Застосування методу лінійної регресії для аналізу кількісних характеристик цитологічних зображень

dc.citation.epage77
dc.citation.issue1
dc.citation.journalTitleУкраїнський журнал інформаційних технологій
dc.citation.spage73
dc.citation.volume3
dc.contributor.affiliationНаціональний університет “Львівська політехніка”
dc.contributor.affiliationЗахідноукраїнський національний університет
dc.contributor.affiliationТернопільський національний медичний університет
dc.contributor.affiliationLviv Polytechnic National University
dc.contributor.affiliationWest Ukrainian National University
dc.contributor.affiliationTernopil National Medical University
dc.contributor.authorБерезький, О. М.
dc.contributor.authorПіцун, О. Й.
dc.contributor.authorМельник, Г. М.
dc.contributor.authorДацко, Т. В.
dc.contributor.authorBerezsky, O. M.
dc.contributor.authorPitsun, O. Yo.
dc.contributor.authorMelnyk, G. M.
dc.contributor.authorDatsko, T. V.
dc.coverage.placenameЛьвів
dc.coverage.placenameLviv
dc.date.accessioned2023-03-23T10:27:00Z
dc.date.available2023-03-23T10:27:00Z
dc.date.created2021-10-10
dc.date.issued2021-10-10
dc.description.abstractПроаналізовано патологічні стани молочної залози на підставі дослідження цитологічних зображень. Цитологічні зображення – це окремий клас біомедичних зображень і використовуються для діагностування онкологічних захворювань. Для діагностування передракових і ракових станів та тактики лікування лікарі-діагности використовують цитологічні, гістологічні та імуногістохімічні зображення. Для автоматизації процесу діагностування в онкології використовують системи автоматизованої мікроскопії. У системах автоматизованої мікроскопії використовують алгоритми комп’ютерного зору. Останнім часом для класифікації зображень використовують алгоритми машинного навчання Опрацювання мікроскопічних зображень є складним і трудомістким процесом, оскільки зображення характеризуються високим рівнем шуму та відсутністю чітких контурів ядер клітин. Для обчислення кількісних характеристик ядер клітин цитологічних зображень розроблено метод обчислення кількісних характеристик ядер клітин на підставі алгоритмів фільтрації зображень та їх автоматичної сегментації. Для сегментації ядер клітин розроблено архітектуру згорткової нейронної мережі типу U-Net. У цій статті розроблено метод опрацювання цитологічних зображень. Метод складається з шести етапів. На першому етапі відбувається завантаження зображення у пам’ять комп’ютера, на другому – попереднє оброблення зображень. На третьому етапі здійснюється автоматична сегментація зображень на підставі згорткової нейронної мережі типу U-Net. На четвертому етапі виконується обчислення кількісних характеристик ядер клітин. На п’ятому етапі кількісні характеристик ядер клітин зберігаються в базі даних. На шостому етапі застосовують алгоритми лінійної регресії для отримання кількісних характеристик ядер клітин. Сьогодні лінійна регресія є одним із поширених підходів машинного навчання до аналізу даних. Здійснено порівняльний аналіз застосування кількісних характеристик ядер клітин на підставі лінійної регресії. Наукова новизна роботи полягає у розробленні методу обчислення кількісних характеристик ядер клітин, який містить етапи фільтрації зображень та автоматичної сегментації на підставі використання нейронної мережі типу U-Net. Практичне значення роботи – програмна реалізація модулів попереднього оброблення цитологічного зображення та лінійної регресії. Досліджено, що у сукупності параметрів “площа, довжина головної осі” в 1,4 разу менша похибка RMSE порівняно із сукупністю “площа, периметр”.
