Wybrane metody i narzędzia wydobywania informacji z obrazów histologicznych w zastosowaniu do wspomagania diagnostyki patomorfologicznej

• Autorzy: Markiewicz T.

Warianty tytułu

EN

Selected methods and tools for data mining of histological images in application to support of pathological diagnosis

• Języki publikacji: PL

Abstrakty

PL

W rozprawie przedstawiono wybrane aspekty zastosowań metod i narzędzi przetwarzania obrazów histologicznych do celów wspomagania diagnostyki patomorfologicznej. W szczególności rozważania dotyczą opracowania nowych algorytmów segmentacji obrazów barwnych opartych na morfologii matematycznej i sztucznych sieciach neuronowych typu Support Vector Machine (SVM), pełniących zarówno rolę klasyfikatora rozpoznawanych obiektów, jak i deskryptora wspomagającego ich wydzielanie z obrazu. W ramach badań została stworzona bardzo obszerna baza danych obrazów mikroskopowych tkanek ludzkich zmienionych patologicznie. Rozważane było pięć różnych rodzajów nowotworów (trzy nowotwory ośrodkowego układu nerwowego, raki sutka i rak skóry), zmiany zapalne w obrębie górnego odcinka przewodu pokarmowego (zapalenia żołądka) oraz ocena stopnia angiogenezy szpiku kostnego. Analizowanych było po kilkadziesiąt preparatów wymienionych zmian w różnych odczynach i barwieniach znacznikowych, na podstawie ich obrazów cyfrowych. Proponowane metody zostały przetestowane na rzeczywistych obrazach medycznych, których liczebność pozwala na rzetelną ocenę skuteczności proponowanych procedur ich przetwarzania. Głównym zadaniem było opracowanie automatycznego systemu komputerowego pozwalającego na analizę ilościową obrazów histologicznych, polegającą na identyfikacji profili komórek widocznych na obrazach i ich klasyfikacji. Podstawowymi kryteriami projektowania systemu była dokładność identyfikacji obiektów oraz szybkość działania programu. Szczególnie szybkość analizy nabiera w ostatnich czasach coraz większego znaczenia z uwagi na rozwój telepatologii oraz możliwości automatycznego skanowania całego preparatu. Tym samym coraz częściej ocenia się znacznie większe pola w preparatach, podnosząc obiektywność przeprowadzonej oceny. Dlatego rosną oczekiwania co do zdolności obliczeniowej projektowanych systemów i eliminowane są metody zbyt czasochłonne, które niewiele wnoszą do dokładności wyniku. Aby spełnić te oczekiwania, autor opracował wysoce wydajną metodę progowania sekwencyjnego połączonego z operacjami morfologicznymi wygładzania brzegów obiektów oraz kryterium oczekiwanej wielkości pojedynczych obiektów. Metoda ta, wspierana metodą działów wodnych i wysoce wydajnym klasyfikatorem SVM, jest w stanie zapewnić wysoką skuteczność rozpoznania w akceptowalnie krótkim czasie. Sieci SVM o gaussowskiej funkcji jądra zastosowane w rozwiązaniu pełnią podwójną rolę: zarówno wspomagają proces segmentacji, jak i dokonują rozpoznania typu komórek (funkcja klasyfikatora). W pracy zaproponowano ponadto zastosowanie sieci SVM z liniową funkcją jądra jako skutecznego deskryptora obiektów wspomagającego odróżnianie ich od tła. Takie podejście pozwala na uwolnienie się od problemów związanych z różnicowaniem obiektów na podstawie składowych barw obrazu, zastępując je liniową funkcją wyjściową sieci SVM. Dzięki temu problem określania wartości granicznych i funkcji przynależności obiektów do danej klasy jest rozwiązywany automatycznie, poprzez maksymalizację marginesu separacji między klasami. Uzyskane wyniki na bazie danych rzeczywistych obrazów pozwalają stwierdzić, że proponowane metody gwarantują wysoką skuteczność oceny ilościowej badanych preparatów i mogą być zastosowane w badaniach naukowych i do wspomagania diagnostyki patomorfologicznej. Ponadto proponowane metody przetwarzania obrazów porównano z innymi istniejącymi systemami opisanymi w publikacjach naukowych, wykazując ich wyższość, zwłaszcza w trudnych przypadkach (obrazy tkanek o wysokiej gęstości komórek). Rezultaty pracy mają duże znaczenie praktyczne i są stopniowo wdrażane do stosowania w Zakładzie Patomorfologii Wojskowego Instytutu Medycznego.

