Разработка модели и метода классификации лейкоцитов на изображениях клеток крови тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Черных Евгений Михалович

• Черных Евгений Михалович
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Черных Евгений Михалович

ВВЕДЕНИЕ

ГЛАВА 1 ОБЗОР И АНАЛИЗ МЕТОДОВ КЛАССИФИКАЦИИ ЛЕЙКОЦИТОВ НА ИЗОБРАЖЕНИЯХ КЛЕТОК КРОВИ

1. 1 Роль лейкоцитов в медицинской диагностике

1.2 Анализ существующих методов классификации лейкоцитов

1.2.1 Традиционные методы классификации и цифровая микроскопия

1.2.2 Численные методы и машинное обучение в классификации лейкоцитов

1.2.3 Программные комплексы для автоматизированного анализа мазков крови

1.3 Подходы к математическому моделированию задачи классификации лейкоцитов

1.4 Постановка задач исследования

ГЛАВА 2 МАТЕМАТИЧЕСКАЯ МОДЕЛЬ И АЛГОРИТМЫ КЛАССИФИКАЦИИ ЛЕЙКОЦИТОВ

2.1 Математическая постановка задачи классификации лейкоцитов

2.2 Гибридная архитектура и требования к модели

2.3 Гипотеза независимости ошибок и ее следствия

2.4 Формирование пространства признаков

2.5 Построение базы экспертных правил

2.6 Основные результаты и выводы главы

ГЛАВА 3 РАЗРАБОТКА ЧИСЛЕННЫХ МЕТОДОВ КЛАССИФИКАЦИИ ЛЕЙКОЦИТОВ

3.1 Подготовка и стандартизация исходных данных

3.2 Реализация метода сегментации клеток крови

3.3 Извлечение и отбор информативных признаков лейкоцитов

3.4 Построение нечетких экспертных правил и разработка классификатора

3.5 Создание и обучение компонента сверточной нейронной сети

3.6 Основные результаты и выводы главы

ГЛАВА 4 РАЗРАБОТКА ПРОТОТИПА ПРОГРАММНОГО КОМПЛЕКСА, РЕАЛИЗУЮЩЕГО ПРЕДЛАГАЕМЫЙ МЕТОД КЛАССИФИКАЦИИ

4.1 Разработка архитектуры программного комплекса

4.2 Логика хранения данных

4.3 Реализация компонентов программного комплекса

4.4 Основные результаты и выводы главы

ГЛАВА 5 ИССЛЕДОВАНИЕ РАБОТОСПОСОБНОСТИ РАЗРАБОТАННЫХ МОДЕЛИ, МЕТОДА И КОМПЛЕКСА ПРОГРАММ

5.1 Цели вычислительного эксперимента и логика проверки

5.2 Оценка базовых компонентов системы

5.3 Оценка реализованных методов агрегации

5.4 Проверка гипотезы о независимости ошибок

5.5 Сравнение разработанной системы с другими методами

5.6 Основные результаты и выводы главы

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЯ

Приложение А Акт о внедрении результатов диссертационного исследования

Приложение Б Акт внедрения в учебный процесс результатов диссертационных исследований

Приложение В Свидетельство о государственной регистрации программы для ЭВМ

Приложение Г Полный перечень используемых признаков лейкоцитов

Приложение Д Листинг основных функций разработанного прототипа программного комплекса для классификации цифровых снимков лейкоцитов на основе предложенной нечеткой модели на базе экспертных правил и байесовского вывода

Введение диссертации (часть автореферата) на тему «Разработка модели и метода классификации лейкоцитов на изображениях клеток крови»

ВВЕДЕНИЕ

Актуальность работы. Автоматизированный анализ медицинских изображений является сегодня одним из ключевых направлений развития современной лабораторной диагностики. Одной из важнейших диагностических процедур является подсчет и классификация лейкоцитов по цифровым микроскопическим изображениям крови, позволяющая оперативно выявлять воспалительные процессы, инфекции и другие патологические состояния. От точности и объективности таких диагностических заключений напрямую зависят принятие верных медицинских решений и эффективность последующего лечения пациента.

В настоящее время в клинической практике преобладают традиционные подходы к анализу микроскопических изображений клеток крови, включающие ручную или полуавтоматическую обработку, в которой обязательным является участие квалифицированного врача-лаборанта. Такие методы характеризуются высокой трудоемкостью, субъективностью и значительной вероятностью ошибок, обусловленных человеческим фактором. В результате снижается оперативность диагностики и возрастает вероятность некорректных медицинских заключений.

Существующие компьютерные решения, такие как автоматизированные гематологические анализаторы и специализированные диагностические комплексы, хотя и позволяют частично автоматизировать процесс анализа, однако также имеют ряд серьезных ограничений, куда относятся: высокая стоимость оборудования и обслуживания, недостаточная универсальность, сложность адаптации к новым типам снимков, а также ограниченные возможности по оперативной экспертной корректировке результатов анализа.

Активно исследуемые в научной среде методы на основе глубокого обучения демонстрируют высокую точность при решении задач распознавания медицинских изображений. Однако их практическое применение ограничено низкой интерпретируемостью решений, что существенно затрудняет контроль качества и

возможность оперативной врачебной проверки полученных результатов. Невозможность обеспечить прозрачность и объяснимость выводов нейросетевых алгоритмов снижает доверие медицинского сообщества и ограничивает широкое практическое внедрение таких подходов.

В связи с этим актуальной научной задачей становится разработка и совершенствование гибридных методов анализа изображений, которые объединяют высокую точность - как у существующих моделей глубокого обучения с прозрачностью и интерпретируемостью, характерной для экспертных логико-вероятностных подходов. В существующих работах подобные гибридные методы или недостаточно полно интегрируют экспертные знания с нейросетевыми решениями, или не обеспечивают достаточной прозрачности и удобства их практического применения. Создание и развитие таких методов позволит устранить указанные недостатки снизить трудоемкость и субъективность анализа, а также повысить качество и доверие медицинских специалистов к результатам автоматизированной диагностики клеток крови.

Степень разработанности темы исследования. Задачи автоматизированной классификации и сегментации медицинских изображений активно исследуются отечественными и зарубежными учеными.

В области компьютерного зрения и методов обработки изображений значительный вклад внесли зарубежные исследователи H. Kaiming, J. Malik, R. Girshick, O. Ronnenberger, предложившие эффективные алгоритмы распознавания, сегментации и классификации изображений с использованием подходов глубокого обучения и современных нейронных сетей. В отечественной литературе данные подходы нашли развитие в работах С.А. Филиста, С.А. Борисовского, Р.А. Томаковой, В.В. Жилина, где исследуются методы сегментации и распознавания форменных элементов крови на микроскопических изображениях.

Фундаментальные исследования в области математического моделирования, вероятностных методов и нечеткой логики представлены в трудах российских исследователей: Ю.И. Журавлевой, Ю.П. Пытьевой, В.А. Сойфера, предложивших математические модели и методы анализа данных с высокой неопределенностью и

вариативностью признаков. Значимые работы, связанные с решением задач диагностики и классификации медицинских изображений представлены В.Г. Никитаевым, Е.В. Поляковым, К.В. Никовиковым, К.С. Чистовым, а также зарубежными исследователями в области байесовских и гибридных интеллектуальных систем, такими как J. Pearl, R.E. Neapolitan и D. Koller.

Исследованиями по практическим аспектам автоматизированного анализа медицинских изображений клеток крови и диагностики заболеваний, связанных с их структурными изменениями, занимались Z. Kouzehkanan, H.T. Madhloom, A. Shahin и Ж.В. Штадельман, рассматривая вопросы медицинского применения алгоритмов классификации, а также задачи предварительной диагностики патологических состояний по клеточным структурам.

Несмотря на существующие успехи в этой области по-прежнему остается ряд нерешенных научных и прикладных проблем. Так, существующие современные подходы на основе глубоких нейронных сетей обеспечивают высокую точность распознавания на распространенных стандартизированных наборах данных, однако в клинической практике их использование ограничено недостаточной прозрачностью и низкой интерпретируемостью решений. В то же время классические традиционные подходы, включая байесовские вероятностные модели и методы нечеткой логики, хотя и обладают высокой степенью прозрачности, не демонстрируют должной точности и универсальности при высокой вариативности изображений и условий съемки, характерной для практической медицины. Существующие коммерческие системы автоматизированного анализа крови, помимо высокой стоимости и зависимости от специализированного оборудования, также имеют ограничения, связанные с низкой адаптивностью к изображениям недостаточного качества и содержащих значительный объем перекрывающихся или склеенных клеток.

В связи с этим задача разработки математических моделей и гибридных методов, объединяющих достоинства нейросетевых подходов, интерпретируемых нечетких моделей и байесовского подхода для учета априорных знаний, остается актуальной. Решение этой задачи важно как с теоретической точки зрения, так и с

позиции практического применения в медицинской диагностике - для обеспечения высокой точности, прозрачности и удобства экспертного анализа и корректировки автоматически принимаемых решений.

Объект исследования: изображения изолированных лейкоцитов на цифровых снимках форменных элементов крови.

Предмет исследования: методы моделирования, сегментации и классификации лейкоцитов на цифровых изображениях клеток крови с использованием нечетких логики, байесовского вывода и глубокого обучения.

Целью диссертационной работы является совершенствование методов математического моделирования и классификации изображений лейкоцитов путем интеграции алгоритмов глубокого обучения с интерпретируемым вероятностно-нечетким компонентом и байесовским выводом для учета априорных экспертных знаний, с последующей реализацией предложенного подхода в виде прототипа программного комплекса для использования в организациях, разрабатывающих программные средства для медицинских исследований.

