Предсказание центров ядер раковых клеток на иммуногистохимических флуоресцентных изображениях

Цели. Цель исследования состоит в разработке метода предсказания центров ядер раковых клеток на иммуногистохимических флуоресцентных изображениях с использованием точечной разметки центров ядер.

Методы. В работе используются сверточные нейронные сети глубокого обучения.

Результаты. Предложен метод предсказания центров ядер раковых клеток на иммуногистохимических флуоресцентных изображениях пораженных тканей, отличающийся от существующих использованием точечной разметки центров ядер при обучении сети. Разработан алгоритм предварительной и заключительной обработки изображений, позволяющий проводить полный цикл анализа изображений любой размерности.

Заключение. Метод предсказания центров ядер раковых клеток на иммуногистохимических флуоресцентных изображениях имеет простую архитектуру, небольшое количество обучаемых параметров и не требует сложной постобработки результатов анализа, традиционной при семантической сегментации ядер клеток, заключающейся в разделении слипшихся ядер. Метод позволяет подсчитывать количество раковых клеток на единицу площади, что в свою очередь предоставляет возможность оценить степень заболевания. Полное время анализа изображения размером 2048×2048 пикселей с использованием вычислителя T4 (Google Colab) составляет в среднем 750 мс, что открывает возможности анализа полнослайдовых изображений высокой размерности за приемлемое время.

1. Camp, R. L. Automated subcellular localization and quantification of protein expression in tissue microarrays / R. L. Camp, G. G. Chung, D. L. Rimm // Nature Medicine. – 2002. – Vol. 8, no. 11. – P. 1323–1327. – https://doi.org/10.1038/NM791.

2. Quantitative analysis of estrogen receptor heterogeneity in breast cancer / G. G. Chung, M. P. Zerkowski, S. Ghosh [et al.] // Laboratory Investigation. – 2007. – Vol. 87, no. 7. – P. 662–669. – https://doi.org/10.1038/LABINVEST.3700543.

3. A review and comparison of breast tumor cell nuclei segmentation performances using deep convolutional neural networks / A. Lagree, M. Mohebpour, N. Meti [et al.] // Scientific Reports. – 2021. – Vol. 11, no. 1. – URL: https://www.nature.com/articles/s41598-021-87496-1 (date of access: 21.01.2026). – https://doi.org/10.1038/S41598-021-87496-1.

4. Automating cell counting in fluorescent microscopy through deep learning with c-ResUnet / R. Morelli, L. Clissa, R. Amici [et al.] // Scientific Reports. – 2021. – Vol. 11, no. 1. – URL: https://www.nature.com/articles/s41598-021-01929-5 (date of access: 21.01.2026). – https://doi.org/10.1038/s41598-021-01929-5.

5. Srinidhi, C. L. Deep neural network models for computational histopathology: A survey / C. L. Srinidhi, O. Ciga, A. L. Martel // Medical Image Analysis. – 2021. – Vol. 67. – Art. 101813. – URL: https://www.sciencedirect.com/science/article/abs/pii/S1361841520301778?via%3Dihub (date of access: 21.01.2026). – https://doi.org/10.1016/j.media.2020.101813.

6. Xie, W. Microscopy cell counting and detection with fully convolutional regression networks / W. Xie, J. A. Noble, A. Zisserman // Computer Methods in Biomechanics and Biomedical Engineering. – 2018. – Vol. 6, no. 3. – P. 283–292. – https://doi.org/10.1080/21681163.2016.1149104.

7. Сюй, С. Сравнительный анализ нейронных сетей глубокого обучения для сегментации ядер клеток на иммуногистохимических флуоресцентных изображениях раковых тканей / С. Сюй, В. В. Скакун // Журнал Белорусского государственного университета. Математика. Информатика. – 2024. – № 1. – С. 59–70.

8. Ronneberger, O. U-Net: Convolutional networks for biomedical image segmentation / O. Ronneberger, P. Fischer, T. Brox // Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015 : 18th Intern. Conf., Munich, Germany, 5–9 Oct. 2015. – Munich, 2015. – Part III. – P. 234–241. – https://doi.org/10.1007/978-3-319-24574-4_28.

9. UNet 3+: A full-scale connected UNet for medical image segmentation / H. Huang, L. Lin, R. Tong [et al.] // IEEE Intern. Conf. on Acoustics, Speech and Signal Processing (ICASSP), Barcelona, Spain, 04–08 May 2020. – Barcelona, 2020. – P. 1055–1059. – https://doi.org/10.1109/ICASSP40776.2020.9053405.

10. TransUNet: Transformers make strong encoders for medical image segmentation / J. Chen, Y. Lu, Q. Yu [et al.]. – 2021. – URL: https://arxiv.org/pdf/2102.04306 (date of access: 21.01.2026). – https://doi.org/10.48550/arXiv.2102.04306.

11. Li, W. U-ResNet, a novel network fusion method for image classification and segmentation / W. Li, Z. Gao, Y. Song // Sensors. – 2025. – Vol. 25, no. 17. – Art. 5600. – URL: https://www.mdpi.com/1424-8220/25/17/5600 (date of access: 21.01.2026). – https://doi.org/10.3390/S25175600.

