Методы и модели анализа структуры хроматина ядер клеток костного мозга для систем автоматизированной диагностики острых лейкозов тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Поляков Евгений Валерьевич

• Поляков Евгений Валерьевич
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Поляков Евгений Валерьевич

Введение

Глава 1. Системный подход к разработке методов и средств анализа оптических характеристик лейкоцитов при диагностике острых лейкозов

1.1. Диагностика острых лейкозов

1.2. Состояние и перспективы развития систем компьютерной микроскопии

1.3. Методы обработки диагностической информации в компьютерных анализаторах изображений

1.4. Анализ объектов измерения

1.5. Подход к анализу оптических характеристик структуры ядер с применением световой микроскопии и компьютерной обработкой данных

1.6. Выводы

Глава 2. Подход к описанию структуры ядер клеток крови при

диагностике острых лейкозов

2.1. Модель оценки оптических характеристик ядер лейкоцитов в диагностике острых лейкозов

2.2. Метод выделения лейкоцитов с препаратов периферической крови и костного мозга

2.3. Методы описанию структуры хроматина ядер лейкоцитов

2.4. Анализ результатов разделения лейкоцитов по типам

2.5. Выводы

Глава 3. Внедрение решений в систему онкологической диагностики «АТЛАНТ»

3.1. Структура системы на базе световой микроскопии и компьютерной обработки данных

3.2. Подход к анализу данных морфологического исследования и результатов иммунофенотипического исследования

3.3. Анализ влияющих факторов на результат классификации клеток крови по типам

3.4. Методика выполнения автоматизированного микроскопического анализа изображений клеток с мазков пунктата костного мозга

3.5. Выводы

Глава 4. Экспериментальное исследование методов и моделей повышения точности диагностики острых лейкозов и его вариантов

4.1. Измерение параметров структурных элементов при установлении типов клеток крови

4.2. Экспериментальные исследования методов текстурного анализа

при диагностике вариантов острых лейкозов

4.3. Исследование применимости вейвлет-анализа для оценки структуры ядер клеток крови

4.4. Исследование оптических характеристик лейкоцитов при установлении варианта острого лимфобластного лейкоза

4.5. Анализ эффективности разработанного метода установления варианта острого лимфобластного лейкоза

4.6. Исследование влияния качественных характеристик лейкоцитов

на результат классификации их по типам

4.7. Выводы

Заключение

Список сокращений и условных обозначений

136

Список литературы

Введение диссертации (часть автореферата) на тему «Методы и модели анализа структуры хроматина ядер клеток костного мозга для систем автоматизированной диагностики острых лейкозов»

Введение

Актуальность работы «Разработка методов медицинской диагностики онкологических заболеваний, является одной из важных задач национального проекта «здравоохранение» РФ (Указ Президента от 07.05.2018 «О национальных целях и стратегических задачах развития Российской Федерации на период до 2024 года»). Успех лечения, прежде всего, определяется своевременностью и точностью диагностики. Одно из перспективных направлений - технологии искусственного интеллекта для диагностики новообразований кроветворной системы, в частности, установления подвариантов острых лейкозов, связано с применением методов и средств цифровой обработки изображений клеток крови и костного мозга.

Острые лейкозы - гемопоэтическая опухоль, при которой кроветворные клетки теряют способность к дифференцировке и созреванию. Неопластический пул представлен бластами - незрелые клетки костного мозга.

Диагностика острых лейкозов базируется на изучении морфологических, цитохимических и иммунофенотипических особенностей лейкемических клеток периферической крови и костного мозга.

Морфологический метод исследования заключается в изучении окрашенных препаратов крови и костного мозга с подсчетом числа бластов в процентном соотношении к общему числу исследуемых клеток, но не всегда дает возможность установить природу бластных клеток в связи с их значительной неоднородностью. При световой микроскопии существенную роль играет точная оценка ряда параметров бластов, к которым относятся: форма и размер клеток, очертания ядер, особенности строения хроматина, при этом учитывается его тонкопетлистая, глыбчатая и плотная структура. Полиморфизм бластов ассоциируется с разнообразием их фенотипических, генетических и молекулярно-биологических особенностей. До настоящего времени не удалось выявить существенных корреляций между структурой бластов и их иммунофенотипическим

статусом. При обычной световой микроскопии неоднородность бластной популяции констатируется как в случаях Т-, так и В- линейных острых лимфобласт-ных лейкозов.

Цитохимическое исследование включает анализ маркеров гранулоцитарно-го и моноцитарного рядов гемопоэза. Они позволяют дифференцировать острые лимфобластные лейкозы от миелоидных лейкозов. Однако этот метод не является адекватным в части случаев лейкозов.

Иммунофенотипическое исследование основано на изучении антигенной структуры бластов с помощью проточной цитофлюорометрии. Использование широкого набора диагностических антител позволяет определить направленность дифференцировки и установить стадию созревания бластов. Анализ результатов иммунофенотипирования, с учетом морфологических и цитохимических показателей, дает возможность определить совокупность процессов, приводящих к образованию и восстановлению тканей, а также этап дифференцировки бластов. Однако большая вариабельность опухолевых клеток, невозможность анализа морфологических особенностей клеток крови (например, строения ядерных хроматиновых нитей) и недоступность повторного исследования, не исключают возможности диагностической ошибки. Использование световой микроскопии в сочетании с компьютерной обработкой данных позволяет объективизировать полученные данные в виде числовых индексов и улучшить дифференциальную диагностику острых лейкозов.

Становится очевидным, что разработка и применение новых методов, уточняющих морфологическую характеристику лимфоидных элементов, в настоящее время представляет значительный интерес и является актуальной научно-технической задачей.

Степень разработанности темы. В последнее время предпринимаются многочисленные попытки автоматизировать микроскопические исследования для повышения точности обнаружения «юных» форм клеток и воспроизводимости измерений. Исследования в этой области выполняются рядом организа-

ций по всему миру, такими как: Национальный медицинский исследовательский центр (НМИЦ) гематологии Министерства здравоохранения Российской Федерации (МЗ РФ), НМИЦ онкологии им. H.H. Блохина МЗ РФ, Северо-Западный федеральный медицинский исследовательский центр имени В. А. Алмазо-ва МЗ РФ, Городская клиническая больница имени С.П. Боткина Департамента здравоохранения города Москвы, Институт повышения квалификации Федерального медико-биологического агентства (ФМБА) МЗ РФ (Академия постдипломного образования ФГБУ Федерального научно-клинического центра (ФНКЦ) ФМБА), Саратовский Государственный Медицинский Университет (Россия), «Медицинские компьютерные системы» (МЕКОС) (Россия), Радиотехнический институт им. акад. А.Л. Минца (Россия) Центр мониторинга и кли-нико-экономической экспертизы Росздравнадзора (г. Москва), отдел лабораторной медицины больницы университета Левена (г. Левен, Бельгия) (Department of laboratory medicine, University Hospital Leuven, Leuven, Belgium), Военно-Медицинская Академия (г. София, Болгария) (Military Medical Academy, Sofia, Bulgaria), Национальный университет Колумбии (National University of Colombia ) и др.

Применение средств автоматизации микроскопического анализа для медицины при диагностике лейкозов отмечено в работах врачей и биологов: Блин-дарь В.Н., Воробьева А.И., Воробьева И.А., Волковой М.А., Дубровского В.А., Жукотцкого A.B., Зубрихиной Г.Н., Козинца Г.И., Красновой Л.С., Луговской С.А., Менделеева Л.П., Почтарь М.Е., Румянцева А.Г., Савченко В.Г., Cocinilla Д.Ю., Тупицына H.H., Френкель М.А., Харазишвили Д.В., Zaman, Z., Diño Masic, Andrew Filby, Ludovic Lhermitte, Daniela Morf, Aaron Kruse и др.

В направлении разработки и совершенствования автоматизации диагностики острых лейкозов, методов цифровой обработки изображений и улучшения качества медицинских изображений известны работы отечественных и зарубежных исследователей: Никитаева В.Г., Новикова К.В., Медового B.C., Панова С.А., Проничева А.Н., Чистова К.С., Шахтарина Б. И. Штадельмана

Ж.В., Яковенко М.К., Deaz G, Waidah Ismail, Subrajeet Mohapatra, Hayan Tareq AbdulWahhab, Santiago Alferez и др.

