Методы и модели анализа структуры хроматина ядер клеток костного мозга для систем автоматизированной диагностики острых лейкозов

Актуальность работы «Разработка методов медицинской диагностики онкологических заболеваний, является одной из важных задач национального проекта «здравоохранение» РФ (Указ Президента от 07.05.2018 «О националь­ ных целях и стратегических задачах развития Российской Федерации на период до 2024 года»). Успех лечения, прежде всего, определяется своевременностью и точностью диагностики. Одно из перспективных направлений – технологии искусственного интеллекта для диагностики новообразований кроветворной си­ стемы, в частности, установления подвариантов острых лейкозов, связано с при­ менением методов и средств цифровой обработки изображений клеток крови и костного мозга.
Острые лейкозы – гемопоэтическая опухоль, при которой кроветворные клетки теряют способность к дифференцировке и созреванию. Неопластический пул представлен бластами – незрелые клетки костного мозга.
Диагностика острых лейкозов базируется на изучении морфологических, цитохимических и иммунофенотипических особенностей лейкемических клеток периферической крови и костного мозга.
Морфологический метод исследования заключается в изучении окрашен­ ных препаратов крови и костного мозга с подсчетом числа бластов в процентном соотношении к общему числу исследуемых клеток, но не всегда дает возмож­ ность установить природу бластных клеток в связи с их значительной неодно­ родностью. При световой микроскопии существенную роль играет точная оцен­ ка ряда параметров бластов, к которым относятся: форма и размер клеток, очертания ядер, особенности строения хроматина, при этом учитывается его тонкопетлистая, глыбчатая и плотная структура. Полиморфизм бластов ассо­ циируется с разнообразием их фенотипических, генетических и молекулярно­ биологических особенностей. До настоящего времени не удалось выявить суще­ ственных корреляций между структурой бластов и их иммунофенотипическим статусом. При обычной световой микроскопии неоднородность бластной попу­ ляции констатируется как в случаях Т-, так и В- линейных острых лимфобласт­ ных лейкозов.
Цитохимическое исследование включает анализ маркеров гранулоцитарно­ го и моноцитарного рядов гемопоэза. Они позволяют дифференцировать острые лимфобластные лейкозы от миелоидных лейкозов. Однако этот метод не явля­ ется адекватным в части случаев лейкозов.
Иммунофенотипическое исследование основано на изучении антигенной структуры бластов с помощью проточной цитофлюорометрии. Использование широкого набора диагностических антител позволяет определить направлен­ ность дифференцировки и установить стадию созревания бластов. Анализ ре­ зультатов иммунофенотипирования, с учетом морфологических и цитохимиче­ ских показателей, дает возможность определить совокупность процессов, при­ водящих к образованию и восстановлению тканей, а также этап дифференци­ ровки бластов. Однако большая вариабельность опухолевых клеток, невозмож­ ность анализа морфологических особенностей клеток крови (например, строе­ ния ядерных хроматиновых нитей) и недоступность повторного исследования, не исключают возможности диагностической ошибки. Использование световой микроскопии в сочетании с компьютерной обработкой данных позволяет объек­ тивизировать полученные данные в виде числовых индексов и улучшить диф­ ференциальную диагностику острых лейкозов.
Становится очевидным, что разработка и применение новых методов, уточ­ няющих морфологическую характеристику лимфоидных элементов, в настоя­ щее время представляет значительный интерес и является актуальной на­ учно-технической задачей.
