10.14489/td.2026.10.pp.076-082

2026, 10 октябрь (October)

DOI: 10.14489/td.2026.10.pp.076-082

Егорчев А. А., Росин А. А., Асауленко З. П., Чикрин Д. Е., Павельев М. Н.
КАСКАДНОЕ АЛГОРИТМИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ИНФОРМАЦИОННО-ИЗМЕРИТЕЛЬНОЙ СИСТЕМЫ СКАНИРУЮЩЕГО МИКРОСКОПА ДЛЯ ОБРАБОТКИ ПОЛНОСЛАЙДОВЫХ СНИМКОВ КОСТНОГО МОЗГА И АНАЛИЗА
(с. 76-82)

Аннотация. Предложено каскадное алгоритмическое обеспечение информационно-измерительной системы сканирующего микроскопа для автоматизированного анализа мегакариоцитов на полнослайдовых изображениях костного мозга. Предложенный подход существенно снижает вычислительную нагрузку, обусловленную гигапиксельным размером изображений, и формирует объектное представление результатов для последующей морфометрии. На пониженном уровне пирамиды нейросетевая модель строит карту вероятности присутствия мегакариоцитов и выделяет опорные точки объектов-кандидатов. Вокруг каждой точки на нулевом уровне извлекается фрагмент размером 384×384 пкс, на котором выполняются сегментация и подтверждение клетки. Полученные маска, ограничивающий прямоугольник, центроид и признаки преобразуются в глобальные координаты изображения и сохраняются в объектной таблице. Выборка включает 40 полнослайдовых изображений, 37 410 точечных аннотаций, 3983 полигона клеток и 4844 полигона ядер. На выбранном тестовом изображении полнота локализации точек составила 0,810, покрытие точек локальными фрагментами – 0,917, а покрытие полигонально размеченных клеток – 0,939. При независимой оценке локального этапа на 99 эталонных фрагментах средние значения коэффициента Дайса и меры пересечения над объединением составили 0,852 и 0,759 соответственно. Полученные результаты подтверждают применимость разработанного алгоритмического обеспечения для количественного анализа мегакариоцитов.

Ключевые слова: информационно-измерительная система сканирующей микроскопии, полнослайдовые изображения, костный мозг, мегакариоциты, каскадная обработка изображений, сегментация отдельных объектов, объектное представление, морфометрический анализ, нейронные сети.

Egorchev A. A., Rosin A. A., Asaulenko Z. P., Chikrin D. E., Paveliev M. N.
CASCADED ALGORITHMIC SUPPORT FOR AN INFORMATION-MEASUREMENT SYSTEM OF A SCANNING MICROSCOPE FOR PROCESSING WHOLE-SLIDE BONE-MARROW IMAGES AND ANALYSING MEGAKARYOCYTES
(pp. 76-82)

Abstract. This paper proposes cascaded algorithmic support for an information and measurement system of a slide-scanning microscope intended for automated analysis of megakaryocytes in bone marrow whole-slide images. Cascaded processing reduces the computational burden associated with gigapixel images and produces an object-level representation suitable for subsequent morphometric analysis. At a lower level of the image pyramid, a neural network generates a megakaryocyte probability map and identifies anchor points of candidate objects. For each point, a 384×384-pixel region is extracted at the highest-resolution level, where cell segmentation and validation are performed. The resulting mask, bounding box, centroid, and calculated features are transformed into the global coordinate system of the whole-slide image and stored in an object table. The dataset comprises 40 whole-slide images, 37.410 point annotations, 3,983 cell polygons, and 4.844 nucleus polygons. For the selected test image, point localization recall was 0.810, point coverage by local regions was 0.917, and coverage of polygon-annotated cells was 0.939. In an independent evaluation of the local stage using 99 reference regions, the mean Dice coefficient and intersection over union were 0.852 and 0.759, respectively. The results confirm the applicability of the proposed algorithmic support to object-level representation and quantitative analysis of megakaryocytes.

Keywords: information and measurement system, slide-scanning microscopy, whole-slide images, bone marrow, megakaryocytes, cascaded image processing, instance segmen-tation, object-level representation, morphometric analysis, neural networks.

+ - Информация об авторах (About the Authors) Click to collapse

Рус

А. А. Егорчев, А. А. Росин, З. П. Асауленко, Д. Е. Чикрин, М. Н. Павельев (Институт вычислительной математики и информационных технологий, Казанский (Приволжский) федеральный университет, Казань, Россия) E-mail: Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.

Eng

A. A. Egorchev, A. A. Rosin, Z. P. Asaulenko, D. E. Chikrin, M. N. Paveliev (Institute of Computational Mathematics and Information Technology, Kazan Federal University, Kazan, Russia) E-mail: Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.