Несмотря на успехи в области автоматизации микроскопического исследования, нерешенными остаются проблемы: определения патологических клеток на препаратах крови и костного мозга; получение независимых объективных критериев для дифференциальной диагностики вариантов острых лейкозов; сопоставление структуры хроматина бластов и их иммунофенотипического статуса.

Объектом исследования в диссертации являются цифровые микроскопические изображения клеток с цитологических препаратов периферической крови и костного мозга.

Предметом исследования являются методы, модели и алгоритмы цифровой обработки и распознавания изображений клеток с цитологических препаратов периферической крови и костного мозга.

Цель диссертационной работы - повышение качества автоматизированной диагностики острых лейкозов за счет получения дополнительных независимых объективных количественных характеристик структуры хроматина ядер клеток.

Для достижения поставленной цели необходимо решить следующие задачи:

• Определить современные и перспективные подходы в области автоматизации диагностики острых лейкозов;

• Разработать метод определения В- и Т- линейных острых лимфобластных лейкозов с применением световой микроскопии и компьютерной обработкой данных для диагностики острых лейкозов и его подвариантов;

• Разработать иерархическую двухуровневую модель установления соответствия диагностических данных компьютерной микроскопии и лазерной

проточной цнтометрией для проведения дифференциальной диагностики острых лейкозов и лимфопролиферативных заболеваний;

• Разработать метод анализа изображений лейкоцитов и на его основе модели расчета оптических особенностей структурах ядер клеток крови для определения типа лейкоцита при диагностике и дифференциальной диагностике острых лейкозов;

• Разработать методику выполнения автоматизированного анализа изображений препаратов периферической крови и костного мозга при дифференциальной диагностике острого лейкоза и его подвариантов;

• Анализ разработанных методов и предложенных моделей анализа изображений структуры хроматина ядер клеток костного мозга для повышения качества автоматизированной диагностики острых лейкозов в клинических условиях.

Научная новизна работы:

1. Метод анализа изображений лейкоцитов и на его основе модель расчета оптических особенностей структуры хроматина ядер клеток крови, отличающийся количественным описанием качественных признаков на основе структурных элементов, по которым проводится определение типа лейкоцита при диагностике и дифференциальной диагностике острых лейкозов.

2. Метод определения В- и Т- линейных острых лимфобластных лейкозов, отличающийся применением световой микроскопии и компьютерной обработки данных, позволяющий по изображениям структуры хроматина ядер бластов костного мозга уточнить вариант заболевания для объективизации исследований при диагностике острых лейкозов;

3. Иерархическая двухуровневая модель установления соответствия диагностических данных компьютерной микроскопии и лазерной проточной ци-

тометрии, отличающаяся тем, что на первом уровне применяется модель сопоставления результатов компьютерного анализа и традиционного микроскопического исследования для подтверждения диагноза острый лейкоз, а на втором уровне - модель сравнения результатов компьютерной микроскопии с данными лазерной проточной цитометрии для дифферен-цировки клеток по строению хроматина ядер. Применение иерархической двухуровневой модели позволило установить наличие зависимости между направленностью дифференцировки клеток и особенностями строения хроматина ядер, что важно при проведении дифференциальной диагностики острых лейкозов и лимфопролиферативных заболеваний;

4. Методика выполнения автоматизированного микроскопического исследования изображений клеток с препаратов костного мозга и крови, отличающаяся проведением анализа изображений клеток крови и костного мозга с получением новых дополнительных независимых объективных количественных характеристик для решения задачи диагностики острых лейкозов и лимфопролиферативнвых заболеваний.

Теоретическая и практическая значимость работы состоит в том,

что:

• получены дополнительные независимые объективные критерии для дифференциальной диагностики острого лейкоза, позволяющие уточнить под-вариант заболевания и снизить время проведения диагностического процесса на одну треть;

• интенсифицировано принятие клинических решений и адекватный подбор терапевтических схем у пациентов с острыми лимфобластными лейкозами путем использования световой микроскопии в сочетании с компьютерной обработкой данных;

• разработан инструментарий формирования базы знаний, которая может

и

использоваться как наглядный атлас-справочник распознавания патологических клеток при подготовке врачей;

• материалы, полученные в данной диссертационной работе, используются при подготовке будущих специалистов кафедры №46 «Компьютерные медицинские системы» НИЯУ МИФИ;

• предложенные методы и модели, а также результаты, полученные в рамках настоящего диссертационного исследования, выполнены при поддержке грантов РФФИ 17-07-01496 «Исследование возможностей телевизионной системы при диагностике острых лейкозов», 18-07-01456 «Исследование влияния характеристик сенсора оптического излучения в видимом диапазоне на эффективность автоматизированного микроскопического анализа в онкологической диагностике» и 18-29-09115 «Методы и модели искусственного интеллекта для решения междисциплинарных фундаментальных проблем диагностики лимфопролиферативных заболеваний и минимальной остаточной болезни в онкологии».

Методология и методы исследований. В диссертационной работе для решения поставленных задач использовались: методы системного анализа и синтеза биотехнических систем, теория проектирования сложных информационных систем и теория моделирования; методы и алгоритмы обработки изображений, теории распознавания образов, теория вероятностей и математической статистики.

На защиту выносятся следующие основные результаты и положения:

1. Метод анализа изображений лейкоцитов и на его основе модель расчета оптических особенностей структуры ядер клеток крови, основанный на представлении изображения в виде структурных элементов для определения типа лейкоцита при диагностике и дифференциальной диагностике

острых лейкозов;

2. Метод определения В- и Т- линейных острых лимфобластных лейкозов с применением световой микроскопии и компьютерной обработкой данных, позволяющий по изображениям структуры хроматина ядер бластов костного мозга уточнить вариант заболевания для объективизации исследований при диагностике острых лейкозов;

3. Иерархическая двухуровневая модель установления соответствия диагностических данных компьютерной микроскопии и лазерной проточной ци-тометрии. Первый уровень - модель сопоставления результатов компьютерного анализа и традиционного микроскопического исследования для подтверждения диагноза острого лейкоза. Второй уровень - модель сравнения результатов компьютерной микроскопии с данными лазерной проточной цитометрии для дифференцировки клеток по строению хроматина ядер. Применение иерархической двухуровневой модели, позволило установить наличие зависимости между направленностью дифференцировки клеток и особенностями строения хроматина ядер для проведения дифференциальной диагностики острых лейкозов и лимфопролиферативных заболеваний;

4. Методика выполнения автоматизированного микроскопического исследования изображений клеток с препаратов костного мозга и крови, позволяющая проводить анализ изображений клеток крови и костного мозга с получением новых дополнительных независимых объективных количественных характеристик для решения задачи диагностики острых лейкозов и лимфопролиферативнвых заболеваний;

5. Результаты экспериментального исследования по определению Т- и В-подвариантов острого лимфобластного лейкоза с применением систем компьютерной микроскопии подтвердили возможность различия В- и Т- ли-

нейных острых лимфобластных лейкозов, при этом в проведенном эксперименте получено различие В- и Т- линейных острых лимфобластных лейкозов с точностью 95 %;

6. Инструментарий для создания базы знаний, позволяющий формировать верифицированные данные для обучения систем искусственного интеллекта: распознавания образов, экспертных систем и систем поддержки принятия врачебных решений. .

Содержание диссертации соответствует паспорту научной специальности 2.2.12. Приборы, системы и изделия медицинского назначения.

Достоверность результатов работы обеспечена корректным применением положений системного анализа, теории цифровой обработки изображений, распознавания образов и анализа экспериментальных данных, использованием представительных выборочных совокупностей и подтверждается заключением врачей-экспертов диагностической лаборатории иммунологии гемопоэза НМИЦ онкологии им. H.H. Блохи ни МЗ РФ; соответствием данных, полученных в работе, результатам исследования с применением прибора, основанного на другом физическом принципе действия (иммунофенотипическое исследование с помощью лазерной проточной цитофлюорометрии); экспериментальной проверкой адекватности разработанных моделей.