Для достижения поставленной цели были сформулированы и решены следующие задачи:

1. Анализ существующих методов сегментации и классификации лейкоцитов на цифровых изображениях мазков крови с позиции интерпретируемости, устойчивости к вариативности данных и учета априорной информации.

2. Разработка математической модели классификации лейкоцитов на основе нечетких правил и байесовского подхода, способной учитывать априорные вероятности классов и экспертные знания о морфологических, текстурных, цветовых, частотных и статистических признаках лейкоцитов.

3. Построение базы нечетких экспертных правил классификации лейкоцитов на основе лингвистически интерпретируемых признаков, извлекаемых из изображений клеток крови с учетом этапов предобработки и сегментации исходных изображений.

4. Реализация гибридной модели, состоящей из компоненты глубокого обучения и компоненты на основе нечетких правил и байесовского вывода, с целью повышения интерпретируемости и устойчивости классификатора, включая анализ слабой корреляции ошибок компонентов.

5. Реализация прототипа программного комплекса, предназначенного для автоматического анализа и классификации лейкоцитов на цифровых снимках форменных элементов крови с возможностью участия эксперта в формировании и корректировке правил на основе обратной связи.

6. Исследование работоспособности разработанной программной реализации, предложенной модели и методов на ряде открытых наборов реальных данных изображений клеток крови, включая анализ точности классификации, интерпретируемости решений системы и устойчивости.

Научную новизну работы составляет следующее:

1. Гибридная математическая модель классификации изображений лейкоцитов, интегрирующая интерпретируемую нечеткую компоненту байесовского вывода, построенную на базе экспертных правил, и сверточную нейросетевую компоненту посредством агрегирования их вероятностных оценок.

2. Метод формирования пространства информативных признаков лейкоцитов и автоматической индукции правил, включающий статистическую оценку термов и условных вероятностей по независимым наборам реальных данных, а также критерий отбора правил.

3. Комплекс процедур эксплуатации модели, включающий контроль уверенности решений, требования к воспроизводимости (журналирование и версионирование данных и правил), согласование с этапами сегментации и извлечения признаков.

Теоретическая значимость работы состоит в развитии методов математического моделирования и вероятностной классификации для анализа медицинских изображений, основанных на интеграции интерпретируемых нечетких моделей с байесовским механизмом принятия решений и глубоких

нейронных сетей. Предложенный подход расширяет средства построения объяснимых интеллектуальных систем для анализа медицинских изображений.

Практическая значимость работы определяется возможностью использования разработанного метода и программного комплекса в организациях, занимающихся созданием программных средств для медицинских исследований, для автоматизированной классификации лейкоцитов на микроскопических изображениях с обеспечением интерпретируемости решений и поддержки экспертной корректировки.

Результаты работы используются в АО «СОФТКОННЕКТ», а также в учебном процессе НИУ «БелГУ», что подтверждается соответствующими документами.

Методология и методы исследований. В работе были использованы методы математического моделирования, теории вероятностей, нечеткой логики, линейной алгебры, компьютерного зрения, обработки цифровых изображений и вычислительных экспериментов. Для проведения численных расчетов и создания прототипа программного комплекса использовался язык программирования Python.

Положения, выносимые на защиту:

1. Гибридная математическая модель классификации изображений лейкоцитов на цифровых микроскопических снимках, объединяющая интерпретируемую нечеткую компоненту на базе экспертных правил и байесовского вывода и сверточную нейросетевую компоненту посредством агрегирования оценок вероятностей со взаимной компенсацией ограничений используемых компонентов.

2. Метод классификации, реализующий предложенную модель на основе пространства информативных признаков лейкоцитов, сформированного по нескольким независимым наборам данных, и процедуры автоматической индукции и отбора правил.

3. Прототип программного комплекса автоматизированной классификации лейкоцитов, реализующий предложенные методы и

обеспечивающий возможность интерактивной экспертной корректировки правил, накопления знаний и последующего уточнения модели на основе пользовательской обратной связи, с возможностью локального и облачного развертывания.

4. Результаты сравнительных вычислительных экспериментов, подтверждающие эффективность предложенного гибридного метода классификации лейкоцитов на реальных медицинских данных и демонстрирующие его преимущества по точности и интерпретируемости по сравнению с существующими подходами.

Область исследования. Содержание диссертации соответствует следующим пунктам паспорта специальности 1.2.2. Математическое моделирование, численные методы и комплексы программ (технические науки) по следующим направлениям исследований:

п.2. Разработка, обоснование и тестирование эффективных вычислительных методов с применением современных компьютерных технологий.

п.3. Реализация эффективных численных методов и алгоритмов в виде комплексов проблемно-ориентированных программ для проведения вычислительного эксперимента.

п.8. Комплексные исследования научных и технических проблем с применением современной технологии математического моделирования и вычислительного эксперимента.

Достоверность результатов обусловлена корректностью применяемых математических преобразований, отсутствием противоречий с известными фактами теории и практики, обработки цифровых изображений, сегментации и классификации образов и иллюстрируется результатами вычислительных экспериментов с реальными медицинскими снимками форменных элементов крови.

Апробация результатов диссертационного исследования. Результаты проведенных исследований обсуждались на следующих научно-технических конференциях: II Международной конференции по математическому моделированию в прикладных науках (ICMMAS'19, г. Белгород, 2019 г.);

International Conference «Marchuk Scientific Readings 2020» (MSR-2020), dedicated to the 95th anniversary of the birthday of RAS Academician Guri I. Marchuk (г. Новосибирск, 2020 г.); Международной научно-практической конференции им. Э.К. Алгазинова «Информатика: проблемы, методы, технологии» (г. Воронеж, 2022 г.); Всероссийской научной конференции «Фундаментальные и прикладные исследования. Актуальные проблемы и достижения» (г. Санкт-Петербург, 2022 г.); Международной научной конференции «Тенденции развития современной науки в свете исследований молодых ученых» (г. Санкт-Петербург, 2024 г.); Международная научно-практическая конференция «Научный прогресс и устойчивое развитие» (г. Владивосток, 2025 г.); III Международной молодежной научно-практической конференции «Информационные технологии и инжиниринг» (г. Белгород, 2025 г.).

Публикации. По материалам диссертационного исследования опубликовано 10 научных работ, из них 2 статьи в рецензируемых изданиях, рекомендованных ВАК РФ; 1 статья в журнале, индексируемом в Scopus; 7 публикаций в других журналах, сборниках статей, трудах, материалах и докладах международных и всероссийских конференций. Получено свидетельство о государственной регистрации программы для ЭВМ (Приложение В).

Личный вклад соискателя. Все изложенные в диссертации результаты исследования получены либо соискателем лично, либо при его непосредственном участии.

Структура и объем диссертации. Диссертационная работа состоит из введения, пяти глав, заключения, списка литературы из 125 наименований, 5 приложений. Работа изложена на 173 страницах текста, включающего 37 рисунков и 13 таблиц.

Работа была выполнена на кафедре математического и программного обеспечения информационных систем Института инженерных и цифровых технологий федерального государственного автономного образовательного учреждения высшего образования «Белгородский государственный национальный исследовательский университет».

ГЛАВА 1 ОБЗОР И АНАЛИЗ МЕТОДОВ КЛАССИФИКАЦИИ ЛЕЙКОЦИТОВ НА ИЗОБРАЖЕНИЯХ КЛЕТОК КРОВИ

Глава посвящена систематическому обзору и анализу существующих подходов к автоматизированной классификации лейкоцитов на микроскопических изображениях мазков крови. В ней рассматриваются как традиционные методы визуальной диагностики, так и современные алгоритмы сегментации, выделения признаков и классификации, включая численные методы, модели машинного обучения, нейросетевые архитектуры и гибридные решения. Особое внимание уделяется вопросам интерпретируемости, устойчивости к вариативности изображений, а также применимости рассматриваемых подходов в клинической практике. Кроме того, приводится обзор действующих программных комплексов и анализируются используемые в них алгоритмы. Представленный материал служит основой для обоснования выбора модели, предлагаемой в рамках диссертационного исследования.

1.1 Роль лейкоцитов в медицинской диагностике

В настоящее время одним из ключевых методов лабораторной диагностики является общий анализ крови, позволяющий оценить состояние кроветворной системы, выявить патологические процессы в организме и определить их возможные причины. Важным компонентом данного анализа является исследование лейкоцитарной формулы, отражающей количественное соотношение различных типов лейкоцитов. Изменения в объеме отдельных популяций лейкоцитов может свидетельствовать о развитии воспалений, инфекционных, аутоиммунных и онкологических заболеваний, что делает исследование лейкоцитов значимым компонентом любой комплексной диагностики [1-3].

Лейкоциты, или белые кровяные клетки, представляют собой разнородную группу клеток, выполняющих защитные функции и обеспечивающих механизмы иммунного ответа организма. Как показано на рисунке 1.1, лейкоциты, образуясь в

костном мозге из стволовых клеток, проходят сложные этапы созревания и дифференцировки, приобретая специфические функции и морфологические особенности.

Рисунок 1.1 - Общая схема кроветворения

На практике обычно выделяют пять основных классов лейкоцитов, каждый из которых обладает уникальными морфологическими и функциональными характеристиками. К ним относят представленные на рисунке 1.2 клетки: нейтрофилы, эозинофилы, базофилы, лимфоциты, моноциты. Для дифференциации клеток и их компонентов применяются специальные методы окрашивания, позволяющие различать клетки по степени и оттенкам окраски ядра и цитоплазмы: ядра приобретают оттенки синего и фиолетового благодаря базофильным свойствам, а цитоплазматические гранулы окрашиваются в различные цвета в зависимости от их химического состава. Морфология лейкоцитов отражает стадию их дифференцировки и тесно связана с

выполняемыми ими иммунологическими функциями, что обуславливает важность точной идентификации их подтипов при клинико-лабораторной диагностике.