EN

The monograph presents the chosen aspects of application of methods and tools applied to processing histological images, directed to support pathological diagnosis. The research is concerned with development of novel algorithms of segmentation and classification of color images by applying mathematical morphology and artificial neural networks Support Vector Machine (SVM). The SVM networks play a double role: as the classifier of objects and as the numerical descriptor supporting the process of extraction of objects from the image. Within the frame of this research the author has created a large data base of microscopic images of human pathological tissues. Five different types of cancer have been considered: three types of cancers of the central nervous system, breast cancer and skin cancer. Additionally, the inflammation of the upper part of the digestive tract (stomach inflammation) as well as angiogenesis of bone marrow have also been considered. Each case has been investigated on the basis of several dozen of digital images, representing different reactions and types of staining of appropriate tissues. The main task of the study was to develop an automatic system able to perform quantitative analysis of histological images, directed to the recognition of profiles of cells, existing in the image. The system should provide the accuracy of cell recognition comparable to the expert and at the same time be very quick and reliable. The speed of analysis is especially important nowadays, since it is of primary importance in telepathology, and enables to analyze the whole scanned specimen (instead of a chosen region) in a reasonable time, making the results of analysis more accurate and representative. To fulfill these requirements, the author has developed original sequential thresholding method, which in cooperation with mathematical morphology, the knowledge of the expected range of the size of individual objects, watershed algorithm and SVM classifiers, has enabled to build a quick and highly effective computerized system specialized for histological image analysis. The development system has been positively tested on numerous images, representing real cases taken from medical practice. A significant role in the development system is played by the Support Vector Machine. The SVM of Gaussian kernel is used as the classifier, supporting image segmentation and recognition. On the other hand, the SVM of linear kernel is used to form numerical description of the objects, helping to distinguish them from the background. Thanks to this function of SVM we were able to overcome the problem of variety of color intensity of cells in the image, making the system work more steadily at different conditions. The presented statistical results of testing the developed automatic system by using the data base containing numerous histological images corresponding to different types of pathological images have shown its high accuracy and speed, making it a very useful tool for supporting medical research and pathological diagnosis in hospital practice. The comparison to other known systems presented in scientific publications has shown its superiority, especially in difficult cases of images of tissue with very high cell density. The developed system is already implemented in the Military Institute of Health Services and is undergoing testing in medical practice.

Słowa kluczowe

PL

przetwarzanie obrazów; patomorfologia; morfologia matematyczna; sztuczne sieci neuronowe

EN

image processing; pathology; mathematical morphology; artificial neural network

• Wydawca: Oficyna Wydawnicza Politechniki Warszawskiej
• Czasopismo: Prace Naukowe Politechniki Warszawskiej. Elektryka
• Rocznik: 2010
• Tom: z. 140
• Strony: 3--136
• Opis fizyczny: Bibliogr. 121 poz., rys., tab., wykr.

Twórcy

autor

Markiewicz T.

• Instytut Elektrotechniki Teoretycznej i Systemów Informacyjno-Pomiarowych, Politechnika Warszawska

