Выявление клеточных ядер методами компьютерного зрения
Аннотация
Введение.В современной научной и диагностической патологии существует потребность в новых подходах, обеспечивающих объективный и количественный анализ клеточных и тканевых образцов. Обилие морфометрических параметров и высокая вариабельность их значений среди разных типов клеток создают значительные трудности при разработке универсальных алгоритмов автоматического распознавания и анализа клеточных структур.Цель исследования— определение морфометрических параметров, позволяющих выявить клеточное ядро методами компьютерного зрения.Материалы и методы.Анализ более 100 современных научных публикаций за последние 20 лет, индексируемых в РИНЦ и Scopus. Медицинские изображения были взяты из виртуальной базы гистологических микрофотографий Histology Guide. Расчет морфологических параметров ядер разных типов клеток на микропрепарате почки осуществлялся с помощью программы для анализа и обработки изображений Image J.Результаты.Для выявления наиболее значимых параметров был проведен факторный анализ в программе STATISTICA 10.0. По результатам проведенного факторного анализа были выделены два основных фактора: условно называемый фактор размера и условно называемый фактор формы. Доля общей дисперсии фактора размера 50%, а фактора формы – 43%, следовательно, эти два фактора являются наиболее значимыми. Критерий Краскела–Уоллиса не выявил статистически значимую изменчивость площади ядер клеток в зависимости от типа ткани.Выводы.Площадь и удлиненность являются наиболее значимыми факторами, позволяющими выявить клеточное ядро методами компьютерного зрения.
Библиографические ссылки
1. Павлов А.В. Виртуальная микроскопия в преподавании гистологии — новая реальность эпохи цифровых технологий. Морфология. 2019;156(5):75–84. EDN: NKPFAM.
2. Никитин А.Н. Идентификация и локализация клеток на микроскопических изображениях с использованием SIFT-алгоритма. Методы микроскопического анализа. Сборник статей. Выпуск 1. М.: Издание ЗАО «МЕдицинские КОмпьютерные Системы (МЕКОС)»; 2009: 114–125.
3. Савкин А.Е., Шагалова П.А., Корелин О.Н. Исследование применения технологий компьютерного зрения для анализа биомедицинских изображений. Труды НГТУ
им. Р.Е. Алексеева. 2024;(1(144)):16–23. EDN: LZPVRM.
4. Горячкин Б.С., Китов М.А. Компьютерное зрение. E-Scio. 2020;(9(48)):317–345. EDN: EBYPIO.
5. Симонова К.С., Самородов А.В., Спиридонов И.Н. Система вычислительной диагностики для анализа цитологических препаратов клеток почечного эпителия в онкоцитологии. Наука и образование: научное издание МГТУ им. Н.Э. Баумана. 2011;(13):4. EDN: PIGCIP.
6. Salvi M., Molinari F. Multi-tissue and multi-scale approach for nuclei segmentation in H&E stained images. BioMedical Engineering OnLine. 2018;89(17). https://doi.org/10.1186/s12938-018-0518-0.
7. Поляков Е.В., Попов В.В., Дмитриева В.В. Система анализа изображений ядросодержащих клеток костного мозга для формирования диагностического заключения в онкогематологии. Моделирование, оптимизация и информационные технологии. 2025;13(1):1–8. https://doi.org/10.26102/2310-6018/2025.48.1.016.
8. Арешидзе Д.А. Механизмы поддержания и изменений формы и размеров клеточного ядра (обзор). Морфологические ведомости. 2022;30(3):73–80. https://doi.org/10.20340/mv-mn.2022.30(3).670.
9. Электронный каталог «Histology Guide». Доступно по: https:// histologyguide.com/ (дата обращения: 17.09.2025).
10. Мыцик А.В. Использование программы ImageJ для автоматической морфометрии в гистологических исследованиях. Омский научный вестник. 2011;(2(100)):187–189.
11. Стернин В.Е., Дохов М.А., Тихомирова А.А., Дементьев Н.А. Современные подходы к классификации объектов на медицинских компьютерных изображениях. Визуализация в медицине. 2024;6(2):23–29. https://doi.org/10.56871/ViM.2024.24.31.004. EDN: KIJZWO.
12. Краснова Л.С. Морфометрические особенности бластных клеток в стандартных цитоцентрифугатах костного мозга при острых миелоидных лейкозах. Автореф. дис. ... канд. мед. наук. М.; 2009.
