Віталій Поворозник

Віталій Поворозник

Auto-generated profile, based on publicly available information

Віталій Поворозник

Західноукраїнський національний університет

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
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.