Mykola Berezkyi

Dr. Mykola Berezkyi

orcid

Research Focus & Metrics

Academic Career Length

3Years (2024-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
5 March 2026 in Mathematics
Verified
Journal Article
Open access
PDF file
MZMykhailo Zarichnyi
Mykhailo Zarichnyi
OBOleh Berezsky
Oleh Berezsky
MBMykola Berezkyi
Mykola Berezkyi
VTVasyl Teslyuk
Vasyl Teslyuk
Accurate image similarity assessment is a key problem in computer vision, particularly in segmentation and classification problems. Classical Hausdorff and Fréchet metrics provide pointwise distance values and do not allow similarity to be evaluated in the form of intervals, which limits their applicability in problems where uncertainty plays a significant role. In this study, a combined approach to computing distances between images based on fuzzy Fréchet and Hausdorff metrics is developed. Two theorems are proved demonstrating that, for convex polygonal contours, the fuzzy Hausdorff distance coincides with the fuzzy Fréchet distance. This result makes it possible to replace the computation of the fuzzy Hausdorff metric with the simpler fuzzy discrete Fréchet metric. A method and algorithms for determining the fuzzy discrete Fréchet distance and a combined distance between convex polygons are proposed; their computational complexity is evaluated, and an application example is provided. The results show that the combined fuzzy metric reduces computation time by at least a factor of two compared to the direct computation of the fuzzy Hausdorff metric, while preserving similarity assessment accuracy. The proposed approach can be applied to shape analysis, segmentation evaluation, and similarity modeling in image classification systems. Future research directions include extending the method to non-convex polygons and arbitrary geometric objects.

30 May 2024 in Herald of Khmelnytskyi National University. Technical sciences
Verified
Journal Article
Open access
PDF file
ОПОлег Піцун
Олег Піцун
MBMykola Berezkyi
Mykola Berezkyi
ВПВіталій Поворозник
Віталій Поворозник
ГМГригорій Мельник
Григорій Мельник
У цифровій патології виявлення та класифікація клітин часто є передумовами для кількісного визначення клітин і дослідження неоднорідності тканин. Розділення та маркування кожного ядра клітини є ключовим завданням у сегментації біомедичних зображенЬ. Використання одного підходу для усіх біомедичних зображень є недостатнім, тому необхідно розробити метод з урахуванням вхідних параметрів зображення. Імуногістохімія (IHC) є основною технологією, яка використовується для оцінки кількості біомаркерів на рівні білків у зразках тканин. У онкологічній клінічній діагностиці та дослідженнях аналізи імуногістохімічні зображення відіграють центральну роль у характеристиці пухлини та оцінці біомаркерів. Попередній діагноз зазвичай формується на основі візуального мікроскопічного дослідження експертом. Задачі опрацювання імуногістохімічних зображень є особливо складними для мультиплексних імуногістохімічних зображень через високий рівень варіабельності фарбування, інтенсивності та пошкоджень в результаті попереднього оброблення. Ручна оцінка забарвлених задопомогою біомаркера Her2/neu мікроскопічних зображень характеризується наявністю помилок, великою трудомісткістю у зв’язку із різноманітним фарбуванням, перекриваючими ділянками та неоднорідними параметрами предметного скла. У даній роботі метод автомаитчного підбору алгоритмів сегментації імуногістохімічних зображень на прикладі імуногістохімічних зображень. Враховуючи необхідність у адаптивному підборі параметрів сегментації, розроблений метод дозволяє підбирати алгоритми сегментації та їх вхідні параметри на основі вхідних параметрів зображення ,таких як середній рівень яскравості, середній рівень каналів RGB зображення. Також у даній роботі окрім базових алгоритмів сегментації, таких як k-means, водорозподілу, порогової сегментації, використовується підхід глибокого машинного навчання на основі архітектури U-net. Встановлено, що для обробки зображень з великою кількістю мікрооб’єктів кращі результати показала сегментація засобами U-net, а для об’єктів з малою кількістю мікрооб’єктів найкращі результат демонструє сукупність алгоритмів водорозподілу у поєднанні із пороговою сегментацією зі значеннями від 65 до 90.

