Разработка требований к функциональным характеристикампрограммного средства для выявления ядер клеток
Аннотация
Введение.Автоматизированное выделение ядер является важным шагом в анализе клеточных образцов, позволяющим повысить воспроизводимость и масштабируемость количественного морфологического анализа, а корректно заданные через техническое задание требования к функциональным характеристикам программного средства ускоряют обработку больших наборов изображений и минимизируют вероятность ложных определений, что напрямую влияет на достоверность клинических выводов и последующих диагностических решений.Цель исследования—разработать требования к функциональным характеристикам программного средства для выделения ядер клеток на цифровых микроизображениях и оценить его эффективность.Материалы и методы.Анализ современных научных публикаций в отечественных и зарубежных электронных библиотеках за последние 15 лет, индексируемых в РИНЦ и Scopus. Медицинские изображения взяты из виртуальной базы гистологических микрофотографий Histology Guide. Автоматизированное выявление клеточных ядер выполнялось с использованием библиотеки Open CV на языке программирования Python.Результаты.Эффективность алгоритма с техническим заданием, учитывающим функциональные характеристики программного средства для выделения ядер клеток на цифровых микроизображениях, оказалась статистически значимо (p <0,001) выше, чем у алгоритма без технического задания.Выводы.Учет площади (в пикселях) в диапазоне от100 до 1000 пикселейи удлиненности в диапазоне от 1 до 3,5пикселейпри формировании требований к функциональным характеристикам программного продукта позволяет увеличить точность и чувствительность выделения клеточных ядер на цифровых изображениях микропрепаратов.
Библиографические ссылки
1. Медовый В. С. Исследование и разработка программного обеспечения автоматической микроскопии биоматериалов. Автореф. дис. ... канд. техн. наук. М.; 2007.
2. Автандилов Г.Г. Медицинская морфометрия. М.: Медицина; 1990.
3. Андриянов Н.А., Дементьев В.Е., Ташлинский А.Г. Обнаружение объектов на изображении: от критериев Байеса и Неймана-Пирсона к детекторам на базе нейронных сетей. Компьютерная оптика. 2022;46(1):139–159. https://doi.org/10.18287/2412-6179-CO-922. EDN: IGOBDC.
4. Шапиро Л., Стокман Дж. Компьютерное зрение. М.: БИНОМ. Лаборатория знаний; 2015. EDN: SUFYRZ.
5. Стернин В.Е., Леванчук А.В., Ваулин Г.Ф. Применение искусственного интеллекта в решении задач распознавания объектов на медицинских изображениях. В кн.: Материалы XIX Санкт-Петербургской международной конференции «Региональная информатика». СПб.; 2024: 302–303. EDN: CYWOOD.
6. Стернин В.Е., Дохов М.А., Тихомирова А.А., Леванчук А.В. Методы предварительной обработки цифровых фотографий лимфоцитов. Визуализация в медицине. 2023;5(3):16–20. EDN: LYFJFS.
7. 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.
8. 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). https://doi.org/10.26102/2310-6018/2025.48.1.016.
9. Леванчук А.В., Дохов М.А., Тихомирова А.А., Стернин В.Е. Современные подходы к определению параметров для исключения артефактов изображения на цифровых микрофотографиях. Визуализация в медицине. 2022;4(4):3–6. EDN: KQGUNO.
10. Гутгарц Р.Д. Особенности проектирования и программирования при создании информационных систем. Программные продукты и системы. 2020;33(3):385–395. https://doi.org/10.15827/0236-235X.131.385-395. EDN: MQLBTZ.
11. Лученко А.В., Горбаченко И.М. Проектирование информационной системы по учету товара на складе IT-отдела в системе 1 С. Теоретический и практический потенциал современной науки. Сборник научных статей. А.Х. Цечоева, научн. ред. Ч. II. М.: Перо; 2019: 104–108. EDN: AOYKXS.
12. Грекул В.И., Денищенко Г.Н., Коровкина Н.Л. Проектирование информационных систем. М.: Интернет-Университет Информационных Технологий (ИНТУИТ), Ай Пи Ар Медиа; 2024.
13. Гутгарц Р.Д., Провилков Е.И. О формализации функциональных требований в проектах по созданию информационных систем. Программные продукты и системы. 2019;32(3):349–357. https://doi.org/10.15827/0236-235X.127.349-357. EDN: GXHPFX.
14. Гутгарц Р.Д., Полякова П.М. Анализ особенностей формулирования функциональных требований к автоматизированной информационной системе. Программные продукты и системы. 2019;32(3):358–367. https://doi.org/10.15827/0236-235X.127.358-367. EDN: OQHPTB.
15. Loukas C.G., Wilson G.D., Vojnovic B., Linney A. An image analysis-based approach for automated counting of cancer cell nuclei in tissue sections. Cytometry A. 2003;55(1):30–42. https://doi.org/10.1002/cyto.a.10060.
16. Byun J., Verardo M.R., Sumengen B., Lewis G.P., Manjunath B.S., Fisher S.K. Automated tool for the detection of cell nuclei in digital microscopic images: application to retinal images. Mol Vis. 2006;12:949–960. PMID: 16943767.
17. Salvi M., Molinari F. Multi-tissue and multi-scale approach for nuclei segmentation in H&E stained images. Bio Medical Engineering On Line. 2018;89(17). https://doi.org/10.1186/s12938-018-0518-0.
18. Irshad H., Veillard A., Roux L., Racoceanu D. Methods for Nuclei Detection, Segmentation, and Classification in Digital Histopathology: A Review — Current Status and Future Potential. IEEE Reviews in Biomedical Engineering. 2014;(7):97–114. https://doi.org/10.1109/RBME.2013.2295804.
19. Chen H., Qi X., Yu L., Heng P.-A. DCAN: Deep Contour-Aware Networks for Accurate Gland Segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016:2487–2496. https://doi.org/10.1109/CVPR.2016.273.
20. Xu J., Xiang L., Liu Q., Gilmore H., Wu J., Tang J., Madabhushi A. Stacked Sparse Autoencoder (SSAE) for Nuclei Detection on Breast Cancer Histopathology Images. IEEE Trans Med Imaging. 2016;35(8):119–130. https://doi.org/10.1109/TMI.2015.2458702.
21. Caicedo J.C., Goodman A., Karhohs K.W., Cimini B.A., Ackerman J., Haghighi M., Heng C., Becker T., Doan M., Mc Quin C., Rohban M., Singh S., Carpenter A.E. Nucleus segmentation across imaging experiments: the 2018 Data Science Bowl. Nat Methods. 2019;16(12):1247–1253. https://doi.org/10.1038/s41592-019-0612-7.
22. Adewumi A., Misra S., Omoregbe N., Crawford B., Soto R. A systematic literature review of open source software quality assessment models. Springerplus. 2016;5(1):1936. https://doi.org/10.1186/s40064-016-3612-4.
