Details

Данная работа посвящена разработке алгоритма выделения клеток на микроскопических изображениях на основе заранее заданных внутренних маркеров и частично известной информации о границах. Предложен пошаговый алгоритм расширения областей (region growing), модифицированный с учётом границ, что позволяет сохранить чёткость разделения между соседними клетками. В процессе исследования были проанализированы и адаптированы современные подходы к сегментации изображений: модель активных контуров (Active Contour), в частности модель Чана–Виза (Chan–Vese), анизотропная диффузия Перона–Малика и преобразование серо-взвешенного расстояния (GWDT). Разработан новый критерий остановки роста области с учетом неоднородности изображения и неопределенности границ. Результатом работы стала программная реализация на языке Python, обеспечивающая надёжную сегментацию биологических клеток, включая случаи перекрытия и слияния объектов. Разработанный метод может быть применён в задачах биомедицинского анализа, включая исследования экспрессии генов и других биомедицинских исследованиях, требующих точного выделения клеточных структур.

This bachelor diploma thesis presents the development of a cell segmentation algorithm for microscopic images based on predefined internal markers and partially known boundary information. A step-by-step region growing method is proposed, enhanced with boundary-aware criteria to preserve clear separation between adjacent cells. The study analyzes and adapts several state-of-the-art image segmentation techniques, including Active Contour models, specifically the Chan–Vese model, Perona–Malik anisotropic diffusion, and the Grey-Weighted Distance Transform (GWDT). A new stopping criterion for region growth is introduced, which takes into account image inhomogeneity and boundary uncertainty. As a result, a Python-based software tool was implemented, capable of accurately segmenting biological cells, even in challenging conditions involving object overlap or fusion. The proposed approach is applicable in biomedical image analysis tasks, such as gene expression studies and other domains requiring precise identification of cellular structures.

• РЕФЕРАТ
• ABSTRACT
• Часть I: ВВЕДЕНИЕ
• Часть II: ОСНОВАЯ ЧАСТЬ
  • Постановка задачи
    • Математическая формулировка
    • Описание исходных данных
  • Обзор нужных методов сегментации
    • Метод Активых Контуров (Active Contour)
      • Теоретическая основа: модель Чана–Виза (Chan–Vese)
      • Свойства и применимость
    • Анизотропная диффузия Перона–Малика
      • Математическая модель
      • Свойства и применимость
    • Серо-взвешенное расстояний (GWDT)
      • Теоретическая основа
      • Свойства и применимость
  • Разработка алгоритма выделения клеток в изображениях с помощью расширения областей с учетом границ
    • Общая схема алгоритма
    • Список параметры алгоритма сегментации
    • Алгоритмы. Основные методы.
    • Расширение областей и Критерий остановки
      • Обработка по локальным регионам
      • Критерий остановки роста
      • Функция Расширение областей с учетом границы
  • Эксперименты, Результаты и их анализ
    • Применение разработанного метода к экспериментальным изображениям клеток
    • Оценка точности разработанного метода
      • Численные результаты
      • Статистический анализ
    • Анализ полученных результатов
      • Графическая интерпретация результатов
      • Интерпретация результатов
  • Выводы
• Часть III: Заключение
  • Список литературы