Степень разработанности темы. В последнее время предпринимаются многочисленные попытки автоматизировать микроскопические исследования для повышения точности обнаружения «юных» форм клеток и воспроизводи­ мости измерений. Исследования в этой области выполняются рядом организа­ ций по всему миру, такими как: Национальный медицинский исследовательский центр (НМИЦ) гематологии Министерства здравоохранения Российской Феде­ рации (МЗ РФ), НМИЦ онкологии им. Н.Н. Блохина МЗ РФ, Северо-Запад­ ный федеральный медицинский исследовательский центр имени В. А. Алмазо­ ва МЗ РФ, Городская клиническая больница имени С.П. Боткина Департамен­ та здравоохранения города Москвы, Институт повышения квалификации Фе­ дерального медико-биологического агентства (ФМБА) МЗ РФ (Академия по­ стдипломного образования ФГБУ Федерального научно-клинического центра (ФНКЦ) ФМБА), Саратовский Государственный Медицинский Университет (Россия), «Медицинские компьютерные системы» (МЕКОС) (Россия), Радио­ технический институт им. акад. A.Л. Минца (Россия) Центр мониторинга и кли­ нико-экономической экспертизы Росздравнадзора (г. Москва), отдел лаборатор­ ной медицины больницы университета Левена (г. Левен, Бельгия) (Department of laboratory medicine, University Hospital Leuven, Leuven, Belgium), Военно­ Медицинская Академия (г. София, Болгария) (Military Medical Academy, Sofia, Bulgaria), Национальный университет Колумбии (National University of Colombia ) и др.
Применение средств автоматизации микроскопического анализа для меди­ цины при диагностике лейкозов отмечено в работах врачей и биологов: Блин­ дарь В.Н., Воробьева А.И., Воробьева И.А., Волковой М.А., Дубровского В.А., Жукотцкого А.В., Зубрихиной Г.Н., Козинца Г.И., Красновой Л.С., Луговской С.А., Менделеева Л.П., Почтарь М.Е., Румянцева А.Г., Савченко В.Г., Сосни­ на Д.Ю., Тупицына Н.Н., Френкель М.А., Харазишвили Д.В., Zaman, Z., Dino Masic, Andrew Filby, Ludovic Lhermitte, Daniela Morf, Aaron Kruse и др.
В направлении разработки и совершенствования автоматизации диагно­ стики острых лейкозов, методов цифровой обработки изображений и улучше­ ния качества медицинских изображений известны работы отечественных и за­ рубежных исследователей: Никитаева В.Г., Новикова К.В., Медового В.С., Па­ нова С.А., Проничева А.Н., Чистова К.С., Шахтарина Б. И. Штадельмана Ж.В., Яковенко М.К., Deaz G, Waidah Ismail, Subrajeet Mohapatra, Hayan Tareq AbdulWahhab, Santiago Alferez и др.
Несмотря на успехи в области автоматизации микроскопического исследо­ вания, нерешенными остаются проблемы: определения патологических клеток на препаратах крови и костного мозга; получение независимых объективных критериев для дифференциальной диагностики вариантов острых лейкозов; со­ поставление структуры хроматина бластов и их иммунофенотипического стату­ са.
Объектом исследования в диссертации являются цифровые микроско­ пические изображения клеток с цитологических препаратов периферической крови и костного мозга.
Предметом исследования являются методы, модели и алгоритмы циф­ ровой обработки и распознавания изображений клеток с цитологических пре­ паратов периферической крови и костного мозга.
Цель диссертационной работы – повышение качества автоматизиро­ ванной диагностики острых лейкозов за счет получения дополнительных неза­ висимых объективных количественных характеристик структуры хроматина ядер клеток.
Для достижения поставленной цели необходимо решить следующие зада­ чи:
❼ Определить современные и перспективные подходы в области автомати­ зации диагностики острых лейкозов;
❼ Разработать метод определения В- и Т- линейных острых лимфобластных лейкозов с применением световой микроскопии и компьютерной обработ­ кой данных для диагностики острых лейкозов и его подвариантов;
❼ Разработать иерархическую двухуровневую модель установления соответ­ ствия диагностических данных компьютерной микроскопии и лазерной проточной цитометрией для проведения дифференциальной диагностики острых лейкозов и лимфопролиферативных заболеваний;
❼ Разработать метод анализа изображений лейкоцитов и на его основе мо­ дели расчета оптических особенностей структурах ядер клеток крови для определения типа лейкоцита при диагностике и дифференциальной диа­ гностике острых лейкозов;
❼ Разработать методику выполнения автоматизированного анализа изобра­ жений препаратов периферической крови и костного мозга при диффе­ ренциальной диагностике острого лейкоза и его подвариантов;
❼ Анализ разработанных методов и предложенных моделей анализа изобра­ жений структуры хроматина ядер клеток костного мозга для повышения качества автоматизированной диагностики острых лейкозов в клиниче­ ских условиях.
