МЕТОДИКА ПОДСЧЕТА ЧИСЛА ЯДЕР КЛЕТОК НА МЕДИЦИНСКИХ ГИСТОЛОГИЧЕСКИХ ИЗОБРАЖЕНИЯХ

В статье исследуется методика автоматического подсчета числа ядер клеток на гистологических изображениях. Эта операция широко применяется при диагностике различных заболеваний и морфологическом анализе клеток. В связи с этим, процедура автоматического подсчета числа ядер клеток является ключевым этапом в системах микроскопического анализа медицинских изображений гистологических препаратов. Основной целью работы была разработка эффективной схемы автоматического подсчета ядер клеток на основе современных методов обработки изображений: направленной фильтрации, адаптивной бинаризации изображений и математической морфологии. В отличие от известных исследований, представленный подход не предусматривает сегментацию ядер клеток на изображении, а лишь предполагает их обнаружение и подсчет их количества. Это позволяет избежать сложных алгоритмических вычислений и обеспечивает хорошую точность подсчета ядер клеток.

В работе описан ряд экспериментов, выполненных для оценки эффективности предложенной методики с использованием доступной в интернете тестовый базы медицинских гистологических изображений. Определены критичные параметры алгоритмов, настраиваемые на каждом этапе анализа изображений. Для каждого параметра определен интервал тестируемых значений, а затем реализована процедура выбора не только оптимальных значений каждого параметра, но их из взаимная комбинация, на основе общепринятых количественных оценок точности (Precision) и полноты (Recall). Полученные результаты сравнивались с последними достижениями в данной области и показали приемлемый уровень точности предложенной методики. Прототип программного обеспечения, разработанного в рамках проведенного исследования, можно рассматривать как автоматический инструмент для анализа ядер клеток. Разработанный подход может быть адаптирован к различным задачам анализа ядер клеток различных органов.

1. Methods For Nuclei Detection, Segmentation, and Classification in Digital Histopathology: A Review – Current Status and Future Potential / H. Irshad [et. al] // IEEE Reviews in Biomedical Engineering, 2014. − Vol. 7. − P. 97−114.

2. Recent Advances in Morphological Cell Image Analysis / S. Chen [et. al] // Computational and Mathematical Methods in Medicine, 2012. – 10 p.

3. Jung, C. Impact of the Accuracy of Automatic Segmentation of Cell Nuclei Clusters on Classification of Cell Nuclei Clusters on Classification of Thyroid Follicular Lesions / C. Jung, C. Kim // Cytometry. Part A, 2014. – P. 709–719.

4. Multi-resolution Approach for Combining Visual Information using Nuclei Segmentation and Classification in Histopathological Images / H. Saharma [et. al] // Proceedings of the 10th International Conference on Computer Vision, Theory and Applications, 2015. – P. 37−46.

5. Alilou, M. Segmentation of cell nuclei in heterogeneous microscopy images: A resalable templates approach / M. Alilou, V. Kovalev, V. Taimouri // Computerized Medical Imaging and Graphics, 2013. – Vol. 37. – P. 488−499.

6. Kowal, M. Nuclei Segmentation for Computer-Aded Diagmosis of Breast Cancer / M. Kowal, P. Filipczuk // Int. Journal Appl. Math. Comput. Science, 2014. – Vol. 24. – No. 1. – P. 19−31.

7. Detection and segmentation of cell nuclei in virtual microscopy images: a minimums-model approach / S. Wienert [et al] // National Scientific Reports, 2012. – 2:503.

8. White Blood Cell Segmentation by Color-Space-Based K-Means Clustering / C. Zang [et. al] // Sensors, 2014. Vol. – 14. – P. 16128–16147.

9. Region-based progressive localization of cell nuclei in microscopic images with data adaptive modeling / Y. Song [et. al] // BMC Bioinformatics. – 2013. Vol. 14. № 1. – P. 173–180.

10. Coelho, L. P. Nuclear segmentation in microscope cell images: a hand-segmented dataset and comparison of algorithms / L. P. Coelho, A. Shariff, R. F., Murphy // Proc. of the IEEE International Symposium Biomedical Imaging, 2009. – P. 518−521.

11. Wavelet-Based Multiscale Texture Segmentation: Application to Stromal Compartment Characterization on Virtual Slides / N. Signolle [et. al] // Signal Processing, 2010. – Vol. 90. – № 8. – P. 2412–2422.

12. Segmentation of cytological image using color and mathematical morphology / O. Lezoray [et. al] // Acta Stereologica, 1999. – 18. – P. 1−14.

13. An Image Analysis-Based Approach for Automated Counting of Cancer Cell Nuclei / C. G. Loukas [et. al] // Cytomettry. Part A, 2003. – P. 30−42.

14. Improved automatic detection and segmentation of cell nuclei in histopathology images / Y. Al-Kofahi [et. al] // IEEE Trans. on Biomedical Engineering, 2010. – Vol. 57. – № 4. – P. 841−852.

15. Cell-based quantification of molecular biomarkers in histopathology specimens / Y. Al-Kofahi [et. al] // Histopathology, 2011. – 59(1) – P. 40−54.

16. Image Smoothing via L0 Gradient Minimization / L. Xu [et. al] // ACM Transactions on Graphics. – December 2011. – Vol. 30. – No. 6. – article 174.

17. He, K. Guided image filtering / K. He, J. Sun, X. Tang // Pattern Analysis and Machine Intelligence, IEEE Transactions on. – 2013. – Т. 35. – №. 6. – С. 1397–1409.

18. Wan, S. J. Variance‐based color image quantization for frame buffer display / S. J. Wan, P. Prusinkiewicz, S. K. M. Wong // Color Research & Application. – 1990. – Т. 15. – №. 1. – С. 52–58.

19. Sauvola, J. Adaptive document image binarization / J. Sauvola, M. Pietikainen // Pattern Recognition, 2000. – Vol. 33. – P. 225−236.

20. Shafait, F. Efficient implementation of local adaptive thresholding techniques using integral images / F. Shafait, D. Keysers, T. M. Breuel // Document Recognition and Retrieval XV. – 2008.

21. Stathis, P. An Evaluation Technique for Binarization Algorithms / P. Stathis, E. Kavallieratou, N. Papamarkos // Journal of Universal Computer Science, 2008. – Vol. 14. – No. 18. – P. 3011−3030.