автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.17, диссертация на тему:Автоматизированная система диагностики новообразований головного мозга по магнитно-резонансным изображениям

На правах рукописи

Кирсанова Анна Владиславна .

АВТОМАТИЗИРОВАННАЯ СИСТЕМА ДИАГНОСТИКИ

НОВООБРАЗОВАНИЙ ГОЛОВНОГО МОЗГА ПО МАГНИТНО-РЕЗОНАНСНЫМ ИЗОБРАЖЕНИЯМ.

Специальность 05.11.17 - Приборы, системы и изделия

медицинского назначения.

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

2 8 ЯНВ 2910

Санкт-Петербург 2010

003490492

Работа выполнена в Тверском государственном техническом университете.

Научный руководитель:

доктор технических наук, профессор Г.А. Дмитриев Официальные оппоненты:

доктор технических наук, профессор В.В. Шаповалов кандидат технических наук, доцент В. А. Биллиг

Ведущая организация - Рязанский государственный радиотехнический университет

Защита состоится «03 » 2010 г. в Ш часов на заседании

совета по защите докторских и кандидатских диссертаций Д 212.238.09 Санкт-Петербургского государственного электротехнического университета «ЛЭТИ» имени В.И.Ульянова (Ленина) по адресу: 197376, Санкт-Петербург, ул. Проф. Попова, 5.( СЩы. £Г6 £<3.

С диссертацией можно ознакомиться в библиотеке университета.

Автореферат разослан «¿3 » декабря 2009 г.

Ученый секретарь совета по защите докторских и кандидатских диссертаций

Болсунов К.Н.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. За последнее время в связи с ростом индустриальной оснащенности человечества, с ухудшением экологической обстановки, резко возросло количество опухолевых заболеваний. Одними из самых серьезных являются опухоли головного мозга, поражающие центральную нервную систему и нарушающие важные функции организма.

По данным НИИ им. Бурденко за 2008г. процент нахождения опухолей среди пациентов, обратившихся с жалобами к невропатологу, составляет порядка 7-8%, причем с каждым годом этот процент постепенно растет. В связи с этим встает необходимость раннего выявления и точной диагностики опухолей головного мозга. Это также объясняется особой тяжестью этих заболеваний из-за локализации объемного процесса в области мозговых центров и труднодос-тупностью для хирургического вмешательства.

На сегодняшний день существует множество способов исследования головного мозга, но наибольшим преимуществом в диагностике опухолей мозга обладает магнитно-резонансная томография. При проведении обследования на томографе, врач получает возможность исследовать структурные и патологические изменения, четко оценить локализацию и распространенность патологии, определить ее характер и воздействие на прилежащие структуры мозга.

Из-за большого разнообразия опухолей и их признаков на томограммах головного мозга, а также в связи с проблемой распознавания их среди других заболеваний, диагностика новообразований является трудоемким процессом, требующим от врача больших временных затрат. Это связано с чтением справочной литературы, а также с частой необходимостью консультаций с другими докторами. Так же сложность составляет то, что поиск аномальных зон на томограммах осуществляется визуальным способом. При наличии малоконтрастных объектов на изображении их легко пропустить.

Сложность и трудоемкость диагностики новообразований головного мозга требует разработки новых алгоритмов и программных средств обработки и анализа данных, получаемых с магнитно-резонансных изображений, с целью повышения достоверности поставленного диагноза. Это позволит повысить качество диагностики и снизить вероятность возникновения врачебных ошибок, что напрямую повлияет на дальнейшее лечение и позволит сократить количество смертельных случаев от этих заболеваний.

В связи с вышеизложенным, становится актуальной создание системы поддержки принятия решений врача-радиолога при диагностике новообразований головного мозга, которая помимо советов пользователю-врачу будет выполнять функцию распознавания области патологического сигнала на томограмме и определять характеристики этой области.

Цель работы. Разработка методов и алгоритмов для системы поддержки принятия решений врача-радиолога, обеспечивающих повышение качества диагностики новообразований головного мозга за счет применения методов распознавания образов и компьютерного анализа данных. Для достижения поставленной цели необходимо решить следующие задачи:

- проанализировать пути повышения эффективности диагностики опухолей головного мозга, рассмотрев диагностический процесс с точки зрения системного анализа;

- сформировать набор признаков, позволяющий выявлять новообразования среди других заболеваний головного мозга;

- разработать методы выделения области патологии на томограмме;

- разработать алгоритмы определения основных характеристик найденной патологии;

- разработать автоматизированную систему поддержки принятия решений для врача-радиолога, включающую методы распознавания томограмм головного мозга и алгоритмы анализа данных;

- провести оценку работы предложенных методов и алгоритмов на контрольных выборках.

Объектом исследования является автоматизированная система диагностики новообразований головного мозга по магнитно-резонансным томограммам.

Предметом исследования является информационное, методическое и программно-алгоритмическое обеспечение системы.

Методы исследований. Для решения поставленных задач использовались методы системного анализа, распознавания образов и обработки изображений, экспертного оценивания, основные положения теории вероятности, математической статистики и деревья решений.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной:

- метод выделения очага повышения сигнала на томограммах головы, заключающийся в выделении области вещества мозга от окружающих его тканей черепа и анализе крутизны спада гистограммы яркости изображения.

- метод выделения патологии среди других структур головного мозга с повышенным сигналом на томограмме, отличающийся учетом априорной информации о признаках нормальных анатомических структур мозга.

- алгоритмы определения основных характеристик патологической зоны на томограмме, отличающиеся обработкой патологических очагов на серии томограмм головного мозга, а также подсчетом количества этих очагов во всем мозге. Определение характеристик осуществляется с учетом всех импульсных последовательностей, использующихся при сканировании головного мозга.

- алгоритм построения дерева решений, основанный на отделении от общей выборки групп наблюдений по критерию максимальной однородности, отличающийся улучшенным критерием ветвления, способом обработки пропущенных значений и высокой скоростью работы на больших объемах трудно формализуемых данных.

Практическая значимость. Разработанные методы и алгоритмы составили основу построения автоматизированной системы поддержки принятия решений, применение которой в процессе диагностики новообразований головного мозга позволяет повысить диагностическую эффективность и сократить время анализа.

Разработанный модуль распознавания патологии, практические испытания которого показали высокое качество выделения патологических структур головного мозга, помогает врачу обратить внимание на различные патологии, в том числе малоконтрастные и патологии малых размеров, что ведет к сокращению врачебных ошибок.

В рамках выявления характеристик патологии осуществляется распознавание субдуральной гематомы по специфическим признакам от других патологий головного мозга, что позволяет повысить практическую ценность системы и открыть новые пути дальнейшего ее совершенствования.

Научное положение, выносимое на защиту.

При разработке системы диагностики новообразований головного мозга по МРТ изображениям необходимо использовать методы выделения очага повышения сигнала и его характеристик на томограммах, а также алгоритмы интерпретации в виде деревьев решений, позволяющие повысить качество диагностики новообразований головного мозга.

Внедрение результатов работы.

Результаты работы внедрены в учебную деятельность кафедры хирургической стоматологии Тверской государственной медицинской академии, а также используются в учебном процессе кафедры автоматизации технологических процессов Тверского государственного технического университета при подготовке специалистов по направлениям 200401 - "Биотехнические и медицинские аппараты и системы" и 200402 - "Инженерное дело в медико-биологической практике".

Апробация работы. Основные положения и научные результаты диссертационной работы докладывались и обсуждались на следующих конференциях, совещаниях и семинарах: Всероссийской научно-технической конференции студентов, аспирантов и молодых ученых «Биомедсистемы» (Рязань 2007г.), XXI Международной научной конференции «Математические методы в технике и технологиях» (Саратов, 2008г.), Международной конференции «Информационные технологии в образовании, технике и медицине» (Волгоград 2009г.), Всероссийской научной школе для молодежи "Биомедицинская инженерия",«БМИ-2009» (Санкт-Петребург, ЛЭТИ), на VIII Всероссийской научно-практической конференции с международным участием "Информационные технологии и математическое моделирование" (ИТММ-2009, Томск).