©

#

1*

ж* !о%>°

а ^ б в г д

Рисунок 1.2 - Основные классы лейкоцитов: а - нейтрофилы, б - эозинофилы, в - базофилы, г - лимфоциты, д - моноциты

Нейтрофилы (рис. 1.2 -а) - наиболее многочисленный класс белых кровяных клеток, составляющий около 50-70% от общего числа лейкоцитов. Они первым из клеток реагируют на инфекции, особенно бактериальные, посредством фагоцитоза и высвобождения антимикробных веществ. Характеризуются сегментированным ядром и гранулами в цитоплазме. Окраска придает их цитоплазме синеватый оттенок [4]. Повышение данного типа лейкоцитов характерно для ожогов, инфаркта миокарда, аппендицита и ряда других заболеваний.

Эозинофилы (рис. 1.2 -б) в норме составляют всего 1-4% всех лейкоцитов. Обладают двудольным ядром и крупными гранулами в цитоплазме. Участвуют в борьбе с паразитарными инфекциями, играют роль в аллергических реакциях и астмах, высвобождая медиаторы воспаления. Окрашивание эозинофилов выделяет их фиолетово-синеватым оттенком, а гранулы - красным, что позволяет визуально отличить их среди других типов. Отклонение количества эозинофилов от нормы характерно для красной волчанки, артрита, астмы или онкологических заболеваний

[5, 6].

Внешний вид базофилов (рис. 1.2 -в) характерен наличием грубых лилово-синих гранул в цитоплазме, зачастую скрывающих ядро. Подтип встречается крайне редко - менее 1%. Ядра базофилов имеют слабо сегментированную S-образную форму, обычно состоящую не более чем из двух-трех долей. Участвуют в аллергических реакциях немедленного типа, высвобождая гистамин и другие медиаторы, влияющие на сосудистую проницаемость и гладкую мускулатуру. Повышенное количество базофилов в крови человека может указывать на такие заболевания, как грипп, туберкулез, оспа и др. [7].

Класс лимфоцитов (рис. 1.2 -г) составляет 20-40% всех лейкоцитов и представлен двумя основными популяциями: Т- и В-лимфоцитами. Т-лимфоциты участвуют в клеточном иммунитете, тогда как В-лимфоциты ответственны за продуцирование антител. Лимфоциты имеют круглое, сильно окрашенное, ядро и минимальную цитоплазму без гранул [5, 8].

Моноциты (рис. 1.2 -д) называют клетками врожденного иммунитета, которые способны к быстрой миграции в любой очаг воспаления для поглощения частиц бактерий, вирусов и отмирающих клеток, способных нанести вред здоровью человека. Это самый крупный класс лейкоцитов, составляющий 2-9% всей популяции белых клеток крови. Моноциты имеют овальное бобовидное ядро, окруженное большим объемом цитоплазмы [9].

Изменение количественного состава или характеристик отдельных популяций лейкоцитов может свидетельствовать о развитии воспалительных, инфекционных, аутоиммунных и онкологических процессов в организме, что делает исследование этих клеток значимым компонентом комплексной диагностики [3, 4, 10]. Одним из ключевых аспектов такого исследования является качественная и количественная оценка лейкоцитов. Наиболее распространенным методом определения лейкоцитарной формулы является ручной микроскопический анализ мазка крови, при котором специалист визуально подсчитывает количество клеток каждого типа под микроскопом. Однако этот подход имеет ряд существенных ограничений. Во-первых, субъективность оценки может приводить к вариабельности результатов, что обусловлено различиями в

восприятии и индивидуальном подходе специалистов. Во-вторых, ручной подсчет является трудоемким и утомительным процессом, требующим значительных временных затрат. В-третьих, точность результатов напрямую зависит от опыта и квалификации специалиста, что может вызывать расхождения в результатах у разных экспертов, снижая объективность диагностики [11-13].

Данные ограничения создают необходимость внедрения автоматизированных методов классификации лейкоцитов, направленных на стандартизацию процесса анализа мазков крови, повышения точности диагностики и уменьшения влияния человеческого фактора. В связи с этим в последние годы активно развиваются алгоритмы компьютерного зрения и машинного обучения, применяемые для решения задачи автоматической классификации клеток крови. Однако внедрение таких методов в практическую медицинскую диагностику в качестве систем поддержки принятия решений требует детального изучения существующих подходов, их преимуществ и ограничений, с целью их совершенствования.

В следующем разделе рассматриваются существующие современные подходы к классификации лейкоцитов, принципы их работы, ограничения, достоинства и недостатки, а также проводится анализ их точности и оценка практической значимости в контексте медицинской диагностики.

1.2 Анализ существующих методов классификации лейкоцитов 1.2.1 Традиционные методы классификации и цифровая микроскопия

До появления цифровых технологий классификация лейкоцитов базировалась на ручной микроскопии - золотом стандарте диагностики, основанном на визуальной оценке морфологии клеток: формы ядер, окраски, структуры клеток и цитоплазмы. Были сформированы системы FAB (French-American-British) для классификации лейкозов, и классификация ВОЗ, охватывающая более широкий спектр гематологических заболеваний [21, 22],

обеспечивающие унификацию, но не исключающие субъективность. Процесс ручного анализ страдал от низкой воспроизводимости, высокой утомляемости лаборантов, низкой пропускной способности (обработка одного мазка - от 10 минут) и длительного обучения специалистов [23].

В 1956 г. Уоллесом Коултером был разработан импедансный метод подсчета клеток, ставший основой массовых автоматических анализаторов [24]. Однако он не позволял оценивать морфологию клеток, что критично при диагностике многих заболеваний, в том числе и лейкозов [25]. В 1970-х появились проточные цитофлуориметры, анализирующие десятки тысяч клеток в минуту по размеру, гранулярности и экспрессии маркеров [26]. Этот метод нашел широкое применение в иммунологии и онко-гематологии, но из-за дороговизны и необходимости квалифицированного персонала остался труднодоступен на практике [2].

Развитие цифровой микроскопии началось с появлением CCD-матриц в 1970-х годах. Ранние цифровые микроскопы (например, Leica, Olympus) позволяли оцифровывать изображения, однако качество их было недостаточным для надежной автоматизации классификации из-за низкого разрешения, высокого уровня шумов и недостаточной контрастности. К тому же, проблемы сегментации перекрывающихся клеток и чувствительность к условиям съемки препятствовали автоматизации [27, 28].

С конца 1980-х — начала 1990-х улучшения в сенсорах и алгоритмах открыли путь к более точной сегментации и анализу [29], но ручная настройка параметров обработки оставалась необходимой [28]. Тем не менее цифровая микроскопия и численные методы заложили основу для современных систем автоматического анализа, включая алгоритмы машинного обучения и нейронные сети, которые рассматриваются в следующих разделах главы.

Список литературы диссертационного исследования кандидат наук Черных Евгений Михалович, 2026 год

СПИСОК ЛИТЕРАТУРЫ

1. Смирнова О. В., Савченко А. А., Манчук В. Т. Иммунометаболические механизмы развития острых лейкозов: монография. — Красноярск: Изд-во КрасГМУ, 2011. — 124 с. — ISBN 978-5-94285-097-5

2. Bain B. J. Blood Cells: A Practical Guide. — 5th ed. — Chichester: Wiley-Blackwell, 2015. — 504 p. — ISBN 978-1-118-81733-9. — DOI: 10.1002/9781118817322.

3. Blumenreich M. S. The White Blood Cell and Differential Count // Clinical Methods: The History, Physical, and Laboratory Examinations / eds. H. K. Walker, W. D. Hall, J. W. Hurst. — 3rd ed. — Boston: Butterworths, 1990. — Режим доступа: https://www.ncbi.nlm.nih.gov/books/NBK264/ (дата обращения: 11.04.2025)..

4. Nathan C. Neutrophils and immunity: challenges and opportunities // Nature Reviews Immunology. — 2006. — Vol. 6, no. 3. — P. 173-182. — DOI: 10.1038/nri1785.

5. Волкова С. А., Боровков Н. Н. Основы клинической гематологии: учебное пособие. — Н. Новгород: Изд-во НижГМА, 2013. — 400 с. — ISBN 978-57032-0882-3.

6. Park Y. M., Bochner B. S. Eosinophil survival and apoptosis in health and disease // Allergy, Asthma & Immunology Research. — 2010. — Vol. 2, no. 2. — P. 87101. — DOI: 10.4168/aair.2010.2.2.87

7. Falcone F. H., Haas H., Gibbs B. F. The human basophil: a new appreciation of its role in immune responses // Blood. — 2000. — Vol. 96, no. 13. — P. 4028-4038. — DOI: 10.1182/blood.V96.13.4028. Ziegler-Heitbrock L. et al. Nomenclature of monocytes and dendritic cells in blood //Blood. - 2010. - Т. 116. - №. 16. - С. 74-80.

8. Cohn L., Ray A. Biology of Lymphocytes // Middleton's Allergy: Principles and Practice / eds. N. F. Adkinson Jr., B. S. Bochner, W. W. Busse, S. T. Holgate, R. F. Lemanske Jr., F. E. R. Simons. — 7th ed. — Philadelphia: Mosby Elsevier, 2009. — P. 271-282. — DOI: 10.1016/B978-0-323-05659-5.00016-4.