Научная новизна работы:
1. Метод анализа изображений лейкоцитов и на его основе модель расчета оптических особенностей структуры хроматина ядер клеток крови, отли­ чающийся количественным описанием качественных признаков на основе структурных элементов, по которым проводится определение типа лейко­ цита при диагностике и дифференциальной диагностике острых лейкозов.
2. Метод определения В- и Т- линейных острых лимфобластных лейкозов, отличающийся применением световой микроскопии и компьютерной об­ работки данных, позволяющий по изображениям структуры хроматина ядер бластов костного мозга уточнить вариант заболевания для объекти­ визации исследований при диагностике острых лейкозов;
3. Иерархическая двухуровневая модель установления соответствия диагно­ стических данных компьютерной микроскопии и лазерной проточной ци­ тометрии, отличающаяся тем, что на первом уровне применяется модель сопоставления результатов компьютерного анализа и традиционного мик­ роскопического исследования для подтверждения диагноза острый лей­ коз, а на втором уровне – модель сравнения результатов компьютерной микроскопии с данными лазерной проточной цитометрии для дифферен­ цировки клеток по строению хроматина ядер. Применение иерархической двухуровневой модели позволило установить наличие зависимости меж­ ду направленностью дифференцировки клеток и особенностями строения хроматина ядер, что важно при проведении дифференциальной диагно­ стики острых лейкозов и лимфопролиферативных заболеваний;
4. Методика выполнения автоматизированного микроскопического исследо­ вания изображений клеток с препаратов костного мозга и крови, отличаю­ щаяся проведением анализа изображений клеток крови и костного мозга с получением новых дополнительных независимых объективных количе­ ственных характеристик для решения задачи диагностики острых лейко­ зов и лимфопролиферативнвых заболеваний.
Теоретическая и практическая значимость работы состоит в том, что:
❼ получены дополнительные независимые объективные критерии для диф­ ференциальной диагностики острого лейкоза, позволяющие уточнить под­ вариант заболевания и снизить время проведения диагностического про­ цесса на одну треть;
❼ интенсифицировано принятие клинических решений и адекватный подбор терапевтических схем у пациентов с острыми лимфобластными лейкозами путем использования световой микроскопии в сочетании с компьютерной обработкой данных;
❼ разработан инструментарий формирования базы знаний, которая может использоваться как наглядный атлас-справочник распознавания патоло­ гических клеток при подготовке врачей;
❼ материалы, полученные в данной диссертационной работе, используют­ ся при подготовке будущих специалистов кафедры No46 «Компьютерные медицинские системы» НИЯУ МИФИ;
❼ предложенные методы и модели, а также результаты, полученные в рам­ ках настоящего диссертационного исследования, выполнены при поддерж­ ке грантов РФФИ 17-07-01496 «Исследование возможностей телевизион­ ной системы при диагностике острых лейкозов», 18-07-01456 «Исследо­ вание влияния характеристик сенсора оптического излучения в видимом диапазоне на эффективность автоматизированного микроскопического ана­ лиза в онкологической диагностике» и 18-29-09115 «Методы и модели искусственного интеллекта для решения междисциплинарных фундамен­ тальных проблем диагностики лимфопролиферативных заболеваний и ми­ нимальной остаточной болезни в онкологии».
Методология и методы исследований. В диссертационной работе для решения поставленных задач использовались: методы системного анализа и син­ теза биотехнических систем, теория проектирования сложных информацион­ ных систем и теория моделирования; методы и алгоритмы обработки изобра­ жений, теории распознавания образов, теория вероятностей и математической статистики.
На защиту выносятся следующие основные результаты и поло­ жения:
1. Метод анализа изображений лейкоцитов и на его основе модель расчета оптических особенностей структуры ядер клеток крови, основанный на представлении изображения в виде структурных элементов для определе­ ния типа лейкоцита при диагностике и дифференциальной диагностике