Публикации. Основные теоретические и практические результаты диссертации опубликованы в 8 статьях и докладах, из них по теме диссертации 8, среди которых 1 публикация в ведущих рецензируемых изданиях, рекомендованных в действующем перечне ВАК, 1 статья в нерецензируемом журнале. 6 докладов доложены и получили одобрение на международных, всероссийских и межвузовских научно-практических конференциях перечисленных в конце автореферата

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 87 отечественных и 28 зарубежных наименований. Работа изложена на 148 страницах машинописного текста, содержит 65 рисунков, 12 таблиц и одно приложение.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационной работы, сформулированы цели и задачи исследования, научная новизна и практическая значимость, приводится краткое содержание работы по главам.

В первой главе рассмотрены общие положения и особенности диагностики новообразований головного мозга на магнитно-резонансном томографе. Выполнен анализ состояния предметной области: рассмотрены методики исследования головного мозга, особенности получения томограмм, выполнен обзор существующих систем поддержки принятия решений в медицине, систем обработки медицинских изображений, выявлены их особенности и недостатки, выделены основные тенденции развития.

Проведен структурный анализ дифференциальной диагностики новообразований головного мозга, как процесса распознавания заболевания, проанализированы основные этапы диагностики. Составлен алгоритм диагностики ново-

мозга

Проанализированы ошибки, возникающие на различных этапах алгоритма, и предложены пути автоматизации отдельных этапов диагностики - автоматизация задачи выявления признаков патологии и ее характеристик на томограммах, а так же автоматизация задачи интерпретации результатов исследований.

Выполнен функционально-структурный анализ систем поддержки принятия решений, применяемых для автоматизации различных этапов процесса диагностики. Выявлено отсутствие решений по автоматизации процесса диагностики новообразований головного мозга.

Разработана концепция архитектуры интеллектуальной системы исследования и диагностики новообразований головного мозга, Определен ее состав и функции подсистем.

Исходя из вышеописанной структуры процесса диагностики, можно выделить основные функции системы:

1) Выявление патологической зоны на томограммах головного мозга;

2) Распознавание характеристик патологической зоны на томограмме;

3) Выдвижение диагностической гипотезы.

Таким образом, в состав системы необходимо включить две функциональные подсистемы, одна из которых будет отвечать за обработку и анализ томограмм головного мозга и выполнять 1 и 2 функции, а другая будет осуществлять поддержку процесса принятия решения и выполнять 3 функцию, а так же обеспечивающую часть, предназначенную для ввода, поиска и представления информации в виде понятном пользователю.

Обосновано, что проблему повышения эффективности и качества дифференциальной диагностики образований головного мозга следует решать комплексно, путем создания интеллектуальной системы, интегрирующей функции и средства для решения задач исследования и диагностики - автоматизированное распознавание признаков новообразований на томограммах и методы анализа этих признаков и постановки диагностического заключения на их основе.

В заключение первой главы формируются цель и задачи исследования.

Вторая глава посвящена разработке методов для автоматизированного анализа томограмм головного мозга.

В связи со сложностью строения головного мозга и многообразием анатомических структур, процесс выделения патологической области на томограмме является сложной задачей.

Распознавание патологической области связано с рядом проблем:

Мягкие ткани головы и внутренняя часть черепа на томограммах, как и патология имеют повышенный сигнал по сравнению с веществом головного мозга, что затрудняет процесс нахождения патологической области.

Для решения этой проблемы предлагается метод обработки изображения, заключающийся в выделении только вещества головного мозга (рисунок 3).

б

У в еянчаяв порога Ь-Ь + Г

Замыганяе кошур» междг

Заданием в* я) концы котяре ■ верхней тишине

ТОЛОЗД

Упвлевне пнксепй снаружи кстпур»

У палаше пвимейпрда&даегащн* интуру

Вычислеанботоцеде! осввшвхи объостов п вэо5ретевкя

Выбор объекта с ввнболшпВ площадью

Выделение шкбояьшег о ебмкта • качс стве вацестм

головного кота

Рисунок 3 - Методика распознавания области мозга на томограмме

Обработка заключается в поиске пикселей с яркостью ниже пороговой <р < И, принадлежащих замкнутому контуру черепа, имеющего на томограмме низкий сигнал.

После нахождения контура происходит удаление с изображения всех структур принадлежащих контуру, а также структур находящихся снаружи. В итоге на изображении остается несколько объектов т.

Вычисление площадей объектов по формуле

= гг&юпргор5(РаЛо1о®>, 'РШесМгеа') Сравнение площадей объектов и выбор объекта с наибольшей площадью, так как наибольшую площадь в голове занимает мозг.

Результаты работы предлагаемого метода представлены на рисунке 4.

Рисунок 4 - Отделение контура мягких тканей головы и тканей черепа от вещества головного мозга

Анализ работ показал, что для выделения областей интереса на изображениях чаще всего используются методы сегментации и методы шаблонов. На практике они обладают недостатками и не всегда справляются с задачей поиска небольших и малоконтрастных объектов на изображениях со сложной изменчивой структурой.

Для решения проблемы выделения патологического очага на томограмме предложен способ анализа гистограммы яркости изображения (рисунок 5).

Рисунок 5 - Анализ гистограммы

При сравнении гистограмм яркости изображений с патологией и изображений с нормой выявлена особенность, позволяющая отличать одно от другого. Она заключается в различном количестве пикселей высокой яркости после участка плавного спада Нтт (рисунок 5). При появлении патологии на изображении, после плавного спада, что является нормой и связано с особенностями сканирующих катушек, количество пикселей высокой яркости оказывается на порядок больше, чем при норме. На рисунке 6 рассмотрен метод анализа гистограммы.

Рисунок 6 - Процесс анализа гистограмм яркости

Для оценки крутизны спада гистограммы предлагается критерий:

нЛк<-км)

Л

"тах

где ^ - высота оцениваемого столбца гистограммы,

Ь

1+1 - высота следующего столбца гистограммы,

^тах - высота самого высокого столбца гистограммы.

Экспериментально выявлено такое значение Нтт, что выше соответствующей ему яркости все пиксели либо принадлежат патологии, либо их количество незначительно и связано с особенностями сканирования.

Из-за того, что диапазон яркости изображения может варьироваться в широких пределах, гистограммы яркости имеют разный масштаб визуальное сравнение их затруднено. Для этого все гистограммы проходят процедуру нормирования по яркости.

Из-за случайных неоднородностей магнитного поля выделенная область анализируется по количеству пикселей и если их количество ниже п = 12, то область не считается патологией. Это значение соответствует минимально различимому очагу патологии.

Результат работы метода представлен на рисунке 7.

Рисунок 7 - Выделение патологии на томограмме

Для распознавания выделенной области патологии от других структур головного мозга (тканей орбит, тканей нижней части головы и др.), имеющих повышенный сигнал, предлагается метод, отличающийся учетом априорной информации о признаках нормальных анатомических структур мозга. Последовательность распознавания патологии от нормальных структур представлена на рисунке 8.

Каждая из вышеперечисленных структур мозга обладает набором признаков, по которым ее можно отличить от патологической области. Основным признаком является локализация - принадлежность выделенной области зоне М(Х1, П)\

Х,е[Х0-Ак,Х0 + Ак]

г,е [г0-ви0+в1]

Где Хо, Уо - координаты контрольной точки привязки;

А, В-размеры головного мозга по горизонтали и вертикали;

к, I - коэффициенты определяющие размер области М(Хг, ¥1).

Среди других признаков можно выделить размер, форму выделенной области, количество. Таким образом, удается распознать выделенную патологию среди вариантов нормы.

Для определения основных характеристик патологической зоны на томограмме разработан ряд алгоритмов. Характеристики патологии - это признак* патологии на томограмме. Среди всех признаков, перечисленных в Главе 1 диссертационной работы, автоматизированному распознаванию на томограмме подлежат лишь несколько:

1. Изменение сигнала на томограммах Т1 взвешенности

2. Изменение сигнала на томограммах Т2 взвешенности

3. Количество зон патологии

4. Форма патологии

5. Размеры патологии

6. Локализация патологии

7. Наличие субдуральной гематомы

8. Наличие геморрагии в патологическом очаге

Распознавание остальных признаков затруднено из-за сложности и ком бинированной структуры их описания. Выделенные признаки используются дл: принятия решений в диагностической подсистеме.

Третья глава диссертации посвящена разработке алгоритмов принятю решений на основе признаков заболевания.

Проведен анализ различных методов принятия решений. Приоритетны!* направлением выбраны методы поиска закономерностей в данных (data mining) позволяющие выявить скрытые закономерности.

