Identification of cell nucleus by computer vision methods
Abstract
Introduction. In modern scientific and diagnostic pathology, there is a need for new approaches that provide objective and
quantitative analysis of cell and tissue samples. The abundance of morphometric parameters and the high variability of their values
among different cell types create significant difficulties in developing universal algorithms for automatic recognition and analysis of
cell structures. The purpose of the study is to determine the morphometric parameters that make it possible to identify the cell nucleus
using computer vision methods. Materials and methods. Analysis of more than 100 up-to-date scientific publications over the past
15 years indexed in RSCI and Scopus. Medical images were taken from the HistologyGuide virtual database of histological micrographs.
Morphological parameters of nuclei of different cell types were calculated on a kidney micropreparation using the ImageJ program for
image analysis and processing. Results. To identify the most significant parameters, a factor analysis was performed in the STATISTICA
10.0 program. Based on the results of the factor analysis, two main factors were identified: the conventionally called size factor and the
conventionally called shape factor, the share of the total variance of the size factor is 50%, and the shape factor is 43%, therefore, these
two factors are the most significant. The Kraskel–Wallis test did not reveal a statistically significant variability in the area of cell nuclei
depending on the type of tissue. Conclusions. Area and elongation are the most significant factors that make it possible to identify the
cell nucleus using computer vision methods.
References
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.