9. Ziegler-Heitbrock L., Ancuta P., Crowe S., Dalod M., Grau V., Hart D. N., et al. Nomenclature of monocytes and dendritic cells in blood // Blood. — 2010. — Vol. 116, no. 16. — P. e74-e80. — DOI: 10.1182/blood-2010-02-258558.

10. Tavakoli S., Ghaffari A., Mousavi Kouzehkanan Z. M., Hosseini R. New segmentation and feature extraction algorithm for classification of white blood cells in peripheral smear images // Scientific Reports. — 2021. — Vol. 11. — Article 19428. — DOI: 10.103 8/s41598-021 -98599-0.

11. Сойникова Е. С., Батищев Д. С., Михелев В. М. О распознавании форменных объектов крови на основе медицинских изображений // Научный результат. Информационные технологии. — 2018. — Т. 3, №2 3. — С. 54-64. — DOI: 10.18413/2518-1092-2018-3-3-0-7.

12. Черных Е. М., Михелев В. М., Петров Д. В. Безэталонные метрики качества изображений клеток крови // Экономика. Информатика. — 2023. — Т. 50, № 2. — С. 380-388. — DOI: 10.52575/2687-0932-2023-50-2-380-388.

13. Radakovich N., Nagy M., Nazha A. Artificial intelligence in hematology: current challenges and opportunities // Current Hematologic Malignancy Reports. — 2020. — Vol. 15, no. 3. — P. 203-210. — DOI: 10.1007/s11899-020-00575-4.

14. Батищев Д. С., Михелев В. М., Утянский А. А. Метод сегментации перекрывающихся форменных элементов крови на микроскопических медицинских изображениях // Экономика. Информатика. — 2020. — Т. 47, № 4. — С. 803-815. — DOI: 10.18413/2687-0932-2020-47-4-803-815.

15. Deshpande N. M., Gite S., Pradhan B., Kotecha K., Alamri A. Improved Otsu and Kapur approach for white blood cells segmentation based on LebTLBO optimization for the detection of leukemia // Mathematical Biosciences and Engineering.

— 2022. — Vol. 19, no. 2. — P. 1970-2001. — DOI: 10.3934/mbe.2022093.

16. Mohammed Z. F., Abdulla A. A. Thresholding-based white blood cells segmentation from microscopic blood images // UHD Journal of Science and Technology.

— 2020. — Vol. 4, no. 1. — P. 9-17. — DOI: 10.21928/uhdjst.v4n1y2020.pp9-17.

17. Salem N., Sobhy N. M., El Dosoky M. A comparative study of white blood cells segmentation using Otsu threshold and watershed transformation // Journal of

Biomedical Engineering and Medical Imaging. — 2016. — Vol. 3, no. 3. — P. 15-24. — DOI: 10.14738/jbemi.33.2078.

18. Mandyartha E. P., Anggraeny F. T., Muttaqin F., Akbar F. A. Global and Adaptive Thresholding Technique for White Blood Cell Image Segmentation // Journal of Physics: Conference Series. — 2020. — Vol. 1569, No. 2. — Art. 022054. — DOI: 10.1088/1742-6596/1569/2/022054.

19. Safuan S. N. M., Tomari R., Zakaria W. N. W., Othman N. White blood cell counting analysis of blood smear images using various segmentation strategies // AIP Conference Proceedings. — 2017. — Vol. 1883, No. 1. — Art. 020018. — DOI: 10.1063/1.5002036.

20. Черных Е. М., Михелев В. М. Использование ансамбля искусственных нейронных сетей для сегментации лейкоцитов на медицинских изображениях // Фундаментальные и прикладные исследования. Актуальные проблемы и достижения: материалы Всероссийской научной конференции (Санкт-Петербург, 11 июля 2022 г.). — СПб., 2022. — С. 29-31.

21. Ladines-Castro W., Barragán-Ibañez G., Luna-Pérez M. A., et al. Morphology of leukaemias // Revista Médica del Hospital General de México. — 2016. — Vol. 79, No. 2. — P. 107-113. — DOI: 10.1016/j.hgmx.2015.06.007.

22. Khoury J. D., Solary E., Abla O., et al. The 5th edition of the World Health Organization Classification of Haematolymphoid Tumours: Myeloid and Histiocytic/Dendritic Neoplasms // Leukemia. — 2022. — Vol. 36, No. 7. — P. 17031719. — DOI: 10.1038/s41375-022-01613-1.

23. Fuentes-Arderiu X., García-Panyella M., Dot-Bach D. Between-examiner reproducibility in manual differential leukocyte counting // Accreditation and Quality Assurance. — 2007. — Vol. 12, No. 12. — P. 643-645. — DOI: 10.1007/s00769-007-0323-0.

24. Graham M. D. The Coulter Principle: A History // Cytometry Part A. — 2022. — Vol. 101, No. 1. — P. 8-11. — DOI: 10.1002/cyto.a.24505.

25. Aird W. Counting White Blood Cells // The Blood Project. — 13 Aug 2023.

— URL: thebloodproject.com/counting-white-blood-cells/ (дата обращения: 18.03.2025).

26. Clark D. L. A Brief History of Flow Cytometry // Flow Contract Site Laboratory (FCSL) Blog. — URL: fcslaboratory.com/a-brief-history-of-flow-cytometry/ (дата обращения: 18.03.2025).

27. Hamilton P. W., Wang Y., McCullough S. J. Virtual microscopy and digital pathology in training and education // APMIS. — 2012. — Vol. 120, No. 4. — P. 305315. — DOI: 10.1111/j.1600-0463.2011.02869.x.

28. Microscopy Basics | Understanding Digital Imaging // ZEISS Microscopy Online Campus. — URL: https://zeiss-campus.magnet.fsu.edu/articles/basics/digitalimaging.html (дата обращения: 18.03.2025).

29. CCD cameras: An overview // Rigility (корпоративный блог). — [б. г.]. — URL: https://www.rigility.com/ccd-cameras-an-overview/ (дата обращения: 19.03.2025).

30. Fatichah C., Purwitasari D., Hariadi V., Effendy F. Overlapping white blood cell segmentation and counting on microscopic blood cell images // International Journal on Smart Sensing and Intelligent Systems. — 2014. — Vol. 7, No. 3. — P. 1271-1286.

— DOI: 10.21307/ijssis-2017-705.

31. Ghane N., Vard A., Talebi A., Nematollahy P. Segmentation of White Blood Cells from Microscopic Images Using a Novel Combination of K-Means Clustering and Modified Watershed Algorithm // Journal of Medical Signals & Sensors. — 2017. — Vol. 7, No. 2. — P. 92-101.

32. Naruenatthanaset K., Chalidabhongse T. H., Palasuwan D., Anantrasirichai N., Palasuwan A. Red Blood Cell Segmentation with Overlapping Cell Separation and Classification from an Imbalanced Dataset // arXiv preprint arXiv:2012.01321. — 2020.

— URL: https://arxiv.org/abs/2012.01321 (дата обращения: 11.03.2025).

33. Biswas S., Ghoshal D. Blood Cell Detection Using Thresholding Estimation Based Watershed Transformation with Sobel Filter in Frequency Domain // Procedia

Computer Science. — 2016. — Vol. 89. — P. 651-657. — DOI: 10.1016/j.procs.2016.06.029.

34. Talukdar T. R., Hossain M. J., Talukdar T. H. Malaria detection in Segmented Blood Cell using Convolutional Neural Networks and Canny Edge Detection // arXiv preprint arXiv:2202.10426. — 2022. — URL: https://arxiv.org/abs/2202.10426 (дата обращения: 11.03.2025).

35. Kumar P. R., Sarkar A., Mohanty S. N., Pavan Kumar P. Segmentation of White Blood Cells using Image Segmentation Algorithms // Proceedings of the 2020 International Conference on Computing, Communication and Security (ICCCS). — IEEE, 2020. — Art. 9277312. — 4 p. — DOI: 10.1109/ICCCS49678.2020.9277312.

36. Выгоняйло В. Р., Черных Е. М., Батищев Д. С. Облачный вычислительный сервис гематологического анализа на основе медицинских изображений // Естественнонаучные, инженерные и экономические исследования в технике, промышленности, медицине и сельском хозяйстве: материалы I Молодежной науч.-практ. конф. с междунар. участием / под общ. ред. С. Н. Девицыной. — Белгород: НИУ «БелГУ», 2017. — С. 27-30.

37. Lina L., Reynaldo D., Danny D., Chris A. White blood cells detection from unstained microscopic images using modified watershed segmentation // IAENG International Journal of Computer Science. 2021. Vol. 48, no. 4. P. 1151-1161.

38. Kumar S., Mishra S., Asthana P., Pragya. Automated Detection of Acute Leukemia Using K-mean Clustering Algorithm // Advances in Computer and Computational Sciences: Proc. ICCCCS 2016, Vol. 2. Singapore: Springer, 2018. P. 655670. DOI: 10.1007/978-981-10-3773-3_64.

39. Lam X. H. et al. WBC-based segmentation and classification on microscopic images: a minor improvement // F1000Research. 2021. Vol. 10. Art. 1168. DOI: 10.12688/f1000research.73268.1.

40. Ferdosi B. J., Islam M. A., Kawsar A. K. M., Hasan R. White blood cell detection and segmentation from fluorescent images with an improved algorithm using k-means clustering and morphological operators // 2018 4th Int. Conf. on Electrical

Engineering and Information & Communication Technology (iCEEiCT). IEEE, 2018. P. 566-570. DOI: 10.1109/ICEEICT.2018.8628097.