Среди всех методик data mining выбраны деревья решений, так как дере вья решений позволяют создавать классификационные модели в областях, гд| достаточно сложно формализовать знания, а также дают возможность извлекат] правила из базы данных на естественном языке, понятном пользователю и на глядно представлять результаты.

Исследованы наиболее популярные алгоритмы построения деревьев ре шений С4.5, CART, CHAID и ID3, и выявлены недостатки при работе с боль шими объемами трудноформализуемых данных.

Для устранения этих недостатков был предложен алгоритм отделения од нородных групп наблюдений, который отличается компактной структурой де рева, сравнительно простым и не требующим больших затрат памяти критери ем ветвления, компенсацией смещения данных в сторону одного из классов,; также способом обработки пропущенных значений.

При построении дерева решений с помощью алгоритма отделения одно родных групп, каждый узел дерева имеет два дочерних узла. Для узла форми руется правило, которое делит заданное множество примеров (обучающую вы борку) на две части: - часть, в которой выполняется правило (потомок - left) i часть, в которой правило не выполняется (потомок - right).

{1, если условие выполняется;

О, в противном случае,

где а, = 1, если условие для правила выполняется.

Структура узла дерева, построенного с помощью этого алгоритма, изображена на рисунке 9.

Рисунок 9 - Дерево, построенное с помощью алгоритма отделения однородных групп

Для обучения дерева используется уже классифицированный набор примеров. Для разбиения выборки по узлам предлагается двухэтапный подход, в котором два алгоритма включаются последовательно в зависимости от наличия в классах подгрупп. - на первом этапе от обучающей выборки отделяются однородные подгруппы 01 класса «образование» (алгоритм №1), по некоторым специфическим для них факторам, на втором происходит отделение от оставшейся выборки групп одного класса с минимальной ошибкой (алгоритм №2) (Рисунок 10).

Рисунок 10 - Общая схема работы комбинированного алгоритма.

Алгоритм выполняется до тех пор, пока в выборке не останется наблюдений, которые можно сгруппировать и отделить по определенным факторам. Остановка ветвления осуществляется, если не удается отделить группу наблюдений больше 10 наблюдений с точностью более 97%. Пропущенные значения в выборке переносятся в правую ветку, для дальнейшего анализа по другим факторам.

В основе разбиения по каждому узлу лежит критерий ветвления. Далекс не все критерии ветвления успешно работают на больших объемах данных с пропусками. Например, индекс Gini, реализованный в алгоритме CART на таких данных требует значительного времени на осуществление разбиения:

Gini(T) = 1 -¿р,2, /■1

где pi - вероятность (относительная частота) класса i в выборке Т.

В алгоритмах ID3 и С 4.5. критерий ветвления основан на уменьшении энтропии и разбивает данные на множество ветвей по каждой категории выбранного фактора. В алгоритме С 4.5. этот критерий улучшен и позволяет учитывать пропущенные значения:

Gain(X) = U__(/„/o(r) _ ¡фх (Г)),

где Т- множество обучающих примеров и Х- проверка по некоторому атрибуту A; U количество неопределенных значений атрибута А.

Info(T) - оценка среднего количества информации, необходимого для определения класса примера из множества Т- энтропия множества Т.

На факторах, у которых более 5 категорий (в медицинских данных чаете встречается) разбиение по такому критерию приведет к потере мощности у обобщающей способности, а также на выходе будет трудно интерпретируема? структура дерева.

Таким образом, в качестве критерия ветвления предлагается критерий отделения однородных групп наблюдений. Оценочная функция, базируется нг идее отделения как можно более чистой и полной группы наблюдений одного класса или группы по определенной категории фактора. При таком подходе дт более полного учета влияния факторов значимость определяется группой категорий выбранного фактора.

Для выбора списка отделяющих категорий используется критерий R:

const + К

где В - количество наблюдений отделяемого класса, которое выделяет рассматриваемая категория; А - количество наблюдений отделяемого класса; К - количество наблюдений постороннего класса, соответствующее группе выбранные категорий; Р(В) — условная вероятность выделения наблюдений нужного классг категорией fmn:

А

При нахождении коэффициента R количество ошибочно классифицированных наблюдений отделяемой группы учитывается в параметре К.

К = В-С

Значение критерия зависит от количества ошибочных наблюдений, попавших в группу К, а также от условной вероятности выделения наблюдений данной категорией. Константа const введена в формулу на случай, если в выбранной группе не будет ошибочных наблюдений. В этом случае решающим фактором выбора группы станет вероятность Р(В).

Таким образом, вышеописанный алгоритм с помощью критерия отделяет от выборки группы с минимальным количеством ошибочных наблюдений максимального размера по определенному набору категорий. Такое отделение позволяет учесть особенность медицинских данных - группы наблюдений с похожими характеристиками, например случаи различных стадий одного и того же заболевания и т.п. Благодаря такому подходу удается сократить признаковое пространство выборки и упростить интерпретацию результатов врачом.

В четвертой главе на основе предложенных методов и алгоритмов проведена разработка автоматизированной системы диагностики новообразований головного мозга. Представлены результаты экспериментальных исследований.

Разработанная структура автоматизированной системы для диагностики новообразований головного мозга, представлена на рисунке 11.

Подсистема выделения патологии на томограммах

j ВьвделениесфиинэаБражеаий j I Предобработка изображения I

Выделение шгодогни

Выявление признаков патологии |

SZ.

Подсистема поддержки

принятия решений

Предобработка данных, формализация, выдеяеше пропусков

i

Формирование дерева решений для щвгностикя опухоль^нс опухал

Диагностически подсистема

1

Подсистема объяснены

полученного результата

Функциональная часть Обеспечивающая часть

Рисунок 11 - Структура автоматизированной системы диагностики новообразований головного мозга

Основные блоки системы:

1. База данных. Осуществляет хранение информации о предметной области.

2. Информационная подсистема (интерфейс пользователя) предназначене для взаимодействия врача с другими подсистемами. Основные функции:

• Регистрация нового пациента и сохранение информации о нем в базе данных;

• Поиск и вывод данных о ранее зарегистрированном пациенте;

• Объединение всех подсистем в единое целое.

3. Подсистема поддержки принятия решений предназначена для автоматизации процесса диагностики новообразований головного мозга. Функции диагностической подсистемы реализованы в диалоговом режиме - врач имеет возможность влиять на выработку рекомендации системой.

Включает:

• Блок предварительной обработки и формализации данных, которьп осуществляет предобработку поступивших данных для хранения г дальнейшего анализа. Основная функция - нахождение Пропусков i данных, их маркировка, а также преобразование данных в числовую форму для хранения в БД.

• Блок формирования диагностической модели. Основные функции -формирование ветвей диагностического дерева решений, а такж« генерация анкеты для занесения признаков патологии в базу данных.

• Блок постановки диагноза «опухолыЛ «не опухоль».Основньк функции - формирование описания состояния пациента на язык« признаков (симптомов),формирование диагностической гипотезы i нечетком виде, вывод диагностического результата на экран в понятной для врача форме, объяснение полученных в ходе логического вывода интерпретаций результатов исследований и диагностического заключения.

4. Подсистема автоматизированного распознавания томограмм. Основные функции - нахождение зоны патологии на томограмме и указание на нее врачу определение признаков патологической области на томограммах для дальнейшего анализа. Эти функции реализованы в режиме советчика - т.е. врач принимает решение об использовании рекомендаций выданных системой.

Разработано программное обеспечение для решения основных задач диагностической подсистемы и подсистемы выделения патологий:

Обучение и оценка качества функционирования системы проводились нг проверочной выборке (200 наблюдений) и обучающей выборке (900 наблюдений). Ошибкой системы является неверно поставленный диагноз относительно «истинного» значения, т.е. известного врачебного диагноза.

Точность классификации на обучающих данных составила 96,64%, на новых данных - 96,53%

Алгоритм С4.5, реализованный в системе Deduktor (BaseGroup) на тех же данных, показал результаты 92% на новых данных и 98% - на обучающих. Этс подтверждает недостаток алгоритма С4.5 применительно к медицинской диагностике - переобучение. Алгоритм CART (SPSS) показал близкие по точности

результаты 98% на обучающих данных и 96% на тестовых, но построение дерева заняло значительно больше времени. При увеличении размера выборки это будет важным фактором.

Оценка точности выделения патологической области на томограмме и ее характеристик проводились группой экспертов на контрольной выборке из 30 серий томограмм головного мозга с различными патологиями.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В работе получены следующие основные результаты.

