Kotsur, D. V.Tereshchenko, V. M.Коцур, Д. В.Терещенко, В. М.2026-03-252026-03-252019https://eir.zp.edu.ua/handle/123456789/27700Kotsur D. V. Voronoi-based skeletonization algorithm for segmenting the network of biological neurons / D. V. Kotsur, V. M. Tereshchenko // Радіоелектроніка, інформатика, управління. – 2019. – № 1 (48). – C. 98-109.EN: Context. The problem of automated processing and analysis of microscopy image data is of high relevance due to its extreme impact on the research and recent developments in the field of biology and medicine. Efficient image processing algorithms facilitate the development of new medical diagnostic tools and therapy processes. They help us to broaden our knowledge of underlying mechanisms and processes inside living organisms. The primal focus of this paper is the processing of the microscopy images of the biological neural network. This aims to facilitate further studies of biological neural network that would lead to the development of better methods for diagnosis, prevention and cure of the related deceases. Objective. The goal of the work is to development of an efficient image processing algorithm for segmenting the network of biological neurons based on the fluorescent microscopy image data. Method. The introduced algorithm for segmenting the network of biological neurons comprises several steps. Firstly, we apply image processing routines, which aim to enhance the quality of the image data and extract the contours of the biological neural network. Then we construct the skeleton of the network applying the Voronoi diagram for line segments extracted from the object’s contours. We employ Voronoi skeleton to identify the cellular somas and differentiate them from axons and dendrites. Results. The developed Voronoi-based algorithm allows us to segment individual neurons, localize their somas, axons and dendrites and extract graph representation of the neural network. The underlying Voronoi diagram data structure allows us to compute such graph efficiently in O(N log N) operations (where N is a number of contour points). The proposed segmentation method was implemented in the C++/Python programming language and evaluated on the fluorescent images from CellImageLibrary (CIL). Conclusions. The proposed segmentation method aims to facilitate studies of biological neural networks. It computes segmentation of the network of biological neurons in O(N log N) operations using the Voronoi diagram data structure. This data structure, in turn, gives us an attributed graph representation of the segmented network. Therefore, classical graph processing algorithms can be applied to analyze the neural and compute such network’s characteristics as the number of connections between individual neurons, the shortest signal transduction path between two neurons, etc. UK: Актуальність. Проблема автоматизованої обробки та аналізу даних зображень з мікроскопу має велике значення з огляду на її значний вплив на дослідження та останні розробки в області біології та медицини. Ефективні алгоритми обробки зображень сприяють розробці нових медичних діагностичних засобів і терапевтичних методів, а також сприяють розширенню нашого знання про основні механізми і процеси в живих організмах. Первинним фокусом цієї роботи є обробка мікроскопічних зображень біологічної нейронної мережі. Робота має на меті полегшити подальші дослідження біологічної нейронної мережі, що призведе до розробки більш ефективних методів діагностики, профілактики та лікування пов’язаних із ними захворювань. Метод. Запропоновано алгоритм сегментації мережі біологічних нейронів, що складається з декількох кроків. На першому кроці застосовуються процедури обробки зображень, які спрямовані на підвищення якості даних зображення та виділення контурів біологічної нейронної мережі. На другому кроці будується скелетон мережі, при цьому використовується діаграма Вороного для відрізків, що складають контур об’єкта. Скелетон на основі діаграми Вороного використовується на третьому кроці для ідентифікації клітинних тіл і виокремлення їх від аксонів і дендритів. Результати. Розроблений алгоритм на основі діаграми Вороного дозволяє сегментувати окремі нейрони, локалізувати їх клітинні тіла, аксони, дендрити. Алгоритм також дозволяє представити нейронну мережу у вигляді графу. Структура даних діаграми Вороного дозволяє ефективно обчислити такий граф зі складністю O(N log N) операцій, де N кількість точок контуру. Запропонований метод сегментації був реалізований на мовах програмування C++/Python і протестований на флуоресцентних зображеннях отриманих з CellImageLibrary (CIL). Висновки. Запропонований метод сегментації спрямований на полегшення вивчення біологічних нейронних мереж. Метод дозволяє швидко сегментувати біологічну нейронну мережу за O(N log N) операцій з допомогою діаграми Вороного для відрізків. Структура даних діаграми Вороного, у свою чергу, дозволяє отримати представлення відсегментованої нейронної мережі у вигляді графу з атрибутами. Таким чином, можуть бути застосовані класичні алгоритми обробки графів для аналізу нейронної мережі і обчислення її різноманітних характеристик (наприклад, знаходження числа зв’язків між окремими нейронами, найкоротшого шляху передачі сигналу між двома нейронами тощо).enmicroscopyimage processingVoronoi diagramVoronoi polygonneuronssegmentationgraphмікроскопіяобробка зображеньдіаграма Вороногополігон ВороногонейронисегментаціяграфArticle