dc.description.abstractThis article analyzes the pathological conditions of the breast based on the study of cytological images. Cytological images are a separate class of biomedical images and are used in the diagnosis of cancer. For diagnose precancerous and cancerous conditions and treatment tactics, diagnosticians use cytological, histological, and immunohistochemical images. For automating the process of diagnosis in oncology, automated microscopy systems are used. Automated microscopy systems use computer vision algorithms. Recently, machine learning algorithms have been used to classify images. Microscopic image processing is a complex and time-consuming process, as the images are characterized by high noise levels and the absence of clear contours of cell nuclei. To calculate the quantitative characteristics of cell nuclei cytological images, the method for calculating the quantitative characteristics of cell nuclei based on image filtering algorithms and their automatic segmentation has been developed. An U-Net convolutional neural network architecture has been developed for cell nucleus segmentation. In this work, the method of processing cytological images is developed. The method consists of six stages. The first step is to load the image into the computers memory. In the second stage, the images are preprocessed. The third stage is the automatic segmentation of images based on the convolutional neural network of the U-Net type. In the fourth stage, the quantitative characteristics of cell nuclei are calculated. In the fifth stage, the quantitative characteristics of the cell nuclei are stored in a database. In the sixth stage, linear regression algorithms are used to obtain quantitative characteristics of cell nuclei. Currently, linear regression is one of the common approaches of machine learning to data analysis. In this work, the comparative analysis of the quantitative characteristics application in cell nuclei is carried out based on linear regression. The scientific novelty of the work is development the method for calculating the quantitative characteristics of cell nuclei, which includes stages of image filtering and automatic segmentation based on the use of a neural network such as U-Net. The practical significance of the work is the software implementation of the preprocessing modules and linear regression. In particular, investigated that the set of parameters “area, length of the main axis” has 1.4 times less RMSE error compared to the set “area, perimeter”.
dc.format.extent73-77
dc.format.pages5
dc.identifier.citationЗастосування методу лінійної регресії для аналізу кількісних характеристик цитологічних зображень / О. М. Березький, О. Й. Піцун, Г. М. Мельник, Т. В. Дацко // Український журнал інформаційних технологій. — Львів : Видавництво Львівської політехніки, 2021. — Том 3. — № 1. — С. 73–77.
dc.identifier.citationenBerezsky O. M., Pitsun O. Yo., Melnyk G. M., Datsko T. V. (2021) Zastosuvannia metodu liniinoi rehresii dlia analizu kilkisnykh kharakterystyk tsytolohichnykh zobrazhen [Application of linear regression method for analysis of cytological images quantitative characteristics]. Ukrainian Journal of Information Technology (Lviv), vol. 3, no 1, pp. 73-77 [in Ukrainian].
dc.identifier.doihttps://doi.org/10.23939/ujit2021.03.073
dc.identifier.urihttps://ena.lpnu.ua/handle/ntb/57763
dc.language.isouk
dc.publisherВидавництво Львівської політехніки
dc.publisherLviv Politechnic Publishing House
dc.relation.ispartofУкраїнський журнал інформаційних технологій, 1 (3), 2021
dc.relation.ispartofUkrainian Journal of Information Technology, 1 (3), 2021
dc.relation.references[1] Abdulqader, Q. (2017). Applying the Binary Logistic Regression Analysis on The Medical Data. Science Journal of University of Zakho, 5(4), 330–334. https://doi.org/10.25271/2017.5.4.388
dc.relation.references[2] Altman, N. & Krzywinski, M. (2015). Simple linear regression. Nat Methods, 12, 999–1000. https://doi.org/10.1038/nmeth.3627
dc.relation.references[3] Berezsky, O. M. (Ed.) (2017). Methods, algorithms and software for processing biomedical images. Ternopil: Ekonomichna dumka, TNEU, 330. [In Ukrainian].
dc.relation.references[4] Berezsky, O. M., Melnyk, G. M. & Berezka, K. M. (2013). Fuzzy knowledge base of the intelligent system for diagnosing breast cancer. Visnyk Khmelnytskoho natsionalnoho universytetu. Tekhnichni nauky, 6, 284–291. [In Ukrainian].