1. Проанализированы пути повышения эффективности диагностики опухолей головного мозга, рассмотрен диагностический процесс с точки зрения системного анализа и предложено создание системы поддержки принятия решений, которая позволит повысить точность диагностики и уменьшить время, затраченное на постановку диагноза.

2. Сформирована система признаков новообразований головного мозга, отличающие их от других заболеваний. Рассмотрена возможность автоматизации этих признаков. Создана база данных, содержащая наблюдения значений признаков для каждого пациента.

3. Разработан метод, позволяющий распознавать на томограммах головного мозга область с патологическим изменением сигнала, основанный на анализе распределения гистограммы яркости, а также алгоритм выделения вещества головного мозга от окружающих его тканей черепа, орбит и других, сопутствующих немозговых структур.

4. Реализована группа алгоритмов, позволяющих автоматически выделять признаки и характеристики патологии, такие как форма, размер, характер изменения сигнала на Т1 и Т2 томограммах, наличие субдуральной гематомы, определение полушария, в котором патология расположена, подсчет количества патологий и наличия геморрагии в них.

5. Разработан алгоритм диагностики внутричерепных новообразований, основанный на поочередном отделении от общей выборки групп наблюдений по определенным характеристикам, позволяющий работать с большими объемами трудно формализуемых данных и выводящий результат в понятном для врача виде.

6. Создано программное обеспечение для решения задач информационного обмена с хранилищем данных, выделения очагов патологического изменения сигнала, а так же автоматического распознавания их характеристик. Реализована функция распознавания субдуральной гематомы среди других патологий, программное обеспечение для решения основных задач экспертно-диагностической подсистемы.

СПИСОК НАУЧНЫХ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в изданиях, рекомендованных ВАК РФ

1. Кирсанова A.B. Дмитриев Г.А. Нейросетевая система диагностики внутричерепных новообразований [Текст]// Программные продукты и системы. Вып.3(87). Тверь, 2009. - С.123-125.

Статьи и материалы конференций

2. Кирсанова A.B. Автоматизированная система поддержки принятия решений врача-радиолога при диагностике внутричерепных новообразований на магнитно-резонансном томографе [Текст]// Труды научно-технической конференции студентов, аспирантов и молодых ученых. Рязанская государственная радиотехническая академия. -2007,- С. 174-180.

3. Кирсанова A.B. Дмитриев Г.А. Система поддержки принятия решений в диагностике внутричерепных новообразований на основе нечеткой логики [Текст]// Труды международной научной конференции. Саратовский государственный технический университет,- С. 50-52.

4. Алгоритм построения дерева решений в задаче диагностики новообразований головного мозга [Электронный ресурс]: статья / Кирсанова, A.B., Дмитриев, Г.А. И Вестник Тверского государственного технического университета [Электронный ресурс]. - Вып. 14 / Тверской гос. техн. ун-т. - Тверь, 2009. -с. 10-14.

5. Кирсанова A.B. Построение дерева решений путем отделения локальных групп наблюдений в задаче медицинской диагностики[Текст]// Труды международной научной конференции. Волгоградский государственный технический университет. - Волгоград, 2009. - С. 116.

6. Кирсанова A.B. Распознавание очага патологического сигнала на томограммах в системе диагностики новообразований головного мозга [Текст] // Информационные технологии и математическое моделирование (ИТММ-2009): Материалы VIII Всероссийской научно-практической конференции с международным участием (13-14 ноября 2009 г.). - Томск: Изд-во Том. ун-та, 2009. - 4.2. -С. 110-116.

7. Кирсанова A.B. Автоматический анализ томограмм головного мозга [Текст]// Сборник трудов молодых ученых «Проведение поисковых научных исследований по техническим наукам в Научно-образовательных центрах Санкт-Петербургского государственного электротехнического университета им. В.И. Ульянова (Ленина)». - СПб.: СПбГЭТУ. - 2009. - С. 91-101.

8. Кирсанова A.B. Алгоритм отделения однородных групп наблюдений при построении дерева решений в системе диагностики новообразований головного мозга по МРТ изображениям [Текст]// Сборник трудов молодых ученых Всероссийской научной школы по биомедицинской инженерии БМИ-2009 СПб.: СПбГЭТУ.-2009. - С. 83-92.

Подписано в печать 23.12.09. Формат 60*84 1/16. Бумага офсетная. Печать офсетная. Печ. л. 1,0. Тираж 100 экз. Заказ 113.

Отпечатано с готового оригинал-макета в типографии Издательства СПбГЭТУ "ЛЭТИ"

Издательство СПбГЭТУ "ЛЭТИ" 197376, С.-Петербург, ул. Проф. Попова, 5

СПИСОК СОКРАЩЕНИЙ.

ВВЕДЕНИЕ.

Глава 1. ПРОБЛЕМЫ АВТОМАТИЗАЦИИ ДИФФЕРЕНЦИАЛЬНОЙ

ДИАГНОСТИКИ НОВООБРАЗОВАНИЙ ГОЛОВНОГО МОЗГА.

1.1 Структурный анализ медицинской диагностики как процесса распознавания новообразований головного мозга.

1.2. Анализ методик исследования головного мозга.

1.3. Классификация новообразований головного мозга и статистика встречаемости.

1.4. Показатели, характеризующие состояние головного мозга на томограммах.

1.5. Виды томограмм, способы их получения.

1.6. Интерпретация результатов исследований головного мозга на магнитно-резонансном томографе.

1.7. Медицинские автоматизированные информационные системы.

1.8. Концепция архитектуры автоматизированной информационной системы поддержки принятия решений при диагностике новообразований головного мозга по магнитно-резонансным томограммам.

1.9.Постановка задач диссертации.

ВЫВОДЫ.

Глава 2. АВТОМАТИЗАЦИЯ АНАЛИЗА ТОМОГРАММ ГОЛОВНОГО МОЗГА.

2.1. Постановка задачи автоматизированного анализа томограмм.

2.2. Выбор импульсной последовательности для автоматического анализа изображения.

2.3. Общая методика распознавания патологии и ее характеристик на томограммах головного мозга.

2.3.1 .Обработка томограмм головного мозга.

2.3.2. Определение наличия очага патологического сигнала и его выделение на томограмме.

2.3.3. Выявление патологии среди нормальных анатомических структур головного мозга.

2.3.4. Анализ и выявление признаков на томограмме.

2.3.4.1. Признаки, подлежащие автоматизации.

2.3.4.2. Перенос выделенной области с TIRM изображения на изображения Т1 и Т2 взвешенности.

2.3.4.3. Измерение интенсивности изменения сигнала от патологии по сравнению с нормальным сигналом от ткани мозга на Т1 и Т2.

2.3.4.4. Измерение размера патологии.

2.3.4.5. Определение формы патологии.

2.3.4.6. Определение полушария, в котором находится патология.

2.3.4.7.Определение наличия геморрагии в патологическом участке.

2.3.4.8. Определение наличия субдуральной гематомы.

2.3.4.9. Измерение количества очагов патологического сигнала и вывод характеристик.

ВЫВОДЫ.

Глава 3. АВТОМАТИЗАЦИЯ ПРОЦЕССА ПОСТАНОВКИ ДИАГНОЗА.

3.1. Система поддержки принятия решений, основанная на интеллектуальном анализе данных.

3.2. Выбор деревьев классификации для принятия решений.

3.2.1. Описание метода деревьев решений.

3.2.2.Использование в медицине.

3.2.3.Преимущества деревьев решений по сравнению с другими методами интеллектуального анализа.

3.2.4.Недостатки деревьев.

3.3.Алгоритмы построения деревьев решений.

3.3.1. Алгоритм ID3.

3.3.2.Алгоритмы С4.5 и С5.

3.3.3. Алгоритм CART.

3.3.4. Преимущества и недостатки существующих алгоритмов построения деревьев решений применительно к задаче медицинской диагностики.

3.4. Комбинированный алгоритм построения дерева решений основанный на отделении однородных групп наблюдений.

3.4.1. Описание алгоритма.

3.4.2. Критерий отделения однородных групп.

3.4.3. Обработка пропущенных значений.

3.4.4. Останов работы алгоритма.

ВЫВОДЫ.

Глава 4. ПРОГРАММНЫЕ КОМПОНЕНТЫ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ДИАГНОСТИКИ ВНУТРИЧЕРЕПНЫХ НОВООБРАЗОВАНИЙ.

4.1. Структура системы.

4.1.1. База данных.

4.1.2. Информационная подсистема.

4.1.3. Разработка программного модуля обработки томограмм головного мозга и распознавания патологии.

4.1.4. Разработка диагностической подсистемы.

4.2. Предварительный анализ данных.

4.2.1. Сравнение точности классификации тех же диагностических данных на других алгоритмах построения деревьев решений.

4.2.2. Оценка работы алгоритма на числовых данных.

ВЫВОДЫ.

За последнее время в связи с ростом индустриальной оснащенности человечества, с ухудшением экологической обстановки на земном шаре, резко возросло количество опухолевых заболеваний. Одними из самых серьезных являются опухоли головного мозга, поражающие центральную нервную систему и нарушающие жизненно важные функции организма.

По данным НИИ им. Бурденко за 2008г. процент нахождения опухолей среди пациентов, обратившихся с жалобами к невропатологу, составляет порядка 7-8%, причем, с каждым годом этот процент постепенно растет. В связи с этим встает необходимость раннего выявления и точной диагностики опухолей головного мозга, что объясняется особой тяжестью этих заболеваний из-за локализации объемного процесса в области мозговых центров и труднодоступно-стыо для хирургического вмешательства.

На сегодняшний день существует множество способов исследования головного мозга, но наибольшим преимуществом в диагностике опухолей мозга обладает магнитно-резонансная томография. При проведении обследования на томографе, врач получает возможность исследовать структурные и патологические изменения, четко оценить локализацию и распространенность патологии, определить ее характер и воздействие на прилежащие структуры мозга.

Из-за большого разнообразия опухолей и их признаков на томограммах головного мозга, а также в связи с проблемой распознавания их среди других заболеваний, диагностика новообразований является трудоемким процессом, требующим от врача больших временных затрат. Это связано с чтением справочной литературы, а также с частой необходимостью консультаций с другими докторами. Помимо этого, сложность составляет то, что поиск аномальных зон на томограммах осуществляется визуальным способом. При наличии малоконтрастных объектов на изображении их легко пропустить. К тому же, зачастую встречаются патологии малых размеров, на которые врач может просто не обратить внимание.

Сложность и трудоемкость диагностики новообразований головного мозга требует разработки новых алгоритмов и программных средств обработки и анализа данных, получаемых с магнитно-резонансного томографа, с целью повышения достоверности поставленного диагноза.

Это позволит повысить качество диагностики и снизить количество врачебных ошибок, что напрямую повлияет на дальнейшее лечение и позволит сократить количество смертельных случаев от этих заболеваний.

В связи с вышеизложенным, становится актуальной задача создания автоматизированной системы поддержки принятия решений врача-радиолога при диагностике новообразований головного мозга, которая помимо советов пользователю-врачу будет выполнять функцию распознавания области патологического сигнала на томограмме и определять ее характеристики.

Разработка методов автоматизации медико-биологических задач ведется уже давно. Методы анализа данных на основе явных алгоритмов принятия решений были внедрены в состав многих диагностических систем. В России были разработаны такие системы как ДИАГЕН, «Дуплекс сосудов» и другие. Но, несмотря на это, в клинической практике они не нашли широкого применения из-за того, что методы, ориентированные на обработку групповых данных, слабо применимы к отдельным объектам. Поэтому, эти методы, как правило, хорошо работают только на той группе объектов, на которой производились исследования и при использовании для другой подобной группы объектов их почти всегда приходится полностью переконструировать.

Дальнейшим развитием методов автоматизации медицинской области стал поиск и изучение неявных алгоритмов, позволяющих автоматически накапливать и затем использовать опыт при обучении. Это послужило толчком к развитию нового научного направления - интеллектуальный анализ данных (ИАД), (англ. Data Mining) - междисциплинарная область, основными целями и задачами которой является обнаружение скрытой, ранее неизвестной информации в базах данных. Среди наиболее популярных средств data mining можно выделить нейронные сети, деревья решений, нечеткую логику и другие.

С помощью нейросетей созданы и успешно функционируют многие автоматизированные системы. Одной из них является система для выявления ате-росклеротических бляшек в артериях [31]. Проводится комплекс исследований по использованию нейросетей для диагностики инфаркта миокарда [34]. Большим недостатком нейронных сетей в области медицинской диагностики является то, что они выдают готовый диагноз, не объясняя полученный результат.

Деревья решений, как и нейросети, широко используются в медицинских приложениях. Они применяются для идентификации возможного неблагоприятного влияния лекарства на организм, для подтверждения диагноза «пневмония» в системе диагностики пневмоний, в диагностике рака шейки матки, а также во многих других диагностических системах [42, 45, 46]. Деревья имеют преимущество перед остальными методами data mining в области медицинской диагностики. Их отличает высокая точность результата и способность работы с большими объемами трудно формализуемых данных с пропусками. К тому же деревья решений идеально приспособлены для графического представления результатов, что упрощает их интерпретацию врачом.

В настоящее время развитие автоматизированных медицинских систем идет в направлении обработки и анализа медицинских данных. Большинство исследований в этой области связано с анализом ЭКГ, ЭЭГ сигналов, МРТ-спектров и т.п. Достаточно узко исследуемой и сложной задачей является обработка и анализ сложных образов, например рентгенограмм [50, 51]. В направлении распознавания магнитно-резонансных томограмм совсем мало работ, связанных в основном с методом кластеризации томограмм по яркости. Кластеризация применяется для отделения костей черепа и мягких тканей головы от вещества мозга [53]. Кластеризация изображений головного мозга реализована с помощью метода водораздела в работе [52]. В качестве параметра используется яркость изображения постконтрастных томограмм. Методы кластеризации не дают хороших результатов при распознавании новообразований на докон-трастных томограммах, что описано в главе 2 данной работы.

Анализ применения методов data mining в медицине показывает, что практически отсутствуют какие-либо методологии разработки автоматизированных систем, основанных на автоматическом извлечении информации из данных. Существующие системы поддержки принятия решений функционируют в основном на экспертных оценках, базах знаний и правил.

В сочетании с методами data mining применение методик распознавания образов представляет собой мощный инструмент для создания систем поддержки принятия решений. Автоматизация анализа изображений позволит врачу обратить внимание на мелкие детали и особенности заболевания, а дальнейший процесс принятия решений выявить скрытые закономерности.

Таким образом, целью настоящей работы является разработка методов и алгоритмов для автоматизированной системы поддержки принятия решений врача-радиолога, обеспечивающих повышение качества диагностики новообразований головного мозга за счет применения методов распознавания образов и компьютерного анализа данных.

Для достижения поставленной цели необходимо решить следующие задачи:

- проанализировать пути повышения эффективности диагностики опухолей головного мозга, рассмотрев диагностический процесс с точки зрения системного анализа;

- сформировать набор признаков, позволяющий выявлять новообразования среди других заболеваний головного мозга;

- разработать методы выделения области патологии на томограмме;

- разработать алгоритмы определения основных характеристик найденной патологии;

- разработать автоматизированную систему поддержки принятия решений для врача-радиолога, включающую методы распознавания томограмм головного мозга и алгоритмы анализа данных;

- п ровести оценку работы предложенных методов и алгоритмов на контрольных выборках.

Для решения вышеперечисленных задач, в работе предлагается методы и алгоритмы, обладающие научной новизной:

- метод выделения очага повышения сигнала на томограммах головы, заключающийся в выделении области вещества мозга от окружающих его тканей черепа и анализе крутизны спада гистограммы яркости изображения.

- метод выделения патологии среди других структур головного мозга с повышенным сигналом на томограмме, отличающийся учетом априорной информации о признаках нормальных анатомических структур мозга.

- алгоритмы определения основных характеристик патологической зоны на томограмме, отличающиеся обработкой патологических очагов на серии томограмм головного мозга, а также подсчетом количества этих очагов во всем мозге. Определение характеристик осуществляется с учетом всех импульсных последовательностей, использующихся при сканировании головного мозга.

- алгоритм построения дерева решений, основанный на отделении от общей выборки групп наблюдений по критерию максимальной однородности, отличающийся улучшенным критерием ветвления, способом обработки пропущенных значений и высокой скоростью работы на больших объемах трудно формализуемых данных.

В работе предполагается использовать методы системного анализа, распознавания образов, морфологических операций над изображением, экспертного оценивания, основные положения теории вероятности, математической статистики и теории управления биосистемами, деревья решений.

Объектом исследования является автоматизированная система диагностики новообразований головного мозга по магнитно-резонансным томограммам. Предметом исследования является информационное, методическое и программно-алгоритмическое обеспечение системы.

Научное положение, выносимое на защиту - при разработке системы диагностики новообразований головного мозга необходимо использовать методы выделения очага повышения сигнала и его характеристик на томограммах, а также алгоритмы интерпретации в виде деревьев решений, позволяющие повысить качество диагностики новообразований мозга.

Результаты работы внедрены в учебную деятельность кафедры хирургической стоматологии Тверской государственной медицинской академии, а также используются в учебном процессе кафедры автоматизации технологических процессов Тверского государственного технического университета при подготовке специалистов по направлениям 200401 - "Биотехнические и медицинские аппараты и системы" и 200402 - "Инженерное дело в медико-биологической практике".

Основные положения и научные результаты диссертационной работы докладывались на следующих конференциях, совещаниях и семинарах: Всероссийской научно-технической конференции студентов, аспирантов и молодых ученых «Биомедсистемы» (Рязань 2007г.), XXI Международной научной конференции «Математические методы в технике и технологиях» (Саратов, 2008г.), Международной конференции «Информационные технологии в образовании, технике и медицине» (Волгоград 2009г.), Всероссийской научной школе для молодежи "Биомедицинская инженерия" «БМИ-2009» (Санкт-Петребург 2009), на VIII Всероссийской научно-практической конференции с международным участием "Информационные технологии и математическое моделирование" (Томск, 2009).

Основные теоретические и практические результаты диссертации опубликованы в 8 статьях и докладах, из них по теме диссертации 8, среди которых 1 публикация в ведущих рецензируемых изданиях, рекомендованных в действующем перечне ВАК, 1 статья в нерецензируемом журнале. 6 докладов доложены и получили одобрение на международных, всероссийских и межвузовских научно-практических конференциях перечисленных в конце автореферата.

Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 87 отечественных и 28 зарубежных наименований. Работа изложена на 148 страницах машинописного текста, содержит 65 рисунков, 12 таблиц и одно приложение.

ВЫВОДЫ

1. Разработана структура автоматизированной системы поддержки принятия решений врача-радиолога.

2. Разработано программное обеспечение для решения основных задач информационной подсистемы: задач передачи информации между подсистемами исследования и диагностики внутричерепных новообразований а также регистрация пациента, просмотр и редактирование его данных.

3. Разработано программное обеспечение для визуализации и обведения очагов патологического изменения сигнала и автоматического распознавания их характеристик - размеры, количество зон патологии, форма, сигнал на Т1 и Т2 томограммах, наличие участков геморрагии и полушарие, в котором находится патология. Так же реализована функция поиска субдуральной гематомы и распознавания ее от других патологий.

4. Разработано программное обеспечение для решения основных задач экс-пертно-диагностической подсистемы - обработка данных, диагностика нового наблюдения на основе построенного дерева решений, объяснение полученного результата, вывод схемы построенного дерева решений с указанием пути прохождения конкретного наблюдения по этому дереву, а также вывод правила, обобщающего все этапы дерева в единое высказывание.

5. Проведена проверка работы системы на тестовых данных и сравнение работы разработанного алгоритма с другими алгоритмами деревьев решений.

132

ЗАКЛЮЧЕНИЕ

1. Проанализированы пути повышения эффективности диагностики опухолей головного мозга и предложено создание системы поддержки принятия решений, которая позволит повысить точность диагностики и уменьшить время, затраченное на постановку диагноза.

2. Сформирована система признаков новообразований головного мозга, отличающая их от других заболеваний. Рассмотрена возможность автоматизации этих признаков. Создана база данных, содержащая наблюдения значений признаков для каждого пациента.

3. Разработан метод позволяющий распознавать на томограммах головного мозга область с патологическим изменением сигнала, основанный на анализе распределения гистограммы яркости, а также метод выделения вещества головного мозга от окружающих его тканей черепа, орбит и других сопутствующих немозговых структур.

4. Реализована группа алгоритмов, позволяющих автоматически выделять признаки и характеристики патологии, такие как форма, размер, характер изменения сигнала, наличие субдуральной гематомы, геморрагии, определение полушария в котором патологии расположены и подсчет их количества.

5.Разработан алгоритм диагностики внутричерепных новообразований, основанный на отделении от общей выборки групп наблюдений по определенным характеристикам, позволяющий работать с большими объемами трудно формализуемых данных и выводящий результат в понятном для врача виде.

6.Создано программное обеспечение для решения основных задач информационного обмена с хранилищем данных, программное обеспечение для визуализации и обведения патологии и автоматического распознавания ее характеристик - размеры, количество зон патологии, форма, изменение сигнала, наличие участков геморрагии, субдуральной гематомы и определение полушария в котором находится патология. Так же реализовано программное обеспечение для решения основных задач экспертно-диагностической подсистемы.

1. Naumov LB., Main problems of modern medicine in diagnostics and learning. Ways to optimal solution. Anatol. Journ. Cardiol. Vol.1, Sept. 2001. 166-178c.

2. Коновалов A.H. Магнитно-резонансная томография в нейрохирургии Текст.// Коновалов А.Н. Корниенко В.Н., Пронин И.Н. М.:Видар, 1997. — 472с.

3. Рохен Й. Большой атлас по анатомии. Текст.// Рохен Й., Йокочи Ч., Лють-ен-Дреколль Э М., 2000.

4. Лучевая диагностика опухолей головного и спинного мозга Текст. Б.В. Гайдар, Т.Е. Рамешвили. Г.Е. Труфанов, В.И. Парфенов. Спб.: «Фолиант», 2006.- 336с.

5. Труфанов Г. Е. Лучевая диагностика опухолей головного мозга Текст.: атлас КТ- и МРТ-изображений / Труфанов Г. Е., Рамешвили Т. Е Руководство для врачей. СПб.:ЭЛБИ, 2007. - 328с.

6. Корниенко В.Н. Диагностическая нейрорадилогия Текст.// Корниенко В.Н. Пронин И.Н. М.: Издательство ИП «Андреева Т.М.», 2006. - 1328с.

7. Нейрорадиология Текст., под ред.Т.Н. Трофимовой. Спб.: «издательский дом СПб МАЛО»,2005. 228 с.

8. Корниенко В.Н. Нейрорадиология состояние и перспективы Текст.: журнал Вопросы нейрохирургии имени Н.Н.Бурденко.-1996.-№1.- С. 3.9. http://www.abta.org/

9. Ю.Сликтер Ч. Основы теории магнитно-ядерного резонанса Текст. М.: Мир, 1981.- 448с.

10. Воронов В.К. Основы магнитного резонанса Текст./ Воронов В.К. Сагде-ев Р.З. Иркутск: Вост-Сиб. кн. изд-во, 1995. 352с.

11. Ядерно-магнитный резонанс в медицине Текст. // Корниенко В.Н. Руша-нов И.И. Цыб А.Ф. и соавт. М.: Медицина, 1985. - 197 с.

12. Erkinjuntti Т., Ketonen L., Sulkava R. et al. Do white matter changes on MRI and CT differentiate vascular dementia from Alzheimer's disease? // J. Neurol.

13. Neurosurg. Psychiatry. 1987. - № 50. - P. 37-42.

14. Магнитный резонанс в медицины: основной учебник Европейского Форума по магнитному резонансу Текст. / под ред. проф. П.А. Ринка ; пер. с англ. Э.И. Федина. Оксфорд, Б.д. [1995]. - 228 с.

15. Искусственный интеллект Текст.: в 3-кн. Кн. 2. Модели и методы: Справочник/ Под ред. Д.А.Половинкина.- М.: Радио и связь, 1990. 304с.

16. Гринберг А.С. Информационные технологии управления Текст.// Гринберг А.С., Горбачев Н.Н., Бондаренко А.С. М.: Юнити, 2004.

17. Ларичев М.И. Интеллектуальные системы диагностики Текст. // Сб. трудов Междунар. конф. по искусственному интеллекту. КИИ-98. Пущино, 1998.

18. Дюк В. DataMining Текст.// Дюк В., Самойленко А.: учебный курс.-СПб:Питер, 2001.-368с.

