Алгоритм автоматичного створення маски сегментації для виявлення біологічних об'єктів

Abstract

У статті представлено метод автоматичного створення масок сегментації для біомедичних зображень, що забезпечує значне зменшення трудомісткості ручної анотації та підвищення відтворюваності підготовки даних. Запропонований підхід поєднує адаптивну порогову обробку з коефіцієнтами матриці Гаусса, морфологічні операції та геометричну фільтрацію контурів за площею та коефіцієнтом округлості. Така комбінація дозволяє ефективно виділяти клітинні структури за умов нерівномірного освітлення, шуму та низького контрасту, що є типовими проблемами мікроскопічних зображень. Метод протестовано на наборі даних BBBC030v1, який містить 60 зображень клітин яєчників китайського хом’яка. Для кожного зображення автоматично створена маска порівнювалась із наданою ground truth-анотацією за допомогою коефіцієнта Дайса. Отримано середнє значення 0,8954, медіану 0,9013 та стандартне відхилення 0,0254, що свідчить про високу точність та стабільність методу. Вузький міжквартильний розмах (IQR = 0,0215) підтверджує рівномірність роботи алгоритму на більшості зразків, тоді як поодинокі викиди (0,80–0,85) пов’язані з нетиповими або низькоконтрастними зображеннями. Загальний результат демонструє, що класичний підхід сегментації без використання нейронних мереж може досягати якості, співставної з ручною розміткою експерта. Для перевірки практичної придатності згенерованих масок вони були використані для навчання нейронної мережі U-Net для задачі сегментації. Порівняння з тренуванням на реальних масках показало майже однакові результати (0,9036 проти 0,9037), що підтверджує можливість повної або часткової заміни ручної анотації автоматичним підходом. Розроблений метод може бути застосований для прискорення підготовки великих біомедичних наборів даних та інтеграції у системи підтримки прийняття рішень у цитології, гістології та інших галузях біомедицини. The article presents a method for automatically creating segmentation masks for biomedical images, which significantly reduces the laboriousness of manual annotation and increases the reproducibility of data preparation. The proposed approach combines adaptive thresholding with Gaussian matrix coefficients, morphological operations, and geometric filtering of contours by area and roundness coefficient. This combination allows for effective separation of cellular structures under conditions of uneven illumination, noise, and low contrast, which are typical problems of microscopic images. The method was tested on the BBBC030v1 dataset, which contains 60 images of Chinese hamster ovary cells. For each image, the automatically created mask was compared with the provided ground truth annotation using the Dice coefficient. The average value was 0.8954, the median was 0.9013, and the standard deviation was 0.0254, which indicates high accuracy and stability of the method. The narrow interquartile range (IQR = 0.0215) confirms the uniformity of the algorithm's performance on most samples, while single outliers (0.80–0.85) are associated with atypical or low-contrast images. The overall result demonstrates that the classical segmentation approach without the use of neural networks can achieve quality comparable to manual expert labeling. To verify the practical suitability of the generated masks, they were used to train the U-Net neural network for the segmentation task. Comparison with training on real masks showed almost identical results (0.9036 vs. 0.9037), which confirms the possibility of full or partial replacement of manual annotation by an automatic approach. The developed method can be applied to accelerate the preparation of large biomedical datasets and integration into decision support systems in cytology, histology and other fields of biomedicine.