Bibliografia

• [1] Adjeroh D.A., Kandaswamy U., Odom J.V.; Texton-based segmentation of retinal vessels. J Opt Soc Am A 2007. 24(5), s. 1384-93.
• [2] Allred D.G., Harvey J.M., Berardo M., Clark G.M.: Prognosis and predictive factors in breast cancer by immunohistochemical analysis. Modern Pathol 1998, 11(2), s. 155-168.
• [3] Aruin L.G., Vinogradov V.A., Zverkov J.V. et al.: The endocrine stomach cells containing endocrine gastrin and somaiostatin in patients with duodenal ulcer. Ark Paiol 1984, XLVI(6), s. 15-20.
• [4] Azzoni C., Doglioni C., Viale G. et al.: Involvement of BCL-2 Oncoprotein in the Development of Enterochromaffin-like Cell Gastric Carcinoids. Am J Surg Pathol 1996, 20, s. 433-41.
• [5] Badura P.; Adaptive Thresholding in Fuzzy Approach to Segmentation of Cruciate Ligament. The fifth Int. Workshop Control & Information Technology IWCIT 2006, Gliwice, 21-22 September 2006, s. 97-102.
• [6] Badura P. Piętka E.: Selection of the Object Seed Points in Fuzzy Connectedness-Based Image Segmentation. National Conf. Biocybernetics and Biomedical Engineering. Wrocław 2007, CD Proc., 27.
• [7] Badura P. Piętka E.: Semi-Automatic Seed Points Selection in Fuzzy Connectedness Approach to Image Segmentation. In: Computer Recognition Systems 2. Advances in Soft Computing. Vol. 45. Red. M. Kurzyński, E. Puchała, M. Woźniak, A. Żołnierek. Springer, Berlin 2007, s. 679-686.
• [8] Bartels P.H., Thompson D., Montironi R., Mariuzzi G., Hamilton P.W.: Automated reasoning system in histopathologic diagnosis and prognosis of prostate cancer and its precursors. Eur Urol 1996. 30, s. 222-233.
• [9] Bordi C., D'Adda T., Azzoni C. et al.: Classification of gastric endocrine cells at light and electron microscopical levels. Microsc Res Techniq 2000, s. 5-48.
• [10] Bradshaw T.: Virtual Microscopy, Data Management and Image Analysis - A Clinical Perspective. Workshop: Quantitative Immunohistochemistry in Digital Pathology, Warsaw, 29 Nov. 2008.
• [11] Brudzewski K., Ulaczyk J., Osowski S., Markiewicz T.: Chiral behaviour of TGS gas sensors: discrimination of the enantiomers by the electronic nose. Sensor Actuat B-Chem 2007, 122, s. 493-502.
• [12] Charrier C., Lebrun G., Lezoray O.: Evidential segmentation of microscopic color images with pixel classification posterior probabilities. J of Multimedia 2007, 2(3), s. 57-65.
• [13] Chen G., Strzelecki M., Materka A., Pang Q., Stθdkilde-Jθrgensen H.: Image Analysis in Medical Microscopy and Pathology. In:Texture analysis for improved image diagnostics. Red.: H.S. Wu, A.J. Eistein. Research Signpost, Kerala 2007, s. 167-174.
• [14] Dako ER/PR pharmDx TM Interpretation manual. Dako, Glostrup 2006.
• [15] Demirkaya O., Asyali M.H., Sahoo P.K.: Image Processing with MATLAB: Applications in Medicine and Biology. CRC Press, Boca Raton 2009.
• [16] Diamond J., Anderson N.H., Thompson D., Bartels P.H., Hamilton P.W.: A computer-based training system for breast fme needle aspiration cytology. J Pathol 2002, 196, s. 113-121.
• [17] Dziekan Ł., Marciniak A., Obuchowicz A.: Segmentation of colour cytological images using type-2 fuzzy sets. In: Fault diagnosis and faull tolerant control. Challenging Problems of Science - Theory and Applications: Automatic Control and Robotics. Red.: J. Korbicz, K. Patan, M. Kowal. Academic Publishing House EXIT, Warszawa 2007, s. 263-270.
• [18] Elledge R.M., Fuqua S.A.: Estrogen and progesterone receptors. In: Diseases of the breast. Red.: J.R. Harris, M.E. Lippman, M. Morrow et al. Lippencott Williams & Wilkins, Philadelphia 1999, s. 471-488.
• [19] Elmoataz A., Lezoray O., Bougleux S.: Nonlocal Discrete Regularization on Weighted Graphs: a framework for Image and Manifold Processing. IEEE Transactions on Image Processing 2008, 17(7), s. 1047-1060.
• [20] Falkmer S., Wilander E.: The endocrine cell population. In: Castrointestinal and oesophageal pathology, 2nd ed. Red.: R. Whitehead. Churchill Livingstone, Edinborough 1995, s. 63-71.
