Гистостереометрический онлайн-анализ в судебно-медицинской цифровой патологии: технический отчёт

Обложка

Цитировать

Полный текст

Аннотация

Обоснование. 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 изображений гистологических и иммуногистохимических препаратов, а также цифровых снимков их отдельных полей зрения.

Цель работы. Разработка онлайн-инструмента гистостереометрического анализа изображений судебно-медицинской цифровой патологии.

Методы. В работе представлена разработка онлайн-приложения, совместимого с операционными системами Windows, Linux, Android и IOS, предназначенного для выделения на цифровых изображениях микрообъектов с заданными цветовыми свойствами и их гистостереометрического анализа. Код приложения писали на языке программирования JavaScript с использованием открытой библиотеки openCV.

Результаты. Разработано онлайн-приложение Color Histostereometry Calculator, предназначенное для определения на растровых изображениях гистологических и иммуногистохимических препаратов удельного объёма и количества микрообъектов с заданными цветовыми характеристиками. Использование цветовой модели HSV (Hue, Saturation, Value) с возможностью настройки диапазонов цветовых параметров и минимальных размеров учитываемых областей, а также принцип идентификации микрообъектов на основе их цветовых характеристик, а не геометрических признаков, позволяет исключать из анализа различные артефакты изображения, сегментировать наслоившиеся структуры и оценивать морфометрические показатели для бесконечно тонкого среза, тем самым устраняя влияние толщины срезов на результаты анализа.

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

Об авторах

Владимир Германович Недугов

Самарский государственный медицинский университет

Автор, ответственный за переписку.
Email: nedugovvg@gmail.com
ORCID iD: 0009-0007-7542-7235
SPIN-код: 2407-7937
Россия, Самара

Анна Валерьевна Жукова

Самарский национальный исследовательский университет имени академика С.П. Королёва

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

Герман Владимирович Недугов

Самарский национальный исследовательский университет имени академика С.П. Королёва