dc.relation.references[5] Berezsky, O. M., Melnyk, G. M., Batko, Y. M., & Datsko, T. V. (2013). Intelligent system for diagnosing various forms of breast cancer based on the analysis of histological and cytological images. Scientific Bulletin of UNFU, 23(13), 357–367. [In Ukrainian].
dc.relation.references[6] Berezsky, O., Pitsun, O., Dubchak, L., Berezka, K., Dolynyuk, T., & Derish, B. (2020). Cytological Images Clustering of Breast Pathologies. 2020 IEEE 15th International Conference on Computer Sciences and Information Technologies (CSIT), Zbarazh, Ukraine, 62–65. https://doi.org/10.1109/CSIT49958.2020.9321867
dc.relation.references[7] Deepa, S. N. & Aruna Devi, B. (2011). A survey on artificial intelligence approaches for medical image classification. Indian Journal of Science and Technology, 4(11), 1583–1595. https://doi.org/10.17485/ijst/2011/v4i11.35
dc.relation.references[8] Dreiseitl, S. & Ohno-Machado, L. (2002). Logistic regression and artificial neural network classification models: a methodology review. Journal of Biomedical Informatics, 35(5–6), 352–359. https://doi.org/10.1016/s1532-0464(03)00034-0
dc.relation.references[9] Fabijańska, A. & Sankowski, D. (2011). Noise adaptive switching median-based filter for impulse noise removal from extremely corrupted images. IET Image Processing, 5(5), 472–480. https://doi.org/10.1049/iet-ipr.2009.0178
dc.relation.references[10] Omer, A. A., Hassan, O. I., Ahmed, A. I. & Abdelrahman, A. (2018). Denoising CT Images using Median based Filters: a Review. International Conference on Computer, Control, Electrical and Electronics Engineering (ICCCEEE). Khartoum, Sudan, 1–6. https:// doi.org/10.1109/ICCCEEE.2018.8515829
dc.relation.references[11] Tian, C., Fei, L., Zheng, W., Xu, Y., Zuo, W., & Lin, C.- W. (2020). Deep learning on image denoising: An overview. Neural Networks, 131, 251–275. https:// doi.org/10.1016/j.neunet.2020.07.025
dc.relation.references[12] Zhang, J., Xiea, Y., Wu, Q. & Xia Y. (2019). Medical image classification using synergic deep learning. Medical Image Analysis, 54, 10–19. https://doi.org/10.1016/j.media.2019.02.010
dc.relation.references[13] Zhu, Y., & Huang, C. (2012). An Improved Median Filtering Algorithm for Image Noise Reduction. Physic
dc.relation.referencesen[1] Abdulqader, Q. (2017). Applying the Binary Logistic Regression Analysis on The Medical Data. Science Journal of University of Zakho, 5(4), 330–334. https://doi.org/10.25271/2017.5.4.388
dc.relation.referencesen[2] Altman, N. & Krzywinski, M. (2015). Simple linear regression. Nat Methods, 12, 999–1000. https://doi.org/10.1038/nmeth.3627
dc.relation.referencesen[3] Berezsky, O. M. (Ed.) (2017). Methods, algorithms and software for processing biomedical images. Ternopil: Ekonomichna dumka, TNEU, 330. [In Ukrainian].
dc.relation.referencesen[4] Berezsky, O. M., Melnyk, G. M. & Berezka, K. M. (2013). Fuzzy knowledge base of the intelligent system for diagnosing breast cancer. Visnyk Khmelnytskoho natsionalnoho universytetu. Tekhnichni nauky, 6, 284–291. [In Ukrainian].
dc.relation.referencesen[5] Berezsky, O. M., Melnyk, G. M., Batko, Y. M., & Datsko, T. V. (2013). Intelligent system for diagnosing various forms of breast cancer based on the analysis of histological and cytological images. Scientific Bulletin of UNFU, 23(13), 357–367. [In Ukrainian].
