informИнформатикаInformatics1816-03012617-6963UIIP NASBinform-871Research ArticleОБРАБОТКА СИГНАЛОВ, ИЗОБРАЖЕНИЙ, РЕЧИ, ТЕКСТА И РАСПОЗНАВАНИЕ ОБРАЗОВSIGNAL, IMAGE, SPEECH, TEXT PROCESSING AND PATTERN RECOGNITIONСтатистическая классификация эритроцитов при наследственном сфероцитозе на основе спектральных признаков АСМ-изображений поверхностей клетокStatistical classification of erythrocytes in hereditary spherocytosis based on the spectral features of cell surfaces’ AFM imagesСтародубцевИ. Е.StarodubtsevI. E.

аспирант

istarodubtsev.science@gmail.comХаринЮ. С.KharinYu. S.

доктор физико-математических наук, профессор, член-корреспондент НАН Беларуси, Белорусский государственный университет, директор Научно-исследовательского института прикладных проблем математики и информатики Белорусского государственного университета

Kharin@bsu.byАбрамовичМ. С.AbramovichM. S.

кандидат физикоматематических наук, доцент, Белорусский государственный университет, заведующий лабораторией статистического анализа и моделирования, Научно-исследовательский институт прикладных проблем математики и информатики Белорусского государственного университета

AbramovichMS@bsu.byБелорусский государственный университетBelarusian State UniversityБелорусский государственный университет; Научно-исследовательский институт прикладных проблем математики и информатики Белорусского государственного университетаBelarusian State University; Research Institute for Applied Problems of Mathematics and Informatics of the Belarusian State University201921062019163713Copyright © Стародубцев И.Е., Харин Ю.С., Абрамович М.С., 20192019Стародубцев И.Е., Харин Ю.С., Абрамович М.С.Starodubtsev I.E., Kharin Y.S., Abramovich M.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://inf.grid.by/jour/article/view/871

Предложен метод классификации эритроцитов по спектральным признакам изображений (микромасштабных карт физико-механических свойств), полученных сканированием поверхностей клеток на атомно-силовом микроскопе (АСМ). Для расчета признаков каждая линия сканирования исходного АСМ-изображения рассматривалась как реализация случайной последовательности и для нее применялось дискретное преобразование Фурье. После сглаживания по полученной карте спектральных оценок строились информативные характеристики – медианы значений спектрограмм для каждой частоты. Проведена статистическая классификация эритроцитов двух типов (сфероцитов и дискоцитов) пациентов с наследственным сфероцитозом по полученным информативным характеристикам с помощью методов «деревья решений» и «бустинг на деревьях решений». Найден частотный интервал с наилучшей точностью классификации: более 82% для метода «бустинг на деревьях решений».

The method of classification of erythrocytes (red blood cells) based on spectral features of the cell surface images (of physical-mechanical properties maps) obtained with an atomic-force microscope (AFM) is proposed. Each scan line of the original AFM image is considered as a random sequence realization and the discrete Fourier transform is applied to compute its spectral features. The spectral estimates are smoothed on the map and the informative characteristics are computed as the medians of the spectrogram values for each frequency. The classification or two classes of erythrocytes (spherocytes and discocytes) taken from patients with hereditary spherocytosis was carried out by the obtained informative characteristics using the decision trees and boosted decision trees methods. The frequency interval was found with the best classification accuracy – over 82 % for the boosted decision trees method.

АСМ-изображенияэритроцитыкарты физико-механических свойствклассификациядискретное преобразование Фурьедеревья решенийбустинг на деревьях решенийAFM imageserythrocytesmaps of physical-mechanical propertiesmethod of classificationdiscrete Fourier transformdecision treesboosted decision treesReferencesDokukin, M. Nanoscale compositional mapping of cells, tissues, and polymers with ringing mode of atomic force microscopy / M. Dokukin, I. Sokolov // Scientific Reports. – 2017. – Vol. 7(1). – P. 11828.Dokukin M., Sokolov I. Nanoscale compositional mapping of cells, tissues, and polymers with ringing mode of atomic force microscopy. Scientific Reports, 2017, vol. 7(1), р. 11828.Суслов, А. А. Сканирующие зондовые микроскопы (обзор) / А. А. Суслов, С. А. Чижик // Материалы, технологии, инструменты. – 1997. – Т. 2, № 3. – С. 78–89.Suslov A., Chizhik S. Skanirujushhie zondovye mikroskopy (obzor) [Scanning probe microscopes (review)]. Materialy, tehnologii, instrumenty [Materials, Technologies, Tools], 1997, vol. 2, no. 3, рр. 78–89 (in Russian).Temperature- and scale-dependent parameters of lateral force maps of cell surface / M. N. Starodubtseva [et al.] // XIX Annual Linz Winter Workshop. Advances in Single-Molecule Research for Biology & Nanoscience, 3–6 Febr. 2017, Linz, Austria. – Linz, 2017. – P. 6–3.Starodubtseva M. N., Yegorenkov N. I., Starodubtsev I. E., Petrenyov D. R., Suslov A. A., Chizhik S. A. Temperature- and scale-dependent parameters of lateral force maps of cell surface. XIX Annual Linz Winter Workshop. Advances in Single-Molecule Research for Biology & Nanoscience, 3–6 February 2017, Linz, Austria. Linz, 2017, рр. 6–3.Starodubtseva, M. N. Novel fractal characteristic of atomic force microscopy images / M. N. Starodubtseva, I. E. Starodubtsev, E. G. Starodubtsev // Micron. – 2017. – Vol. 96. – P. 96–102.Starodubtseva M. N., Starodubtsev I. E., Starodubtsev E. G. Novel fractal characteristic of atomic force microscopy images. Micron, 2017, vol. 96, рр. 96–102.Kharin, Y. Robustness in Statistical Pattern Recognition / Y. Kharin. – Dordrecht : Kluwer, 1996. – 302 p.Kharin Y. Robustness in Statistical Pattern Recognition. Dordrecht, Kluwer, 1996, 302 p.Jacobs, T. D. Quantitative characterization of surface topography using spectral analysis / T. D. Jacobs, T. Junge, L. Pastewka // Surface Topography: Metrology and Properties. – 2017. – Vol. 5(1). – P. 013001.Jacobs T. D., Junge T., Pastewka L. Quantitative characterization of surface topography using spectral analysis. Surface Topography: Metrology and Properties, 2017, vol. 5(1), р. 013001.Nano- and microscale mechanical properties of erythrocytes in hereditary spherocytosis / M. N. Starodubtseva [et al.] // The Journal of Biomechanics. – 2019. – Vol. 83. – P. 1–8.Starodubtseva M. N., Mitsura E. F., Starodubtsev I. E., Chelnokova I. A., Yegorenkov N. I., Volkova L. I., Kharin Y. S. Nano- and microscale mechanical properties of erythrocytes in hereditary spherocytosis. The Journal of Biomechanics, 2019, vol. 83, рр. 1–8.Андерсон, Т. Статистический анализ временных рядов : пер. с англ. И. Г. Журбенко, В. П. Носко / Т. Андерсон. – М. : Мир, 1976. – 755 с.Anderson T. W. The Statistical Analysis of Time Series. New York, J. Wiley, 1971, 704 р.Harrington, P. Machine Learning in Action / P. Harrington. – N. Y. : Manning, 2012. – 382 p.Harrington P. Machine Learning in Action. New York, Manning, 2012, 382 p.Hastie, T. The Elements of Statistical Learning / T. Hastie, R. Tibshirani, J. H. Friedman. – 2nd ed. – N. Y. : Springer Publ., 2009. – 764 p.Hastie T., Tibshirani R., Friedman J. H. The Elements of Statistical Learning. New York, Springer Publ., 2009, 764 p.

The authors declare that there are no conflicts of interest present.