Апробация работы. Основные теоретические положения и научные результаты диссертационной работы докладывались на научных конференциях: «Научная сессия МИФИ» в 2012 г., 2013 г., 2014 г., 2015г. ; на IX Курчатовской молодежной научной школе 2011 г.; X Курчатовской молодежной научной школе 2012 г.; X Курчатовской молодежной научной школе 2012 г.; IV Международной молодежной научной школ е-конференции «Современные проблемы физики и технологий» 2015 г.; XXIII международной конференции и дискуссионном научном клубе «Новые информационные технологии в медицине, биологии фармакологии и экологии», Крым, Ялта-Гурзуф 2015 г.; 15-ой международной

конференции «Обработка сигналов, вычислительная геометрия и искусственное зрение», Слима, Мальта, 2015 г.; 6-ой международной конференции «Биологические науки и биоинформатика», г.Дубай, ОАЭ, 22-24 февраля 2015 г.; первом международном симпозиуме «Инженерно-физические технологии биомедицины», г. Москва, 18-23 октября 2016 г.; втором международном симпозиуму «Инженерно-физические технологии биомедицины», г. Москва, 10-14 октября 2017 г.; школе-конференции молодых ученых с международным участием «Ильинские чтения» ГБУ ГНЦ ФМБЦ им. А.И. Бурназяна ФМБА России, 22 марта

2018 г.; V Российском конгрессе лабораторной медицины (11-13 сентября 2019 г.), Москва, Выставка достижений народного хозяйства (ВДНХ); Учёном совете медицинского института РУДН (18 сентября 2019 г.); XXII международной конференции «Управление развитием крупномасштабных систем» (3 октября

2019 г.), Москва, Институт проблем управления РАН.

Разработка «Технология автоматизированного анализа клеток крови» удостоена золотой медали XXI Московского международного Салона изобретений и инновационных технологий «Архимед-2018».

Результаты работы, в частности, методы, модели, методики и программное обеспечение, получили высокую оценку специалистов лаборатории иммунологии гемопоэза Национального медицинского исследовательского центра онкологии им. H.H. Блохина (заведующий, д.м.н., профессор H.H. Тупицын) и кафедры клинической лабораторной диагностики института повышения квалификации Федерального медико-биологического агентства (заведующий д.б.н., профессор Девиченский В.М.), используются в НМИЦ онкологии H.H. Блохина и ФГБУ ФНКЦ ФМБА, что подтверждается соответствующими актами о внедрении.

Личный вклад автора заключается: в проведении обзора современных и перспективных подходов в области автоматизации диагностики острых лейкозов; разработке методов анализа и распознавания структуры ядер клеток, модели формирования количественных характеристик изображений клеток кро-

ви и костного мозга h сопоставления результатов микроскопического анализа с данными иммунофенотипического исследования, а также методики автоматизированного микроскопического анализа изображений клеток с препаратов крови и костного мозга; планировании и проведении экспериментальных исследований по разделению Т- и В- подвариантов острого лимфобластного лейкоза; разработке программных средств проведения экспериментальных исследований и инструментария для формирования эталонных баз знаний клеток крови с описанием типов клеточных элементов, условий съемки, данных иммунофено-типа. В работах, выполненных в соавторстве, личный вклад автора состоял, в разработке основных методов и средств проведения исследований, получении экспериментальных результатов по установлению корреляций между структурой бластов и их иммунофенотипическим статусом, интерпретации полученных результатов.

Публикации Основные положения и результаты диссертационной работы опубликованы в 32 работах, из них: 6 статей из перечня ВАК: обзорная личная статья, статья без соавторов с обоснованием предложенных подходов, 10 статей в журналах индексируемых в международных базах цитируемости «Web of Science» и «Scopus», 1 статья в журналах индексируемых в международной базе цитируемости «Scopus», 11 работ в периодических изданиях индексируемые в библиографической базе данных научных публикаций российских учёных (РИНЦ). Имеется 1 патент на полезную модель, 3 патента на изобретение.

Структура и объем работы. Диссертация состоит из введения, четырёх глав, заключения и списка литературы, включающий 155 наименований. Работа изложена на 158 страницах машинописного текста, содержит 59 рисунков и 15 таблиц.

16

Глава 1

Системный подход к разработке методов и средств анализа оптических характеристик лейкоцитов при диагностике острых лейкозов

Данная глава посвящена обзору методов и средств автоматизации микроскопического анализа на базе световой микроскопии для диагностики острых лейкозов. Отражены общие вопросы и современные тенденции диагностики острых лейкозов. Рассмотрены средства повышения точности и снижения субъективизма в диагностике острых лейкозов с указанием роли и места автоматизации микроскопического анализа. Представлен анализ систем компьютерной микроскопии, методов обработки диагностической информации в компьютерных анализаторах изображений с оценкой их эффективности при диагностике острых лейкозов. Показана роль интеллектуальных экспертных систем поддержки принятия врачебных решений, принципы их построения и характеристики. Исследованы методы и средствам цифровой обработки и распознавания изображений, включая предобработку, описание и классификацию объектов. Проведена классификация признаков, пригодных для использования в качестве информационных маркеров. Среди перспективных исследований в области автоматизации микроскопического анализа при диагностике острых лейкозов отмечены направления разработки методов и моделей распознавания клеток крови и костного мозга для дифференцировки лейкоцитов по типам с применением технологий искусственного интеллекта, сопоставлению структуры бластов и их иммунофенотипического статуса, разработке инструментария для создания эталонных баз знаний клеток.

1.1. Диагностика острых лейкозов

Диагностика острых лейкозов (ОЛ) базируется на изучении морфологических особенностей лейкемических клеток периферической крови и препаратов костного мозга, а также включает цитохимический, иммунофенотипический и цитогенетический методы исследования для установления подвариантов заболевания [1-7].

По РАВ - классификации выделяют четыре типа лейкоза: острый лимфоб-ластный лейкоз (ОЛЛ), острый миелобластный лейкоз (ОМЛ), хронический лимфобластный лейкоз (ХЛЛ), хронический миелобластный лейкоз (ХМЛ) [8, 9].

Последние дополнения к системе классификации, предложенной Всемирной организацией здравоохранения (ВОЗ), требуют дополнительной оценки бла-стов с помощью молекулярных тестов (иммунологические методы и высокочувствительная полимеразная цепная реакция (ПЦР)). Результаты морфологических и молекулярных методов оценки позволяют не только дифференцировать ОЛЛ и ОМЛ, но и выделять подтипы ОЛ [10]. Согласно Европейской группе по иммунологической классификации лейкозов (ЕШЬ) на основе данных иммуно-фенотипа [11] ОЛЛ подразделяют на Т- и В- линейные лейкозы [2]. С 2012 года используются разработанные консорциумом ЕигоРкж диагностические панели, дающие возможность определения всех известных в настоящее время иммуно-подвариантов ОЛ [12]. При этом многие авторы отмечают, что ни морфологические критерии, ни характеристики цитохимических реакций не могут служить критериями установления подвариантов ОЛЛ [13]. Для поиска объективных критериев ведутся работы в направлении сопоставления данных иммунофено-типа и компьютерной микроскопии при диагностике лейкозов [14, 15]. Правильно сформулированный диагноз позволяет врачу определить клиническое течение, стандартные лечебные мероприятия,прогноз заболевания.

Определение направленности и степени дифференцировки лейкемиче ских

клеток начинается на уровне световой микроскопии [3, 16], являющейся золотым стандартом морфологической диагностики элементов крови и костного мозга [8, 17, 18].

Дифференциальная диагностика ОЛ проводится с реактивными состояниями (например, инфекционным мононуклеозом) и лимфопролиферативными заболеваниями - В- и Т- клеточными опухолями (лимфомами/лейкозами). Также необходимо различать лимфоциты и бласты вариантов .11. .12. ЛЗ. Сложность для дифференциальной диагностики отдельных вариантов лейкоза представляет морфологическая схожесть лимфоцитов и бластных клеток [8, 9, 19].

Подтверждение диагноза ОЛ проводится на основании данных пункцион-ной аспирационной биопсии костного мозга обязательного исследования при изучении заболеваний системы крови, с помощью которого (в большинстве случаев) можно установить правильный диагноз [19-21].