dc.relation.referencesen[6] Berezsky, O., Pitsun, O., Dubchak, L., Berezka, K., Dolynyuk, T., & Derish, B. (2020). Cytological Images Clustering of Breast Pathologies. 2020 IEEE 15th International Conference on Computer Sciences and Information Technologies (CSIT), Zbarazh, Ukraine, 62–65. https://doi.org/10.1109/CSIT49958.2020.9321867
dc.relation.referencesen[7] Deepa, S. N. & Aruna Devi, B. (2011). A survey on artificial intelligence approaches for medical image classification. Indian Journal of Science and Technology, 4(11), 1583–1595. https://doi.org/10.17485/ijst/2011/v4i11.35
dc.relation.referencesen[8] Dreiseitl, S. & Ohno-Machado, L. (2002). Logistic regression and artificial neural network classification models: a methodology review. Journal of Biomedical Informatics, 35(5–6), 352–359. https://doi.org/10.1016/s1532-0464(03)00034-0
dc.relation.referencesen[9] Fabijańska, A. & Sankowski, D. (2011). Noise adaptive switching median-based filter for impulse noise removal from extremely corrupted images. IET Image Processing, 5(5), 472–480. https://doi.org/10.1049/iet-ipr.2009.0178
dc.relation.referencesen[10] Omer, A. A., Hassan, O. I., Ahmed, A. I. & Abdelrahman, A. (2018). Denoising CT Images using Median based Filters: a Review. International Conference on Computer, Control, Electrical and Electronics Engineering (ICCCEEE). Khartoum, Sudan, 1–6. https:// doi.org/10.1109/ICCCEEE.2018.8515829
dc.relation.referencesen[11] Tian, C., Fei, L., Zheng, W., Xu, Y., Zuo, W., & Lin, C, W. (2020). Deep learning on image denoising: An overview. Neural Networks, 131, 251–275. https:// doi.org/10.1016/j.neunet.2020.07.025
dc.relation.referencesen[12] Zhang, J., Xiea, Y., Wu, Q. & Xia Y. (2019). Medical image classification using synergic deep learning. Medical Image Analysis, 54, 10–19. https://doi.org/10.1016/j.media.2019.02.010
dc.relation.referencesen[13] Zhu, Y., & Huang, C. (2012). An Improved Median Filtering Algorithm for Image Noise Reduction. Physic
dc.relation.urihttps://doi.org/10.25271/2017.5.4.388
dc.relation.urihttps://doi.org/10.1038/nmeth.3627
dc.relation.urihttps://doi.org/10.1109/CSIT49958.2020.9321867
dc.relation.urihttps://doi.org/10.17485/ijst/2011/v4i11.35
dc.relation.urihttps://doi.org/10.1016/s1532-0464(03)00034-0
dc.relation.urihttps://doi.org/10.1049/iet-ipr.2009.0178
dc.relation.urihttps://doi.org/10.1016/j.media.2019.02.010
dc.rights.holder© Національний університет „Львівська політехніка“, 2021
dc.subjectавтоматична сегментація
dc.subjectцитологічні зображення
dc.subjectнейронна мережа типу U-Net
dc.subjectпопереднє оброблення
dc.subjectлінійна регресія
dc.subjectautomatic segmentation
dc.subjectcytological images
dc.subjectU-Net neural network
dc.subjectpreprocessing
dc.subjectlinear regression
dc.subject.udc004.93
dc.titleЗастосування методу лінійної регресії для аналізу кількісних характеристик цитологічних зображень
dc.title.alternativeApplication of linear regression method for analysis of cytological images quantitative characteristics
dc.typeArticle

Files

Original bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
2021v3n1_Berezsky_O_M-Application_of_linear_73-77.pdf
Size:
1.06 MB
Format:
Adobe Portable Document Format

License bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.86 KB
Format:
Plain Text
Description: