Гистостереометрический онлайн-анализ в судебно-медицинской цифровой патологии



Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Актуальность. Необходимым элементом судебно-медицинской цифровой патологии является количественный анализ изображений гистологических, гистохимических и иммуногистохимических препаратов. Однако труднодоступность коммерческих пакетов анализа ограничивает масштабирование принципов цифровой патологии и соответственно методов объективной гистологической диагностики в отечественной судебно-медицинской экспертизе. В настоящей статье предложено доступное онлайн-приложение, выполняющее автоматизированный гистостереометрический анализ сканированных изображений гистологических и иммуногистохимических препаратов, а также цифровых снимков их отдельных полей зрения.

Цель исследования: разработка онлайн-инструмента гистостереометрического анализа изображений судебно-медицинской цифровой патологии.

Материал и методы. Дизайн исследования представляет собой разработку онлайн-приложения, совместимого с операционными системами Windows, Linux, Android и IOS, предназначенного для выделения в цифровых изображениях и гистостереометрического анализа микрообъектов с заданными цветовыми свойствами. Код приложения составляли на языке программирования JavaScript с использованием открытой библиотеки openCV.

Результаты. Разработано онлайн-приложение «Color Histostereometry Calculator», предназначенное для определения в цифровых изображениях гистологических и иммуногистохимических препаратов удельного объема и количества микрообъектов с заданными цветовыми характеристиками. Использование цветовой модели HSV, настройка диапазонов которой и минимальных размеров учитываемых областей, а также принцип идентификации микрообъектов по их цветовым свойствам, а не геометрии позволяют исключать из анализа разнообразные артефакты изображения, сегментировать наслоившиеся микрообъекты и оценивать искомые морфометрические показатели для бесконечно тонкого среза, устраняя тем самым влияние толщины срезов на результаты морфометрии.

Заключение. Разработанное онлайн-приложение рекомендуется для выполнения гистостереометрического анализа в судебно-медицинской цифровой патологии.

Полный текст

Доступ закрыт

Об авторах

Владимир Германович Недугов

ФГАОУ ВО «Самарский национальный исследовательский университет имени академика С.П. Королева» (Самарский университет)

Email: nedugovvg@gmail.com
ORCID iD: 0009-0007-7542-7235
SPIN-код: 2407-7937
Scopus Author ID: 58092580600

студент Института информатики и кибернетики

Россия, Московское шоссе, д. 34, г. Самара, 443086

Анна Валерьевна Жукова

ФГАОУ ВО «Самарский национальный исследовательский университет имени академика С.П. Королева» (Самарский университет)

Email: anna.zhuk.dreamer@yandex.ru
ORCID iD: 0009-0004-5237-7739

студентка Института информатики и кибернетики 

Россия, Московское шоссе, д. 34, г. Самара, 443086

Герман Владимирович Недугов

Самарский государственный медицинский университет

Автор, ответственный за переписку.
Email: nedugovh@mail.ru
ORCID iD: 0000-0002-7380-3766
SPIN-код: 3828-8091

доктор медицинских наук, доцент, заведующий кафедрой судебной медицины ФГБОУ ВО «Самарский государственный медицинский университет" Минздрава России

Россия, 443099, Российская Федерация, г. Самара, ул. Чапаевская, 89

Список литературы

  1. 1. Gutman DA, Khalilia M, Lee S, Nalisnik M, Mullen Z, Beezley J, Chittajallu DR, Manthey D, Cooper LAD. The Digital Slide Archive: A Software Platform for Management, Integration, and Analysis of Histology for Cancer Research. Cancer Res. 2017;77(21):e75-e78. doi: 10.1158/0008-5472.CAN-17-0629
  2. 2. Pallua JD, Brunner A, Zelger B, Schirmer M, Haybaeck J. The future of pathology is digital. Pathol Res Pract. 2020;216(9):153040. doi: 10.1016/j.prp.2020.153040
  3. 3. Jahn SW, Plass M, Moinfar F. Digital Pathology: Advantages, Limitations and Emerging Perspectives. J Clin Med. 2020;9(11):3697. doi: 10.3390/jcm9113697
  4. 4. Hijazi A, Bifulco C, Baldin P, Galon J. Digital Pathology for Better Clinical Practice. Cancers (Basel). 2024;16(9):1686. doi: 10.3390/cancers16091686
  5. 5. Baxi V, Edwards R, Montalto M, Saha S. Digital pathology and artificial intelligence in translational medicine and clinical practice. Mod Pathol. 2022;35(1):23-32. doi: 10.1038/s41379-021-00919-2
  6. 6. Hassell LA, Absar SF, Chauhan C, Dintzis S, Farver CF, Fathima S, Glassy EF, Goldstein JA, Gullapalli R, Ho J, Koch LK, Madory JE, Mirza KM, Nguyen PN, Pantanowitz L, Parwani A, Rojansky R, Seifert RP, Singh R, ElGabry EA, Bui M. Pathology Education Powered by Virtual and Digital Transformation: Now and the Future. Arch Pathol Lab Med. 2023;147(4):474-491. doi: 10.5858/arpa.2021-0473-RA
  7. 7. Kiran N, Sapna F, Kiran F, Kumar D, Raja F, Shiwlani S, Paladini A, Sonam F, Bendari A, Perkash RS, Anjali F, Varrassi G. Digital Pathology: Transforming Diagnosis in the Digital Age. Cureus. 2023;15(9):e44620. doi: 10.7759/cureus.44620
  8. 8. Tizhoosh HR, Pantanowitz L. On image search in histopathology. J Pathol Inform. 2024;15:100375. doi: 10.1016/j.jpi.2024.100375
  9. 9. Louis DN, Feldman M, Carter AB, Dighe AS, Pfeifer JD, Bry L, Almeida JS, Saltz J, Braun J, Tomaszewski JE, Gilbertson JR, Sinard JH, Gerber GK, Galli SJ, Golden JA, Becich MJ. Computational Pathology: A Path Ahead. Arch Pathol Lab Med. 2016;140(1):41-50. doi: 10.5858/arpa.2015-0093-SA
  10. 10. Nam S, Chong Y, Jung CK, Kwak TY, Lee JY, Park J, Rho MJ, Go H. Introduction to digital pathology and computer-aided pathology. J Pathol Transl Med. 2020;54(2):125-134. doi: 10.4132/jptm.2019.12.31
  11. 11. Hosseini MS, Bejnordi BE, Trinh VQ, Chan L, Hasan D, Li X, Yang S, Kim T, Zhang H, Wu T, Chinniah K, Maghsoudlou S, Zhang R, Zhu J, Khaki S, Buin A, Chaji F, Salehi A, Nguyen BN, Samaras D, Plataniotis KN. Computational pathology: A survey review and the way forward. J Pathol Inform. 2024;15:100357. doi: 10.1016/j.jpi.2023.100357
  12. 12. Kobek M, Jankowski Z, Szala J, Gąszczyk-Ożarowski Z, Pałasz A, Skowronek R. Time-related morphometric studies of neurofilaments in brain contusions. Folia Neuropathol. 2016;54(1):50-8. doi: 10.5114/fn.2016.58915
  13. 13. Zhou Y, Zhang J, Huang J, Deng K, Zhang J, Qin Z, Wang Z, Zhang X, Tuo Y, Chen L, Chen Y, Huang P. Digital whole-slide image analysis for automated diatom test in forensic cases of drowning using a convolutional neural network algorithm. Forensic Sci Int. 2019;302:109922. doi: 10.1016/j.forsciint.2019.109922
  14. 14. Garland J, Hu M, Duffy M, Kesha K, Glenn C, Morrow P, Stables S, Ondruschka B, Da Broi U, Tse RD. Classifying Microscopic Acute and Old Myocardial Infarction Using Convolutional Neural Networks. Am J Forensic Med Pathol. 2021;42(3):230-234. doi: 10.1097/PAF.0000000000000672
  15. 15. Li D, Zhang J, Guo W, Ma K, Qin Z, Zhang J, Chen L, Xiong L, Huang J, Wan C, Huang P. A diagnostic strategy for pulmonary fat embolism based on routine H&E staining using computational pathology. Int J Legal Med. 2024;138(3):849-858. doi: 10.1007/s00414-023-03136-5
  16. 16. Volonnino G, De Paola L, Spadazzi F, Serri F, Ottaviani M, Zamponi MV, Arcangeli M, La Russa R. Artificial intelligence and future perspectives in Forensic Medicine: a systematic review. Clin Ter. 2024;175(3):193-202. doi: 10.7417/CT.2024.5062
  17. 17. Bankhead P. Developing image analysis methods for digital pathology. J Pathol. 2022;257(4):391-402. doi: 10.1002/path.5921
  18. 18. Stodden V, Seiler J, Ma Z. An empirical analysis of journal policy effectiveness for computational reproducibility. Proc Natl Acad Sci U S A. 2018;115(11):2584-2589. doi: 10.1073/pnas.1708290115
  19. 19. Cadwallader L, Papin JA, Mac Gabhann F, Kirk R. Collaborating with our community to increase code sharing. PLoS Comput Biol. 2021;17(3):e1008867. doi: 10.1371/journal.pcbi.1008867
  20. 20. Couture JL, Blake RE, McDonald G, Ward CL. A funder-imposed data publication requirement seldom inspired data sharing. PLoS One. 2018;13(7):e0199789. doi: 10.1371/journal.pone.0199789
  21. 21. Perkel JM. How to fix your scientific coding errors. Nature. 2022;602(7895):172-173. doi: 10.1038/d41586-022-00217-0
  22. 22. Levet F, Carpenter AE, Eliceiri KW, Kreshuk A, Bankhead P, Haase R. Developing open-source software for bioimage analysis: opportunities and challenges. F1000Res. 2021;10:302. doi: 10.12688/f1000research.52531.1
  23. 23. Nowogrodzki J. How to support open-source software and stay sane. Nature. 2019;571(7763):133-134. doi: 10.1038/d41586-019-02046-0
  24. 24. Недугов Г.В. Морфометрическая диагностика давности инкапсулированных субдуральных гематом. Судебно-медицинская экспертиза. 2011;54(3):19-22.
  25. 25. Недугов Г.В. Определение продолжительности внеутробной жизни недоношенных новорожденных по выраженности постнатальной инволюции кроветворной ткани печени. Судебно-медицинская экспертиза. 2005;48(5):9-12.
  26. 26. Автандилов Г.Г. Основы количественной патологической анатомии: Учебное пособие. – М.: Медицина, 2002. 240 с.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Эко-Вектор,


СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ПИ № ФС 77 - 81753 выдано 09.09.2021 г. 
СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ЭЛ № ФС 77 – 59181 выдано 03.09.2014 г.


Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах