Онкологічні захворювання є справжньою чумою ХХІ сторіччя. За даними CDC (Centers for Disease Control and Prevention) кількість нових онкологічних хворих сягне 1.9 млн./рік в 2020 році[1]. В зв’язку с цим, питання розробки та модифікації сучасних методів діагностики та прогнозування раку стає дуже гостро. Одним з таких методів, справжнім «золотим стандартом» є метод гістологічної експертизи, який є дуже складним та багато ступеневим процесом, який виконуються цілком людиною і, нажаль, не позбавлений людського фактору. Так, зразок досліджуваної тканини може бути неякісно взятий у пацієнта, погано нарізаний, надмірно, або недостатньо пофарбований. Все це призводить до того, що результати аналізу експертами одного і того ж зразка можуть сильно різнитися між собою. І для того щоб отримати дійсно точний результат, слід задіяти декількох експертів або один математично обґрунтований алгоритм, який позбавив би цей процес людської суб’єктивності. Існування таких алгоритмів було би неможливо без розділу комп’ютерних наук, що зветься «комп’ютерний зір». Цей розділ, а на сьогодні можна сказати окрема наука, почав своє існування в 1965 році з кандидатської дисертації, присвяченій темі трьохвимірної реконструкції сцени, що складалася с множини примітивів, таких як, піраміди, конуси, і т.п., по одній їх фотографії [2]. По стану на сьогоднішній день, людство розробило алгоритми, здатні виконувати попіксельну сегментацію зображення, отриманого на встановленій на лобовому склі автомобіля камері, з ціллю виявлення регіонів, що належать дорозі, знакам дорожнього руху, пішоходам, іншим машинам, і т.п [3]. Окрім значної точності, ці алгоритми являються також досить швидкими, здатними оброблювати зображення в реальному часі. Зразу після появи комп’ютерного зору, йому зразу знайшли місце і в обробці цифрових медичних зображень. Такі алгоритми як вейвлет- та ширлет-перетворення послугували екстракторами ознак для подальшої класифікації методом опорних векторів гістологічних зображень з ціллю виявлення ступені злоякісності пухлини. Алгоритм водорозділу був успішно адаптований для задачі сегментації окремих клітин. Морфологічний класифікатор був використаний для класифікації знайдених клітин. За допомогою глибоких нейронних мереж вчені змогли провести сегментацію об’єктів на гістологічних зображеннях, які навіть не були пофарбовані. Зв'язок роботи з науковими програмами, планами, темами. Дисертаційна робота виконувалась в рамках науково-дослідних робіт кафедри автоматизованих систем обробки інформації та управління факультету обчислювальної техніки та інформатики КПІ імені Ігоря Сікорського № 0117U000914 «Математичні моделі та технології в системах підтримки прийняття рішень». Мета і задачі дослідження. Основна мета роботи полягає в розробці математичного та алгоритмічного забезпечення для підвищення якості та наочності цифрових гістологічних зображень. Для досягнення поставленої мети необхідно розв‘язати комплекс наступних взаємопов‘язаних задач: - аналіз існуючих методів обробки гістологічних зображень; - виокремлення множини алгоритмів, що активно використовуються у знайдених методах; - розроблення середи, для компонування алгоритмів у єдиний метод; - дослідження ефективності розробленого методу. Об’єкт дослідження. Процес обробки гістологічних зображень з ціллю збільшення їх якості та наочності для людини. Предмет дослідження. Методи та алгоритми, які використовуються для обробки та аналізу гістологічних зображень. Методи дослідження. При проведенні досліджень і розробок у дисертаційній роботі використовувались методи комп’ютерного зору, обробки зображень, матричні фільтри, алгоритми нормалізації яркості та освітленості, алгоритми сегментації возорозділу, бінаризації с порогом по Оцу, переведення між кольоровими просторами, кластеризація методом К-середніх, для експериментального дослідження – методи об‘єктно-орієнтованого програмування: фреймворк PyQt, бібліотека алгоритмів обробки зображень OpenCV, бібліотека методів машинного навчання sklearn. Наукова новизна одержаних результатів полягає в наступному: а) розроблено метод комбінування алгоритмів комп’ютерного зору та їх налаштовування; б) розроблено метод обробки цифрових гістологічних зображень з ціллю збільшення їх якості та наочності. Практичне значення одержаних результатів. Всі запропоновані математичні моделі і алгоритми доведені до практичної реалізації у рамках програмного забезпечення, котре використовується для обробки цифрових гістологічних зображень. Особистий внесок здобувача. Усі результати, наведені у дисертації, отримані самостійно. Апробація результатів дисертації. Результати дисертації були апробовані на наступних наукових конференціях: - Науково-практична конференція молодих вчених «Фундаментальна медицина: інтегральні підходи до терапії хворих з онкопатологією» (Київ, 2019 р.). Публікації. За результатами дисертації опубліковано 2 наукові