острых лейкозов; 2. Метод определения В- и Т- линейных острых лимфобластных лейкозов с применением световой микроскопии и компьютерной обработкой дан­ ных, позволяющий по изображениям структуры хроматина ядер бластов костного мозга уточнить вариант заболевания для объективизации иссле­ дований при диагностике острых лейкозов;
3. Иерархическая двухуровневая модель установления соответствия диагно­ стических данных компьютерной микроскопии и лазерной проточной ци­ тометрии. Первый уровень – модель сопоставления результатов компью­ терного анализа и традиционного микроскопического исследования для подтверждения диагноза острого лейкоза. Второй уровень – модель срав­ нения результатов компьютерной микроскопии с данными лазерной про­ точной цитометрии для дифференцировки клеток по строению хроматина ядер. Применение иерархической двухуровневой модели, позволило уста­ новить наличие зависимости между направленностью дифференцировки клеток и особенностями строения хроматина ядер для проведения диф­ ференциальной диагностики острых лейкозов и лимфопролиферативных заболеваний;
4. Методика выполнения автоматизированного микроскопического исследо­ вания изображений клеток с препаратов костного мозга и крови, позво­ ляющая проводить анализ изображений клеток крови и костного мозга с получением новых дополнительных независимых объективных количе­ ственных характеристик для решения задачи диагностики острых лейко­ зов и лимфопролиферативнвых заболеваний;
5. Результаты экспериментального исследования по определению Т- и В- подвариантов острого лимфобластного лейкоза с применением систем ком­ пьютерной микроскопии подтвердили возможность различия В- и Т- ли­ нейных острых лимфобластных лейкозов, при этом в проведенном экс­ перименте получено различие В- и Т- линейных острых лимфобластных лейкозов с точностью 95 %;
6. Инструментарий для создания базы знаний, позволяющий формировать верифицированные данные для обучения систем искусственного интел­ лекта: распознавания образов, экспертных систем и систем поддержки принятия врачебных решений. .
Содержание диссертации соответствует паспорту научной специальности 2.2.12. Приборы, системы и изделия медицинского назначения.
Достоверность результатов работы обеспечена корректным примене­ нием положений системного анализа, теории цифровой обработки изображений, распознавания образов и анализа экспериментальных данных, использованием представительных выборочных совокупностей и подтверждается заключением врачей-экспертов диагностической лаборатории иммунологии гемопоэза НМИЦ онкологии им. Н.Н. Блохина МЗ РФ; соответствием данных, полученных в ра­ боте, результатам исследования с применением прибора, основанного на другом физическом принципе действия (иммунофенотипическое исследование с помо­ щью лазерной проточной цитофлюорометрии); экспериментальной проверкой адекватности разработанных моделей.
Апробация работы. Основные теоретические положения и научные ре­ зультаты диссертационной работы докладывались на научных конференциях: «Научная сессия МИФИ» в 2012 г., 2013 г., 2014 г., 2015г. ; на IX Курчатов­ ской молодежной научной школе 2011 г.; X Курчатовской молодежной научной школе 2012 г.; X Курчатовской молодежной научной школе 2012 г.; IV Междуна­ родной молодежной научной школе-конференции «Современные проблемы фи­ зики и технологий» 2015 г.; XXIII международной конференции и дискуссион­ ном научном клубе «Новые информационные технологии в медицине, биологии фармакологии и экологии», Крым, Ялта-Гурзуф 2015 г.; 15-ой международной конференции «Обработка сигналов, вычислительная геометрия и искусственное зрение», Слима, Мальта, 2015 г.; 6-ой международной конференции «Биологи­ ческие науки и биоинформатика», г.Дубай, ОАЭ, 22-24 февраля 2015 г.; первом международном симпозиуме «Инженерно-физические технологии биомедици­ ны», г. Москва, 18-23 октября 2016 г.; втором международном симпозиуму «Ин­ женерно-физические технологии биомедицины», г. Москва, 10-14 октября 2017 г.; школе-конференции молодых ученых с международным участием «Ильин­ ские чтения» ГБУ ГНЦ ФМБЦ им. А.И. Бурназяна ФМБА России, 22 марта 2018 г.; V Российском конгрессе лабораторной медицины (11-13 сентября 2019 г.), Москва, Выставка достижений народного хозяйства (ВДНХ); Учёном сове­ те медицинского института РУДН (18 сентября 2019 г.); XXII международной конференции «Управление развитием крупномасштабных систем» (3 октября 2019 г.), Москва, Институт проблем управления РАН.
Разработка «Технология автоматизированного анализа клеток крови» удо­ стоена золотой медали XXI Московского международного Салона изобретений и инновационных технологий «Архимед-2018».
Результаты работы, в частности, методы, модели, методики и программ­ ное обеспечение, получили высокую оценку специалистов лаборатории иммуно­ логии гемопоэза Национального медицинского исследовательского центра он­ кологии им. Н.Н. Блохина (заведующий, д.м.н., профессор Н.Н. Тупицын) и кафедры клинической лабораторной диагностики института повышения квали­ фикации Федерального медико-биологического агентства (заведующий д.б.н., профессор Девиченский В.М.), используются в НМИЦ онкологии Н.Н. Блохи­ на и ФГБУ ФНКЦ ФМБА, что подтверждается соответствующими актами о внедрении.
Личный вклад автора заключается: в проведении обзора современных и перспективных подходов в области автоматизации диагностики острых лейко­ зов; разработке методов анализа и распознавания структуры ядер клеток, мо­ дели формирования количественных характеристик изображений клеток кро­ ви и костного мозга и сопоставления результатов микроскопического анализа с данными иммунофенотипического исследования, а также методики автома­ тизированного микроскопического анализа изображений клеток с препаратов крови и костного мозга; планировании и проведении экспериментальных иссле­ дований по разделению Т- и В- подвариантов острого лимфобластного лейкоза; разработке программных средств проведения экспериментальных исследований и инструментария для формирования эталонных баз знаний клеток крови с описанием типов клеточных элементов, условий съемки, данных иммунофено­ типа. В работах, выполненных в соавторстве, личный вклад автора состоял, в разработке основных методов и средств проведения исследований, получении экспериментальных результатов по установлению корреляций между структу­ рой бластов и их иммунофенотипическим статусом, интерпретации полученных результатов.
Публикации Основные положения и результаты диссертационной рабо­ ты опубликованы в 32 работах, из них: 6 статей из перечня ВАК: обзорная личная статья, статья без соавторов с обоснованием предложенных подходов, 10 статей в журналах индексируемых в международных базах цитируемости «Web of Science» и «Scopus», 1 статья в журналах индексируемых в междуна­ родной базе цитируемости «Scopus», 11 работ в периодических изданиях индек­ сируемые в библиографической базе данных научных публикаций российских учёных (РИНЦ). Имеется 1 патент на полезную модель, 3 патента на изобрете­ ние.
Структура и объем работы. Диссертация состоит из введения, четырёх глав, заключения и списка литературы, включающий 155 наименований. Работа изложена на 158 страницах машинописного текста, содержит 59 рисунков и 15 таблиц.

