги, вес приходится на подушечку стопы атлета.В середине я показал сплит-присед, который будет воздействовать на квадрицепсы / ягодицы / бедра довольно равномерно, переднее колено немного смещено вперед, но вес атлета находится на середине ступни в нижнем положении. Наконец, справа я показал сплит-присед с доминантой ягодичных мышц, при этом голень остается в основном вертикальной, а атлет садится назад, перенеся вес на пятку.

Quad Dominant SS, даже сплит-приседания, Glute Dominant SS

Конечно, если вы примените те же типы вариаций к выпаду, вы получите еще больше потенциальных вариантов в зависимости от того, делает ли атлет вперед, делает шаг назад, идет непрерывно и т. Д.Применяются все те же основные концепции. Также на ступеньке можно поднять заднюю или переднюю ступню. Болгарские сплит-приседания обычно выполняются с поднятой ногой на высокой скамье; часто самая сложная часть движения — это настройка с весом.

Распространенные ошибки при выполнении сплит-приседаний

Переходя к типичным ошибкам, спортсмены нередко опускают грудь / округляют верхнюю часть спины в этом движении (точно так же, как они приседают спереди или сзади). Слева показано правильное положение туловища с поднятой / вертикальной грудью, справа — с опущенным сундуком.Последнее, как правило, характерно для лифтеров с плохой гибкостью.

Сундук вверх Свернутый сундук

Кроме того, есть пара очень распространенных технических ошибок, которые проявляются при сплит-приседаниях (и выпадах). Одна из наиболее частых ошибок, которые люди допускают, говоря о положении ступни, — это то, что задняя ступня находится слишком близко к передней. Правильное нижнее положение задней стопы показано слева, слишком близкое положение стопы показано справа.

Ноги правильные Ноги слишком близкие

Как указано в базовой технике, в нижней части оба колена должны быть под углом примерно 90 градусов. Как вы можете видеть на правом снимке, заднее колено согнуто намного больше, потому что задняя ступня слишком близко к передней.

Вторая распространенная ошибка связана с положением ног вперед и назад. Как указано в базовой технике, ступни должны быть на ширине бедер, а обе ноги должны составлять прямую линию с туловищем.Возможно, самая распространенная ошибка состоит в том, что люди пытаются поставить ноги слишком близко друг к другу, как если бы они шли по натянутому канату; это делает баланс практически невозможным.

Вторая ошибка состоит в том, что задняя нога находится слишком далеко в стороны, что создает большую нагрузку на заднее колено из-за угла. Я показал правильное положение ступни слева, ступни слишком узкие посередине, а левая нога слишком далеко справа.

Начальное положение Нога слишком широкая Нога слишком узкая

Правильно выполненное сплит-приседание со штангой с отягощением середины стопы показано на видео ниже.

Программирование сплит-приседаний

Хотя я показал, что сплит-приседания выполняются со штангой, очевидно, что движение может быть отягощено гантелями или другими средствами (например, жилетом) по мере необходимости. Захват гантелей может стать проблемой по мере того, как люди становятся сильнее, но установка может быть проще, поскольку колокольчики можно оставить на полу и просто поднять, вместо того, чтобы ставить их со стойки.

Некоторые также выступают за сплит-приседания, выполняемые со штангой на груди, как в фронтальном приседании.Очевидно, раньше это было очень популярным вспомогательным движением для спортсменов-олимпийцев, которые делали сплит. Как и передние приседания, это имеет тенденцию увеличивать нагрузку на квадрицепсы и заставляет лифтера работать усерднее, чтобы оставаться в вертикальном положении, что может быть полезно, а может и нет.

С точки зрения реального программирования, как отмечалось во введении, сплит-приседания могут использоваться как самостоятельное движение в ситуациях, когда требуется избегать напряжения поясницы или когда атлет ограничен в том, какую абсолютную нагрузку он может хочу плечом.