• [21] Fisher R.A.: On the interpretation of X2 from contingency tables, and the calculation of P.J R Stal Soc 1922, 85(1), s. 87-94.
• [22] Fitzgibbons F.K.. Page D.L., Weaver D. et al.: Prognosis factors in breast cancer: College of American pathologists consensus statement 1999. Aren Pathol Lab Med 2000, 124(7), s. 966-978.
• [23] Fonatsch C., Duchrow M., Riedel H., Schlutter C., Gerdes J.: Assignment of the human Ki-67 gene (MK167) to 10q25-qter. Genomics 1991, 11, s. 476-477.
• [24] Gertych A., Piętka E., Liu B.J.: Segmentation of regions of interest and post-segmentation edge location improvement in computer-aided bone age assessment. Pattern Anal App 2007, 10, s. 115-123.
• [25] Gonzalez R., Woods R.: Digital Image Processing. Prentice Hall, New Jersey 2007.
• [26] Green D.M., Bishop A.E., Rindi G. et al.: Enterochromaffin-like cell populations in human fundic mucosa: quantitative studies of their variations with age, sex, and plasma gastrin levels. J Pathol 1989, 157, s. 235-241.
• [27] Hamilton P.W., Bartels P.H., Montironi R. et al.: Automated histometry in quantitative prostate pathology. Anal Quant Cytol 1998, 20, s. 443-460.
• [28] Haykin S.: Neural Networks: A Comprehensive Foundation. Prentice Hall, New Jersey 1998.
• [29] Hrebień M., Korbicz J., Obuchowicz A.: Hough transform, (1+1) search strategy and watershed algorithm in Segmentation of cytological images. In: Computer recognition systems 2. Advances in Soft Computing. Vol. 45. Red. M. Kurzyński, E. Puchała, M. Woźniak, A. Żołnierek. Springer, Berlin 2007, s. 550-557.
• [30] Hrebień M., Obuchowicz A., Korbicz J.: A proposal routine for segmentation of cytological images. 1st. Int. Conf. for Young Researchers in Computer Science, Control, Electrical Engineering and Telecommunications ICYR, Zielona Góra, 18-20 September 2006, s. 104-105.
• [31] Hrebień M., Steć P., Nieczkowski T., Obuchowicz A.: Segmentation of breast cancer fine needle biopsy cytological images. Int J Appl Math Comput Sci 2008, 18(2), s. 159-170.
• [32] Hsu C.W., Lin C.J.: A comparison methods for multi class support vector machines. IEEE T Neural Networ 2002, 13, s. 415-425.
• [33] Jochymski C.: Wartość diagnostyczna badania patomorfologicznego komórek endokrynnych błony śluzowej żołądka w przewlekłych zapaleniach. Rozprawa doktorska, CSK, WAM, Warszawa 2002.
• [34] Kawa J., Piętka E.: Kernelized fuzzy c-means method in fast segmentation of demyelination plaques in multiple sclerosis. Proc. lEEE-Engineering in Medicine and Bioiogy Society, Lyon 2007, s. 5616-5619.
• [35] Kayser G., Radziszowski D., Bzdyl P., Sommer R., Kayser K.: Theory and implementation of an electronic, automated measurement system for images obtained from immunohistochemically stained slides. Anal Quant Cytol 2006, 28, s. 27-38.
• [36] Kayser G., Radziszowski D., Bzdyl P., Werner M., Kayser K.: Eamus - internet based platform for automated quantitative measurements in immunohistochemistry. Conf. International Society for Cellular Oncology (ISCO), Belfast, 5-8 Apr. 2005.
• [37] Kayser K., Bogovac M., Bogovac A., Görtler J., Kayser G.: AI (Artificial Intelligence) in Histopathology - from Image Analysis to Automated Diagnosis. Workshop: Quantitative Immunohistochemistry in Digital Pathology, Warsaw, 29 Nov. 2008.
• [38] Kim Y.J., Romeike B.F.M., Uszkoreit J., Feiden W.: Automated nuclear segmentation in the determination of the Ki-67 labeling index in meningiomas. Clin Neuropathol 2006, 25(2), s. 67-73.
• [39] Kleihues P., Cavense W.K. (Red.): Pathology and Genetics of Tumours of the Nervous System, World Health Organization Classification of Tumours. International Agency for Research on Cancer (IARC), Lyon 2000.
• [40] Kołodziej M., Rak R.: Zastosowanie analizy częstotliwościowej sygnału EEG w interfejsach mózg-komputer. Prz Elektrotechn 2008, 5, s. 283-286.