19. Юдицкий С.А. Технология проектирования архитектуры информационно-управляющих систем Текст.// Юдицкий С.А., Кутанов А.Т. М., ИПУ. 1993. -32с.

20. Гаврилова Т.А. Базы знаний интеллектуальных систем Текст.// Гаврилова Т.А., Хорошевский В.Ф. СПб. Питер, 2000.

21. Программы, (www.pediatr.mtu-net.ru/programms/programms.html)

22. Б.А.Кобринский. Экспертная диагностическая система по неотложным состояниям Текст.: Программные продукты и системы / Б.А.Кобринский, Л.Н.Таперова, О.В. Веприцкая. 1995 №1 С.30-32

23. Б.А. Кобринский Автоматизированные диагностические и информационно-аналитические системы в педиатрии Электронный ресурс. : Российский медицинский журнал Т.7 №4 1999 (www.rmj.ru)

24. Кобринский Б.А. Системы искусственного интеллекта в медицине: Состояние, проблемы и перспективы Текст.: Новости искусств, интеллекта1995.-С. 65-79

25. Многофункциональная экспертная система в области медицинской инструментальной диагностики (www.ctmed.ra/medicine/asmu/patophis/duplex.html)

26. Кафедра медицинской кибернетики и информатики. РГМУ. Медико-технологические системы. — (cmci.rsmu.ru/science/directs/medtechnsyst.shtml)

27. Переверзев-Орлов B.C. Советчик специалиста. Опыт разработки партнерской системы Текст. М.: Наука, 1990.- 133 с.

28. Fu Н.С., Shann J.J. A fuzzy neural network for knowledge learning Int. J. Neural Syst.- 1994.-V.5,N.I.-P.13-22.

29. Масалович А.И. От нейрона к нейрокомпьютеру Текст.: Журнал доктора Добба.- 1992.-N.I.- С. 20-24

30. Gindi G.R., Darken С.J., O'Brien К.М. et al. Neural network and conventional classifiers for fluorescence-guided laser angioplasty. IEEE Trans. Biomed. Eng.-1991.- V.38, N.3.- P.246-252.

31. Allen J., Murray A. Development of a neural network screening aid for diagnosing lower limb peripheral vascular disease from photoelectric plethysmography pulse waveforms. Physiol. Meas.- 1993.- V.14, N.I.- P.13-22.

32. Astion M.L., Wener M.H., Thomas R.G., Hunder G.G., Bloch D.A. Application of neural networks to the classification of giant cell arteritis. Arthritis Reum.-1994.- V.37, N.5.- P.760-770.

33. Baxt W.G. A neural network trained to identify the presence of myocardial infarction bases some decisions on clinical associations that differ from accepted clinical teaching. Med. Decis. Making.- 1994.- V.14, N.3.- P.217-222.

34. Baxt W.G. Analysis of the clinical variables driving decision in an artificial neural network trained to identify the presence of myocardial infarction. Ann. Emerg. Med.- 1992.- V.21, N.12.- P.1439-1444.

35. Guo Z., Durand L.G., Lee H.C. et al. Artificial neural networks in computer-assisted classification of heart sounds in patients with porcine bioprosthetic valves. Med. Biol. Eng. Comput.- 1994.- V.32, N.3.- P.311-316.

36. Okamoto Y., Nalcano H., Yoshikawa M. et al. Study on decision support systemfor the interpretation of laboratory data by an artificial neural network Rinsho. Byori.- 1994.- V.42, N.2.- P. 195-199.

37. Maclin P.S., Dempsey J. Using an artificial neural network to diagnose hepatic masses. J. Med. Syst.- 1992.- V.16, N.5.- P.215-225.

38. Rinast E., binder R., Weiss H.D. Neural network approach for computer-assisted interpretation of ultrasound images of the gallbladder. Eur. J. Radiol.-1993.- V.17, N.3.- P.175-178.

39. Ercal F., Chawla A., Stoeker W.V. et al. Neural network diagnosis of malignant melanoma from color images. IEEE Trans. Biomed. Eng.- 1994.- V.41, N.9.-P.837-845.

40. В. Heden, H. Ohlin, R. Rittner, and L. Edenbrandt. Acute Myocardial Infarction Detected in the 12-Lead ECG by Artificial Neural Networks Circulation September 16, 1997 96:1798-1802.

41. Jones, J.K., The role of data mining technology in the identification of signals of possible adverse drug reactions: Value and limitations, Current Therapeutic Research-Clinical And Experimental, vol. 62, num. 9, pp. 664-672, 2001.

42. A decision tree for differentiating tuberculous from malignant pleural effusions Respiratory Medicine, Volume 102, Issue 8, Pages 1159-1164 J. Porcel, C. Aleman, S. Bielsa, J. Sarrapio, T. Fernandez de Sevilla, A. Esquerda.

43. Using Decision Tree Classifiers to Confirm Pneumonia Diagnosis. David D. Eardley, Dominik Aronsky, M.D., Wendy W. Chapman, Peter J. Haug, M.D. . www.amia.org/pubs/symposia/D200520.PDF

44. CCAID System-An Automatic Intelligent Diagnostic System for Cervical Cancer.Dr Nor Ashidi Mat Isa ,Nor Rizuan Mat Noor ,Assoc. Prof. Dr Mohd Yusoff Mashor Prof. Dr Nor Hayati Othman. -(http://www.researchsea.eom/html/article.php/aid/613/cid/3)

45. Безруков Н.С. Автоматизированная система «Medical Toolbox» Для диагностики бронхиальной астмы по показателям реоэнцефалографии Текст.: Информатика и системы управления/ Безруков Н.С., Еремин E.J1. 2006. — №1(1).-с. 73-80.

46. Hoher M., ICestler H.A., Palm G. et al. Neural network based QRS classification of the signal averaged electrocardiogram // Eur. Heart J.- 1994.-V.15.- Abstr. Supplement ХИ-th World Congress Cardiology (734).- P.l 14.

47. Gross G.W., Boone J.M., Greco-Hunt V. et al. Neural networks in radiologic diagnosis. II. Interpretation of neonatal chest radiographs // Invest. Radiol.- 1990.-V.25, N.9.- P.1017-1023.

48. Floyd C.E.Jr., Lo J.Y., Yun A.J. et al. Prediction of breast cancer malignancy using an artificial neural network // Cancer.- 1994,- V.74, N.l 1.- P.2944-2948.

49. Brain Tumor Detection based on Multi-parameter MRI Image Analysis. Rajeev Ratan A, Sanjay Sharma B, S. K. SharmaC. ICGST-GVIP Journal, ISSN 1687-398X, Volume (9), Issue (III), June 2009.

50. Automatic detection and volume determination of metastatic brain tumors MRI scans. Robert Ambrosini, Peng Wang, Ntungwe Sobe, Jesse Victor, Walter O'Dell Ph.D. ICGST-GVIP Journal, ISSN 1567-390X, Volume (3), Issue (II), July 2008.

51. Tate AR, Underwood J. et al. Development of a decision support system for diagnosis and grading of brain tumours using in vivo magnetic resonance single voxel spectra. NMRBiomed journal. 2006 Jun;19(4):411-34.

52. В.А. Гвоздева. Основы построения автоматизированных информационных систем Текст. // В.А. Гвоздева, И.Ю. Лаврентьева. М.: Изд-во "Форум" -ИНФРА-М, 2007. 318 с.

53. Гейн К. Системный структурный анализ: средства и методы// Гейн К., Сарсон Т. М. Эйтекс. 1992.

54. Рудаков П.И. Обработка сигналов и изображений Matlab 5.x// Рудаков П.И, Сафонов В .И. Диалог-МИФИ. 2000.

55. Список функций Image Processing Toolbox. — (http://matlab.exponenta.ru/imageprocess/book3/index.php)

56. R. M. Haralick, L. G. Shapiro, "Image Segmentation Techniques," Computer Vision, Graphics, and Image Processing, Vol 29, No 1, 1985

57. N. R. Pal and S. K. Pal, "A Review on Image Segmentation Techniques," Pattern Recognition, Vol. 26, No 9, 199361.0LAP. (http://www.olap.ru/home.asp?artId=153)

58. Арсеньев С.Б. Извлечение знаний из медицинских баз данных. Москва, Мегапыотер. WEB: http://www.megaputer.ru/

59. Деревья классификации / Электронный учебник по статистике. http://www.statsoft.ru/home/textbook/default.htm

60. Александров В.В. Обработка медико-биологических данных на ЭВМ Текст.// Александров В.В., Шнейдеров B.C. JL: Медицина, 1984. - 160 с.