Исследование проводится с помощью светового микроскопа по препаратам периферической крови и костного мозга, фиксированных и окрашенных по методу Май Грюнвальд Романовского. При световой микроскопии существенную роль играет точная оценка ряда параметров бластов - незрелая клетка костного мозга: форма и размер клеток, очертания ядер, особенности строения хроматина, при этом учитывается тонкопетлистая, глыбчатая, плотная структура [22]. В ходе исследования препаратов крови подсчитывается процентное соотношение различных видов лейкоцитов среди 100 клеток белой крови (лейкоци тарная формула). При анализе препаратов костного мозга подсчитывается процентное содержание различных видов ядросодержащих клеток костного мозга миело-грамма (как правило, исследуется 200 - 500 клеток) [4, 22].

Традиционное микроскопическое исследование с использование лейко ци-тарной формулы сложно, утомительно, требует умственного напряжения [23, 24].

Ошибки микроскопического анализа мазков крови и костного мозга по данным публикаций в зависимости от опыта и квалификации врача (гематолога)

клинической лабораторной диагностики достигают 30 - 40 % [8, 9].

Для повышения точности и снижения субъективности диагностики ОЛ применяют: гематологические автоматические анализаторы, проточные цито-метры и системы компьютерного анализа изображений.

Список литературы диссертационного исследования кандидат наук Поляков Евгений Валерьевич, 2022 год

Список литературы

1. Рукавицын, О. А. Гематология. Атлас-справочник. / О. А. Рукавицын, С. В. Скворцов, М. Н. Зенина. — СПб.: изд-во «ДЕТСТВО-ПРЕСС», 2009.-С. 256. ил.

2. Современные технологии лабораторной медицины: Учебное пособие / Н. В. Рязанцева, В. В. Новицкий, О.Б. Жукова и др. — Томск: Изд-во «Печатная мануфактура», 2008. — С. 360.

3. Colunga, Mario Chirinos. Leukocyte recognition using em-algorithm / Mario Chirinos Colunga, Oscar Sanchez Siordia, Stephen J Maybank // MICAI 2009: Advances in Artificial Intelligence. — Springer, 2009. — P. 545555.

4. Волкова, С. А. Основы клинической гематологии: учебное пособие. / С. А. Волкова, Н. Н. Боровков. — Н. Новгород: Издательство Нижегородской гос. медицинской академии, 2013. — С. 400.

5. Мамаева, Гематология: руководство для врачей / Под ред. Н.Н. / Гематология: руководство для врачей / Под ред. Н.Н. Мамаева. — СПб.: СпецЛит, 2019. ^ С. 639.

6. Матвеева, И. И. Алгоритм лабораторной диагностикиострого лейкоза: Руководство для врачей. Руководство для врачей. / И. И. Матвеева, В. Н. Блиндарь. — М.: ООО «Медицинское информационное агенство», 2013. ^ С. 56.

Clinical, morphological and immunophenotypical findings in acute leukemia: A study from a tertiary care hospital / Shailaja Shukla, Aruna Chhikara, Tanuja Bundela et al. // Iranian Journal of Pediatric Hematology and Oncology. - 2020.-Vol. 10, no. 3.-P. 136-143.

8. Recognition of acute lymphoblastic leukemia cells in microscopic images using k-means clustering and support vector machine classifier / M. Amin, S. Kermani, A. Talebi, M. Oghli // Journal of Medical Signals & Sensors.—

2015.-Vol. 5, no. 1. —P. 49-58.

9. Segmentation and classification of bone marrow cells images using contextual information for medical diagnosis of acute leukemias / Carolina Reta, Leopoldo Altamirano, Jesus A Gonzalez et al. // PloS one. — 2015. — Vol. 10, no. 6.-P. e0130805.

10. The 2016 revision of the world health organization classification of lymphoid neoplasms / Steven H Swerdlow, Elias Campo, Stefano A Pileri et al. // Blood.-2016.-Vol. 127, no. 20.-P. 2375-2390.

11. Antica, Mariastefania. Acute Leukemia: The Scientist's Perspective and Challenge / Mariastefania Antica. — BoD-Books on Demand, 2011. — P. 440.

12. Euroflow antibody panels for standardized n-dimensional flow cytomet-ric immunophenotyping of normal, reactive and malignant leukocytes / JJM Van Dongen, L Lhermitte, Stephan Bottcher et al. // Leukemia. — 2012.-Vol. 26, no. 9.-P. 1908.

13.

С. А. Луговская, M. E. Почтарь, H. H. Тупицын. — M. - Тверь: ООО «Издательство «Триада», 2005. С. 165.

14. Automatic recognition of atypical lymphoid cells from peripheral blood by digital image analysis / Santiago Alférez, Anna Merino, Laura Bigorra et al. // American journal of clinical pathology. — 2015. — Vol. 143, no. 2. — P. 168-176.

15. The use of optical microscope equipped with multispectral detector to distinguish different types of acute lymphoblastic leukemia / AN Pronichev, EV Polyakov, NN Tupitsyn et al. — 2017.-Vol. 784, no. 1. —P. 012003.

16.

говская и др. .\I.: Практическая медицина, 2014. С. 192. ил.

17. Соснин, Д. Ю. Автоматизированные системы анализа мазков крови и гематологические анализаторы - конкуренты или партнеры . / Д. Ю. Соснин, О. Ю. Ненашева, О. Г. Кубарев // Лаборатория ЛПУ. — 2014. — № 4. — С. 34-372.

18. Putzu, L. Leucocyte classification for leukaemia detection using image processing techniques / L. Putzu, G. Caocci, C. Di Ruberto // Artificial intelligence in medicine. — 2014. — no. 3. — P. 179-191.

19. Федеральные клинические рекомендации по диагностике и лечению острого лимфобластного лейкоза у детей и подростков. / А. Г. Румянцев, А. А. Масчан, Ю. В. Румянцева, А. И. Карачунский // НОДГО. 2015. С. 71.

20. Dacie and Lewis practical haematology / Shirley Mitchell Lewis, Barbara J Bain, Imelda Bates, John Vivian Dacie. ^Elsevier Health Sciences, 2012. — P. 650.

21. Гематология : руководство для врачей / под ред. Н. Н. Мамаева. // изд., доп. и испр. — СПб. : ОпецЛит. 2019. С. 639 е.: ил.

22. Френкель, М. А. Исследование костного мозга в онкологии / М. А. Френкель // Иммунология гемопоэза. — 2014. — № 1-2. — С. 18-41.

23. Automated morphometric classification of acute lymphoblastic leukaemia in blood microscopic images using an ensemble of classifiers / Subrajeet Mohapatra, Dipti Patra, Sanghamitra Satpathy et al. // Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization. — 2014. — P. 1-14.

24. Hiremath, PS. Automated identification and classification of white blood cells (leukocytes) in digital microscopic images / PS Hiremath, Parashuram Bannigidad, Sai Geeta // IJCA special issue on "recent trends in image processing and pattern recognition" RTIPPR. — 2010. — P. 59-63.

25. Automatic leukocyte image segmentation: A review. / H. Reyes, E. Luis, L. X. Bautista Rozo, F. A. Rojas Morales // 20th Symposium on Signal Processing, Images and Computer Vision (STSIVA 2015). — Bogota, Colombia,September 02 - 04: IEEE, 2015. — P. 1-9.

26. Su, Mu-Chun. A neural-network-based approach to white blood cell classification / Mu-Chun Su, Chun-Yen Cheng, Pa-Chun Wang // The

Scientific World Journal.-2014.-Vol. 2014. P. 9.

27. Da Costa, Lydie. Digital image analysis of blood cells / Lydie Da Costa // Clinics in laboratory medicine.— 2015.—Vol. 35, no. 1. —P. 105-122.

28. Shivhare, Shraddha. Automatic bone marrow white blood cell classfication using morphological granulometric feature of nucleus / Shraddha Shivhare, Rajesh Shrivastava // International Journal of Technology Enhancements and Emerging Engineering Research.— 2012.—Vol. 1, no. 4. P. 125-131.