Чаще приседания с раздельными ногами используются как второстепенное движение ног (обычно после сложного движения на 2 ноги). Вообще говоря, очень малое количество повторений, как правило, плохо работает в движении, и подходы из 5 и выше будут более распространенными.

Один большой недостаток сплит-приседаний (и это справедливо для всех движений на одной конечности) — это время, так как выполнение одного и того же общего количества подходов может занять в два раза больше времени, поскольку каждая нога работает отдельно. В этом ключе я предпочитаю делать все повторения для одной ноги, отдыхать (обычно минуту), а затем работать с другой ногой, чередуя таким образом, пока не будут выполнены все подходы.

Хотя многие любят переходить с одной ноги на другую, я считаю, что у атлетов обычно возникает системная / сердечно-сосудистая усталость, и по этой причине всегда страдает вторая проработанная нога (например, если вы делаете 10 повторений на правой ноге и идете прямо в подходе из 10 слева набор левой ноги будет нарушен из-за общей усталости). Короткий перерыв между ногами позволяет избежать этого.

Наконец, для атлетов с дисбалансом силы (это не редкость из стороны в сторону), вы всегда должны начинать со слабой ноги и позволять ей определять, сколько работы вы выполняете с более сильной ногой.Так что, если вы можете сделать 100х5 только на более слабой стороне, даже если вы можете сделать 8 или 10 повторений с более сильной стороной, вам следует остановиться на 5 повторениях. Иначе силовой дисбаланс никогда не исчезнет.

Выполнение одного или двух дополнительных подходов только со слабой стороной — еще один способ исправить дисбаланс силы. Таким образом, атлет может сделать 1 рабочий подход с сильной ногой (чтобы сохранить силу с этой стороны), а затем 2-3 подхода с более слабой ногой. Здесь даже важнее отдыхать между подходами.

Допустим, атлет собирался сделать 1 подход для левой ноги и 3 подхода для правой. Они могут сделать свой первый подход для правой, отдых 1 ‘, первый подход для левой, отдых 1’, второй подход для правой, отдых 1-2 ‘, третий и последний подход для правой.

Похожие сообщения:

Методика раздельного голосования | ВопросPro

Метод раздельного голосования — это метод опроса, при котором группа респондентов делится пополам (или несколько меньших групп). Каждая группа получает анкету, в которой запрашивается одна и та же информация, но используются несколько разные вопросы.

Использование метода половинного разбиения может помочь уменьшить влияние смещения позиции в вопросах опроса с несколькими вариантами ответов. Например, в опросе может быть задан вопрос, в котором ответы указаны как:

  1. Х
  2. Y
  3. Z

В другой версии опроса респондентам могут быть заданы те же вопросы с указанием ответов в следующем виде:

  1. Y
  2. Z
  3. Х

Вопрос не изменился, но участники опроса могут иметь подсознательную предвзятость, основанную на позиции ответа.Некоторые респонденты могут быть склонны выбирать первый ответ чаще, чем другие, даже если они этого не осознают.

Другим способом уменьшения возможности систематической ошибки в раздельных опросах является использование экспериментальных манипуляций. Для оценки готовности участников выражать свое мнение необходимы две версии одного и того же вопроса. Например, в одном наборе опросов сначала может быть указана фраза «больше чем», в то время как в другом наборе сначала указано «меньше». Наличие двух разных вопросов, требующих одного и того же ответа, помогает уменьшить потенциальные предубеждения.

Несмотря на то, что всем участникам задаются основные вопросы, метод разделения половин в исследовании может давать несколько несовпадающие данные при сравнении определенных переменных с общим количеством завершенных опросов. Поскольку у некоторых респондентов опроса были другие вопросы, чем у другой половины, у вас могла быть разница между количеством участников опроса и итоговыми значениями для некоторых переменных.

Например, если у вас есть два опроса по 5 вопросов в каждом, вопрос номер 5 может иметь две версии для двух опросов:

  1. Х
  2. Y
  3. Z

или:

  1. А
  2. Б
  3. С

При подсчете общей стоимости респондентов, выбравших «1.X », у вас будет меньше ответов, чем количество отправленных вами опросов. Половина ваших участников не видели тот же вопрос с таким доступным ответом.