Email: nedugovh@mail.ru
ORCID iD: 0000-0002-7380-3766
SPIN-код: 3828-8091

доктор медицинских наук, доцент

Россия, Самара

Список литературы

  1. Zhang MZ, Meng YL, Ling HS, et al. Research Status and Prospects of Non-Traumatic Fat Embolism in Forensic Medicine. Fa Yi Xue Za Zhi. 2022;38(2):263–266. doi: 10.12116/j.issn.1004-5619.2020.401002
  2. Abouzahir H, Regragui M, Tolba CS, et al. Histopathological Diagnosis of Arrhythmogenic Right Ventricular Cardiomyopathy: A Review of Three Autopsy Cases. The Malaysian Journal of Pathology. 2022;44(2):277–283. Available from: https://mjpath.org.my/2022/v44n2/arrhythmias.pdf
  3. Tan L, Byard RW. Cardiac Amyloid Deposition and the Forensic Autopsy - A Review and Analysis. Journal of Forensic and Legal Medicine. 2024;103:102663. doi: 10.1016/j.jflm.2024.102663 EDN: FPPMTV
  4. Ghamlouch A, De Simone S, Dimattia F, et al. Microscopic and Macroscopic Findings in Cocaine and Crack Airways Injuries: A Literature Review. La Clinica Terapeutica. 2025;176(2 suppl. 1):83–88. doi: 10.7417/CT.2025.5193
  5. Zhang DY, Venkat A, Khasawneh H, et al. Implementation of Digital Pathology and Artificial Intelligence in Routine Pathology Practice. Laboratory Investigation. 2024;104(9):102111. doi: 10.1016/j.labinv.2024.102111 EDN: CVTKOA
  6. Jariyapan P, Pora W, Kasamsumran N, Lekawanvijit S. Digital Pathology and Artificial Intelligence in Diagnostic Pathology. The Malaysian Journal of Pathology. 2025;47(1):3–12. Available from: https://www.mjpath.org.my/2025/v47n1/digital-pathology-and-AI.pdf
  7. Fabián O, Švajdler M, Jirásek T. Integration of Digital Pathology Workflow in the Anatomic Pathology Laboratory. Československá Patologie. 2025;61(1):22–28. Available from: https://pubmed.ncbi.nlm.nih.gov/40456622/
  8. Gutman DA, Khalilia M, Lee S, et al. The Digital Slide Archive: A Software Platform for Management, Integration, and Analysis of Histology for Cancer Research. Cancer Research. 2017;77(21):e75–e78. doi: 10.1158/0008-5472.CAN-17-0629
  9. Pallua JD, Brunner A, Zelger B, et al. The Future of Pathology is Digital. Pathology - Research and Practice. 2020;216(9):153040. doi: 10.1016/j.prp.2020.153040 EDN: WDORBN
  10. Jahn SW, Plass M, Moinfar F. Digital Pathology: Advantages, Limitations and Emerging Perspectives. Journal of Clinical Medicine. 2020;9(11):3697. doi: 10.3390/jcm9113697 EDN: UHOJAO
  11. Hijazi A, Bifulco C, Baldin P, Galon J. Digital Pathology for Better Clinical Practice. Cancers. 2024;16(9):1686. doi: 10.3390/cancers16091686 EDN: IHIAYP
  12. Baxi V, Edwards R, Montalto M, Saha S. Digital Pathology and Artificial Intelligence in Translational Medicine and Clinical Practice. Modern Pathology. 2022;35(1):23–32. doi: 10.1038/s41379-021-00919-2 EDN: HCPFJI
  13. Hassell LA, Absar SF, Chauhan C, et al. Pathology Education Powered by Virtual and Digital Transformation: Now and the Future. Archives of Pathology & Laboratory Medicine. 2022;147(4):474–491. doi: 10.5858/arpa.2021-0473-ra EDN: LIQBYN
  14. Kiran N, Sapna FNU, Kiran FNU, et al. Digital Pathology: Transforming Diagnosis in the Digital Age. Cureus. 2023;15(90):e44620. doi: 10.7759/cureus.44620 EDN: HGTEMP
  15. Tizhoosh HR, Pantanowitz L. On Image Search in Histopathology. Journal of Pathology Informatics. 2024;15:100375. doi: 10.1016/j.jpi.2024.100375 EDN: LHYVMG
  16. Louis DN, Feldman M, Carter AB, et al. Computational Pathology: A Path Ahead. Archives of Pathology & Laboratory Medicine. 2015;140(1):41–50. doi: 10.5858/arpa.2015-0093-SA
  17. Nam S, Chong Y, Jung CK, et al. Introduction to Digital Pathology and Computer-Aided Pathology. Journal of Pathology and Translational Medicine. 2020;54(2):125–134. doi: 10.4132/jptm.2019.12.31 EDN: LFTRDW
  18. Hosseini MS, Bejnordi BE, Trinh VQH, et al. Computational Pathology: A Survey Review and the Way Forward. Journal of Pathology Informatics. 2024;15:100357. doi: 10.1016/j.jpi.2023.100357 EDN: LVMRRM
  19. Kobek M, Jankowski Z, Szala J, et al. Time-Related Morphometric Studies of Neurofilaments in Brain Contusions. Folia Neuropathologica. 2016;1:50–58. doi: 10.5114/fn.2016.58915
  20. Zhou Y, Zhang J, Huang J, et al. Digital Whole-Slide Image Analysis for Automated Diatom Test in Forensic Cases of Drowning Using a Convolutional Neural Network Algorithm. Forensic Science International. 2019;302:109922. doi: 10.1016/j.forsciint.2019.109922
  21. Garland J, Hu M, Duffy M, et al. Classifying Microscopic Acute and Old Myocardial Infarction Using Convolutional Neural Networks. American Journal of Forensic Medicine & Pathology. 2021;42(3):230–234. doi: 10.1097/paf.0000000000000672 EDN: VCAELO
  22. Li D, Zhang J, Guo W, et al. A Diagnostic Strategy for Pulmonary Fat Embolism Based on Routine H&E Staining Using Computational Pathology. International Journal of Legal Medicine. 2023;138(3):849–858. doi: 10.1007/s00414-023-03136-5 EDN: AZHOBN
  23. Volonnino G, De Paola L, Spadazzi F, et al. Artificial Intelligence and Future Perspectives in Forensic Medicine: A Systematic Review. Clin Ter. 2024;175(3):193–202. doi: 10.7417/CT.2024.5062
  24. Bankhead P. Developing Image Analysis Methods for Digital Pathology. The Journal of Pathology. 2022;257(4):391–402. doi: 10.1002/path.5921 EDN: SWPEFT
  25. Stodden V, Seiler J, Ma Z. An Empirical Analysis of Journal Policy Effectiveness for Computational Reproducibility. Proceedings of the National Academy of Sciences. 2018;115(11):2584–2589. doi: 10.1073/pnas.1708290115
  26. Cadwallader L, Papin JA, Mac Gabhann F, Kirk R. Collaborating With Our Community to Increase Code Sharing. PLOS Computational Biology. 2021;17(3):e1008867. doi: 10.1371/journal.pcbi.1008867 EDN: PZRYDC
  27. 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
  28. Perkel JM. How to Fix Your Scientific Coding Errors. Nature. 2022;602(7895):172–173. doi: 10.1038/d41586-022-00217-0 EDN: AQEQYM
  29. Levet F, Carpenter AE, Eliceiri KW, et al. Developing Open-Source Software for Bioimage Analysis: Opportunities and Challenges. F1000Research. 2021;10:302. doi: 10.12688/f1000research.52531.1 EDN: VTEMIZ
  30. Nowogrodzki J. How to Support Open-Source Software and Stay Sane. Nature. 2019;571(7763):133–134. doi: 10.1038/d41586-019-02046-0
  31. Nedugov GV. Morphometric Diagnostics of the Age Of Encapsulated Subdural Hematomas. Forensic Medical Expertise. 2011;54(3):19–22. EDN: PXKDWV
  32. Avtandilov GG. Fundamentals of Quantitative Pathological Anatomy: A Tutorial. Moscow: Meditsina; 2002. (In Russ.) ISBN: 5-225-04151-5 Available from: https://rusneb.ru/catalog/000200_000018_RU_NLR_bibl_330460/?ysclid=mdhec2t2c326584559
  33. Nedugov GV. Determination of the Duration of Extrauterine Life of Premature Infants by the Severity of Postnatal Involution of the Hematopoietic Tissue of the Liver. Forensic Medical Expertise. 2005;48(5):9–12. (In Russ.)

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Определение относительного объёма гемосидероза капсулы субдуральной гематомы с помощью разработанного онлайн-приложения: a — исходное изображение; b — исходное изображение с выделением зон гемосидероза; c — чёрно-белая маска изображения.

Скачать (231KB)
Метаданные
3. Рис. 2. Определение количества профилей ядер миелоидных элементов на цифровом изображении фетальной печени с помощью разработанного онлайн-приложения: a — исходное изображение; b — исходное изображение с выделением контуров ядер, расположенных в фокусе (чёрно-белым изображение представлено для лучшего контрастирования контуров); c — чёрно-белая маска изображения.

Скачать (151KB)
Метаданные

© Эко-Вектор, 2025

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».