• [41] Korbicz J., Obuchowicz A., Uciński D.: Sztuczne sieci neuronowe: podstawy i zastosowania. Akademicka Oficyna Wydawnicza PLJ, Warszawa 1994.
• [42] Korzyńska A., Iwanowski M.: Detection of mitotic cell fraction in stem cells in cultures. In: Information Technologies in Biomedicine. Advances in Soft Computing. Vol. 47. Red, E. Piętka, J. Kawa. Springer, Berlin 2008, s. 365-376.
• [43] Kozłowski W., Dąbek A., Trawiński J. et al.: Immunohistochemical studies of G and D cells in the mucosa of prepyloric part of the stomach in various types of inflammation. Virchows Arch 2001, 439(3), s. 42-43.
• [44] Kozłowski W., Jochymski C., Klupińska G. et al.: Chromogranin-A-plus and D cells in superficial and deep gastric mucosa inflammation. Virchows Arch 2003, 443, s. 404.
• [45] Kozłowski W., Jochymski C., Klupińska G. et al.: Investigation of glandular epithelium cells proliferative activity in chronic superficial and deep inflammations of gastric mucosa. Virchows Arch 2003, 443, s. 403.
• [46] Kozłowski W., Jochymski C., Markiewicz T. et al.: Immunohistochemical and morphometrical evaluation of the neuroendocrine cells and proliferative activity of gastric epithelium in superficial (gchs) and deep (gch) chronic gastritis. 3rd Int. Conf. Pathology, Barcelona, Virchows Arch 2008, 452(1), s. 216.
• [47] Kozłowski W., Kulig A., Czkwianianc E. et al.: Morphological and immunohistochemical examinations of the dynamics changes of gastric mucosa associated with treatment of Helicobacter pylori infection in children. Ann Acad Medicae Bialostociensis 1995, 40(3), s, 678-684.
• [48] Kruk M., Koktysz R., Osowski S., Kozłowski W., Markiewicz T.: Automatic recognition of colon cells in inflammatory bowel disease. 3rd Int. Conf. Pathology, Barcelona, 30 Aug.-3 Sept. 2008, Virchows Arch 2008, 452(1), s. 195-196.
• [49] Latson L., Sebek B., Powell K.A.: Automated cell nuclear segmentation in color images of hematoxylin and eosin-stained breast biopsy. Anal Quant Cytol 2003, 25, s. 321-331.
• [50] LeBoit P.E., Burg G., Weedon D., Sarasin A. (Red.): Pathology & Genetics: Skin Tumours. World Hearth Organization Classification of Tumours, Int. Agency for Research on Cancer (IARC), Lyon 2006.
• [51] Lebrun G., Charrier C., Lezoray O., Meurie C., Cardot H.: A fast and efficient segmentation scheme for cell microscopic image. Cell Mol Biol 2007, 53(2), s. 51-61.
• [52] Lezoray O., Bougleux S., Elmoataz A.: Graph regularization for color image processing. Comp Vis Image Und 2007, 107(1-2, Special Issue: Color Image Processing), s. 38-55.
• [53] Lezoray O., Cardot H.: Cooperation of color pixel classification schemes and color water-shed: a study for microscopical images. IEEE T Image Process 2002, 11(7), s. 783-789.
• [54] Lezoray O., Elmoataz A., Cardot H. et al.: Segmentation of color images from serous cytology for automated cell classification. Anal Quant Cytol 2000, 22, s. 311-322.
• [55] Lezoray O., Lebrun G., Meurie C. et al.: Machine learning in morphological segmentation. In: Handbook of Research on Advanced Techniques in Diagnostic Imaging and Biomedical Applications. Red.: T.P. Exarchos, A. Papadopoulos, D.I. Fotiadis. Information Science Reference, Hershey 2009.
• [56] Lezoray O., Lecluse M.: Automatic segmentation and classification of cells from broncho alveolar Iavage. Image Analysis and Stereology 2007, 26, s. 111-119.
• [57] Loukas C., Wilson G., Vojnovic B., Linney A.: An Image Analysis-Based Approach for Automated Counting of Cancer Cell Nuclei in Tissue Sections. Cytom Part A 2003, 55A, s. 30-42.
• [58] Marciniak A., Nieczkowski T., Obuchowicz A.: Color homogram for segmentation of fine needle biopsy images. Machine Graphics and Vision 2008, 17(1-2), s. 153-165.
• [59] Markiewicz T.: Sieci neuronowe SVM w zastosowaniu do klasyfikacji obrazów komórek szpiku kostnego. Rozprawa doktorska, Politechnika Warszawska, Warszawa 2005.
