Development of requirements for functional characteristicsof a software tool for detecting cell nuclei
Abstract
Automated nuclear extraction is an important step in the analysis of cell samples, allowing for increased
reproducibility and scalability of quantitative morphological analysis. Correctly defined software specifications accelerate the
processing of large image sets and minimize the chance of false positives, which directly impacts the reliability of clinical conclusions
and subsequent diagnostic decisions. Aim — to develop requirements for the functional characteristics of a software tool for isolating
cell nuclei and to evaluate its effectiveness. Materials and methods. Analysis of modern scientific publications in Russian and foreign
electronic libraries over the past 15 years, indexed in the Russian Science Citation Index (RSCI) and Scopus. Medical images were taken
from the HistologyGuide virtual database of histological micrographs. Automated detection of cell nuclei was performed using the
OpenCV library in the Python programming language. Results. The efficiency of the algorithm with the technical specifications taking
into account the functional characteristics of the software for isolating cell nuclei in digital microimages turned out to be statistically
significantly (p <0.001) higher than that of the algorithm without the technical specifications. Conclusions. Taking into account the area
(in pixels) in the range from 100 to 1000 pixels and the elongation in the range from 1 to 3.5 pixels when forming requirements for the
functional characteristics of the software product allows for increasing the accuracy and sensitivity of isolating cell nuclei in digital
images of microslides.
References
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.