праці, в тому числі 1 статті у наукових фахових виданнях, які індексуються у наукометричних базах Copernicus, arXiv:1712.03228v1 [cs.SD] 8 Dec 2017. Cancer is a true plague of the 21st Century. According to the CDC (Centers for Disease Control and Prevention), the number of new cancer patients will reach 1.9 million per year in 2020 [1]. In this regard, the issue of developing and modifying modern methods of diagnosis and prediction of cancer becomes very acute. One such method, the true "golden standard" is the method of histological examination, which is a very complex and many-step process, which is performed entirely by man and, unfortunately, not devoid of human factor. Thus, the sample of the investigated tissue may be poorly taken from the patient, badly sliced, excessively, or insufficiently colored. All this leads to the fact that the results of analysis by experts of the same sample can vary greatly among themselves. And in order to get a really accurate result, it is necessary to involve several experts or one mathematically grounded algorithm that would deprive this process of human subjectivity. The existence of such algorithms would be impossible without the division of computer sciences, called "computer vision". This section, and today one can say a separate science, began its existence in 1965 with a PhD thesis devoted to the topic of three-dimensional reconstruction of a scene consisting of a plurality of primitives such as pyramids, cones, etc., in one of their photographs [2]. As of today, mankind has developed algorithms that can perform the pixelwise segmentation of the image obtained on a camera mounted on the windscreen of the car, with the aim of identifying regions belonging to the road, traffic signs, pedestrians, other cars, etc. [3]. In addition to high accuracy, these algorithms are also fast enough to process images in real time. Immediately after the appearance of computer vision, it immediately found a place in the processing of digital medical images. Such algorithms as wavelet and shearlet-transformation were user as feature extractors for further classification by the support vector machines of histological images with the aim of detecting the degree of tumor malignancy. The watershed segmentation algorithm has been successfully adapted for the segmentation of individual cells. The morphological classifier was used to classify the found cells. With the help of deep neural networks, scientists were able to segment objects on histological images that were not even painted. Connection with other scientific programs, plans and topics. Dissertation work was developed as part of scientific research works of Computer-Aided Management And Data Processing Systems Department of Faculty of Informatics and Computer Science, Igor Sikorsky Kyiv Polytechnic Institute № 0117U000914 “Mathematical models and technologies in decision making systems”. Goal and tasks. The main goal of the work is to develop mathematical and algorithmic support for improving the quality and visibility of digital histological images. To achieve this goal, it is necessary to solve a set of the following interconnected tasks: - analysis of existing methods of processing histological images; separation of the set of algorithms actively used in the found methods; - development of the environment for the layout of the algorithms in a single method; - study of the effectiveness of the developed method. Research object. Face recognition from photo for face position detection and 68 facial landmarks position detection. Research subject. The process of processing histological images with the aim of increasing their quality and visibility for a person. Research methods. During research and development in the dissertation work methods of computer vision, image processing, matrix filters, algorithms for the normalization of brightness and illumination, watershed segmentation algorithms, binaryzation with the threshold of the Otsu, translation between color spaces, clustering by the K-means method were used, for experimental research - methods of object-oriented programming: framework PyQt, library of image processing algorithms OpenCV, library of methods of machine learning sklearn were used. Scientific novelty is as follows: - method of combining computer vision algorithms and their configuration is developed; - method for processing digital histological images has been developed with the aim of increasing their quality and visibility. Practical use. All proposed mathematical models and algorithms are brought to practical realization within the framework of the software that is used for the processing of digital histological images. Publications. According to this research 2 scientific papers were published. One of them is indexing in the online database Copernicus, arXiv:1712.03228v1 [cs.SD] 8 Dec 2017.