• [60] Markiewicz T., Grała B., Osowski S. et al.: Cell counting in brain tumors using semi-automatic system. 3rd Int. Conf. Pathology, Barcelona, 30 Aug.-3 Sept. 2008, Virchows Arch 2008, 452(1), s. 152.
• [61] Markiewicz T., Jochymski C., Koktysz R., Kozlowski W.: Automatic cell recognition in immunohistochemical Gastritis stains using sequential thresholding and SVM network. 5 Int. Conf. of Biomedical Imaging: From nano to macro, Paris, 14-17 May 2008, s. 971-974.
• [62] Markiewicz T., Kozlowski W., Patera J., Osowski S.: Automatyczna ocena ilościowa obrazów histologicznych przy użyciu sztucznych sieci neuronowych i morfologicznego przetwarzania obrazów. II Konf. Naukowo-Szkoieniowa Patomorfologów Wojska Polskiego, Jadwisin 2006.
• [63] Markiewicz T., Osowski S.: Data mining techniques for feature selection in blood cell recognition. 14th European Symp. on Artificial Neural Networks (ESANN), Bruges, 26-28 April 2006, s, 407-412.
• [64] Markiewicz T., Osowski S.: Morphological operation for blood cells extraction from the image of the bone marrow smear. Prz Elektrotechn 2008, 5, s. 24-26.
• [65] Markiewicz T., Osowski S., Jochymski C., Narbutt J., Kozłowski W.: Application of SVM for cell recognition in BCC skin pathology. 17th European Symp. on Artificial Neural Networks (ESANN), Bruges, 22-24 April 2009, s. 349-354.
• [66] Markiewicz T., Osowski S., Mariańska B.: White Blood Cell Automatic Counting System Based on Support Vector Machine. Lect Notes Comp Sc 2007, 4432, s. 373-381.
• [67] Markiewicz T., Osowski S., Mariańska B., Moszczyński L.: Automatic Recognition of the Blood Cells of Myelogenous Leukemia Using SVM. Int. Joint Conf. on Neural Network, Montreal, 31 July-4 Aug. 2005.
• [68] Markiewicz T., Osowski S., Moszczyński L.: Myelogenous leukemia cell image preprocessing for feature generation. Workshop Computational Methods in Electrical Engineering (CPEE), Jazłowiec, 26-29 Aug. 2003, s. 70-73.
• [69] Markiewicz T., Osowski S., Patera J., Kozlowski W.: Image processing for accurate recognition and counting of cells of the histological slides. Anal Quant Cytol 2006, 28, s. 281-292.
• [70] Markiewicz T., Wiśniewski P., Kozlowski W., Patera J.: Automatic cell counting in neuroblastoma. Prz Elektrotechn 2007, 2, s. 33-36.
• [71] Markiewicz T., Wiśniewski P., Osowski S. et al.: Comparative analysis of the methods for accurate recognition of cells in the nuclei staining of the Ki-67 in neuroblastoma and ER/PR status staining in breast cancer. Anal Quant Cytol 2009, 31(1), s. 49-62.
• [72] Matlab Image Processing Toolbox, user's guide. Math Works, Natick 2002.
• [73] McLendon R.E., Bigner D.D., Bigner S.H., Provenzale J.M.: Pathology of Tumours of the Central Nervous System. Arnold, London 2000.
• [74] Meurie C., Lezoray O., Charrier C., Elmoataz A.: Combination of multiple pixel classifiers for microscopic image segmentation. Int J Robot Autom (Special Issue on Colour Image Processing and Analysis for Machine Vision) 2005, 20(2), s. 63-69.
• [75] Morrison M.L., McCluggage W.G., Price G.J. et al.: Expert system support using a Bayesian belief network for the classification of endometrial hyperplasia. J Pathol 2002, 197, s. 403-414.
• [76] Moshin S.K., Weiss H., Havighurst T. et al.: Progesterone receptor by immunohistochemistry and clinical outcome in breast cancer: a validation study. Mod Pathol 2004, 17, s. 1545-1554.
• [77] Naik S., Doyle S., Agner S. et al.: Automated gland and nuclei segmentation for grading of prostate and breast cancer histopathology. 5 Int. Conf. of Biomedical Imaging: From nano to macro, Paris, 14-17 May 2008, s. 284-287.
• [78] Nefe R., Schlote W.: Histomorphometry of brain tumours. Neuropath Appl Neuro 2004, 30, s. 315-328.
• [79] Nieczkowski T., Obuchowicz A.: Application of cellular automaton for enhancing segmentation results of breast cancer fine needle biopsy microscope images. Proc. of Artificial Intelligence Studies 2006, 3, s. 71-78.