+ - Библиографический список (References) Click to collapse

Рус

1. Шереметьева Т. А., Малов А. М., Филиппов Г. Н. Обработка изображений и морфометрические измерения объектов в микроскопии // Известия высших учебных заведений. Приборостроение. 2009. Т. 52, № 8. С. 68 – 73.
2. Xu H., Usuyama N., Bagga J., et al. A whole-slide foundation model for digital pathology from real-world data // Nature. 2024. Vol. 630, No. 8015. P. 181 – 188.
3. Chen R. J., Ding T., Lu M. Y., et al. Towards a general-purpose foundation model for computational pathology // Nature Medicine. 2024. Vol. 30. P. 850 – 862.
4. Ghete T., Kock F., Pontones M., et al. Models for the marrow: a comprehensive review of AI-based cell classification methods and malignancy detection in bone marrow aspirate smears // HemaSphere. 2024. Vol. 8. Art. e70048.
5. Wang X., Wang Y., Qi C., et al. The application of Morphogo in the detection of megakaryocytes from bone marrow digital images with convolutional neural networks // Technology in Cancer Research & Treatment. 2023. Vol. 22. No 7.
6. Tayebi R. M., Mu Y., Dehkharghanian T., et al. Automated bone marrow cytology using deep learning to generate a histogram of cell types // Communications Medicine. 2022. Vol. 2, No. 1.
7. Qu H., Wu P., Huang Q., et al. Weakly supervised deep nuclei segmentation using partial points annotation in histopathology images // IEEE Transactions on Medical Imaging. 2020. Vol. 39, No. 11. P. 3655 – 3666.
8. Ronneberger O., Fischer P., Brox T. U-Net: convolutional networks for biomedical image segmentation // Medical Image Computing and Computer-Assisted Intervention. Munich, Germany. 5 – 9 oct. 2015. Munich: Springer, 2015. Vol. 9135. P. 234 – 241.
9. He K., Gkioxari G., Dollár P., Girshick R. Mask R-CNN // Proceedings of the IEEE International Conference on Computer Vision. Venice, Italy, Oct. 22 – 29, 2017. Venice, 2017. P. 2961 – 2969.
10. Jha A., Yang H., Deng R., et al. Instance segmentation for whole slide imaging: end-to-end or detect-then-segment // Journal of Medical Imaging. 2021. Vol. 8, No. 1. Art. 014001.
11. Ma J., He Y., Li F., et al. Segment anything in medical images // Nature Communications. 2024. Vol. 15. Art. 654.
12. Stringer C., Wang T., Michaelos M., Pachitariu M. Cellpose: a generalist algorithm for cellular segmentation // Nature Methods. 2021. Vol. 18. P. 100 – 106.
13. Tellez D., Litjens G., Bándi P., et al. Quantifying the effects of data augmentation and stain color normalization in convolutional neural networks for computational pathology // Medical Image Analysis. 2019. Vol. 58. Art. 101544.

Eng

1. Sheremeteva, T. A., Malov, A. M., & Filippov, G. N. (2009). Image processing and morphometric measurements of objects in microscopy. Izvestiya vysshikh uchebnykh zavedeniy. Priborostroenie, 52(8), 68–73. [in Russian language].
2. Xu, H., Usuyama, N., Bagga, J., et al. (2024). A whole-slide foundation model for digital pathology from real-world data. Nature, 630(8015), 181–188.
3. Chen, R. J., Ding, T., Lu, M. Y., et al. (2024). Towards a general-purpose foundation model for computational pathology. Nature Medicine, 30, 850–862.
4. Ghete, T., Kock, F., Pontones, M., et al. (2024). Models for the marrow: A comprehensive review of AI-based cell classification methods and malignancy detection in bone marrow aspirate smears. HemaSphere, 8, Article e70048.
5. Wang, X., Wang, Y., Qi, C., et al. (2023). The application of Morphogo in the detection of megakaryocytes from bone marrow digital images with convolutional neural networks. Technology in Cancer Research & Treatment, 22(7).
6. Tayebi, R. M., Mu, Y., Dehkharghanian, T., et al. (2022). Automated bone marrow cytology using deep learning to generate a histogram of cell types. Communications Medicine, 2(1).
7. Qu, H., Wu, P., Huang, Q., et al. (2020). Weakly supervised deep nuclei segmentation using partial points annotation in histopathology images. IEEE Transactions on Medical Imaging, 39(11), 3655–3666.
8. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation. In Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015 (Vol. 9135, pp. 234–241). Springer.
9. He, K., Gkioxari, G., Dollár, P., & Girshick, R. (2017). Mask R-CNN. In Proceedings of the IEEE International Conference on Computer Vision (ICCV) (pp. 2961–2969). IEEE.
10. Jha, A., Yang, H., Deng, R., et al. (2021). Instance segmentation for whole slide imaging: End-to-end or detect-then-segment. Journal of Medical Imaging, 8(1), Article 014001.
11. Ma, J., He, Y., Li, F., et al. (2024). Segment anything in medical images. Nature Communications, 15, Article 654.
12. Stringer, C., Wang, T., Michaelos, M., & Pachitariu, M. (2021). Cellpose: A generalist algorithm for cellular segmentation. Nature Methods, 18, 100–106.
13. Tellez, D., Litjens, G., Bándi, P., et al. (2019). Quantifying the effects of data augmentation and stain color normalization in convolutional neural networks for computational pathology. Medical Image Analysis, 58, Article 101544.

+ - Заказать электронную версию статьи (Purchase digital version of a single article) Click to collapse

Рус

Статью можно приобрести в электронном виде (PDF формат).

DOI: 10.14489/td.2026.10.pp.076-082

Скопируйте DOI статьи и перейдите по ссылке https://id-spektr.ru/product/pokupka-elektronnoy-stati-iz-zhurnala-kontrol-diagnostika

В комментарии к заказу обязательно укажите DOI статьи.

Eng

This article is available in electronic format (PDF).

DOI: 10.14489/td.2026.10.pp.076-082

Copy the article DOI and follow the link https://id-spektr.ru/product/pokupka-elektronnoy-stati-iz-zhurnala-kontrol-diagnostika

Please specify the article DOI in the order comments.