Диссертационная работа посвящена решению научно-технической задачи

– создания методов и моделей количественного анализа клеток крови с препара­

тов крови и костного мозга, позволяющей уточнить характеристики лимфоци­

тов и лейкемических бластов при проведении исследований для установления

подвариантов острого лейкоза, а также снизить время проведения диагностиче­

ского процесса на треть.

В результате выполнения диссертационного исследования получены следу­

ющие основные результаты:

1. По итогу анализа современных и перспективных подходов в области авто­

матизации диагностики острых лейкозов показано, что, несмотря на успе­

хи в области автоматизации микроскопического исследования, нерешен­

ными остаются проблемы: определения патологических клеток на препа­

ратах крови и костного мозга; получение независимых объективных кри­

териев для дифференциальной диагностики вариантов острых лейкозов;

сопоставление структуры хроматина бластов и их иммунофенотипическо­

го статуса. Перспективным направлением автоматизации распознавания

клеток является нахождение новых информативных признаков, оценка

влияния артефактов на результат классификации, проведение дифферен­

циальной диагностики между типами лейкозов и сопоставления структу­

ры бластов и иммунофенотипического статуса. Проведена классификация

признаков, пригодных для использования в качестве информационных

маркеров;

2. Разработан метод определения В- и Т- линейных острых лимфобластных

лейкозов с применением световой микроскопии и компьютерной обработ­

кой данных, позволяющий по изображениям структуры хроматина ядер

бластов костного мозга уточнить вариант заболевания для объективиза­
ции исследований при диагностике острых лейкозов (Патент на изобрете­

ние №2659217 от 12.12.2017);

3. Предложена иерархическая двухуровневая модель установления соответ­

ствия диагностических данных компьютерной микроскопии и лазерной

проточной цитометрией, позволяющая количественно оценить особенно­

сти строения хроматина ядер клеток, которая обеспечила установление

зависимости между направленностью дифференцировки клеток и особен­

ностями строения хроматина ядер для проведения дифференциальной ди­

агностики острых лейкозов и лимфопролиферативных заболеваний;

4. Разработан метод анализа изображений лейкоцитов и на его основе моде­

ли расчета оптических особенностей структурах ядер клеток крови для

определения типа лейкоцита при диагностике и дифференциальной диа­

гностике острых лейкозов (Патент на изобретение №2612007 от 26.12.2014);

5. Разработана методика выполнения автоматизированного микроскопиче­

ского исследования изображений клеток с препаратов костного мозга и

крови, позволившая проводить анализ препаратов крови и костного мозга

с применением новых дополнительных независимых объективных количе­

ственных характеристик для решения задачи диагностики острых лейко­

зов и лимфопролиферативнвых заболеваний.