1 January 2025 in Ukrainian Journal of Information Technology
Verified
Journal Article
Open access
MBMykola Berezkyi
Mykola Berezkyi
OPOleh Pitsun
Oleh Pitsun
Developed a software module for automatic image comparison based on classical and advanced distance metrics to enhance the precision of biomedical image analysis. The study addresses the growing demand for intelligent tools capable of quantitative comparison of complex image structures, overcoming the limitations of existing systems such as ImageJ and Axio Vision. The research focuses on integrating Frechet, Hausdorff, Gromov – Frechet, Gromov – Hausdorff, and fuzzy Frechet and Hausdorff metrics within a unified modular architecture designed for distributed data environments. The methods of the research rely on the use of modern programming technologies (Java, PHP, Vue.js, Laravel, MySQL, OpenCV) and the principles of software modularity and service-oriented design. Investigated the design and implementation of a web-based interface that enables users to upload, preview, and compare images interactively. The architecture integrates a RESTful API, microservice-based communication, and visualization components to represent metric results numerically and graphically. Established a relational database schema including entities for users, studies, comparators, and results, ensuring scalability and data integrity. Developed the core module consisting of the RestClient, MainComparator, and a set of specialized metric classes that implement the Comparator interface, allowing easy extension by new algorithms. The developed system demonstrates a substantial improvement over existing software by combining traditional and modern metric-based methods and enabling remote interaction and integration with cloud services. Comparative analysis with ImageJ, Axio Vision, and HIAMS systems revealed that the proposed module uniquely supports both Gromov-based and fuzzy metrics while maintaining a user-friendly web interface and REST API access. The results confirmed the efficiency of the designed module for segmentation and clustering of biomedical images and its integration into the “BRECCAD” system for automatic breast cancer diagnosis. The proposed approach enhances reproducibility, modularity, and analytical accuracy, providing a foundation for further development of intelligent diagnostic software.

30 July 2024 in Preprints.org
Verified
Preprint
Open access
PDF file
OBOleh Berezsky
Oleh Berezsky
OPOleh Pitsun
Oleh Pitsun
MBMykola Berezkyi
Mykola Berezkyi
YBYurii Batko
Yurii Batko
GMGrygoriy Melnyk
Grygoriy Melnyk
The usage of classic segmentation methods has drastically decreased recently. Implementation of convolutional neural networks and their modifications leads to significantly improved results. With the help of U-net, you can perform automatic segmentation. However, this requires significantly more hardware and software resources. The use of cloud computing now provides a wide range of possibilities, which allows processing and sharing the obtained experience and results to improve the quality of diagnosis. This article presents an approach to implementing MLOPS for automatic image segmentation using U-net technology. The approach's key feature is the developed software block that allows the creation of a dataset based on given rules. The infrastructure also supports automatically deploying the necessary environment on the cloud, particularly on DigitalOcean.


28 August 2025 in Herald of Khmelnytskyi National University. Technical sciences
Verified
Journal Article
Open access
PDF file
ОПОлег Піцун
Олег Піцун
MBMykola Berezkyi
Mykola Berezkyi
МШМирослав Шимчук
Мирослав Шимчук
Розробка штучного інтелекту та алгоритмів класифікації та сегментації зображень значною мірою сприяла розвитку технологій у сфері автоматичної діагностики з мінімальною участю людини. Ключовою особливістю цього типу завдань є необхідність використання великої кількості даних та потреба у значних обчислювальних ресурсах. Також існує потреба у використанні хмарних обчислень для спільної роботи над проектами. При аналізі таких специфічних та складних зображень, як імуногістохімічні, гістологічні та цитологічні, використання лише алгоритмів підходу є недостатнім. Тому поширення набуло використання згорткових нейронних мереж з архітектурою U-net для автоматичної сегментації. У цій статті запропоновано структуру життєвого циклу сегментації біомедичних зображень на основі практики MLOps. Особливістю цього підходу є розробка механізму обробки зображень за допомогою масок зображень.