MODERN APPROACHES TO SEGMENTATION OF SMALL INTESTINE GOBLET CELLS ON DIGITAL MICROPHOTOS
Abstract
Introduction. Detection and delineation of individual cells in digital micrographs is the most complex step in cytometry, which is automated using a variety of techniques to achieve the correct diagnosis. Purpose of the research. Determine the methods of segmentation of goblet cells of the small intestine most commonly used in the scientific literature. Materials and methods. Analysis of publications in the Russian Science Citation Index, Scopus; digital micrographs to estimate the number of cells in the field of view. The study was conducted using open-source biomedical image analysis software ImageJ. Digital micrographs from the open databases openmicroscopy. org and openslide.org were used. Results. A variety of methods have been used to detect goblet cells in the small intestinal epithelium, with the approach based on threshold segmentation being the most widely used in the scientific literature. Morphological segmentation is the second most commonly used segmentation, while facet segmentation, driven watershed segmentation, and region growth are used in less research. This choice of methods can be associated with the classifiers used, which require certain parameters to classify the selected object as one of the types/classes. Conclusion. The choice of a specific segmentation method is associated with the approaches on which the work of modern cellular image classifiers is based, assigning fragments of the studied image to a particular group, namely the extraction of numerical features, classification using neural networks and transport morphometry.
References
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.