• [80] Nieczkowski T., Obuchowicz A.: Application of decision trees to filtering and segmentation of breast cancer fine needle biopsy microscope images. Biocybern Biomed Eng 2007, 27(4), s. 59-70.
• [81] Nieniewski M.: Morfologia matematyczna w przetwarzaniu obrazów. Akademicka Oficyna Wydawnicza PLJ, Warszawa 1998.
• [82] Nieniewski M., Serneels R.: Segmentation of Spinal Cord Images by Means of Watershed and Region Merging Together with Inhomogeneity Correction. Machine Graphics and Vision 2002, 11(1), s. 101-121.
• [83] Ogiela L., Tadeusiewicz R., Ogiela M,R.: Cognitive Computing in Analysis of 2D/3D Medical Images. Proc. of the IEEE IPC'2007 Int. Conf. on Intelligent Pervasive Computing, IEEE Conference Publishing Services, Los Alamitos 2007, s. 15-18.
• [84] Ogiela M.R., Tadeusiewicz R.: Artificial Intelligence Structural Imaging Techniques in Visual Pattern Analysis and Medical Data Understanding Pattern Recogn 2003, 36(10), s. 2441-2452.
• [85] Osowski S.: Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza PW, Warszawa 2006.
• [86] Osowski S., Brudzewski K., Markiewicz T., Ulaczyk J.: Neural methods of calibration of sensors for gas measurements and an aroma identification system. J Sens Stud 2008, 23(4), s. 533-557.
• [87] Osowski S., Markiewicz T.: Support Vector Machine for Recognition of White blood Cells of Leukaemia. In: Kemel Methods in Bioengineering, Signal and Image Processing. Red.: G. Camps-Valls, J.L. Rojo-Alvarez, M. Martinez-Ramon. Idea Group, Hershey 2007, s. 93-122.
• [88] Osowski S., Markiewicz T., Mariańska B., Moszczyński L.: Feature generation for the cell image recognition of myelogenous leukemia, 12th IEEE European Signal Processing Conf. (EUSIPCO), Vienna, 7-10 Sept. 2004, s. 753-756.
• [89] Osowski S., Markiewicz T., Tran Hoai L.: Recognition and classification system of arrhythmia using ensemble of neural networks. Measurement 2008, 41(6), s. 610-617.
• [90] Osowski S., Siroić R., Markiewicz T., Siwek K.: Application of Support Vector Machine and Genetic Algorithm for Improved Blood Cell Recognition. IEEE T Instrum Meas 2009, 58 (7), s. 2159-2168.
• [91] Osowski S., Tran Hoai L., Markiewicz T.: Support Vector Machine based expert system for reliable heart beat recognition. IEEE T Biomed Eng 2004, 51, s. 582-589.
• [92] Otsu N.: A threshold selection method from grey-level histograms. IEEE T Sys Man Cy 1979, 9, s. 62-66.
• [93] Piętka E.: Komputerowe wspomaganie diagnostyki obrazowej w medycynie. VII Konf. Diagnostyka Procesów Przemysłowych, DPP'05, Rajgród, 12-14 września 2005, s. 16-18.
• [94] Platt J.: Fast training of SVM using sequential optimization. In: Advances in kernel methods - support vector learning. Red.: B. Scholkopf, C. Burges, A. Smola. MIT Press, Cambridge 1998, s. 185-208.
• [95] Ruifrok A.C., Katz R., Johnson D.A.: Comparison of quantification of histochemical staining by Hue-saturation-intensity (HSI) transformation and color deconvolution. Appl Immunohisto M M 2003, 11, s. 85-91.
• [96] Santinelli A., Mazzucchelli R., Colanzi P., Tinca A., Montironi R.: Image processing, diagnostic information extraction and quantitative assessment in pathology. J Cell Mol Med2002, 6(1), s. 93-106.
• [97] Schölkopf B., Smola A.: Learning with Kernels. MIT Press, Cambridge 2002.
• [98] Schupp S., Elmoataz A., Herlin P., Bloyet D.: Mathematical Morphologic Segmentation Dedicated to Quantitative Immunohistochemistry. Anal Quant Cytol 2001, 23, s. 257-267,
• [99] Schwab M., Shimada H., Joshi V., Brodeur G.M.: Neuroblastic tumours of adrenal gland and sympathetic nervous system. In: Pathology and Genetics of Tumours of the Nervous System. Red.: P. Kleihues, W.K. Cavense. World Hearth Organization Classification of Tumours, International Agency for Research on Cancer (IARC), Lyon 2000.
• [100] Shimada H., Chatten J., Newton W.A.Jr. et al.: Histopatologic prognostic factors in neroblastic tumors: definition of subtypes of ganglioneuroblastoma and age-linked classification of neuroblastomas. J Natl Cancer Inst 1984, 73, s. 405-416.