QuestionPro использует технику раздельного голосования для измерения влияния двух фреймов: регулирования и отсутствия регулирования. Вторичная манипуляция, изменяя порядок мер схемы (сначала фрейм, а не меры схемы), проверяет роль схем или поведения в эффектах фрейма. Методика раздельного голосования позволяет вам опробовать разные версии одних и тех же вопросов, чтобы увидеть, какая версия дает наиболее точную отчетность.Это также гарантирует, что частоты отклика будут достаточно стабильными, чтобы вы могли сделать необходимые выводы. Это позволяет исследователям делать причинные интерпретации и помогает им быть более уверенными в причинах любых эффектов, которые они получают.

Один из примеров использования техники разделения половин в исследовании — выяснить мнение широкой публики по теме. Три версии наиболее важного вопроса по проблеме используются в исследовании по определению повестки дня, чтобы измерить значимость проблемы или уровень важности среди общественности.Разделенное голосование в общегосударственном опросе сравнивало несколько версий общественной повестки дня с социальной системой взглядов и личной системой взглядов, традиционным термином «проблема» и «проблемой» и эффектами порядка вопросов. Высокая корреляция между различными версиями была обнаружена во всех трех наборах сравнений.

Что такое Survey Router / Split Ballot Testing?

Тестирование разделенным бюллетенем — это случайное разделение выборки на две или более подвыборки и проведение эксперимента.Эксперимент может представлять собой разные версии опроса, разные опросы в целом или их комбинацию. Цель состоит в том, чтобы увидеть, существуют ли какие-либо различия между версиями опроса или как пользователи ведут себя по-разному.

Как мне настроить Survey Router / Split Ballot Testing?

Перейти к:

Скриншот

Будет предоставлен URL-адрес, который можно использовать для распространения среди ваших респондентов или группы выборки. В зависимости от выбранного режима будут отображаться опросы.

Скриншот

Какие существуют режимы маршрутизатора?

Целевой опрос: С помощью целевого опроса вы можете настроить URL-адрес и назначить опрос для URL-адреса.

Скриншот

Разделенное голосование: С разделенным бюллетенем вы можете настроить URL-адрес и назначить Множественные опросы . Случайным образом будет выбран один из выбранных опросов.

Скриншот

Ограничения лицензии

Эта функция / инструмент [Survey Router / Split Ballot Testing] недоступна ни в одной из наших стандартных лицензий на самообслуживание.Это часть нашей лицензии Team Edition. Пожалуйста, свяжитесь со своим менеджером по работе с клиентами, чтобы узнать цены и варианты приобретения лицензии Team Edition.

Свяжитесь с отделом продаж, чтобы узнать больше о Team Edition

Методы окрашивания

Поскольку микробная цитоплазма обычно прозрачна, необходимо окрашивать микроорганизмы, прежде чем они будут видны в световой микроскоп. В некоторых случаях в окрашивании нет необходимости, например, когда микроорганизмы очень большие или когда необходимо изучить их подвижность, и каплю микроорганизмов можно поместить прямо на предметное стекло и наблюдать.Такая подготовка называется мокрым креплением . Влажную основу можно также приготовить, поместив каплю культуры на покровное стекло (стеклянную крышку для предметного стекла), а затем перевернув ее над полым предметным стеклом. Эта процедура называется висячей каплей .

При подготовке к окрашиванию небольшой образец микроорганизмов помещается на предметное стекло и сушится на воздухе. Мазок фиксируется нагреванием, быстро проводя его над пламенем. Термофиксация убивает организмы, заставляет их прилипать к предметному стеклу и позволяет им принять пятно.