41. Hudaya K. A. N., Sunarko B., Nugroho A. Performance of Fuzzy C-Means Algorithm on Leukocyte Image Segmentation // Jurnal Nasional Teknik Elektro dan Teknologi Informasi. 2022. Vol. 11, no. 1. P. 41-46. DOI: 10.22146/jnteti.v11i1.2493.

42. Das A., Namtirtha A., Dutta A. Fuzzy clustering of Acute Lymphoblastic Leukemia images assisted by Eagle strategy and morphological reconstruction // Knowledge-Based Systems. 2022. Vol. 239. Art. 108008. DOI: 10.1016/j.knosys.2021.108008.

43. Al-Dulaimi K., Tomeo-Reyes I., Banks J., Chandran V. Evaluation and benchmarking of level set-based three forces via geometric active contours for segmentation of white blood cell nuclei shape // Computers in Biology and Medicine. 2020. Vol. 116. Art. 103568. DOI: 10.1016/j.compbiomed.2019.103568.

44. Umamaheswari D., Geetha S. Bi-Level algorithm for the segmentation and counting of leukocytes and erythrocytes // Indian Journal of Science and Technology. 2020. Vol. 13, no. 45. P. 4541-4554. DOI: 10.17485/IJST/v13i45.328.

45. Jan Z., Shabir M., Farman H., Rahman A., Nasralla M. Deep learning based semantic segmentation of leukemia-effected white blood cell // PLOS ONE. 2025. Vol. 20, no. 5. e0320596. DOI: 10.1371/journal.pone.0320596.

46. Kien H. T., Phuong N. H., Luyen H. T., Duc N. M., Luong D. T. Leukocyte (White Blood Cell) classification with a multi-stage support vector machine // American Journal of Biomedical Sciences. 2020. Vol. 12, no. 4. P. 216-224. DOI: 10.5099/aj200400216.

47. Makem M., Tiedeu A. An efficient algorithm for detection of white blood cell nuclei using adaptive three stage PCA-based fusion // Informatics in Medicine Unlocked. 2020. Vol. 20. Art. 100416. DOI: 10.1016/j.imu.2020.100416.

48. Omid S., Mehri D. An efficient algorithm for detection of white blood cell nuclei using region-based Active Contours // Journal of Biomedical Imaging and Bioengineering. 2020. Art. S2352914820305669.

49. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention - MICCAI 2015. LNCS, vol. 9351. Cham: Springer, 2015. P. 234-241. DOI: 10.1007/978-3-319-24574-4_28.

50. Balasubramanian K., Gayathri Devi K., Ramya K. Classification of white blood cells based on modified U-Net and SVM // Concurrency and Computation: Practice and Experience. - 2023. - Vol. 35, No. 28. - e7862. - DOI: 10.1002/cpe.7862.

51. Mondal S. K., Talukder M. S. H., Aljaidi M., Sulaiman R. B., Tushar M. M. S., Alsuwaylimi A. A. BloodCell-Net: A lightweight convolutional neural network for the classification of all microscopic blood cell images of the human body. - arXiv preprint arXiv:2405.14875. - 2024. - URL: https://arxiv.org/abs/2405.14875 (дата обращения: 12.03.2025). - DOI: 10.48550/arXiv.2405.14875.

52. Reena M. R., Ameer P. M. Localization and recognition of leukocytes in peripheral blood: A deep learning approach // Computers in Biology and Medicine. -2020. - Vol. 126. - Article 104034. - DOI: 10.1016/j.compbiomed.2020.104034.

53. Pant K., Verma D., Gupta R. A Deep Learning Method of White Blood Cell Identification in Peripheral Blood // Elementary Education Online. - 2021. - Vol. 20, No. 3. - P. 4193-4205. - URL: https://ilkogretim-online.org/?journal=io&issue=3&volume=20 (статья: https://ilkogretim-online.org/index.php/io/article/view/1040 ) (дата обращения: 12.03.2025)..

54. Diaz Resendiz J. L., Garcia-Arteaga J. D., Ponomaryov V., Sadovnychiy S., Reyes-Reyes R. Explainable CAD system for classification of acute lymphoblastic leukemia based on a robust white blood cell segmentation // Cancers. - 2023. - Vol. 15, No. 13. - Article 3376. - DOI: 10.3390/cancers15133376.

55. Atici H., Ko?er H. E. Mask R-CNN based segmentation and classification of blood smear images // Gazi Muhendislik Bilimleri Dergisi (Gazi Journal of Engineering Sciences). - 2023. - Vol. 9, No. 1. - P. 128-143. - URL: https://dergipark.org.tr/en/pub/gmbd/issue/77061/1186629 (дата обращения: 12.09.2025).

56. Jan Z., Shabir M., Farman H., Rahman A., Nasralla M. M. Deep learning based semantic segmentation of leukemia-effected white blood cell // PLOS ONE. -2025. - Vol. 20, No. 5. - e0320596. - DOI: 10.1371/journal.pone.0320596

57. Liu X., Zhao Y., Wang H. et al. Improved U-Net-based leukocyte segmentation method using adaptive Retinex correction, attention mechanism and hybrid loss ensemble // BMCBioinformatics. 2022. Vol. 23:289

58. Vuola A. O., Akram S. U., Kannala J. Mask-RCNN and U-Net ensembled for nuclei segmentation. - arXiv preprint arXiv:1901.10170. - 2019. - URL: https://arxiv.org/abs/1901.10170 (дата обращения: 12.03.2025).

59. Lux F., Matula P. Cell Segmentation by Combining Marker-Controlled Watershed and Deep Learning. - arXiv preprint arXiv:2004.01607. - 2020. - URL: https://arxiv.org/abs/2004.01607 (дата обращения: 12.03.2025).

60. Haralick R. M., Shanmugam K., Dinstein I. Textural features for image classification // IEEE Transactions on Systems, Man, and Cybernetics. — 1973. — Vol. 3, no. 6. — P. 610-621. — DOI: 10.1109/TSMC.1973.4309314.

61. Ojala T., Pietikäinen M., Mäenpää T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2002. — Vol. 24, no. 7. — P. 971-987. — DOI: 10.1109/TPAMI.2002.1017623.

62. Li Y., Cornelis B., Dusa A., et al. Accurate label-free 3-part leukocyte recognition with single cell lens-free imaging flow cytometry // Computers in Biology and Medicine. — 2018. — Vol. 96. — P. 147-156. — DOI: 10.1016/j.compbiomed.2018.03.008.

63. Hegde R. B., Prasad K., Hebbar H., Singh B. M. K. Comparison of traditional image processing and deep learning approaches for classification of white blood cells in peripheral blood smear images // Biocybernetics and Biomedical Engineering. — 2019. — Vol. 39, no. 2. — P. 382-392. — DOI: 10.1016/j.bbe.2019.01.005.

64. Jusman Y., Riyadi S., Faisal A., Kanafiah S. N. A. M., Mohamed Z., Hassan R. Classification system for leukemia cell images based on Hu moment invariants and

support vector machines // Proceedings — 2021 11th IEEE International Conference on Control System, Computing and Engineering (ICCSCE). — Penang, Malaysia: IEEE, 2021. — P. 137-141. — DOI: 10.1109/ICCSCE52189.2021.9530974.

65. Kouzehkanan Z. M., Tavakoli E., Ghaffari A., et al. A large dataset of white blood cells containing cell locations and types, along with segmented nuclei and cytoplasm // Scientific Reports. — 2022. — Vol. 12, no. 1. — Art. 1123. — DOI: 10.1038/s41598-021-04426-x.

66. Shahzad M., Ali F., Shirazi S. H., et al. Blood cell image segmentation and classification: a systematic review // PeerJ Computer Science. — 2024. — Vol. 10. — e1813. — DOI: 10.7717/peerj-cs.1813.

67. Wang X. Z., Pan G. J., Hu Z. G., Ge A. R. A two stage blood cell detection and classification algorithm based on improved YOLOv7 and EfficientNetv2 // Scientific Reports. — 2025. — Vol. 15, no. 1. — Art. 8427. — DOI: 10.1038/s41598-025-91720-7.

68. Theera-Umpon N., Dhompongsa S. Morphological granulometric features of nucleus in automatic bone marrow white blood cell classification // IEEE Transactions on Information Technology in Biomedicine. — 2007. — Vol. 11, no. 3. — P. 353-359. — DOI: 10.1109/TITB.2007.892694.

69. Fatichah C., Tangel M. L., Yan F., et al. Fuzzy feature representation for white blood cell differential counting in acute leukemia diagnosis // International Journal of Control, Automation and Systems. — 2015. — Vol. 13. — P. 742-752. — DOI: 10.1007/s12555-012-0393-6.

70. Suryani E., Wiharto W., Polvonov N. Identification and Counting White Blood Cells and Red Blood Cells using Image Processing: Case Study of Leukemia. — arXiv preprint arXiv:1511.04934. — 2015. — URL: https://arxiv.org/abs/1511.04934 (дата обращения: 12.03.2025.

71. Rawat J., Singh A., Bhadauria H. S., et al. Leukocyte Classification using Adaptive Neuro-Fuzzy Inference System in Microscopic Blood Images // Arabian Journal for Science and Engineering. — 2018. — Vol. 43, no. 12. — P. 7041-7058. — DOI: 10.1007/s13369-017-2959-3.

72. Prinyakupt J., Pluempitiwiriyawej C. Segmentation of white blood cells and comparison of cell morphology by linear and naïve Bayes classifiers // BioMedical Engineering OnLine. — 2015. — Vol. 14. — Art. 63. — DOI: 10.1186/s12938-015-0037-1.