29. Lymphocyte image segmentation using functional link neural architecture for acute leukemia detection / Subrajeet Mohapatra, Dipti Patra, Sunil Kumar, Sanghamitra Satpathy // Biomedical Engineering Letters. — 2012.— Vol. 2, no. 2.-P. 100-110.

30. Review: detection of types of acute leukemia / Shrutika Mahajan, Sne-hal S Golait, Ashwini Meshram, Nilima Jichlkan // IJCSMC. — 2014. — Vol. 3, no. 3. —P. 104-111.

31. Peripheral blood smear image analysis: A comprehensive review / Emad A Mohammed, Mostafa MA Mohamed, Behrouz H Far et al. // Journal of pathology informatics. — 2014.— Vol. 5, no. 1. — P. 9.

32. Review of leukocyte classification techniques for microscopic blood images / Jyoti Rawat, HS Bhadauria, Annapurna Singh, Jitendra Virmani // Computing for Sustainable Global Development (INDIACom), 2015 2nd International Conference on / IEEE.-2015. —P. 1948-1954.

33. Spectral-spatial feature-based neural network method for acute lymphoblastic leukemia cell identification via microscopic hyperspectral imaging technology / Qian Wang, Jianbiao Wang, Mei Zhou et al. // Biomedical optics express.-2017.-Vol. 8, no. 6.-P. 3017-3028.

34. Classification of acute lymphoblastic leukaemia using hybrid hierarchical classifiers / Jyoti Rawat, Annapurna Singh, HS Bhadauria et al. // Multimedia Tools and Applications.— 2017.— P. 1-29.

35. Characterization and automatic screening of reactive and abnormal neoplas-

tic b lymphoid cells from peripheral blood / S Alferez, A Merino, L Bigorra, J Rodellar // International Journal of Laboratory Hematology. — 2016. — Vol. 38, no. 2.-P. 209-219.

36. Detection of blood cancer in microscopic images of human blood samples: A review / M Saritha, BB Prakash, K Sukesh, B Shrinivas // 2016 International Conference on Electrical, Electronics, and Optimization Techniques (ICEEOT) / IEEE.-2016.-P. 596-600.

37. Самородов, А. В. Биотехнические системы автоматизированной микроскопии цитологических препаратов / А. В. Самородов // Медицинская техники. 2018. Л'" 6. С. 17-19.

Berezsky, Oleh. Modern trends in biomedical image analysis system design / Oleh Berezsky, Grigoriy Melnyk, Yuriy Batko // Biomedical Engineering, Trends in Electronics, Communications and Software. — 2011. —P. 461-480.

39. Bacus, James W. Optical microscope system for standardized cell measurements and analyses / James W Bacus, Les J Grace // Applied Optics. — 1987.-Vol. 26, no. 16.-P. 3280-3293.

40. Linder, James. Digital imaging in hematology / James Linder, David J Zah-niser // MLO Med Lab Obs. - 2012.-Vol. 44.-P. 14-16.

41. Wahhab, Hayan Tareq Abdul. Classification of acute leukemia using image processing and machine learning techniques: Ph. D. thesis / University of Malaya.-2015.-P. 271.

42. Hsu, D. Digital Imaging in Hematology / D. Hsu, S. . Lee. — Laboratory Hematology Practice. 2012. —P. 707-718.

43. Medovyi, V. Robotic microscopy and information technology to increase accuracy, sensitivity and availability of blood cell analyses / V Medovyi, A Py-atnitskiy // Current microscopy contributions to advances in science and technology (Microscopy Book Series, Publisher: Formatex Research Center), book.-2012.-Vol. 5.-P. 775-781.

44. Linder, James. Digital imaging in hematology. / James Linder, David J. Zah-

niser // MLO: Medical Laboratory Observer. — 2012. — Vol. 44, no. 5.— P. 14.

45. Соснин, Д. Ю. Оценка правильности распознавания клеток системой автоматизированного анализа крови vision hema / Д. Ю. Соснин, Б. Ф. Фалков, О. Ю. Ненашева // Уральский медицинский журнал. — 2012. — № 13. — С. 131.

46. Hemacam-a computer assisted microscopy system for hematology / Christian Münzenmayer, Timo Schlarb, Dirk Steckhan et al. — 2011. — P. 233-242.

47. Lymphocyte image segmentation using functional link neural architecture for acute leukemia detection / S. Mohapatra, D. Patra, S. Kumar, S. Satpathy // Biomedical Engineering Letters. — 2012.— Vol. 2, no. 2. —P. 100-110.

48. Медовый, B.C. Исследование и разработка программного обеспечения вто-матической микроскопии биоматериалов.: автореф. док. тех. наук: 05.13.11 / Медовый Владимир Семенович. - М., 2007. - 43 с.

49. Методы и средства диагностики острых лейкозов: компьютерная микроскопия / Е. В. Поляков, В. Г. Никитаев, О. В. Нагорнов и др. // Современные проблемы физики и технологий. 1Уя Междунородная молодежная научная школ а-конференция. Тезисы докладов. — Москва: М.: НИЯУ МII-ФИ, 2015. ^ С. 56.

50. Кузнец, С. М. Использование Аппаратно - Программного Комплек-са«ВидеоТесТ - Морфология» для дифференциации опухолевых клеток. / С. М. Кузнец, В. Г. Пантелеев // Поликлиники. 2011. ..Vo 1.— С. 122-123.

51. Экспериментальное исследование вариабельности текстурных характеристик клеток крови в системе компьютерной микроскопии / А. В. Данилов, В. Г. Никитаев, Ю. Р. Нагуманова и др. // Спецтехника и связь. — 2011. — ^ 4-5. С. 78-80.

52. Диагностическая значимость различных методов изучения морфологии клеток крови / Н. Н. Крайнева, В. Ф. Степанова, Т. В. Днепровская,

В. В. Дрокина // Лабораторная диагностики. 2012. ..Vo 2(0). С. 10.

53. Панов, С. А. Разработка алгоритмов автоматизированной системы распознавания клеток крови: автореф. кап. тех. наук: 05.13.01 / Панов Степан Александрович. - М., 2017. - 16 с.

54. Performance evaluation of the cellavision dm96 system: Wbc differentials by automated digital image analysis supported by an artificial neural network / A Kratz, H I Bengtsson, J E Casey et al. // American Journal of Clinical Pathology.-2005.-Vol. 24.-P. 770-781.

55. Performance of the cellavision@ dm96 system for detecting red blood cell morphologic abnormalities / Christopher L Horn, Adnan Mansoor, Brenda Wood et al. // Journal of pathology informatics. — 2015. — Vol. 6. — P. 4.

56. Cornet, E. Performance evaluation and relevance of the cellavision dm96 system in routine analysis and in patients with malignant hematological diseases / E Cornet, J P Perol, X Troussard // International Journal of Laboratory Hematology. - 2008. - Vol. 30. - P. 536-542.

57. Can automated blood film analysis replace the manual differential an evaluation of the cellavision dm96 automated image analysis system. / C. Briggs, I Longair, M Slavik et al. // International Journal of Laboratory Hematology. - 2009.-Vol. 31.-P. 48-60.

58. Estudio comparativo de la morfologia de sangre periferica analizada mediante el microscopio y el cellavision dm96 en enfermedades hematologicas y no hematologicas. / A Merino, R Brugues, R Garcia et al. // Revista del Laboratorio Clinico. - 2011.— Vol. 4. —P. 3-14.

59. Performance of cellavision dm96 in leukocyte classification. / L Lee, A Mansoor, B Wood et al. // Journal of pathology informatics. — 2013. — Vol. 4. — P. 14.

60. Никитаев, В. Г. Экспертные системы в информационно-измерительных комплексах онкологической диагностики. / В. Г. Никитаев // Измеритель-

ная техника. — 2015. — № G. С. 67-70.

Review of medical decision support and machine-learning methods / Abdullah Awaysheh, Jeffrey Wilcke, Francois Elvinger et al. // Veterinary pathology. - 2019.-Vol. 56, no. 4.-P. 512-525.

62. Intensive care unit telemedicine in the era of big data, artificial intelligence, and computer clinical decision support systems / Ryan D Kindle, Omar Badawi, Leo Anthony Celi, Shawn Sturland // Critical care clinics. — 2019.-Vol. 35, no. 3.-P. 483-495.

63. An overview of clinical decision support systems: benefits, risks, and strategies for success / Reed T Sutton, David Pincock, Daniel C Baumgart et al. // NPJ Digital Medicine. —2020. —Vol. 3, no. 1. P. 1-10.

64.

В. Г. Никитаев, Ю. P. Нагуманова и др. // Спецтехника и связь. — 2011. — ^ 4-5. С. 74-78.

An intelligent decision support system for leukaemia diagnosis using microscopic blood images. / Siew Chin Neoh, Worawut Srisukkham, Li Zhang et al. // Scientific Reports. - 2015.-Vol. 5.-P. 14938.

66. Marionneaux, S. Morphologic identification of atypical chronic lymphocytic leukemia by digital microscopy / S Marionneaux, P Maslak, EM Keohane // International journal of laboratory hematology. — 2014. — Vol. 36, no. 4. — P. 459-464.

67. Automated identification of leukocyte subsets improves standardization of database-guided expert-supervised diagnostic orientation in acute leukemia: a euroflow study / Ludovic Lhermitte, Sylvain Barreau, Daniela Morf et al. // Modern Pathology. — 2020. — P. 1-11.

68. Madhukar, M. New decision support tool for acute lymphoblastic leukemia classification / M. Madhukar, S. Agaian, A. T. Chronopoulos // Proceedings of SPIE - The International Society for Optical Engineering.— Vol. 8295.— 2012.-P. 829518.

69. Computer aided diagnostic system for detection of leukemia using microscopic images / Jyoti Rawat, Annapurna Singh, HS Bhadauria, Jitendra Vir-mani // Procedia Computer Science. — 2015.— Vol. 70. —P. 748-756.

70. Mohapatra, Subrajeet. An ensemble classifier system for early diagnosis of acute lymphoblastic leukemia in blood microscopic images / Subrajeet Mohapatra, Dipti Patra, Sanghamitra Satpathy // Neural Computing and Applications. - 2014.—Vol. 24, no. 7-8.-P. 1887-1904.

71. The use of the wavelet transform for the formation of the quantitative characteristics of the blood cells images for the automation of hematological diagnostics. / V. G. Nikitaev, O. V. Nagornov, E. V. Polyakov et al. // WSEAS Transactions on Biology and Biomedicine. — 2015. — no. 12. — P. 16-19.

72. Kolokolnikov, George. Comparative study of data augmentation strategies for white blood cells classification / George Kolokolnikov, An-drey Samorodov // 2019 25th Conference of Open Innovations Association (FRUCT) / IEEE.-2019.-P. 168-175.

73. Sahlol, Ahmed T. Efficient classification of white blood cell leukemia with improved swarm optimization of deep features / Ahmed T Sahlol, Philip Koll-mannsberger, Ahmed A Ewees // Scientific Reports. — 2020. — Vol. 10, no. 1. P. 1-11.

74. Loey, Mohamed. A survey on blood image diseases detection using deep learning / Mohamed Loey, Mukdad Rasheed Naman, Hala Helmy Zayed // International Journal of Service Science, Management, Engineering, and Technology (IJSSMET). —2020.—Vol. 11, no. 3.-P. 18-32.

75. Bodzas, Alexandra. Automated detection of acute lymphoblastic leukemia from microscopic images based on human visual perception / Alexandra Bodzas, Pavel Kodytek, Jan Zidek // Frontiers in Bioengineering and Biotechnology.-2020. —Vol. 8. —P. 1005.

76. Convolutional neural networks for recognition of lymphoblast cell images / Tatdow Pansombut, Siripen Wikaisuksakul, Kittiya Khongkraphan,

Aniruth Phon-On // Computational Intelligence and Neuroscience. — 2019.-Vol. 2019.-P. 12.

77. An effective leukemia prediction technique using supervised machine learning classification algorithm / Mohammad Akter Hossain, Mubtasim Islam Sabik, Md Moshiur Rahman et al. // Proceedings of International Conference on Trends in Computational and Cognitive Engineering / Springer. — 2021.— P. 219-229.

78. Patel, Shivani D. A review on acute lymphoblastic leukemia classification based on hybrid low level features / Shivani D Patel, Sheshang Degadwala, Arpana Mahajan // 2020 Fourth International Conference on Computing Methodologies and Communication (ICCMC) / IEEE.— 2020.-P. 1-5.

79. Chatap, Niranjan. Analysis of blood samples for counting leukemia cells using support vector machine and nearest neighbour / Niranjan Chatap, Sini Shibu // IOSR Journal of Computer Engineering (IOSR-JCE). — 2014.-Vol. 16, no. 5.-P. 79-87.

80. Patel, Nimesh. Automated leukaemia detection using microscopic images / Nimesh Patel, Ashutosh Mishra // Procedia Computer Science. — 2015. — Vol. 58.-P. 635-642.

81. Kasmin, Fauziah. Detection of leukemia in human blood sample based on microscopic images: A study. / Fauziah Kasmin, Anton Satria Prabuwono, Azizi Abdullah // Journal of Theoretical & Applied Information Technology. - 2012.-Vol. 46, no. 2.-P. 579-586.

82. Acute lymphoblastic leukemia image segmentation driven by stochastic fractal search / Krishna Gopal Dhal, Jorge Galvez, Swarnajit Ray et al. // Multimedia Tools and Applications. — 2020. — P. 1-29.

83. Chatap, Niranjan. Automatic blasts counting for acute leukemia cells based on blood samples / Niranjan Chatap, Sini Shibu // International Journal of Computer Science & Applications (TIJCSA). - 2014.-Vol. 3, no. 01.-P. 971.

84. Bhamare, Miss Madhuri G. Automatic blood cell analysis by using digital image processing: a preliminary study / Miss Madhuri G Bhamare, D S Patil // International Journal of Engineering Research and Technology / ESRSA Publications.-Vol. 2.-2013.-P. 3137-3141.

85. Moangulo, J. Ontology-based lymphicyte population description using mathematical morphology on color blood images. / J Moangulo, J Klossa, G Flan-drin // Cellular and Molecular Biology. — 2006.— Vol. 52, no. 6.-P. 2-15.

86. Pore, Yogita Namdeo. Review on blood cell image segmentation and counting / Yogita Namdeo Pore, Yoginath R Kalshetty // BLOOD. 2014. — Vol. 3, no. 11.-P. 369-372.

87. A review on segmentation and optimization of wbc based on digital microscopic images / Monika Korde, Dipali Ingale, Jyoti Mule, Indrajit Desh-mukh // National Conference "CONVERGENCE. - Vol. 2015.-2015.-P. 28.

88. Banik, Partha Pratim. An automatic nucleus segmentation and cnn model based classification method of white blood cell / Partha Pratim Banik, Rappy Saha, Ki-Doo Kim // Expert Systems with Applications. — 2020. — P. 113211.

89. Fast and robust segmentation of white blood cell images by self-supervised learning / Xin Zheng, Yong Wang, Guoyou Wang, Jianguo Liu // Micron. —

2018.-Vol. 107.-P. 55-71.

90. Acharya, Vasundhara. Detection of acute lymphoblastic leukemia using image segmentation and data mining algorithms / Vasundhara Acharya, Preetham Kumar // Medical & biological engineering & computing. —

2019.-Vol. 57, no. 8.-P. 1783-1811.

91. Chaki, Jyotismita. Texture Feature Extraction Techniques for Image Recognition / Jyotismita Chaki, Nilanjan Dey. — Springer, 2020.— P. 100.

92. Концептуальная модель распознавания бластных клеток в системе компьютерной микроскопии / В. Г. Никитаев, Ю. Р. Нагуманова, А. Н. Про-

ничев, К. С. Чистов // Спецтехника и связь. 2011. Л" 4-5. — С. 67-69.

93. Textural features for image classification. / K Mollazade, M Omid, F Akhlaghian Tab et al. // Computers and Electronics in Agriculture. — 2013.-Vol. 98.-P. 34-45.

94. Haralick, R M. Textural features for image classification. / R M Haralick, K Shanmugam, I Dinstein // IEEE Transactions on Systems, Man, and Cybernetics.-1973.-Vol. SMC-3.-P. 610-621.

95. Almezhghwi, Khaled. Improved classification of white blood cells with the generative adversarial network and deep convolutional neural network / Khaled Almezhghwi, Sertan Serte // Computational Intelligence and Neuroscience. —2020. —Vol. 2020.-P. 12.

96. Convolution neural network models for acute leukemia diagnosis / Maila Claro, Luis Vogado, Rodrigo Veras et al. // 2020 International Conference on Systems, Signals and Image Processing (IWSSIP) / IEEE. — 2020. — P. 63-68.

97. Kutlu, Hiiseyin. White blood cells detection and classification based on regional convolutional neural networks / Hiiseyin Kutlu, Engin Avci, Fatih Ozyurt // Medical hypotheses. - 2020.-Vol. 135.-P. 109472.

98. Tay, Darwin. A novel neural-inspired learning algorithm with application to clinical risk prediction / Darwin Tay, Chueh Loo Poh, Richard I Kitney // Journal of biomedical informatics. — 2015. —Vol. 54.— P. 305-314.

99. Bhende, P. G. Analysis of blood cell s using image processing / P. G. Bhende // International Journal of Science & Technology. — Vol. 2.— 2012.-P. 59-64.

100. Singh, Gurpreet. Design of new architecture to detect leukemia cancer from medical images / Gurpreet Singh, Gaurav Bathla, S Kaur // Int J Appl Eng Res.-2016.-Vol. 11, no. 10.-P. 7087-7094.

зации цитоморфологических анализов крови.: автореф. кан. тех. наук:

05.13.05 / Новиков Константин Владимирович. - М., 2002. - 20 с.

102. Чистов, К. С. Методы и средства автоматизированной обработки микроскопических изображений мазков периферической крови для диагностики острых лейкозов: автореф. кан. тех. наук: 05.11.16 / Чистов Кирилл Сергеевич. - М., 2007. - 23 с.

103. Штадельмап, Ж. В. Биотехническая система для автоматического определения формулы белой крови.: автореф. кан. тех. наук: 05.11.17 / Штадель-манн Жоэль Валентин. - М., 2012. - 16 с.

Development of hedge operator based fuzzy divergence measure and its application in segmentation of chronic myelogenous leukocytes from microscopic image of peripheral blood smear / Madhumala Ghosh, Chandan Chakraborty, Amit Konar, Ajoy K Ray // Micron. — 2014.—Vol. 57.— P. 41-55.

105. Яковенко, M. К. Разработка алгоритма распознавания сложных объектов на основе текстурной информации.: автореф. кан. тех. наук: 05.13.01 / Яковенко, Максим Константинович. - М., 2004. - 17 с.

106. Исследование эффективности применения вейвлет-анализа в информационно-измерительных системах диагностики острых лейкозов. / В. Г. Ники-таев, А. Н. Проничев, Е. В. Поляков и др. // Измерительная техника. — 2014. ..V« 8. С. 96-98.

107. Samorodov, А. V. Building intelligent systems for the analysis of microscopic images in medicine and biology / A. V. Samorodov // Pattern Recognition and Image Analysis. 2013. Vol. 23, no. 4. P. 508-511.

108. Воробьев, А. И. Руководство по гематологии: в Зт / А. И. Воробьев. — M.: М.:Ньюдиамед, 2007. Т. 1. С. 416 с ил.

109. Автоматизированная система текстурного анализа изображений для контроля качества материалов. / В. Г. Никитаев, Д. Д. Никифоров, А. П. Сви-нарчук и др. // Приборы и системы управления. — 1986. — № 6. С. 1-2.

110. Высокотехнологичная система поддержки принятия врачебных решений

при диагностике острых лейкозов / В. Г. Никитаев, Ю. Р. Нагуманова, А. Н. Проничев, К. С. Чистов // Спецтехника и связь. 2011. Л'° 4-5.— С. 70-73.

111. Особенности проектирования систем распознавания образов для диагностики острых лейкозов с применением методов компьютерной микроскопии. / В. Г. Никитаев, Ю. Р. Нагуманова, А. Н. Проничев, К. С. Чистов // Измерительная техника. — 2012. — № 5. — С. 65-68.

The wavelet analysis of the chromatin structure images for the blood cells classifcation / V. G. Nikitaev, O. V. Nagornov, A. N. Pronichev et al. // Proceedings of the 6th Internatio nal Conference on Bioscience and Bioin-formatics (ICBB '15). Dubai, United Arab Emirates, February 22-24:. — WSEAS Press, 2015.-P. 120.

113. Experimental study of efectiveness of blood cells recognition for acute leukemia diagnosis / V. G. Nikitaev, O. V. Nagornov, A. N. Pronichev et al. // Proceedings of the 15th International Conference on Signal Processing, Computational Geometry and Artifcial Vision (ISCGAV '15). Sliema, Malta, August 17-19, 2015:.-WSEAS Press, 2015.-P. 49 - 53.

114. Фисенко, В. Т. Компьютерная обработка и распознавание изображений: учеб. пособие . / В. Т. Фисенко, Т. Ю. Фисенко. — СПб: СПбГУ ИТМО, 2008. ^ С. 192.

115. Пат. 2712941 Российская Федерация, Способ коррекции сигнала датчика изображения слабоконтрастных объектов в системах компьютерной микроскопии при онкологической диагностике / В. Г. Никитаев, А. Н. Проничев, Е. В. Поляков, В. В. Дмитриева, заявки Л'° 2018144856 заявл. 18.12.2018; опубл. 03.02.2020, Бюл. № 4.

116. Методы компьютерной обработки изображений / Под ред. В.А. Сойфера. 2-е изд., испр. / испр. Методы компьютерной обработки изображений / Под ред. В.А. Сойфера. 2-е изд. М.: ФИЗМАТЛИТ, 2003. ^ С. 784. The method of segmentation of leukocytes in information-measuring systems

on the basis of light microscopy / VG Nikitaev, AN Pronichev, EV Polyakov, Yu V Zaharenko // Journal of Physics: Conference Series / IOP Publishing.-Vol. 945.-2018.-P. 012006.

118. The method of selection of leukocytes in images of preparations of peripheral blood and bone marrow / YV Zakharenko, VG Nikitaev, EV Polyakov, SO Seldyukov // Journal of Physics: Conference Series / IOP Publishing. — Vol. 798.-2017.-P. 012127.

119. Felzenszwalb, PF. Distance transforms of sampled functions (program).— 2004.

120.

дефектов поверхности / А. П. Цапаев, О. В. Кретинин // Компьютерная оптика. - 2012. - Т. 36, № 3. - С. 448-452.

121. Putzu, Lorenzo. White blood cells identification and counting from microscopic blood image / Lorenzo Putzu, Cecilia Di Ruberto // Proceedings of World Academy of Science, Engineering and Technology / World Academy of Science, Engineering and Technology (WASET). —No. 73. —2013.-P. 363.

122. A new approach of watershed algorithm using distance transform applied to image segmentation / PP Acharjya, A Sinha, S Sarkar et al. // International Journal of Innovative Research in Computer and Communication Engineering. - 2013. — Vol. 1, no. 2. —P. 185-189.

123. Gao, Chao. Analysis and improvement of susan algorithm / Chao Gao, Hongjun Zhu, Yongcai Guo // Signal Processing. — 2012. — Vol. 92, no. 10. — P. 2552-2559.

124. Пат. 61890 Российская Федерация, Устройство для автоматического обнаружения бластных клеток в периферической крови / В. Г. Никити-ев, А. Н. Проничев, К. С. Чистов и др. заявки №2006135515/22 заявл. 09.10.2006; опубл. 10.03.2007, Бюл. № 7.

125. Пат. 2308745 Российская Федерация, Способ микроскопического исследования образца, содержащего микрообъекты с разнородными зона-

ми / В. Г. Никитаев, А. Н. Проничев, К. С. Чистов и др. — заявка №2006135516/28 заявл. 09.10.2006; опубл. : 20.10.2007, Бюл. № 29.

126. Пат. 2385494 Российская Федерация, Российская Федерация, Способ распознавания изображения текстуры клеток / В. Г. Никитаев, А. Н. Проничев, К. С. Чистов, В. А. Хоркин. заявка №2008141633/28 заявл. 22.10.2008; опубл.: 27.03.2010, Бюл. № 9.

127. The blood smear image processing for the acute leukemia diagnostics / V. G. Nikitaev, О. V. Nagornov, E. V. Polyakov et al. // International journal of biology and biomedical engineering. — 2016. — no. 10. — P. 109-114.

Boix, Macarena. Using wavelet denoising and mathematical morphology in the segmentation technique applied to blood cells images / Macarena Boix, Begona Canto // Mathematical Biosciences & Engineering. — 2013. — Vol. 10, no. 2.-P. 279.

129. Habibzadeh, Mehdi. Analysis of white blood cell differential counts using dual-tree complex wavelet transform and support vector machine classifier / Mehdi Habibzadeh, Adam Krzyzak, Thomas Fevens // International Conference on Computer Vision and Graphics / Springer. — 2012. —P. 414-422.

130. Mukherjee, Manali. Application of biomedical image processing in blood cell counting using hough transform / Manali Mukherjee, Mausumi Maitra et al. // Biometrics: Concepts, Methodologies, Tools, and Applications. — IGI Global, 2017.-P. 1175-1194.

131. The wavelet analysis of the chromatin structure images for the blood cells classification. / V. G. Nikitaev, O. V. Nagornov, E. V. Polyakov et al. // Proceedings of the 6th Internatio nal Conference on Bioscience and Bioinformat-ics (ICBB '15).-Dubai, United Arab Emirates, February 22-24: WSEAS Press, 2015.-P. 120.

132. Experimental study of effectiveness of blood cells recognition for acute leukemia diagnosis. / V.G. Nikitaev, O.V. Nagornov, E.V. Polyakov et al. // Proceedings of the 15th International Conference on Signal Processing, Com-

putational Geometry and Artificial Vision (ISCGAV '15). — Sliema, Malta, August 17-19, 2015: WSEAS Press, 2015.-P. 49 - 53.

133. Поляков, E. В. Исследование информативности морфологических характеристик структурных элементов в задаче распознавания клеток крови. / Е. В. Поляков, А. Н. Проничев // 9-я Курчатовская молодежная научная школа. Сборник аннотаций работ. М.: РНЦ «Курчатовский институт», 2011. — С. 175.

134. Никитаев, В. Г. Оценка информативности распознавания клеток крови при использовании метода структурных элементов / В. Г. Никитаев, Е. В. Поляков, А. Н. Проничев // 10-я Курчатовская молодежная научная школа. Сборник аннотаций работ. М.: РНЦ «Курчатовский институт», 2012. С. 139.

135. Поляков, Е. В. Модель структурного описания изображений клеток крови. / Е. В. Поляков, А. Н. Проничев, К. С. Чистов // Научная сессия МИФИ - 2012. Аннотация докладоов. Л'° Т.1. М.: МИФИ, 2012. О. 282.

136. Модель описания лейкоцитов периферической крови на основе оптических особенностей структуры ядер. / В. Г. Никитаев, А. Н. Проничев, Е. В. Поляков и др. // Измерительная техника. — 2014. — № 5. — С. 56-58.

137. Пат. 159002 Российская Федерация, Устройство анализа клеток крови на основе оценки характеристик структурных элементов ядер / В. Г. Никитаев, А. Н. Проничев, Е. В. Поляков и др. заявка №2014153251/15 заявл. 26.12.2014; опубл. 20.01.2016, Бюл. № 2.

138. Пат. 2612007 Российская Федерация, Способ автоматизированного анализа клеток крови посредством описания лейкоцитов на основе оптических особенностей структуры ядер / В. Г. Никитаев, А. Н. Проничев, Е. В. Поляков и др_ _ заявка №2014153250 заявл. 26.12.2014; опубл. 26.12.2014, Бюл. № 7.

139. Пат. 2659217 Российская Федерация, Способ распознавания структуры ядер бластов крови и костного мозга с применением световой микроскопии в сочетании с компьютерной обработкой данных для определения В- и Т-

линейных острых лимфобластных лейкозов / В. Г. Никитаев, О. В. Нагорной. А. Н. Проничев и др. заявка №2017143326 заявл. 12.12.2017; опубл. 28.06.2018, Бюл. № 19. 140. Технологии искусственного интеллекта и трансляционной медицины в диагностике острых лейкозов. / Е. В. Поляков, В.Г. Никитаев, А. Н. Проничев и др. // Сборник трудов школы-конференции молодых ученых с международным участием «Ильинские чтения». — М.: ГБУ ГНЦ ФМБЦ им. А.И. Бурназяна ФМБА России, 2018. — С. 158.

The influence of physical factors on recognizing blood cells in the computer microscopy systems of acute leukemia diagnosis / V. G. Nikitaev, A. N. Pronichev, E. V. Polyakov et al. // Journal of Physics: Conference Series / IOP Publishing.-Vol. 784.-2017.-P. 012042.

142. Tou, J. T. Pattern Recognition Principles. / J. T. Tou, R. C. Gonzales. — United States: Addison-Wesley Publishing Co., 1974. C. 395.

143. Дуда, P. Распознавание образов и анализ сцен / Р Дуда. — Рипол Классик, 1976.^ С. 510.

144. Статистические методы анализа в клинической практике. / П. О. Румянцев, В. А. Саенко, У. В. Румянцева, С. Ю. Чекин. Обнинск: МРНЦ им. А.Ф. Цыба,, 2014. С. 46.

Feng, Pengmian. Sequence based prediction of pattern recognition receptors by using feature selection technique / Pengmian Feng, Lijing Feng // International Journal of Biological Macromolecules. — 2020. — Vol. 162. — P. 931-934.

146. Nikitaev, V. G. A method for estimating the accuracy of measurements of optical characteristics of the nuclei of blood cells in the diagnosis of acute leukemia. / V. G. Nikitaev, E. V. Polyakov // Journal of Physics: Conference Series.-2016.-P. 012128.

частных лейкозов и минимальной остаточной болезни / В. Г. Никитаев,

Н. Н. Тупицын, А. Н. Проничев и др. // Медицинская техника. 2020. № 5(323). С. 42-44.

148. Применение методов текстурного анализа в компьютерной микроскопии видимого диапазона электромагнитного излучения. / В. Г. Никитаев, А. Н. Проничев, Е. В. Поляков и др. // Краткие сообщения по физике Физического института им. П.Н. Лебедева Российской Академии Наук. — 2010. Л'" 10. С. 26-32.

149. Textural characteristics of bone marrow blast nucleus images with different variants of acute lymphoblastic leukemia / VG Nikitaev, AN Pronichev, EV Polyakov et al. // Journal of Physics: Conference Series / IOP Publishing.-Vol. 945.-2018.-P. 012008.

150. Computer microscopy in lymphoma diagnostics. / A. V. Mozhenkova, N. N. Tupitsin, M. A. Frenkel et al. // Journal of Physics: Conference Series.-2016.-P. 012126.

151. The blood smear image processing for the acute leukemia diagnostics / G. V. Nikitaev, V. O. Nagornov, A. N . Pronichev et al. // International journal of biology and biomedical engineering. — 2016.— Vol. 10.— P. 10914.

152. Method of recognition of the blasts nuclei structure by using light microscopy and computer data processing / VG Nikitaev, AN Pronichev, EV Polyakov et al. // Journal of Physics: Conference Series / IOP Publishing.-Vol. 1189.-2019.-P. 012043.

153.

проведения исследований методов диагностики острых лимфобластных лейкозов. / В. Г. Никитаев, А. Н. Проничев, Е. В. Поляков и др. // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. — 2019. ^ Т. 9, № 2. — С. 91-101.

154. Nikitaev, V. G. Research methodology of the artifact effect in the blood to the

result of cell classification. / V. G. Nikitaev, E. V. Polyakov, S. O. Seldyukov // Journal of Physics: Conference Series. ^2016. — P. 012130. 155. Поляков, E. В. Анализ эффективности методов и моделей обработки изображений препаратов крови и костного мозга для автоматизированной диагностики острых лейкозов. / Е. В. Поляков // Системный анализ и управление в биомедицинских системах. 2019. Т. 18, № 2. С. 133-144.