61. О.Ю. Реброва. Статистический анализ медицинских данных. Применение пакета прикладных программ Statistica Текст. — М.: Медиа Сфера, 2006. — 312с.

62. Халафян А.А. STATISTICA 6. Статистический анализ данных Текст. -М.: Бином-пресс, 2007. 512с.

63. Деревья решений. — (http://www.basegroup.ru/library/analysis/tree/)

64. Data Mining. И.А. Чубукова. -(http://www.intuit.rU/department/database/datamining/9/)

65. Паклин Н.Б. Бизнес-аналитика: от данных к знаниям Текст.// Паклин Н.Б., Орешков В.И. — СПб.: Питер, 2009. — 624 с.

66. Программа СПСС. (http://spss.en.softonic.com)

67. Программа Statistica 7.0. (http://statsoft.ru/)

68. Дженнингс Р. Использование Microsoft Access 2000 Текст.: специальное издание: Пер. с англ.-М.:Издательский дом «Вильяме», 2000.-1152с.

69. Гусева Т.И. Проектирование баз данных в примерах и задачах Текст.// Гусева Т.И., Башин Ю.Б. М.: Радио и связь, 1992.-160с.

70. Базы данных Текст.// С. Каратыгин, А. Тихонов, В. Долголаптев. Москва: ABF, том 2, 1995. - 46 с.

71. Григорьева О. М. Модели и алгоритмы дифференциальной диагностики органов слуха, основанные на обработке субъективной информации Текст.: Дис. канд. техн. наук: 05.13.01: Тверь, 2004. 204 с.

72. Магнитно-резонансная томография. Руководство для врачей Текст. Под. Ред. Труфанова Г.Е., Фокина В.А. М.: Фолиант, 2007.- 688с.

73. Марусина М.Я. Современные виды томографии Текст.: учебное пособие/ Марусина М.Я., Казначеева А.О. СПб: СПбГУ ИТМО, 2006. - 132 с.

74. Атлас секционной анатомии человека на примере КТ- и МРТ-срезов. В 3 томах Текст.: том 1. Голова и шея. Меллер Т. Б., Райф Э., 2008 г., Изд.: МЕДПРЕСС-ИНФОРМ.

75. Меллер Т. Б. Укладки и режимы при магнитно-резонансной томографии Текст./ Меллер Т. Б., Райф Э. -М.: МЕДпресс-информ, 2008 г. 232с.

76. В. А. Ковалев. Анализ текстуры трехмерных медицинских изображений Текст. Минск: Белорусская наука, 2008 г.- 264с.

77. Меллер Т. Б. Норма при КТ- и МРТ-исследованиях Текст.// Меллер Т. Б., Райф Э. М.: МЕДПРЕСС-ИНФОРМ, 2008 г. 252с.

78. Гайдар Б.В. Лучевая диагностика опухолей головного и спинного мозга Текст.// Гайдар Б.В., Рамишвили Т.Е., Труфанов Г.Е. 2006.

79. Хорнак Д.П. Основы МРТ, 2000. (www.cis.rit.edu/htboolcs/mri).

80. Емелин И.В. Стандарт электронного обмена медицинскими изображениями DICOM Текст. // Компьютерные технологии в медицине. — 1996. — № 3 — С. 56-59.

81. Емелин И.В., Смирнов В.А., Эльчиян Р.А. Интеграция систем обработки медицинских изображений и клинических систем Текст.: Медицинская визуализация, № 4/ Емелин И.В., Смирнов В.А., Эльчиян Р.А. М., 1999. С. 2630.

82. Магнитный резонанс в медицине. Основной учебник Европейского форума по магнитному резонансу Текст. / Под ред. П.А. Ринка / Пер. Э.И. Феди-на Oxford: Blackwell Scientific Publications, 1995. - 228 с.

83. Кузнецов П.И. Последовательное обучение систем диагностики Текст. // Кузнецов П.И., Пчелинцев JI.A. М: Наука, 1987. С.458.

84. Котов Ю.Б. Новые математические подходы к задачам медицинской диагностики Текст.: серия "Синергетика: от прошлого к будущему".М.:УРСС. 2004.- 328с.

85. А. Кац. Алгоритмы медицинской диагностики. Интуитивные и методические аспекты Текст. М.: ВЭЙН, 2002 г. 357 с.

86. Ранняя диагностика рецидивных глиом с использованием автоматизированной обработки изображений МРТ с контрастным усилением Текст. А.В. Оноприенко, В.Д. Завадовская и др. М.: Видар. Медицинская визуализация. №2,2005,- С. 39-48.

87. Обработка изображений и синдромный анализ признаков для улучшения интерпретации изображений Текст. Т.П. Беликова, И. И. Стенина, Н.И. Яшунская. Компьютерная оптика Выпуск № 17, 1997г. — С. 103-111.

88. Виллевальде А. Ю. Система анализа и обработки медицинских изображений с малоконтрастными объектами Текст.: Дис. канд. техн. наук: 05.11.17: Санкт-Петербург, 2008. 128 с.

89. Вапник В.Н. Теория распознавания образов Текст. М.: Наука, 1974.

90. Abdel-Halim Elamy, Maidoing Ни. Mining Brain Tumors& Their Grouth Rates. 872-875. IEE Image Processing Society, 2007.

91. Дюк В. Информационные технологии в медико-биологических исследованиях Текст.// Дюк В. Эмануэль В. СПб.: Питер, 2003. - 528 с.

92. Клюшкин И.В. MP— томография в диагностике опухолей головного мозга Текст.// Клюшкин И.В., Бахтиозин Р.Ф. Ибатуллин М.М.: Казанский мед. журнал, 1993,—№3.—С. 180 185.

93. Б. Р.Хант. Matlab R2007 с нуля Текст.// Б. Р.Хант, Р.Л.Липсман, Д. М. Розенберг. М.: Лучшие книги, 2007. 352с.

94. Р. Гонсалес. Цифровая обработка изображений в среде MATLAB Текст.// Р. Гонсалес, Р. Вудс, С. Эддинс. Москва: Техносфера, 2006. 616 с.

95. М.Л. Подкур. Программирование в среде Borland С++ Builder с математическими библиотеками MATLAB Текст.// М.Л. Подкур, П.Н. Подкур, Н.К. Смоленцев. М.: ДМК Пресс, 2006 496 с.

96. В.Дьяконов, И.Абраменкова. MATLAB. Обработка сигналов и изображений Текст.: специальный справочник/ В.Дьяконов, И.Абраменкова. СПб. Литер. 2002. 450с.

97. Орловский С.А. Проблема принятия решений при нечеткой исходной информации Текст. М. Наука. 1981.

98. М. Эллис. Справочное руководство по языку С++ с комментариями Текст.// М. Эллис, Б. Строуструп: пер. с англ. Москва: Мир, 1992. - 445с.

99. В.В. Подбельский. Язык С++ Текст.: Учебное пособие. Москва: Финансы и статистика, 1995. - 560с.

100. Окулов Е.Д. Программирование в алгоритмах Текст. М: Наука, 2002.341 с.

101. Мейер Д. Теория реляционных баз данных Текст. М.: Наука, 1987. — 191 с.

102. Прэтт У. Цифровая обработка изображений Текст. М.: Мир., 1982. Т. 1,2.-791 с.

103. Гонсалес Р., Вудс Р. Цифровая обработка изображений Текст.: пер. с англ./Под ред. Чочиа П.А. М.: Техносфера, 2005. 1072 с.

104. Красильников Н.Н. Цифровая обработка изображений Текст. М.:Вузовская книга, 2001. 320 с.

105. В.Т. Фисенко, Компьютерная обработка и распознавание изображений Текст.// В.Т. Фисенко, Т.Ю. Фисенко: учеб. пособие. СПб: СПбГУ ИТМО, 2008.-192 с.

106. Т. Сван. Освоение Borland С++ 4.5: Пер. с англ. Киев: Диалектика, 1996. - 544с.

107. Г. Шилдт. Самоучитель С++ Текст.: пер. с англ. Санкт-Петербург: BHV-Санкт-Петербург, 1998. - 620с.

108. У. Сэвитч. С++ в примерах Текст.: пер. с англ. Москва: ЭКОМ, 1997. -736с.