Простые методы окрашивания. Окрашивание может выполняться с помощью основных красителей, таких как кристаллический фиолетовый или метиленовый синий, положительно заряженные красители, которые притягиваются к отрицательно заряженным материалам микробной цитоплазмы. Такой процедурой является простая процедура окрашивания . Альтернативой является использование красителя, такого как нигрозин или конго красный, кислых, отрицательно заряженных красителей. Они отталкиваются отрицательно заряженной цитоплазмой и собираются вокруг клеток, оставляя клетки прозрачными и неокрашенными.Этот метод называется методом отрицательного окрашивания .

Дифференциальные методы окрашивания. Метод дифференциального окрашивания различает два вида организмов. Примером может служить метод окраски по Граму . Этот дифференциальный метод разделяет бактерии на две группы: грамположительные бактерии и грамотрицательные бактерии. Сначала наносится кристаллический фиолетовый, а затем протравный йод, фиксирующий пятно (рисунок). Затем предметное стекло промывают спиртом, и грамположительные бактерии сохраняют кристально-фиолетовую окраску йода; однако грамотрицательные бактерии теряют окраску.Впоследствии грамотрицательные бактерии окрашиваются сафраниновым красителем, контркрашением, используемым следующим. Эти бактерии выглядят красными под масляной иммерсией, а грамположительные бактерии выглядят синими или пурпурными, что отражает кристаллический фиолетовый цвет, оставшийся на этапе промывки.

Другой метод дифференциального окрашивания — это кислотостойкий метод . Этот метод отличает виды Mycobacterium от других бактерий. Для переноса первого красителя, карболфуксина, в клетки используется тепло или липидный растворитель.Затем клетки промывают разбавленным кислотно-спиртовым раствором. Виды Mycobacterium противостоят действию кислоты-спирта и сохраняют окраску карболфуксина (ярко-красный). Другие бактерии теряют пятно и приобретают последующее окрашивание метиленовым синим (синим). Таким образом, кислотоустойчивые бактерии выглядят ярко-красными, в то время как некислотные бактерии кажутся синими при наблюдении под иммерсионной микроскопией в масле.

Другие методы окрашивания направлены на выявление различных важных бактериальных структур.Например, специальная методика окрашивания выделяет жгутиков и бактерий, покрывая жгутики красителями или металлами для увеличения их ширины. Затем можно наблюдать окрашенные таким образом жгутики.

Для исследования спор бактерий используется специальный метод окрашивания. Малахитовый зеленый используется с теплом, чтобы заставить пятно проникнуть в клетки и придать им цвет. Затем используется контрастное краситель, сафранин, чтобы придать цвет непористым бактериям. По окончании процедуры споры окрашиваются в зеленый цвет, а другие клетки окрашиваются в красный цвет.

Процедура окрашивания по Граму, использованная для дифференциации бактерий на две группы .

Другой метод дифференциального окрашивания — это кислотостойкий метод . Этот метод отличает виды Mycobacterium от других бактерий. Для переноса первого красителя, карболфуксина, в клетки используется тепло или липидный растворитель. Затем клетки промывают разбавленным кислотно-спиртовым раствором. Виды Mycobacterium противостоят действию спиртовой кислоты и сохраняют окраску карболфуксина (ярко-красный).Другие бактерии теряют пятно и приобретают последующее окрашивание метиленовым синим (синим). Таким образом, кислотоустойчивые бактерии выглядят ярко-красными, в то время как некислотные бактерии выглядят синими при наблюдении под масляной иммерсионной микроскопией.

Другие методы окрашивания направлены на выявление различных важных бактериальных структур. Например, специальная техника окрашивания выделяет жгутиков и бактерий, покрывая жгутики красителями или металлами для увеличения их ширины. Затем можно наблюдать окрашенные таким образом жгутики.

Для исследования спор бактерий используется специальный метод окрашивания. Малахитовый зеленый используется с теплом, чтобы заставить пятно проникнуть в клетки и придать им цвет. Затем используется контрастное краситель, сафранин, чтобы придать цвет непористым бактериям. По окончании процедуры споры окрашиваются в зеленый цвет, а другие клетки окрашиваются в красный цвет.

.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *