СОВРЕМЕННЫЕ ПОДХОДЫ К СЕГМЕНТАЦИИ БОКАЛОВИДНЫХ КЛЕТОК ТОНКОЙ КИШКИ НА ЦИФРОВЫХ МИКРОФОТОГРАФИЯХ
Аннотация
Введение. Обнаружение и ограничение по контуру отдельных клеток на цифровых микрофотографиях является наиболее сложным шагом в цитомерии, при автоматизации которого используются различные методы, позволяющие установить корректный диагноз. Цель исследования. Определить наиболее часто встречающиеся в научной литературе методы
сегментации бокаловидных клеток тонкой кишки. Материалы и методы. Анализ публикаций, индексируемых в РИНЦ, Scopus; цифровые микрофотографии для оценки количества клеток в поле зрения. Исследование проводилось с помощью открытого программного обеспечения для анализа биомедицинских изображений ImageJ. Использованы цифровые микрофотографии из открытых баз данных openmicroscopy.org и openslide.org. Результаты. Для детекции бокаловидных клеток в эпителии тонкой кишки применяются разнообразные методы, причем наиболее широко распространенным в научной литературе является подход, основанный на пороговой сегментации. Морфологическая сегментация занимает второе место по встречаемости, в то время как фасеточная сегментация, сегментация на основе управляемого водораздела и метод роста областей применяются в меньшем объеме исследований. Такой выбор методов можно связать с используемыми классификаторами, требующими определенных параметров для отнесения выделенного объекта к одному из типов/классов. Заключение. Выбор конкретного метода сегментации связан с подходами, на которых основана работа современных классификаторов клеточных изображений, относящих фрагменты исследуемого изображения к той или ной группе, а именно извлечение числовых признаков, классификация с помощью нейронных сетей и транспортная морфометрия.
Литература
Леванчук А.В., Тихомирова А.А., Дохов М.А., Крылова Ю.С. Распространенность применения программного обеспечения для автоматизированного подсчета клеток в поле зрения в научной литературе. Children’s Medicine of the North-West. 2021;9(1):222–223. EDN: PTYIAK.
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.
Jahanian E., Mahdavi A.H., Asgary S., Jahanian R. Effect of dietary supplementation of mannanoligosaccharides on growth performance, ileal microbial counts, and jejunal morphology in broiler chicks exposed to aflatoxins. Livestock Science. 2016;190:123–130.
Шарапов И.Ю., Кварацхелиия А.Г., Болгучева М.Б., Коротких К.Н. Функциональная морфология бокаловидных клеток тонкой кишки при действии различных факторов. Журнал анатомии и гистопатологии. 2021;10(2):73–79.
Application of Morphological Operations for Improvement the Segmentation Image of Chicken Intestinal Goblet Cells. International Journal of Computer Applications. 2019;182(41):18–23.
Prewitt J.M., Mendelsohn M.L. The analysis of cell images. Ann N Y Acad Sci. 1966;128(3):1035–1053.
Boschetto D., Mirzaei H., Leong R.W., Grisan E. Detection and density estimation of goblet cells in confocal endoscopy for the evaluation of celiac disease. Annu Int Conf IEEE Eng Med Biol Soc. 2015;2015:6248–6251. DOI: 10.1109/EMBC.2015.7319820.
Gustafsson J.K., Davis J.E., Rappai T., McDonald K.G., Kulkarni D.H., Knoop K.A., Hogan S.P., Fitzpatrick J.A., Lencer W.I., Newberry R.D. Intestinal goblet cells sample and deliver lumenal antigens by regulated endocytic uptake and transcytosis. Elife. 2021;10:e67292. DOI: 10.7554/eLife.67292.
Kim Y.S., Ho S.B. Intestinal goblet cells and mucins in health and disease: recent insights and progress. Curr Gastroenterol Rep. 2010;12:319–330. DOI: 10.1007/s11894-010-0131-2.
Knoop K.A, McDonald K.G., McCrate S., McDole J.R., Newberry R.D. Microbial sensing by goblet cells controls immune surveillance of luminal antigens in the colon. Mucosal Immunol. 2015;8:198–210. DOI: 10.1038/mi.2014.58.
Kulkarni D.H., McDonald K.G., Knoop K.A., Gustafsson J.K., Kozlowski K.M., Hunstad D.A., Miller M.J., Newberry R.D. Goblet cell associated antigen passages are inhibited during Salmonella typhimurium infection to prevent pathogen dissemination and limit responses to dietary antigens. Mucosal Immunol. 2018;11:1103–1113. DOI: 10.1038/s41385-018-0007-6.
Димов И.Д., Кашин А.Д., Здорикова М.А., Зайцева А.В., Денисова Г.Н., Карелина Н.Р. Механизмы транспорта липидов через энтероцит кишечной ворсинки. Российские биомедицинские исследования. 2020;5(2):24–30.
Schneider C.A., Rasband W.S., Eliceiri K.W. NIH Image to ImageJ: 25 years of image analysis. Nat Methods. 2012;9:671–675. DOI: 10.1038/nmeth.2089.
Otsu N. A threshold selection method from gray-level histograms. IEEE Trans. Sys., Man., Cyber. 1979;9:62–66.
Бушенко Д.А., Садыхов Р.А. Модифицированный алгоритм адаптивной пороговой сегментации в задачах выделения протяженных объектов на слабоконтрастных изображениях. Доклады БГУИР. 2008.
Храмцов А.И., Насыров Р.А., Храмцова Г.Ф. Применение информатики в работе патологоанатома: обучение составлению и использованию цифрового архива изображений макропрепаратов. Педиатр. 2021;12(1):5–10. DOI: 10.17816/PED1215-10.
Уалиева И.М., Жукешева Ж.К. Сегментация микроскопических изображений эпителиальных клеток. Молодой ученый. 2016;10(114):92–96. Доступен по: https://moluch.ru/archive/114/29771 (дата обращения: 15.08.2024).
Медовый В.С., Балабуткин В.А., Иванов А.В., Козинец Г.И. Способ адаптивной автоматической сегментации и распознавания клеток на изображениях цитологических препаратов. Российское агентство по патентам и товарным знакам. 20.06.1999.
Храмцов А.И., Насыров Р.А., Храмцова Г.Ф. Обучение врачей-патологоанатомов цифровой фотографии макропрепаратов. Педиатр. 2020;11(4):85–90. DOI: 10.17816/PED11485-90.
