Для цитирования:
Ганигин С. Ю., Давыдов А. Н., Нечаев А. С., Киященко В. В. Разработка и анализ алгоритма обнаружения множественных экземпляров объекта на микроскопических изображениях с использованием численных методов // Известия Саратовского университета. Новая серия. Серия: Математика. Механика. Информатика. 2025. Т. 25, вып. 1. С. 116-127. DOI: 10.18500/1816-9791-2025-25-1-116-127, EDN: UVLBDK
Разработка и анализ алгоритма обнаружения множественных экземпляров объекта на микроскопических изображениях с использованием численных методов
В данной работе представлен метод обнаружения объектов на изображениях микроскопии, сфокусированный на поиске частиц. Основная цель исследования заключается в разработке алгоритма, способного эффективно находить множественные экземпляры объектов в различных сценариях, сохраняя при этом специфичность для структур интереса. Алгоритм базируется на использовании экстремальных областей в качестве кандидатов для обнаружения с последующей оценкой этих областей при помощи обученных параметров. Одним из ключевых элементов алгоритма является встроенное ограничение на неперекрытие, что позволяет ему эффективно обрабатывать кластеризацию частиц. Результаты экспериментов на различных наборах микроскопических данных подтверждают устойчивость метода к изменениям в интенсивности изображений, плотности и размеров частиц. Данный алгоритм является полезным инструментом для разработки методов обнаружения объектов на изображениях микроскопии и может быть применен в научных и медицинских исследованиях.
- Puchkov E. Image analysis in microbiology: A review // Journal of Computer and Communications. 2016. Vol. 4, iss. 15. P. 8–32. https://doi.org/10.4236/jcc.2016.415002
- Spahn C., Gomez-de-Mariscal E., Laine R. F., Pereira P. M., Chamier L., Conduit M., Pinho M. G., Jacquemet G., Holden S., Heilemann M., Henriques R. DeepBacs for multi-task bacterial image analysis using open-source deep learning approaches // Communications Biology. 2022. Iss. 5. Art. 688. https://doi.org/10.1038/s42003-022-03634-z
- Su P.-T., Liao C.-T., Roan J.-R., Wang S.-H., Chiou A., Syu W.-J. Bacterial colony from two-dimensional division to three-dimensional development // PloS ONE. 2023. Vol. 7, iss. 11. Art. e48098. https://doi.org/10.1371/journal.pone.0048098
- Замятин Д. А., Поротников А. В., Щапова Ю. В., Вотяков С. Л. JPD-анализ микроскопических изображений в исследовании структурно-химической неоднородности зерен природного циркона // Минералы: строение, свойства, методы исследования. 2014. Вып. 6. С. 26–27. EDN: YMSLCU
- Полищук С. В., Смехун Я. А. Анализ элекронно-микроскопических изображений с использованием спектральных характеристик // Международный научно-исследовательский журнал. 2014. Вып. 4–1 (23). С. 65–67. EDN: SCQPCB
- Беляева Л. А., Шурыгина О. В., Юхимец С. Н., Петрова А. А., Миронов С. Ю., Ратенкова Н. В., Кулакова О. В., Бовтунова С. С. Автоматизированный и ручной анализ спермы: сравнительная характеристика // Морфологические ведомости. 2022. Т. 30, вып. 4. С. 9–15. https://doi.org/10.20340/mv-mn.2022.30(4).704, EDN: JGHSAW
- Wei X., Liu Yo., Song Q., Zou J., Wen Zh., Li J., Jie D. Microscopic hyperspectral imaging and an improved detection model based detection of Mycogone perniciosa chlamydospore in soil // European Journal of Agronomy. 2024. Vol. 152. Art. 127007. https://doi.org/10.1016/j.eja.2023.127007
- Khan S., Sajjad M., Abbas N., Escorcia-Gutierrez J., Gamarra M., Khan M. Efficient leukocytes detection and classification in microscopic blood images using convolutional neural network coupled with a dual attention network // Computers in Biology and Medicine. 2024. Vol. 174. Art. 108146. https://doi.org/10.1016/j.compbiomed.2024.108146
- Han Zh., Huang H., Lu D., Fan Q., Ma Ch., Chen X., Gu Q., Chen Q. One-stage and lightweight CNN detection approach with attention: Application to WBC detection of microscopic images // Computers in Biology and Medicine. 2023. Vol. 154. Art. 106606. https://doi.org/10.1016/j.compbiomed.2023.106606
- Ван Ц. И., Воронов В. И. Анализ результатов компьютерной томографии головного мозга с помощью сверточной нейронной сети // DSPA: Вопросы применения цифровой обработки сигналов. 2020. Т. 10, вып. 1. С. 32–40. EDN: OFBSSY
- Sun M., Wang W., Zhu X., Liu J. Reparameterizing and dynamically quantizing image features for image generation // Pattern Recognition. 2024. Vol. 146. Art. 109962. https://doi.org/10.1016/j.patcog.2023.109962
- Pawlowski J., Majchrowska S., Zhu X., Golan T. Generation of microbial colonies dataset with deep learning style transfer // Scientific Reports. 2022. Vol. 12. Art. 5212. https://doi.org/10.1038/s41598-022-09264-z
- Panic B., Borovinsek M., Vesenjak M., Oman S., Nagode M. A guide to unsupervised image segmentation of mCT-scanned cellular metals with mixture modelling and Markov random fields // Materials and Design. 2024. Vol. 239. Art. 112750. https://doi.org/10.1016/j.matdes.2024.112750
- Franti P., Mariescu-Istodor R. Soft precision and recall // Pattern Recognition Letters. 2023. Vol. 167. P. 115–121. https://doi.org/10.1016/j.patrec.2023.02.005
- 119 просмотров