On effectiveness of human cell nuclei detection dependin

• Autorzy: Pławiak-Mowna A. , Mazurkiewicz M.

Identyfikatory

DOI

10.15199/48.2018.01.20

Warianty tytułu

PL

Analiza efektywności detekcji jąder komórkowych w zależności od sposobu reprezentacji danych w przestrzeni barw

• Języki publikacji: EN

Abstrakty

EN

The paper presents results of research on effectiveness of automated detection of human body cells nuclei depending on the digital image color representation used. The problem importance is presented, data representation and processing problems are discussed. The standardized machine vision-based nuclei detection procedure is proposed. Nuclei detection effectiveness measurement algorithm is presented and results are discussed. The conclusion is drawn and future work areas are indicated.

PL

W artykule przedstawiono wyniki badań skuteczności zautomatyzowanego wykrywania jąder komórkowych, w zależności od zastosowanej reprezentacji koloru przetwarzanego obrazu. Przedstawiono problemy związane z przetwarzaniem cyfrowych obrazów medycznych. Zaproponowano ujednoliconą procedurę komputerowego przetwarzania obrazu. Przedstawiono algorytm pomiaru skuteczności wykrywania jąder komórkowych w zależności od zastosowanej przestrzeni barw. Omówiono wyniki, sformułowano wnioski i wskazano przyszłe obszary badań.

Słowa kluczowe

EN

image processing; image segmentation; object detection; image color analysis

PL

przetwarzanie obrazu; segmentacja obrazu; detekcja obiektów; analiza koloru

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2018
• Tom: R. 94, nr 1
• Strony: 77--80
• Opis fizyczny: Bibliogr. 21 poz., rys., tab., wykr.

Twórcy

autor

Pławiak-Mowna A.

• Uniwersytet Zielonogórski, Wydział Informatyki, Elektrotechniki i Automatyki, Instytut Sterowania i Systemów Informatycznych, ul. Licealna 9, 65-417 Zielona Góra

autor

Mazurkiewicz M.

• Uniwersytet Zielonogórski, Wydział Informatyki, Elektrotechniki i Automatyki, Instytut Sterowania i Systemów Informatycznych, ul. Licealna 9, 65-417 Zielona Góra

Bibliografia

• [1] May M., A better lens on disease: computerized pathology slides may help doctors make faster and more accurate diagnoses, Sci. Am., 302 (2010), 74-77
• [2] Didkowska J. et al., Prediction of cancer incidence and mortality in Poland up to the year 2025. Department of Epidemiology and Cancer Prevention. Warsaw. Poland. http://onkologia.org.pl/wp-content/uploads/Prognozy_2025.pdf
• [3] Kowal M. et al., Computer-aided diagnosis of breast cancer based on fine needle biopsy microscopic images, Computers in Biology and Medicine, 43 (2013), 1563-1572
• [4] Kong J. et al., Towards Building Computerized Image Analysis Framework for Nucleus Discrimination in Microscopy Images of Diffuse Glioma, Conference Proceedings 2011, 6605-6608
• [5] Micsik T. et al., Experiences with an International Digital Slide Based Telepathology System for Routine Sign-out between Sweden and Hungary, AIMS Medical Science, 2 (2015), No. 2, 79-89
• [6] Ali S., Madabhushi A., An integrated region-, boundary-, shape-based active contour for multiple object overlap resolution in histological imagery, IEEE Transactions On Medical Imaging, 31 (2012), No. 7, 1448-1460
• [7] Qi X. et al., Robust segmentation of overlapping cells in histopathology specimens using parallel seed detection and repulsive level set, IEEE Trans. Biomed. Eng., 59 (2012), No.3, 754-765
• [8] Plissiti M.E., Nikou Ch., Overlapping Cell Nuclei Segmentation Using a Spatially Adaptive Active Physical Model, IEEE Transactions on Image Processing, 21 (2012), No. 11, 4568-4580
• [9] Kowal M., Filipczuk P., Nuclei segmentation for computer-aided diagnosis of breast cancer, International Journal of Applied Mathematics and Computer Science, 24 (2014), No. 1, 19-31
• [10] Xu J. et al., Stacked Sparse Autoencoder (SSAE) for Nuclei Detection on Breast Cancer Histopathology Images, IEEE Trans. Med. Imaging, 35 (2015), No. 1, 119-130
• [11] Sirinukunwattana K. et al., Locality sensitive deep learning for detection and classification of nuclei in routine colon cancer histology images, IEEE Transactions on Medical Imaging, 35 (2016), No. 5, 1196-1206
• [12] Kumar R. et al. (2015, Jul.). Detection and Classification of Cancer from Microscopic Biopsy Images Using Clinically Significant and Biologically Interpretable Features. Journal of Medical Engineering. http://dx.doi.org/10.1155/2015/457906
• [13] Zarella M.D. et al. (2015), An optimized color transformation for the analysis of digital images of hematoxylin & eosin stained slides. Journal of Pathology Informatics. http://www.jpathinformatics.org/text.asp?2015/6/1/33/158910
• [14] Jitaree S. et al., Cell type classifiers for breast cancer microscopic images based on fractal dimension texture analysis of image color layers, Scanning, 37 (2015), No. 2, 145-151
• [15] Mohamed S. et al. Cancerous nuclei detection on digitized pathological lung color images. Journal of Biomedical Informatics. 35 (2002), No. 2, 92-98. http://dx.doi.org/10.1016/S1532-0464(02)00501-4
• [16] Sajith Kecheril S. et al., Segmentation of lung glandular cells using multiple color spaces, International Journal of Computer Science, Engineering and Applications, 2 (2012), No.3, 147-158
• [17] Amin M.M et al., Recognition of Acute Lymphoblastic Leukemia Cells in Microscopic Images Using K-Means Clustering and Support Vector Machine Classifier, Journal of Medical Signals and Sensors, 5 (2015), No. 1, 49-58
• [18] Gurcan M.N. et al., Image analysis for neuroblastoma classification: Segmentation of cell nuclei, in Proc. IEEE 28th Annu. Int. Conf. Eng. Med. Biol. Soc., 2006, 4844-4847
• [19] Anari V. et al., Computer-aided detection of proliferative cells and mitosis index in immunohistichemically images of meningioma, in 6th Iranian Conference on Machine Vision and Image Processing, 2010,1-5
• [20] Irshad H. et al., Methods for nuclei detection, segmentation, and classification in digital histopathology: a review-current status and future potential, IEEE Rev. Biomed. Eng., 7 (2014), 97-114
• [21] Basavanhally A.N. et ., Computerized image-based detection and grading of lymphocytic infiltration in HER2+ breast cancer histopathology, IEEE Trans. Biomed. Eng., 57 (2010), No. 3, 642-653

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).