• [101] Silvenberg S.G., DeLellis R.A., Frable W.J.: Principles and practice of surgical pathology and cytopathology. Churchill Livingslone, New York 1997.
• [102] Siroić R., Osowski S., Markiewicz T., Siwek K.: Feature Selection for the Blood Cell Recognition Using Genetic Algorithm. VII Int. Workshop Computational Problems in Electrical Engineering (CPEE), Odessa, 25-28 Aug. 2006, s. 90-93.
• [103] Siroić R., Osowski S., Markiewicz T., Siwek K.: Support Vector Machine and Genetic Algorithm for Efficient Blood Cell Recognition. IEEE Instrumentation and Measurement Technology Conf. (IMTC), Warsaw, 1-3 May 2007.
• [104] Slodkowska J., Filas V., Wojciechowski M. et al.: The Collaborative Study on Breast Carcinoma HER2/neu and Hormonal Receptors Assessed by Automated Images Analysis Systems: ACIS III (Dako) and ScanScope (Aperio). Workshop: Quantitative Immunohistochemistry in Digital Pathology, Warsaw, 29 Nov. 2008.
• [105] Soille P.: Morphological Image Analysis, Principles and Applications. Springer, Berlin 2003.
• [106] Spinczyk D.: Lungs Segmentation using deformable templates. Proc. VIII Int. PhD Workshop OWD'2006, Wisła, 21-24 October 2006, s. 330-335.
• [107] Spyridonos P., Cavouras D., Ravazoula P., Nikiforidis G.: Neural Network-Based Segmentation and Classification System for Automated Grading of Histologic Section of Bladder Carcinoma. Anal Quant Cytol 2002, 24, s. 317-324.
• [108] Stachura J., Domagała W.: Patologia znaczy słowo o chorobie. PAU, Kraków 2008.
• [109] Strzelecki M., Materka A., Sygut J., Zalewska A.: Digital Image Processing Methods for Morphological Characterization of Mast Cells in Selected Skin Diseases. Image Processing & Communications 2000, 5(1), s. 45-56.
• [110] Szczypinski P., Strzelecki M., Materka A., Klepaczko A.: MaZda-A software package for image texture analysis. Comput Meth Prog Bio 2009, 94(1), s. 66-76.
• [111] Tadeusiewicz R.: Sieci neuronowe w inżynierii biomedycznej. Inżynieria Biomedyczna 2007, 13(3), s. 184-189.
• [112] Tadeusiewicz R., Korohoda P.: Komputerowa analiza i przetwarzanie obrazów. Wyd. Fundacji Postępu Telekomunikacji, Kraków 1997.
• [113] Tadeusiewicz R., Ogiela M.R.: Medical Image Understanding Technology, Series: Studics in Fuzziness and Soft Computing, vol. 156, Springer, Berlin 2004.
• [114] Tadeusiewicz R., Ogiela M.R.: Processing, analysis, recognition, and automatic understanding of medical images. Optical Methods, Sensors, Image Processing, and Visualization in Medicine, Proc. of SPIE, (Progress in Biomedical Optics and Imaging vol. 5, No. 31). Red.: A. Nowakowski, B.B. Kosmowski. SPIE, Bellingham 2004, 5505, s. 101-109.
• [115] Tanaka N., Ikeda H., Ueno T. et al.: Fundamental study of cytoscreening for uterine cancer: New system for automated apparatus (CYBEST) utilizing pattern recognition method. Acta Cytol 1977, 21, s. 72-85.
• [116] Tolles W.E.: The cytoanalyser: an example of physics in medical research. Trans NY Acad Sci 1955, 17, s. 250-259.
• [117] Tzaneva M., Julianov A.: Chromogranin A-, somatostatin- and serotonin-containing endocrine cells in the corporal gastric mucosa of patients with Helicobacter pylori associated gastritis. Endocr Regul 1999, 33(2), s. 79-82.
• [118] Vapnik V.: Statistical Learning Theory. Wiley, New York 1998.
• [119] Wang X., Zheng B., Li S. et al.: Automated Segmentation and analysis of fluorescent in situ hybridization (FISH) signals in interphase nuclei of pap-smear specimens. In: Dynamics and Fluctuations in Biomedical Photonics VI. Red.: X. Wang, B. Zheng, S. Li et al. Proc. of the SPIE. SPIE, Bellingham 2009, 7176, s. 717609-717609-8
• [120] Wojciechowski M.: Morphometry and Image Analysis in Optical and Digital Microscopy. Workshop: Quantitative Immunohistochemistry in Digital Pathology, Warsaw, 29 Nov. 2008.
• [121] Zieliński K.W., Strzelecki M.: Komputerowa analiza obrazu biomedycznego. Wyd. Nauk. PWN, Warszawa 2002.