6. Разработанные в диссертации методы, модель и методика позволили обес­

печить повышение качества автоматизированной диагностики острых лей­

козов, что подтверждено проведением в клинических условиях анализа ко­

личественных характеристик по цифровым изображениям ядер клеток с

препаратов крови и костного мозга для установления взаимосвязи между

направленностью дифференцировки клеток и строением хроматина ядер

при дифференциальной диагностике острых лейкозов. Эксперименталь­

ное исследование по определению Т- и В- вариантов острого лимфобласт­
ного лейкоза с применением систем компьютерной микроскопии подтвер­
дили возможность различения В- и Т- линейных острых лимфобластных
лейкозов, при этом в проведенном эксперименте получено различение В-
и Т- линейных острых лимфобластных лейкозов с точностью 95%.
Рекомендации. Результаты диссертационного исследования могут быть
использованы при разработке и развитии методов и средств автоматизирован­
ного распознавания клеток крови для научного и практического применения.
Предложенный подход к распознаванию имеет многоцелевой характер и
был эффективно использован при распознавании лимфом, диагностике стадий
катаракты с применением текстурного анализа, анализе цитологических и ги­
стологических изображений опухолей, совместном использовании с системами
молекулярной диагностики.
Перспективы дальнейшей разработки темы. Планируемое развитие
математического, алгоритмического и программного обеспечения позволит оп­
тимизировать создание автоматизированного рабочего места врача клиниче­
ской лабораторной диагностики.
Широкое внедрение средств автоматизированного распознавания позволит
снизить затраты при проведении диагностики острых лейкозов (как за счет
уменьшения физических, когнитивных усилий и временных затрат медицинско­
го персонала, так и количества реактивов в диагностической панели при прове­
дении морфологических исследований, включая иммунофенотипирование).
Список сокращений и условных обозначений
ВДНХ Выставка достижений народного хозяйства

ВОЗ Всемирная организация здравоохранения

база
Mцв. мод.
базовый набор цветовых моделей

доп.
Mцв. мод.
дополнительный набор цветовых моделей

база
Mпр. базовый набор признаков

M1 дополнительный набор признаков

M2 набор признаков матрицы длин серий

M3 набор вейвлет признаков

МЗ Министерство здравоохранения

МПС матрица пространственной смежности

НИЯУ МИФИ национальный исследовательский ядерный университет

«МИФИ»

НМИЦ онкологии имени Н.Н. Блохина национальный медицинский

исследовательский центр онкологии имени Н.Н. Блохина

НМПС нормированная матрица пространственной смежности

ОЛ острый лейкоз

ОЛЛ острый лимфобластный лейкоз

ОМЛ острый миелобластный лейкоз

ПЦР полимеразная цепная реакция

РАН Российская академия наук

ФГБУ федеральное государственное бюджетное учреждение

ФМБА федеральное медико-биологическое агентство

ФНКЦ федеральный научно-клинический центр

ХЛЛ хронический лимфобластный лейкоз

ХМЛ хронический миелобластный лейкоз

ЭВМ Электронно-вычислотельная машина

ASM текстурный признак «Энергия»
BMP bitmap picture формат хранения растровых изображений
C++ компилируемый типизированный язык программирования общего
назначения

CON текстурный признак «Момент инерции»
CMY cyan (голубой), magenta (пурпурный), yellow (желтый)
CORR текстурный признак «Корреляция»
CPU central processing unit центральное процессорное (обрабатывающее)
устройство

EGIL европейская группа по иммунологической классификации лейкозов
HLS hue (тон), lightness (светлота), saturation (насыщенность)
HSI hue (тон), saturation (насыщенность), intensity (интенсивность)
HSV hue (тон), saturation (насыщенность), value (значение)
k-NN к-ближайших соседей
LAB цветовая модель CIE L*a*b* (аббревиатура не расшифровывается)
LHC цветовая модель (аббревиатура не расшифровывается)
LUV цветовая модель CIE LUV (аббревиатура не расшифровывается)
MPR текстурный признак «Максимальная вероятность»
NИП истинно-положительный

NЛО ложно-отрицательный

NИО истинно-отрицательный

NЛП ложно-положительный

Qt фреймворк для разработки кроссплатформенного программного обес­
печения на языке программирования C++

RGB red (красный), green (зеленый), blue (синий)
RGB24 формат хранения данных, в котором компоненты RGB представ­
лены 8 битами, а диапазон значений составляет 0-255

SVM метод опорных векторов
SSD твердотельный накопительный диск
TR текстурный признак «Сумма диагональных элементов»
XYZ цветовая модель (аббревиатура не расшифровывается)

YIQ цветовая модель (аббревиатура не расшифровывается)

YUV цветовая модель (аббревиатура не расшифровывается)

YPbPr цветовая модель (аббревиатура не расшифровывается)