73. Gautam A., Singh P., Raman B., Bhadauria H. Automatic classification of leukocytes using morphological features and Naïve Bayes classifier // Proceedings — 2016 IEEE Region 10 Conference (TENCON). — Singapore: IEEE, 2016. — P. 10231027. — DOI: 10.1109/TENCON.2016.7848161.

74. Ramesh N., Dangott B., Salama M. E., Tasdizen T. Isolation and two-step classification of normal white blood cells in peripheral blood smears // Journal of Pathology Informatics. — 2012. — 3:13. — DOI: 10.4103/2153-3539.93895.

75. Lippeveld M., Knill C., Ladlow E., Fuller A., Michaelis L. J., Saeys Y., et al. Classification of human white blood cells using machine learning for stain-free imaging flow cytometry // Cytometry Part A. — 2020. — Vol. 97, no. 3. — P. 308-319.

— DOI: 10.1002/cyto.a.23920.

76. Das B. K., Dutta H. S. GFNB: Gini index-based Fuzzy Naive Bayes and blast cell segmentation for leukemia detection using multi-cell blood smear images // Medical & Biological Engineering & Computing. — 2020. — Vol. 58. — P. 2789-2803.

— DOI: 10.1007/s11517-020-02249-y.

77. Talebi H., Ranjbar A., Davoudi A., Gholami H., Menhaj M. B. High accuracy classification of white blood cells using TSLDA classifier and covariance features. — arXiv preprint arXiv:1906.05131. — 2019. — URL: https://arxiv.org/abs/1906.05131 (дата обращения: 14.03.2025).

78. Saikia R., Devi S. S. White blood cell classification based on Gray Level Cooccurrence Matrix with Zero Phase Component Analysis Approach // Procedia Computer Science. — 2023. — Vol. 218. — P. 1977-1984. — DOI: 10.1016/j.procs.2023.01.174.

79. Prakisya N. P. T., Liantoni F., Hatta P., Aristyagama Y., Setiawan A. Utilization of K-nearest neighbor algorithm for classification of white blood cells in AML M4, M5, and M7 // Open Engineering. — 2021. — Vol. 11, no. 1. — P. 662-668. — DOI: 10.1515/eng-2021 -0065.

80. Baby D., Juliet S., Raj M. M. A. Leukocyte classification based on transfer learning of VGG16 features by K-nearest neighbor classifier // Proc. 2021 3rd International Conference on Signal Processing and Communication (ICSPC). — IEEE, 2021. — P. 252-256. — DOI: 10.1109/ICSPC51351.2021.9451707.

81. Wiharto W., Palgunadi S., Suryani E. Cells identification of acute myeloid leukemia AML M0 and AML M1 using K-nearest neighbour based on morphological images // Proc. 2017 International Conference on Data and Software Engineering (ICoDSE). — IEEE, 2017. — P. 1-6. — DOI: 10.1109/ICoDSE.2017.8285851.

82. Khasanah M. N., Harjoko A., Candradewi I. Klasifikasi sel darah putih berdasarkan ciri warna dan bentuk dengan metode K-Nearest Neighbor (K-NN) // IJEIS (Indonesian Journal of Electronics and Instrumentation Systems). — 2016. — Vol. 6, no. 2. — P. 151-162. — DOI: 10.22146/ijeis.15254.

83. Rustam F., Aslam N., De La Torre Diez I., Khan Y. D., Mazon J. L. V., Rodriguez C. L., Ashraf I. White blood cell classification using texture and RGB features of oversampled microscopic images // Healthcare. — 2022. — Vol. 10, no. 11. — Art. 2230. — DOI: 10.3390/healthcare10112230.

84. Mishra S., Majhi B., Sa P. K., Sharma L. Gray level co-occurrence matrix and random forest based acute lymphoblastic leukemia detection // Biomedical Signal Processing and Control. — 2017. — Vol. 33. — P. 272-280. — DOI: 10.1016/j.bspc.2016.11.021.

85. Ramaneswaran S., Balasubramanian R., Arjunan T. V., Selvaraj S., Krishnamoorthy G. Hybrid Inception v3-XGBoost model for acute lymphoblastic leukemia classification // Computational and Mathematical Methods in Medicine. — 2021. — 2021:2577375. — DOI: 10.1155/2021/2577375.

86. SivaRao B. S. S., Rao B. S. EfficientNet-XGBoost: an effective white-blood-cell segmentation and classification framework // Nano Biomedicine and Engineering. — 2023. — Vol. 15, no. 2. — P. 126-135. — DOI: 10.26599/NBE.2023.9290014.

87. Saidani O., Umer M., Alturki N., et al. White blood cells classification using multi-fold pre-processing and optimized CNN model // Scientific Reports. — 2024. — Vol. 14, no. 1. — Art. 3570. — DOI: 10.1038/s41598-024-52880-0.

88. Alsaykhan L. K., Maashi M. S. A hybrid detection model for acute lymphocytic leukemia using support vector machine and particle swarm optimization (SVM-PSO) // Scientific Reports. — 2024. — Vol. 14, no. 1. — Art. 23483. — DOI: 10.103 8/s41598-024-74889-1.

89. Topta§ M., Topta§ B., Hanbay D. Classifying white blood cells using combining different convolutional neural networks // Multimedia Tools and Applications.

— 2025. — P. 1-24. — DOI: 10.1007/s11042-025-20879-y.

90. Jung C., Abuhamad M., Alikhanov J., Mohaisen A., Han K., Nyang D. W-Net: A CNN-based architecture for white blood cells image classification. — arXiv preprint arXiv:1910.01091. — 2019. — URL: https://arxiv.org/abs/1910.01091 (дата обращения: 14.03.2025).

91. Kanavos A., Papadimitriou O., Al-Hussaeni K., Maragoudakis M., Karamitsos I. Advanced Convolutional Neural Networks for Precise White Blood Cell Subtype Classification in Medical Diagnostics // Electronics. — 2024. — Vol. 13, no. 14.

— Art. 2818. — DOI: 10.3390/electronics13142818.

92. Jeneessha P., Balasubramanian V. K. Domain knowledge-infused pre-trained deep learning models for efficient white blood cell classification // Scientific Reports. — 2025. — Vol. 15. — Art. 15608. — DOI: 10.1038/s41598-025-00563-9.

93. Ramyashree K. S., Sharada B., Bhairava R. Classification of Human Peripheral Blood Cells Using EfficientNet B0-B7 Models // Proc. 2024 International Conference on Smart Electronics and Communication Systems (ISENSE). — IEEE, 2024. — P. 1-6. — DOI: 10.1109/ISENSE63713.2024.10872209.

94. Rao B. S. S., Rao B. S. An effective WBC segmentation and classification using MobileNetV3-ShuffleNetV2 based deep learning framework // IEEE Access. — 2023. — Vol. 11. — P. 27739-27748. — DOI: 10.1109/ACCESS.2023.3259100.

95. Katar O., Kili^er i F. Automatic classification of white blood cells using pre-trained deep models // Sakarya University Journal of Computer and Information Sciences. — 2022. — Vol. 5, no. 3. — P. 462-476. — DOI: 10.35377/saucis.05.03.1196934.

96. Li M., Lin C., Ge P., et al. A deep learning model for detection of leukocytes under various interference factors // Scientific Reports. — 2023. — Vol. 13, no. 1. — Art. 2160. — DOI: 10.1038/s41598-023-29331-3.

97. Katar O., Yildirim O. An explainable vision transformer model based white blood cells classification and localization // Diagnostics. — 2023. — Vol. 13, no. 14. — Art. 2459. — DOI: 10.3390/diagnostics13142459.

98. Chen S., Lu S., Wang S., Ni Y., Zhang Y. Shifted Window Vision Transformer for Blood Cell Classification // Electronics. — 2023. — Vol. 12, no. 11. — Art. 2442. — DOI: 10.3390/electronics12112442.

99. Uzen H., Firat H. A hybrid approach based on multipath Swin transformer and ConvMixer for white blood cells classification // Health Information Science and Systems. — 2024. — Vol. 12. — Art. 33. — DOI: 10.1007/s13755-024-00291-w.

100. Tarimo S. A., Jang M.-A., Ngasa E. E., Shin H. B., Shin H., Woo J. WBC YOLO-ViT: 2 Way-2 stage white blood cell detection and classification with a combination of YOLOv5 and vision transformer // Computers in Biology and Medicine.

— 2024. — Vol. 169. — Art. 107875. — DOI: 10.1016/j.compbiomed.2023.107875.

101. Olayah F., Senan E. M., Ahmed I. A., Awaji B. Blood Slide Image Analysis to Classify WBC Types for Prediction Haematology Based on a Hybrid Model of CNN and Handcrafted Features // Diagnostics. — 2023. — Vol. 13, no. 11. — Art. 1899. — DOI: 10.3390/diagnostics 13111899.

102. Ozyurt F. A fused CNN model for WBC detection with MRMR feature selection and extreme learning machine // Soft Computing. — 2020. — Vol. 24, no. 11.

— P. 8163-8172. — DOI: 10.1007/s00500-019-04383-8.

103. Dhibar S. DCENWCNet: A Deep CNN Ensemble Network for White Blood Cell Classification with LIME-Based Explainability. — arXiv preprint arXiv:2502.05459. — 2025. — URL: https://arxiv.org/abs/2502.05459 (дата обращения: 14.03.2025).

104. Islam O., Assaduzzaman M., Hasan M. Z. An explainable AI-based blood cell classification using optimized convolutional neural network // Journal of Pathology Informatics. — 2024. — Vol. 15. — Art. 100389. — DOI: 10.1016/jjpi.2024.100389.

105. Lee L. H., Mansoor A., Wood B., Nelson H., Higa D., Naugler C. Performance of CellaVision DM96 in leukocyte classification // Journal of Pathology Informatics. — 2013. — Vol. 4. — Art. 14. — DOI: 10.4103/2153-3539.114205.

106. Nam M., Kim S. H., Rhee J., Kim M., Kim Y., et al. Digital morphology analyzer Sysmex DI-60 vs. manual counting for white blood cell differentials in leukopenic samples: a comparative assessment of risk and turnaround time // Annals of Laboratory Medicine. — 2022. — Vol. 42, no. 4. — P. 398-405. — DOI: 10.3343/alm.2022.42.4.398.

107. Tahmasebi H., Higgins V., Bohn M. K., Hall A., Adeli K. CALIPER Hematology Reference Standards (I): Improving Laboratory Test Interpretation in Children (Beckman Coulter DxH 900—Core Laboratory Hematology System) // American Journal of Clinical Pathology. — 2020. — Vol. 154, no. 3. — P. 330-341. — DOI: 10.1093/ajcp/aqaa059.

108. Zhang S., Li Y., Liu J., et al. Comparison of the performance of two automatic cell morphology analyzers for peripheral-blood leukocyte morphology analysis: Mindray MC-100i and Sysmex DI-60 // International Journal of Laboratory Hematology. — 2023. — Vol. 45, no. 6. — P. 860-868. — DOI: 10.1111/ijlh.14145.

109. de Almeida J. G., Pimentel-Nunes P., Wotherspoon A., et al. Computational analysis of peripheral blood smears detects disease-associated cytomorphologies // Nature Communications. — 2023. — Vol. 14, no. 1. — Art. 4378. — DOI: 10.1038/s41467-023-39676-y.

110. Moen E., Bannon D., Kudo T., et al. Accurate cell tracking and lineage construction in live-cell imaging experiments with deep learning // bioRxiv. — 2019. — Art. 803205. — DOI: 10.1101/803205. — URL: https://www.biorxiv.org/content/10.1101/803205 (дата обращения: 14.03.2025).

111. Bartlett P. L., Jordan M. I., McAuliffe J. D. Convexity, classification, and risk bounds // Journal of the American Statistical Association. — 2006. — Vol. 101, no. 473. — P. 138-156. — DOI: 10.1198/016214505000000907.

112. Riali I., Fareh M., Bobillo F. ProbFuzzOnto: A Fuzzy Ontology-Driven Uncertainty Approach Using Fuzzy Bayesian Networks // International Journal of Fuzzy Systems. — 2024. — (online first). — DOI: 10.1007/s40815-024-01796-y.

113. Gavas E., Olpadkar K. Deep CNNs for peripheral blood cell classification. — arXiv preprint arXiv:2110.09508. — 2021. — URL: https://arxiv.org/abs/2110.09508 (дата обращения: 14.03.2025).

114. Doshi-Velez F., Kim B. Towards a rigorous science of interpretable machine learning. — arXiv preprint arXiv:1702.08608. — 2017. — URL: https://arxiv.org/abs/1702.08608 (дата обращения: 15.04.2025).

115. Ходашинский, И. А., Мех, М. А. Построение нечеткого классификатора на основе методов гармонического поиска // Программирование. - 2017. - № 1. -С. 54-65.

116. Bylander T. Estimating generalization error on two-class datasets using out-of-bag estimates // Machine Learning. — 2002. — Vol. 48. — P. 287-297. — DOI: 10.1023/A:1013964023376.

117. Chen C.-W., Tsai Y.-H., Chang F.-R., Lin W.-C. Ensemble feature selection in medical datasets: Combining filter, wrapper, and embedded feature selection results // Expert Systems. — 2020. — Vol. 37, no. 5. — e12553. — DOI: 10.1111/exsy.12553.

118. Zheng X., Wang Y., Wang G., Liu J. Fast and robust segmentation of white blood cell images by self-supervised learning // Micron. — 2018. — Vol. 107. — P. 5571. — DOI: 10.1016/j.micron.2018.01.010.

119. Mousavi Kouzehkanan Z. M., Saghari S., Tavakoli S., et al. Raabin-WBC: a large free access dataset of white blood cells from normal peripheral blood // bioRxiv. — 2021. — DOI: 10.1101/2021.05.02.442287. — URL: https://www.biorxiv.org/content/10.1101/2021.05.02.442287 (дата обращения: 15.03.2025)

120. Acevedo A., Merino A., Alférez S., Molina Á., Boldú L., Rodellar J. A dataset of microscopic peripheral blood cell images for development of automatic recognition systems // Data in Brief. — 2020. — Vol. 30. — 105474. — DOI: 10.1016/j.dib.2020.105474.

121. Micallef N., Seychell D., Bajada C. J. Exploring the U-Net++ model for automatic brain tumor segmentation // IEEE Access. — 2021. — Vol. 9. — P. 125523125539. — DOI: 10.1109/ACCESS.2021.3111131.

122. Koonce B. ResNet 34 // Convolutional Neural Networks with Swift for TensorFlow: Image Recognition and Dataset Categorization. — Berkeley, CA: Apress, 2021. — P. 51-61. — DOI: 10.1007/978-1-4842-6168-2.

123. Cohen W. W. Fast effective rule induction // Proceedings of the 12th International Conference on Machine Learning (ICML-95) / eds. A. Prieditis, S. Russell. — San Mateo, CA: Morgan Kaufmann, 1995. — P. 115-123. — DOI: 10.1016/B978-1-55860-377-6.50023-2.

124. Tadepalli Y., Kollati M., Swaraja K. EfficientNet-B0 Based Monocular Dense-Depth Map Estimation // Traitement du Signal. — 2021. — Vol. 38, no. 5. — P. 1485-1493. — DOI: 10.18280/ts.380524.

125. Ходашинский, И. А., Шурыгин, Ю. А., Сарин, К. С., Бардамова, М. Б., Слёзкин, А. О., Светлаков, М. О., Корышев, Н. П. Нечёткие классификаторы для диагностики болезни Паркинсона на основе статических рукописных данных // Автометрия. - 2023. - Т. 59, № 3. - С. 72-85.

Приложение А

Акт о внедрении результатов диссертационного исследования

Предложенная в диссертации Черных Е.М. гибридная модель классификации применена в ходе проектирования и настройки ряда разрабатываемых информационных систем.

Использование результатов диссертационного исследования позволит упростить трудоемкую работу но сбору информации и анализу автоматизируемых процессов, а также сократить время на разработку и настройку программных систем за счет возможности применения накопленных знаний при построении модели и предоставляемых моделью интерпретируемых выводов.

Технический директор

Утверждаю Генеральный директор ДО «СОФТКОННЕКТ»

П. Л. Бузоп

А К Г

О внедрении результатов диссертационного исследования «РАЗРАБОТКА МОДЕЛИ И МЕТОДА КЛАССИФИКАЦИИ ЛЕЙКОЦИТОВ НА ИЗОБРАЖЕНИЯХ КЛЕТОК КРОВИ»

Черных Евгения Михайловича

АО «СОФТКОННЕКТ»

А. К. Калаида

26.08.2025г

Акт внедрения в учебный процесс результатов диссертационных

исследований

внедрения в учебный процесс математической модели классификации лейкоцитов на цифровых изображениях клеток крови, разработанной Черных Евгением Михайловичем

Мы, нижеподписавшиеся, и. о. заведующего кафедрой математического и программного обеспечения информационных систем, кандидат технических наук, доцент Заливин А.Н., доцент кафедры математического и программного обеспечения информационных систем, кандидат технических наук Великая Я.Г., составили настоящий акт о внедрении математической модели классификации лейкоцитов на цифровых изображениях клеток крови, основанной на интеграции нечеткой модели с экспертными правилами и байесовским выводом со свсрточнон нейронной сетью глубокого обучения, разработанной Черных Е.М., в учебный процесс по направлению 02.03.03 «Математическое обеспечение и администрирование информационных систем», профиль «Параллельное программирование».

При проведении занятий по дисциплине «Классификация объектов и распознавание образов» используется следующее:

1. Теоретические основы предложенной математической модели.