12. Mask R-CNN / K. He, G. Gkioxari, P. Dollár, R. Girshick // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2017. – Vol. 42, no. 2. – P. 386–397. – https://doi.org/10.1109/TPAMI.2018.2844175.

13. Faster R-CNN: Towards real-time object detection with region proposal networks / S. Ren, K. He, R. Girshick, J. Sun // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2015. – Vol. 39, no. 6. – P. 1137–1149. – https://doi.org/10.1109/TPAMI.2018.2844175.

14. Жоголь, Д. П. Анализ иммуногистохимических флуоресцентных изображений с помощью нейронных сетей глубокого обучения / Д. П. Жоголь, Л. Лисица, В. В. Скакун // Компьютерные технологии и анализ данных (CTDA’2024) : материалы IV Междунар. науч.-практ. конф., Минск, 25–26 апр. 2024 г. / Белорус. гос. ун-т ; редкол.: В. В. Скакун (гл. ред.), Н. Н. Яцков, В. В. Гринёв. – Мн. : БГУ, 2024. – C. 15–18.

15. Count-ception: Counting by fully convolutional redundant counting / J. P. Cohen, G. Boucher, C. A. Glastonbury [et al.] // IEEE Intern. Conf. on Computer Vision Workshops (ICCV Workshops), Venice, Italy, 22–29 Oct. 2017. – Venice, 2017. – P. 18–26. – https://doi.org/10.1109/ICCVW.2017.9.

16. Deep learning and transfer learning for automatic cell counting in microscope images of human cancer cell lines / F. Lavitt, D. J. Rijlaarsdam, D. van der Linden [et al.] // Applied Sciences. – 2021. – Vol. 11, no. 11. – Art. 4912. – URL: https://www.mdpi.com/2076-3417/11/11/4912 (date of access: 21.01.2026). – https://doi.org/10.3390/APP11114912.

17. Beyond classification: Structured regression for robust cell detection using convolutional neural network / Y. Xie, F. Xing, X. Kong [et al.] // Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015 : 18th Intern. Conf., Munich, Germany, 5–9 Oct. 2015. – Munich, 2015. – Part III. – P. 358–365. – https://doi.org/10.1007/978-3-319-24574-4_43.

18. Deep voting: A robust approach toward nucleus localization in microscopy images / Y. Xie, X. Kong, F. Xing [et al.] // Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015 : 18th Intern. Conf., Munich, Germany, 5–9 Oct. 2015. – Munich, 2015. – Part III. – P. 374–382. – https://doi.org/10.1007/978-3-319-24574-4_45.

19. Mitosis detection in breast cancer histology images with deep neural networks / D. C. Ciresan, A. Giusti, L. M. Gambardella, J. Schmidhuber // Medical Image Computing and Computer-Assisted Intervention – MICCAI 2013 : 16th Intern. Conf., Nagoya, Japan, 22–26 Sept. 2013. – Nagoya, 2013. – Part II. – P. 411–418. – https://doi.org/10.1609/aaai.v30i1.10140.

20. Jin, X. CellRegNet: Point annotation-based cell detection in histopathological images via density map regression / X. Jin, H. An, M. Chi // Bioengineering. – 2024. – Vol. 11, no. 8. – Art. 814. – URL: https://www.mdpi.com/2306-5354/11/8/814 (date of access: 21.01.2026). – https://doi.org/10.3390/BIOENGINEERING11080814.

21. Proximity adjusted centroid mapping for accurate detection of nuclei in dense 3D cell systems / T. Van De Looverbosch, S. De Beuckeleer, F. De Smet [et al.] // Computers in Biology and Medicine. – 2025. – Vol. 185. – Art. 109561. – URL: https://www.sciencedirect.com/science/article/pii/S0010482524016469?via%3Dihub (date of access: 21.01.2026). – https://doi.org/10.1016/j.compbiomed.2024.109561.

22. Locality sensitive deep learning for detection and classification of nuclei in routine colon cancer histology images / K. Sirinukunwattana, S. E. Ahmed Raza, Y.-W. Tsang [et al.] // IEEE Transactions on Medical Imaging. – 2016. – Vol. 35, no. 5. – P. 1196–1206. – https://doi.org/10.1109/TMI.2016.2525803.

23. Efficient and robust cell detection: A structured regression approach / Y. Xie, F. Xing, X. Shi [et al.] // Medical Image Analysis. – 2018. – Vol. 44. – P. 245–254. – https://doi.org/10.1016/j.media.2017.07.003.

24. Unleashing the power of prompt-driven nucleus instance segmentation / Z. Shui, Y. Zhang, K. Yao, C. Zhu // 18th European Conf. on Computer Vision, ECCV 2024, Milan, Italy, 29 Sept. – 4 Oct. 2024. – Milan, 2024. – Vol. 15085. – Р. 288–304. – https://doi.org/10.1007/978-3-031-73383-3_17.

25. Xu, S. Comparison of deep learning preprocessing algorithms of nuclei segmentation on fluorescence immunohistology images of cancer cells / S. Xu, V. V. Skakun // Pattern Recognition and Information Processing (PRIP'2021) : Proc. of the 15th Intern. Conf., 21–24 Sept. 2021, Minsk, Belarus / ed. A. V. Tuzikov [et al.]. – Springer, 2022. – P. 166–177.