УТВЕРЖДАЮ

директор Института инженерных и цифровых технологий ФГАОУ ВО «Белгородский

АКТ

Свидетельство о государственной регистрации программы для ЭВМ

Полный перечень используемых признаков лейкоцитов

Таблица Г.1 - Полный перечень отобранных признаков клеток лейкоцитов

Группа признаков Признаки

Геометрические признаки ядра Площадь ядра, Округлость ядра, Компактность ядра, Выпуклость ядра, Солидность ядра

Геометрические признаки клетки Отношение площади ядра к цитоплазме

Статистические признаки яркости Средняя яркость ядра, Стандартное отклонение яркости клетки, Энтропия яркости цитоплазмы

Цветовые признаки Зеленая компонента интенсивность клетки, Красная компонента интенсивности ядра, Среднее значение RGB ядра, Дисперсия оттенка ядра

Текстурные признаки Энергия текстуры цитоплазмы, Энтропия текстуры цитоплазмы, Корреляция текстуры клетки, Неоднородность серых уровней цитоплазмы, Энтропия градиентных признаков цитоплазмы, Энтропия локальных направлений ядра, Энтропия локальных направлений цитоплазмы

Частотные признаки Энергия Фурье спектра цитоплазмы, Энтропия вейвлет НН-компоненты цитоплазмы, Энтропия вейвлет HL-компоненты цитоплазмы, Энтропия вейвлет LH-компоненты цитоплазмы, Энтропия вейвлет LL-компоненты цитоплазмы, Среднее значение вейвлет LL-компоненты цитоплазмы, Среднее значение вейвлет LL-компоненты ядра

Структурные признаки Лакунарность ядра, Лакунарность циптоплазмы, Гранулометрический индекс цитоплазмы

Листинг основных функций разработанного прототипа программного комплекса для классификации цифровых снимков лейкоцитов на основе предложенной нечеткой модели на базе экспертных правил и байесовского

вывода

def detect_cells_and_rois(mask: np.ndarray, pad: int = 10,

min_area_ratio: float = 0.3 ) -> List[Tuple[int, int, int, int]]: bin_mask = (mask > 0).astype(np.uint8)

n_labels, labels, stats, _ = cv2.connectedComponentsWithStats(bin_mask, connectivity=8)

if n_labels <= 1: return []

areas = stats[1:, cv2.CC_STAT_AREA] max_area = np.max(areas) min_area = max_area * min_area_ratio

H, W = mask.shape rois = []

for i in range(1, n_labels): x, y, w, h, area = stats[i] if area < min_area:

continue x0 = max(0, x - pad) y0 = max(0, y - pad) x1 = min(W, x + w + pad) y1 = min(H, y + h + pad) rois.append((x0, y0, x1 - x0, y1 - y0))

return rois

def adjust_gamma(image, gamma=1.0): inv_gamma = 1.0 / gamma

table = np.array([(i / 255.0) ** inv_gamma * 255 for i in range(256)]).astype("uint8") return cv2.LUT(image, table)

def unsharp_mask(image, strength=1.5): blurred = cv2.GaussianBlur(image, (0, 0), 2)

sharpened = cv2.addWeighted(image, 1 + strength, blurred, -strength, 0)

return sharpened

def apply_clahe(image):

lab = cv2.cvtColor(image, cv2.COLOR_BGR2LAB) l, a, b = cv2.split(lab)

clahe = cv2.createCLAHE(dipLimit=3.0, tileGridSize=(8, 8))

l = clahe.apply(l)

lab = cv2.merge((l, a, b))

return cv2.cvtColor(lab, cv2.COLOR_LAB2BGR)

def preprocess_for_inference(image): image = apply_clahe(image) image = adjust_gamma(image, gamma=1.1) image = unsharp_mask(image, strength=1.2)

return image

def run_classification_pipeline( dataset_path: str, fbn_model, extractor, transform, device="cpu", process_all=False, visualize_random=False, verbose=False, # Новый флаг

save_norm_data_to_file: str = None, # Новый параметр save_preds_to: str = None, ) -> dict: # Классы по папкам

class_folders = [d for d in os.listdir(dataset_path) if os.path.isdir(os.path.join(dataset_path, d))] class_to_idx = {cls: i for i, cls in enumerate(sorted(class_folders))} idx_to_class = {v: k for k, v in class_to_idx.items()}

y_true, y_pred = [], [] all_norm_data_records = [] export_records = []

samples = [ (os.path.join(folder_path, fname), cls) for cls in class_folders

for folder_path in [os.path.join(dataset_path, cls)] for fname in os.listdir(folder_path)

if fname.lower().endswith((".jpg", ".png", ".jpeg", ".bmp"))

]

if not process_all: samples = [random.choice(samples)]

progress_bar = tqdm(samples, desc=" 4 Classification pipeline") if process_all else samples

for img_path, true_cls in progress_bar: image_bgr = cv2.imread(img_path) if image_bgr is None: continue

image_bgr = preprocess_for_inference(image_bgr) image_rgb = cv2.cvtColor(image_bgr, cv2.COLOR_BGR2RGB) rgb_copy = image_bgr.copy() image_copy = image_rgb.copy()

cnn_pred_idx, p_cnn = run_cnn_inference(image_rgb=image_copy, transform=cnn_val_tf, truejabel=true_cls, idx_to_class=idx_to_class)

# Segmentation

augmented = transform(image=image_rgb) image_tensor = augmented["image"].unsqueeze(0).to(device) with torch.no_grad(): output = model(image_tensor)

pred_mask = torch.argmax(output, dim=1).squeeze(0).cpu().numpy() pred_mask = cv2.resize(pred_mask, (image_bgr.shape[1], image_bgr.shape[0]), interpolation=cv2.INTER_NEAREST)

# ROI

rois = detect_cells_and_rois(pred_mask) if not rois: continue

if not process_all: ргт^ГНайдено клеток: {len(rois)}")

# 3.1 Рисуем боксы на цветном изображении fig, ax = plt.subplots(1,1, figsize=(6,6)) ax.imshow(cv2.cvtColor(rgb_copy, cv2.COLOR_BGR2RGB)) for (x,y,w,h) in rois: # красный прямоугольник rect = mpatches.Rectangle((x,y), w, h,

edgecolor="lime", facecolor="none", linewidth=3) ax.add_patch(rect) ax.set_title("ROIs на оригинальном изображении") ax.axis("off") plt.show()

crops_img = [image_bgr[y:y+h, x:x+w] for (x, y, w, h) in rois]

mask_gray = np.vectorize({0: 0, 1: 128, 2: 255}.get)(pred_mask).astype(np.uint8)

crops_msk = [mask_gray[y:y+h, x:x+w] for (x, y, w, h) in rois]

# Feature extraction

if len(crops_img) > 5: with ThreadPoolExecutor() as exe: all_results = list(exe.map(extractor.extract_one, crops_img, crops_msk))

else:

all_results = [extractor.extract_one(img, msk) for img, msk in zip(crops_img, crops_msk)]

norm_data = normalize_new_robust(all_results)

# print(f"raw_features: {all_results}")

# print(f"norm_features: {norm_data}") if save_norm_data_to_file:

for norm_row in norm_data: row_copy = norm_row.copy()

# Определяем признаки цитоплазмы

cyto_cols = [k for k in row_copy if 'cytoplasm' in k.lower()]

# segmentation_present = 0, если все признаки цитоплазмы == 0 seg_present = int(any(row_copy.get(c, 0) != 0 for c in cyto_cols))

# Затираем искусственные нули -— NaN, если нет сегментации if not seg_present:

for c in cyto_cols: row_copy[c] = np.nan

record = {

"dataset": os.path.basename(dataset_path.rstrip("/")), "class": true_cls,

"filename": os.path.basename(img_path), **row_copy,

"segmentation_present": seg_present

}

all_norm_data_records.append(record)

has_any_rule = False proba_list, roi_preds = [], [] for d in norm_data:

probs_dict, rule_flag = fbn_model.predict(d, verbose=(verbose and not process_all)) has_any_rule = has_any_rule or rule_flag

# ROI prediction

roi_pred = max(probs_dict.items(), key=lambda x: x[1])[0] roi_preds.append(roi_pred)

# probability vector

vec = np.array([probs_dict[cls] for cls in fbn_model.classes], dtype=float) proba_list.append(vec) if not proba_list: continue

p_fbn = np.stack(proba_list, axis=0).mean(axis=0)

feat = np.concatenate([p_cnn, p_fbn])[None, :] probs_agg = agg_pipeline.predict_proba(feat)[0] final_idx = int(probs_agg.argmax()) final_pred = idx_to_class[final_idx]

majority_pred = Counter(roi_preds).most_common(1)[0][0]

has_rules = float(has_any_rule)

y_true.append(class_to_idx[true_cls])

y_pred.append(final_idx)

rec = {

"id": Path(img_path).stem,

"dataset": os.path.basename(dataset_path.rstrip("/")),

"label": class_to_idx[true_cls],

"pred_cnn": int(cnn_pred_idx),

"pred_fbn": int(p_fbn.argmax()),

"pred_agg": final_idx,

"has_rules": has_rules,

}

for i, prob in enumerate(p_fbn): rec[f"p_fbn_{i}"] = float(prob) export_records.append(rec) # Новое конец

if visualize_random and not process_all: match = (true_cls == majority_pred) print(f" True: {true_cls} | Pred: {majority_pred}")

fig, axs = plt.subplots(1, 2, figsize=(12, 6)) axs[0].imshow(cv2.cvtColor(image_bgr, cv2.COLOR_BGR2RGB)) axs[0].set_title(f"Image ({true_cls})") axs[0].axis("off")

axs[1].imshow(mask_gray, cmap="gray")

axs[1].set_title(f"Predicted mask — FBN: {majority_pred}")

axs[1].axis("off")

plt.tight_layout()

plt.show()

if save_norm_data_to_file and all_norm_data_records: df = pd.DataFrame(all_norm_data_records) df.to_csv(save_norm_data_to_file, index=False) print(f"Normalized features saved to CSV: {save_norm_data_to_file}")

if save_preds_to and export_records: df_preds = pd.DataFrame(export_records) df_preds.to_csv(save_preds_to, index=False)

print(f"FBN predictions saved to {save_preds_to}")

if len(set(y_true)) < 2: рпп^"Недостаточно данных для подсчета метрик — нужно минимум 2 класса.") return { "y_true": y_true, "y_pred": y_pred, "idx_to_class": idx_to_class, "report": None, "confusion_matrix": None

}

report = classification_report(y_true, y_pred, target_names=idx_to_class.values(), output_dict=True) cm = confusion_matrix(y_true, y_pred)

return { "y_true": y_true, "y_pred": y_pred, "report": report, "confusion_matrix": cm, "idx_to_class": idx_to_class, "export_records": export_records

}